一种结合大气散射模型的生成对抗网络去雾方法和系统技术方案

一种结合大气散射模型的生成对抗网络去雾方法，包括：S1：构建结合大气散射模型和双解码器的生成器；S2：计算原图和假图之间的距离，训练生成器的能力；S3：将输入的图像随机裁剪成Patch块,进行真伪判断,得到结果真伪矩阵后计算平均值,得到最终输出值；S4：提出反向学习PatchGAN结构；S5：当裁剪Patch块时,同时裁剪Patch块的反向块；S6：在原网络上进行生成器、判别器、损失函数的改进；S7：先将有雾图像集输入进生成网络中,将生成网络生成的无雾图像与现实中无雾图像同时输入判别网络中,判别真假,反复进行网络训练,得到生成对抗网络模型,最后在模型中输入测试图像,得到所需要的无雾图像。本发明专利技术还包括一种结合大气散射模型的生成对抗网络去雾的系统。成对抗网络去雾的系统。成对抗网络去雾的系统。

【技术实现步骤摘要】
一种结合大气散射模型的生成对抗网络去雾方法和系统


[0001]本专利技术属于计算机视觉领域，是一种结合大气散射模型的生成对抗网络去雾方法和系统。

技术介绍

[0002]当人们从大雾天气中拍摄所需图像时，图像中的雾霾大概率影响着图像的质量和美观，而对图像的两个主要影响是图像中添加成分的污染和光的衰减两个方面。具体来说，在室外环境中捕获的雾霾图像会导致图像质量较差，并且难以区分图像中的对象特征。因此，图像的去雾工作已成为计算机视觉的重要研究领域。
[0003]基于模型的传统算法是根据产生大雾天气的原因做出分析，通过建立大气散射模型研究图像降解的物理原理恢复原无雾图像，所以这类算法不易出现图像特征明显丢失的情况，但在实际应用中效果欠佳。2010年，何凯明等人根据室外环境捕获的图像包含许多暗像素的观察，提出了一种新颖的暗通道先验算法，得到了良好的效果。但若图像的大部分被光线或其他类似物体覆盖的场景中，该方法无法使用。因此，金仙力等人根据此问题提出了基于引导滤波和自适应容差的图像去雾算法，一定程度上解决了暗通道先验算法在对天空区域存在失真的问题。但传统算法效果仍具有一定局限性，并未能适用所有场景图像。
[0004]基于深度学习算法的去雾模型也有缺陷，众所周知，深度学习算法采用卷积、池化等方法提取图像中关键的特征来解决各样的问题，但并未加入采用传统算法计算得到的各类模型，这将会导致两种问题：1、网络学习到了使用传统算法获得的特征，但消耗了大量的时间和计算资源。2、网络并没有学习到使用传统算法获得的特征，降低了重建图像某一方面的精度。因此，基于上述问题，考虑深度学习结合传统方法是一项十分有必要的工作。

