[发明专利]基于先验知识引导条件生成对抗网络的单张图像去雾方法

摘要

本发明公开了一种基于先验知识引导条件生成对抗网络的单张图像去雾方法，包括步骤：一、建立雾化图像训练集；二、单张随机有雾图像的初步去雾；三、初步去雾图像的去雾训练；四、计算参考真值图像和初步去雾图像的去雾训练图像的真伪值；五、计算图像损失目标函数；六、更新权重参数集合；七、调取新的单张随机有雾图像，循环步骤二至步骤六，直至真伪值达到设定值；八、单张实际有雾图像去雾。本发明利用了先验知识来指导编码网络进行无雾结果生成，利用了先验知识得到的部分有用信息，同时又利用了深度神经网络的特征建模能力弥补了先验知识的不足，不需要在深度神经网络中显示建立大气散射模型，而是将其视为图像的条件生成，去雾效果好。

主权项

1.基于先验知识引导条件生成对抗网络的单张图像去雾方法，其特征在于，该方法包括以下步骤：步骤一、建立雾化图像训练集：利用已知深度的图像数据集，按照大气散射模型合成成组的有雾图像训练集；步骤二、单张随机有雾图像的初步去雾：在步骤一中的雾化图像训练集中随机提取一张有雾图像，根据公式通过先验知识得到初步去雾图像其中，I_h为单张随机有雾图像，A为全局大气光照，T为介质透视率；步骤三、初步去雾图像的去雾训练：根据公式将单张随机有雾图像I_h和初步去雾图像进行叠加，送入到条件生成对抗网络的生成器G中，得到初步去雾图像的去雾训练图像其中，concat(·)为叠加函数，f_g(·)_θ表示以θ为权重参数集合的条件生成对抗网络生成器G的编码网络，f_g(·)_θ由多个卷积块构成；步骤四、计算参考真值图像和初步去雾图像的去雾训练图像的真伪值：根据公式计算参考真值图像J的真伪值D(J)和初步去雾图像的去雾训练图像的真伪值其中，参考真值图像J的真伪值D(J)和初步去雾图像的去雾训练图像的真伪值的取值范围均为(0,1]，f_d(·)_θ'表示以θ'为权重参数集合的判别器D的编码网络，f_d(·)_θ'由多个卷积块构成；步骤五、根据公式L＝λ₁L₁+λ₂L_edge+λ₃L_GAN，计算图像损失目标函数L，其中，L₁为参考真值图像J和初步去雾图像的去雾训练图像的对抗损失且N为图像像素总个数，n为图像像素变量，为初步去雾图像的去雾训练图像的第n个像素点的像素值，Jⁿ为参考真值图像J与对应位置处的像素点的像素值，L_edge为参考真值图像J和初步去雾图像的去雾训练图像的边缘平滑损失且L_edge＝|grad(J_G)‑grad(J)|，grad(·)为图像梯度函数，L_GAN为参考真值图像J和初步去雾图像的去雾训练图像的绝对值损失且Ε(·)为期望函数，λ₁为L₁的权重系数，λ₂为L_edge的权重系数，λ₃为L_GAN的权重系数；步骤六、更新权重参数集合：将图像损失目标函数L送入Adam优化器，对步骤三中的条件生成对抗网络生成器G的编码网络f_g(·)_θ的权重参数集合θ和步骤四中的判别器D的编码网络f_d(·)_θ'的权重参数集合θ'进行更新；步骤七、调取新的单张随机有雾图像，循环步骤二至步骤六，直至此时，得到条件生成对抗网络生成器G的编码网络f_g(·)_θ的权重参数集合θ的训练结果为θ，条件生成对抗网络生成器G的编码网络f_g(·)_θ的训练结果为f_g(·)_θ，其中，Δ₁为第一真伪阈值，Δ₂为第二真伪阈值；步骤八、单张实际有雾图像去雾：利用训练好的条件生成对抗网络生成器G的编码网络f_g(·)_θ对单张实际有雾图像去雾，得到单张实际去雾图像J_G，即其中，I_h为单张实际有雾图像，为单张实际有雾图像的初步去雾图像且