[发明专利]基于双判别器与改进损失函数的对抗网络图像去雾方法

说明书

基于双判别器与改进损失函数的对抗网络图像去雾方法。首先，在生成器中引入两层由Inception网络组成的细节生成模块以生成包含更加准确和逼真细节的图像，其次，引入双判别器结构，判别器D1网络结构较为简单，负责对生成器生成的图片I_fake的底层特征进行判别，D2网络结构较为复杂，负责对生成器生成的图片I_fake的高层特征进行判别，当生成器G生成的图片成功同时地欺骗过判别器D1和D2时，训练结束。最后，为了针对去雾任务完成针对性优化，将暗通道先验理论引入生成器的损失函数中，提升去雾效果。本发明可用于以无人机、无人车以及无人船等为载体的，易受大雾、雨天等恶劣条件影响的基于视觉的导航、目标识别和辅助驾驶等任务。

技术领域

本发明涉及图像去雾方法领域，特别是涉及基于双判别器与改进损失函数的对抗网络图像去雾方法，适用于在无标注与无配对数据集情况下，对网络实现无监督学习，实现图像的去雾。

背景技术

近年来，视觉传感器以其体积小，质量轻，成本低，可获取丰富被测信息而被广泛应用于导航、目标检测与辅助驾驶等新兴领域。图像作为视觉传感器获取外部信息的主要手段，时常受到各种噪声与环境的影响，尤其是大雾、雨天等恶劣环境下，将大幅影响视觉传感器的成像质量，进而影响工作精度，导致任务失败或算法失效。随着高性能图形处理单元(GPU) 的发展，基于卷积神经网络的深度学习为图像去雾带来了端到端的处理方法。但经典的卷积神经网络大多需要监督学习，即需要利用成对的有雾图像与对应的无雾图像输入网络进行训练，这大大增加了训练样本获取的工作量，同时，一组有雾与对应无雾图像获取较为困难，这造成了训练样本的缺乏。循环生成对抗网络(Cycle GenerativeAdversarial Networks, Cycle-GAN)是一种基于零和博弈思想的无监督卷积神经网络，仅需两个域内的一些训练图像而不要求这两个域图像之间存在对应关系即可完成对网络的训练，实现两域之间图片的相互转换，被广泛应用于图像风格迁移、图像增强与图像转换等领域，循环生成对抗网络的提出，为图像去雾提供了新的思路。有雾图像往往图像轮廓较为明显，但细节模糊，经典的循环生成对抗网络没有针对去雾任务实现优化，导致去雾效果不明显，或生成图像细节丢失与颜色失真较为严重，进而影响最终任务的实现。总的来说，视觉传感器受雾天与雨天的影响，将导致成像质量下降，经典的卷积神经网络去雾算法需要成对的训练集，而循环生成对抗网络没有针对去雾任务进行专门的优化，导致生成图像的去雾效果不佳。

发明内容

针对以上问题，本发明提供基于双判别器与改进损失函数的对抗网络图像去雾方法，解决了无监督条件下的图像去雾效果较差等问题，且网络是端到端实现训练。与常规的去雾图像相比，本发明提出的双判别器与改进损失函数的循环生成对抗网络，在实现无监督训练的同时，通过改进生成器网络结构，引入双判别器机制和改进损失函数等方法实现图像去雾效果的优化。增强视觉传感器在大雾等恶劣条件下的成像的鲁棒性，为目标检测与视觉导航等任务提供更加准确和可靠的图像信息。

本发明提供基于双判别器与改进损失函数的对抗网络图像去雾方法，包括以下步骤：

(1)训练阶段：将不成对的有雾图像和无雾清晰图像分成两组，分别对应于域domain_A 和域domain_B，对基于双判别器与改进损失函数的循环生成网络进行训练，在训练过程中，判别器D致力于将真实图像I_real与生成器G生成的图像I_fake分离开来，而生成器G则以其生成的图像I_fake能成功欺骗判别器D为目标，在这个对抗过程中，判别器D与生成器G不断进化，当判别器D无法分辨输入图像是来自生成器G还是真实图像时，即达到纳什均衡，完成训练；

(2)预测阶段：在网络训练完成之后，将所有待去雾的图像划分为domain_A，任选一张或几张清晰图像作为domain_B输入给循环生成对抗网络，可实现domain_A与domain_B两个域的相互转化，即完成有雾图像的去雾任务。

作为本发明进一步改进，所述步骤(1)中基于双判别器与改进损失函数的循环生成对抗网络具体含义如下：