技术实现思路

[0005]针对目前存在的问题，本专利技术提供了一种结合大气散射模型的生成对抗网络去雾方法和系统。
[0006]本专利技术方法融合了大气散射模型、双解码器结构、反向学习机制，并对原网络的生成器、判别器、损失函数均做出了改进，提出了一种结合大气散射模型的生成对抗网络去雾算法。
[0007]本专利技术为达上述目的，所采用的技术方案为，一种结合大气散射模型的生成对抗网络去雾方法，包括以下步骤：
[0008]S1：构建结合大气散射模型和双解码器的生成器结构，以提高分解的质量，具体包括：
[0009]S11：搭建大气散射模型，定义为：
[0010]I(x)＝J(x)
×
t(x)+A[1
‑
t(x)]ꢀꢀꢀ
(1)
[0011]其中，式中J(x)为无雾霾的图像,I(x)为有雾霾的图像,A为大气光值,t(x)为透射率；
[0012]S12：生成器模型的设计：本专利技术的生成器结构是由一个编码器和两个解码器构成；编码器对有雾图像I(x)进行下采样,下采样完成后,采用两个解码器对编码后的数据进行解码；解码器1与现有深度学习方法相似,旨在获得无雾的图像J(x),使用解码器2用来拟合透射率t(x)；
[0013]S13：本专利技术中真实的无雾图像和透射率使用J(x)和t(x)表示，生成的无雾图像和透射率使用G1(x)和G2(x)表示；
[0014]S14：将S13中所得G1(x)和G2(x)代入公式(1)中，可计算出有雾图像I(x)
’
；
[0015]S2：通过计算原图I(x)和S14中计算得的假图I(x)
’
之间的距离，可进一步训练生成器的能力，具体损失函数定义为：
[0016][0017]其中，L
CGAN
(G,D)定义如下：
[0018]L
CGAN
(G,D)＝E
x,y
[logD(x,y)]+E
x
[log(1
‑
D(G(x)))]ꢀꢀꢀ
(3)
[0019]L
L1
(G)定义如下：
[0020][0021]L
fog
(G)定义如下：
[0022][0023]其中，x为有雾图像分布，y为无雾图像分布；上述L1损失为假无雾图像与真无雾图像之间的L1距离；L
fog
(G)为雾霾损失，即假有雾图像与真有雾图像之间的L1距离，其中假有雾图像由假无雾图像G1(x)和投射率G2(x)得到；A为大气光值，由图像最高亮度的值替代；
[0024]S3：PatchGAN将输入的图像随机裁剪成多个N*N的Patch块,判别器对每项Patch块进行真伪判断,得到结果真伪矩阵后对其进行平均值计算,得到最终输出值,以达到分类的目的；
[0025]S4：采用随机裁剪将输入图像裁剪成Patch块可能会导致选择特征区域重复选择致使判断结果不准确,因此本专利技术提出一种反向学习PatchGAN结构；
[0026]S5：将反向学习代替随机裁剪，当裁剪Patch块时,同时裁剪Patch块的反向块,旨在有效地降低因采用随机裁剪算法而导致特征区域重复选择致使判断结果不准确的概率,有效地提高判别器的准确率；
[0027]S6：在原网络上进行生成器、判别器、损失函数的改进；
[0028]S7：先将有雾图像集输入进生成网络中,生成网络采用双解码器架构并加入大气散射模型生成所需的无雾图像,随后将生成网络生成的无雾图像与现实中无雾图像同时起输入判别网络中,进行图像真假判别,反复进行以上网络训练,得到生成对抗网络模型,最后在模型中输入测试图像,得到所需要的无雾图像。
[0029]本专利技术还包括实施上述一种结合大气散射模型的生成对抗网络去雾方法的系统，包括依次连接的结合大气散射模型和双解码器的生成器构建模块、最终输出值模块、反向学习PatchGAN模块、反向学习代替模块、生成器、判别器、损失函数的改进模块、无雾图像获取模块。
[0030]与现有技术相比，本专利技术的优点主要表现在：
[0031]1.将网络生成器改进成双解码器结构，通过解码器分别生成无雾图像G1(x)和透
射率G2(x)，并结合大气散射模型还原雾图像I(x)
’
，进一步提高分解的质量；
[0032]2.将反向学习机制加入马尔科夫判别器结构中，有效地降低因采用随机裁剪算法而导致特征区域重复选择致使判断结果不准确的概率；
[0033]3.在原有的损失函数上，加入雾霾损失函数，使其符合网络训练规律从而提高图像转化的质量。
附图说明
[0034]图1为本专利技术方法的框架图。
[0035]图2为本专利技术方法中生成器结构图。
[0036]图3为本专利技术方法中反向学习判别器可视图。
[0037]具体实施方
[0038]下面结合附图1
‑
3对本专利技术的技术方案做进一步描述。
[0039]本专利技术方法的算法框架如图1所示，一种结合大气散射模型的生成对抗网络去雾方法，包括以下步骤：
[0040]S1：构建结合大气散射模型和双解码器的生成器结构，以提高分解的质本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合大气散射模型的生成对抗网络去雾方法，包括如下步骤：S1：构建结合大气散射模型和双解码器的生成器，以提高分解的质量，具体包括：S11：搭建大气散射模型，定义为：I(x)＝J(x)
×
t(x)+A[1
‑
t(x)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，式中J(x)为无雾霾的图像，I(x)为有雾霾的图像,A为大气光值，t(x)为透射率；S12：设计生成器模型：生成器由一个编码器和两个解码器构成；编码器对有雾图像I(x)进行下采样，下采样完成后，采用两个解码器对编码后的数据进行解码；解码器1与现有深度学习方法相似，旨在获得无雾的图像J(x)，使用解码器2用来拟合透射率t(x)；S13：真实的无雾图像和透射率使用J(x)和t(x)表示，生成的无雾图像和透射率使用G1(x)和G2(x)表示；S14：将S13中所得G1(x)和G2(x)代入公式(1)中，可计算出有雾图像I(x)
’
；S2：通过计算原图I(x)和S14中计算得的假图I(x)
’
之间的距离，训练生成器的能力，具体损失函数定义为：其中，L
CGAN
(G,D)定义如下：L
CGAN
(G,D)＝E
x,y
[logD(x,y)]+E
x
[log(1
‑
D(G(x)))]
ꢀꢀꢀꢀꢀꢀ
(3)L
L1
(G)定义如下：L
fog
...

【专利技术属性】
技术研发人员：王万良，钱宇彤，屠杭垚，吴菲，陈嘉诚，沈豪鑫，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：