[发明专利]一种基于对抗网络和多尺度密集特征融合图像去雾方法

说明书

本发明公开了一种基于对抗网络和多尺度密集特征融合图像去雾方法，属于图像处理技术领域，该去雾方法具体步骤如下：(1)构建用于图像去雾条件对抗生成网络；(2)使用公开图像去雾数据集训练该网络至收敛；(3)将训练好的生成器网络作为图像去雾网络，输入为有雾图像，输出为去雾后的图像；本发明在生成器网络中引入残差密集块和基于反投影技术的密集特征融合模块，并利用其分别进行局部特征融合和多尺度密集特征融合，通过有效的融合不同层次的特征来逐步得到更清晰的图像；从而有利于使图像去雾更加自然，并且有利于消除噪声。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于对抗网络和多尺度密集特征融合图像去雾方法。

背景技术

经检索，中国专利号CN102930514A公开了基于大气物理散射模型的快速图像去雾方法，该发明虽然能够通过大气物理散射模型进行图像去雾，但去雾不自然且存在噪声；近几年，我国城市中的雾霾天气逐渐增多，景物发出的光经过雾霾到达相机的感光元件时强度会被衰减，加上雾霾对光的散射作用，相机成像的效果受到了极大的影响，基于图像分析的计算机视觉技术已经在军事国防、人工智能和自动控制等领域有了广泛的应用，因此需要有效的图像去雾技术作为计算机视觉应用的前处理过程，以减少或消除雾霾的影响，在广泛采用的雾霾图像成像模型中，大气光照强度，景物的透射率，以及要复原的图像皆为未知量，而唯一已知为相机获取的雾霾图像，因此单幅图像去雾问题在数学上是一个不适定问题，图像去雾的关键问题是得到雾霾图像的透射率图像，而透射率又是图像深度的函数，为了解决这个不适定问题，图像去雾终于方法主要分为基于先验知识的去雾方法和基于深度学习的去雾方法，这些方法都基本采用通用的网络结构，但这些结构存在着一些局限性；因此，发明出一种基于对抗网络和多尺度密集特征融合图像去雾方法变得尤为重要；

现有的图像去雾方法，大多采用通用的网络结构，这些结构往往仅利用相对较浅网络的低级局部特征，然而在有限的感受野下高级语义信息很难被低级特征进行编码，进而容易导致图像去雾不自然且存在噪声；为此，我们提出一种基于对抗网络和多尺度密集特征融合图像去雾方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于对抗网络和多尺度密集特征融合图像去雾方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于对抗网络和多尺度密集特征融合图像去雾方法，该去雾方法具体步骤如下：

(1)构建用于图像去雾条件对抗生成网络；

(2)使用公开图像去雾数据集训练该网络至收敛；

(3)将训练好的生成器网络作为图像去雾网络，输入为有雾图像，输出为去雾后的图像。

进一步地，步骤(1)所述条件对抗生成网络包括生成器网络、判别器网络和总体目标函数。

进一步地，所述生成器网络的结构设计基于U-Net结构，其包括编码模块、解码模块和特征恢复模块三部分组成，所述括编码模块设置有编码器，且集成有残差密集块RDB模块和基于反投影技术的DFF模块，所述解码模块设置有解码器；所述生成器网络具体运行过程如下：

S1：将网络的输入设置为；

S2：将有雾图像送入编码器部分，经过卷积操作，将图像下采样作为特征图；

S3：在每个下采样阶段均将特征图送入1个残差密集块RDB模块进行局部密集特征提取与局部特征融合，再把融合后的特征图通过一个步长为2的卷积层进行下采样操作，然后将下采样后的特征图送入到DFF模块，弥补缺失的空间信息；

S4：每一个阶段特征图的数量增加一倍，经过4次降采样后将的特征图送入特征恢复模块；

S5：将特征恢复模块增强过的特征图经4次反卷积上采样到原始输入大小；