[发明专利]基于弱监督生成对抗网络的图像去雾方法

权利要求书

1.一种基于弱监督生成对抗网络的图像去雾方法，包括如下：

(1)获取训练样本集：

(1a)从数据库中随机取出4000幅256×256大小的真实雾天图像作为真实输入训练样本集

(1b)从数据库中随机取出4000幅256×256大小的清晰图像作为输出训练样本集并取出与输出训练样本集对应的深度图样本集基于大气散射模型对输出训练样本集随机加雾，作为合成输入训练样本集

(2)分别构建一个20层的生成网络G和7层的对抗网络D，并设置各网络的每层参数；

(3)更新对抗网络D的参数：

(3a)从输入训练样本集中随机选取一个输入训练样本y₁，将y₁输入到生成网络G中，将生成网络G的输出作为真实生成样本G(y₁)；

(3b)从输出训练样本集中随机选取一个输出训练样本x；

(3c)将真实生成样本G(y₁)与输出训练样本x输入到对抗网络D中；

(3d)利用误差计算公式，计算对抗网络D的损失值L_D，利用随机梯度下降法更新对抗网络D的各层参数θ^D；

(4)更新生成网络G的参数：

(4a)从输入训练样本集中随机选取一个输入训练样本y₂，将y₂输入到生成网络G中，将生成网络G的输出作为合成生成样本G(y₂)；

(4b)从输出训练样本集中选取一个与输入训练样本y₂对应的输出训练样本x₂；

(4c)按照下式，计算生成网络G的最小均方误差损失值M：

其中，R表示输出训练样本x₂矩阵的行数，S表示输出训练样本x₂矩阵的列数，c表示输出训练样本x₂矩阵的通道序号，r表示输出训练样本x₂矩阵的行序号，s表示输出训练样本x₂矩阵的列序号，||·||²表示二范数操作；

(4d)按照下式，计算生成网络G的感知损失值P：

其中，C、H、W分别表示视觉几何组VGG网络中第五个池化层输出矩阵的通道数、行数、列数，φ(·)表示输入到视觉几何组VGG网络中计算第五个池化层的特征矩阵；

(4e)按照下式，计算生成网络G的弱监督对抗损失值A：

A＝-ln(D(G(y₁)))；

(4f)按照下式，计算生成网络G的总损失值L_G：

L_G＝M+P+0.001×A，

其中，M代表生成网络G的最小均方误差损失值，P代表生成网络G的感知损失值，A代表生成网络G的弱监督对抗损失值；

(4g)根据总损失值L_G计算第t次的误差平均梯度m_t，利用自适应矩估计优化算法更新生成网络G的各层参数θ^G；

(5)判断生成网络G和对抗网络D的参数更新次数是否都达到100次，若是，则执行步骤(6)，否则，返回步骤(3)；

(6)将一幅任意尺寸的雾天图像I输入到更新好的生成网络G中，依次与生成网络G的每一层参数进行卷积或激活操作，生成网络G的输出即为去雾后的图像。

2.根据权利要求1所述的方法，其特征在于：步骤(1b)所述的基于大气散射模型对输出训练样本集随机加雾，通过如下公式进行：

其中A表示大气光系数，从[0.7，1.0]范围内随机取值；β表示大气散射系数，从[0.5，1.5]范围内随机取值。