[发明专利]一种基于上下文引导生成对抗网络的单幅图像去雾方法

说明书

本发明公开了本发明一种基于上下文引导生成对抗网络的单幅图像去雾方法，生成网络包括特征提取编码器、上下文信息提取解码器及融合解码器，通过金字塔解码器捕捉特征提取编码器提取的深层特征，提取深层特征中隐含的上下文信息，得到粗去雾图像；通过融合解码器对特征提取编码器、上下文信息提取解码器获取的图像特征进行融合，得到质量优良的细去雾图像。生成对抗网络模型网络结构操作简单，易于实现；通过不同的损失函数对上下文信息提取解码器、融合解码器参数进行迭代优化，丰富融合网络的语义信息，产生更清晰的去雾结果。

技术领域

本发明属于图像处理方法技术领域，涉及一种基于上下文引导生成对抗网络的单幅图像去雾方法。

背景技术

在雾霾天气中，在室外拍摄的图像通常会受到严重的退化，如对比度差和颜色失真。这将给进一步的图像感知和理解带来很大的困难。

雾霾是一种典型的大气现象，其中灰尘、烟雾和其他粒子极大地降低了捕获图像的质量和能见度，从而使进一步的感知和理解变得困难。因此，去除雾霾，特别是单一图像去霾具有很高的实用性和现实性，具有广泛的学术和行业价值。

在雾、霾天气条件下，大气中悬浮微粒的散射作用使户外采集图像对比度降低，图像质量下降，严重影响了道路监控、环境监测、目标识别等户外计算机视觉系统的应用。

随着计算机技术的不断发展，越来越多的计算机视觉系统运用到人们的日常生活中，我们需要它们可以直接、实时、清晰准确的满足我们的需求。但是在有雾的环境中，现有的室外的计算机视觉系统的作用会大打折扣。由于有雾图像光照不均匀、对比度较低且色偏严重，许多现有的算法并不能表现出良好的去雾结果。

为了解决这一问题，近年来提出了许多图像去雾方法。这些方法大致分为两类：基于图像增强的方法和基于图像恢复的方法。

基于图像增强的方法，如直方图均衡化和Retinex，使用图像对比度增强或亮度增强。虽然这种方法可以在一定程度上提高退化图像的视觉感知，但由于这些方法没有考虑图像退化的原因和机制，因此无法解决图像的颜色失真和图像噪声放大问题，去雾图像质量较差，特别是对雾霾严重的图像。

与基于图像增强的方法不同，基于图像恢复的方法如暗通道先验、颜色衰减先验去雾算法和稀疏先验去雾算法，考虑了图像退化的根本原因，并解决了图像退化的逆过程，得到了增强图像。然而，现有的方法不能很好地解决复杂雾霾场景或不规则光照的图像中的雾霾信息，导致传输映射估计不准确，从而无法恢复具有天空区域或明亮物体的雾霾图像，导致去雾图像质量较差。

近年来，深度学习在图像去雾方向上得到的极大的关注。越来越多的基于深度学习的图像去雾方法被提出。这些方法虽然在单幅图像去雾方面有不同程度的成功，但都存在以下局限性：(1)未能恢复雾霾严重的图像，在雾霾严重的条件下，大多数光线被大气粒子散射和吸收，导致不准确的环境光和传输估计。(2)由于对传输的估计不准确，无法自然恢复长景图像，特别是对天空区域，导致去雾图像质量较差。

发明内容

本发明的目的是提供一种基于上下文引导生成对抗网络的单幅图像去雾方法，解决了现有技术中存在的去雾图像质量差的问题。

本发明所采用的技术方案是，一种基于上下文引导生成对抗网络的单幅图像去雾方法，包括以下步骤：

步骤1、获取图像数据集，对图像数据集中的每个图像进行归一化处理，得到训练集；

步骤2、构建生成对抗网络模型，生成对抗网络模型包括生成网络和判别网络，生成网络包括：

特征提取编码器：逐层提取有雾图像的浅层特征、深层特征；

上下文信息提取解码器：通过自下而上的金字塔模型对多个级联卷积层提取的深层特征进行尺度增强，提取深层特征中隐含的上下文信息，得到粗去雾图像；