[发明专利]基于弱监督生成对抗网络的图像去雾方法

说明书

本发明公开了一种基于弱监督生成对抗网络的图像去雾方法。主要解决现有技术对真实雾天图像的去雾效果不稳定的问题，其实现方案是：1)获取真实训练集与合成训练集；2)分别构造生成网络和对抗网络；3)根据对抗网络的损失函数更新对抗网络的参数；4)建立生成网络的损失函数并根据该损失函数更新生成网络的参数；5)判断生成网络和对抗网络的更新次数是否达到100次，若是，则将真实雾天图像输入到生成网络中进行去雾，否则，返回步骤3)。本发明方法去雾后的图像具有丰富的细节，提高了图像的亮度、对比度和清晰度，减少了过饱和与失真现象，可用于计算机视觉领域。

技术领域

本发明属于图像处理技术领域，涉及一种图像去雾方法，可用于视频监控、目标检测与识别等计算机视觉任务中对图像的预处理。

背景技术

随着人工智能时代的到来，计算机视觉系统已经广泛应用于公共安防、智能交通、航空航天和卫星遥感等各个领域，为人们的生活和工作提供了便捷和安全保障。高质量的清晰图像是计算机视觉系统有效工作的基本前提，但是大部分计算机视觉系统对天气状况和光线变化十分敏感。在雾霾天气下，大气中悬浮着的各种微粒不仅会对入射光进行吸收和散射，还会对周围的环境光进行散射并参与成像过程，使得成像设备获取的图像产生动态范围缩小、对比度与饱和度降低、细节信息丢失和颜色失真等退化现象。雾天图像的退化直接影响到现有户外成像系统的正常工作，给图像分割、目标识别与跟踪、行为检测等后续计算机视觉任务造成了极大不便，给人们的生活带来了巨大的安全隐患，因此对图像去雾方法的研究具有十分重要的意义。

目前，图像去雾方法主要有三种：第一种是基于增强的方法，直接利用现有的图像增强的方法提高图像的对比度和清晰度，该方法可以有效地凸显图像细节，但是容易产生过饱和现象，不能从根源上达到去雾的目的。第二种是基于物理模型的方法，该方法根据雾天图像的退化原因建立大气散射模型，并结合图像的先验知识求解模型中的参数，然后逆向推导无雾图像，该方法实现了真正意义上的图像去雾，但是对场景的变化不够鲁棒。第三种是基于学习的方法，该方法通过大气散射模型人工合成雾天图像，利用机器学习或者深度学习的方法估计雾天图像的透射率，然后逆向推导无雾图像，该方法能有效地提取雾天图像的特征，但是依赖于大量带标签的合成图像数据集，对真实雾天图像的去雾效果不理想。

He等人在其发表的论文“Single image haze removal using dark channelprior.”(IEEE transactions on pattern analysis and machine intelligence 2011:2341-2353)中提出了一种基于暗原色先验知识的图像去雾方法，该方法利用暗原色先验对大气散射模型进行变换，并从中估计雾天图像的透射率和大气光系数，利用抠图或者导向滤波的方法对透射率进行优化，然后逆向推导无雾图像，具有很强的适用性。该方法的不足体现在：当图像中存在大范围白色区域或高强光区域时暗通道先验可能会失效，容易导致去雾后的图像产生色彩失真和光晕等现象。

Cai等人在其发表的论文“Dehazenet:An end-to-end systemfor single imagehaze removal.”(IEEE Transactions on Image Processing 2016:5187-5198)中提出了一种基于深度学习的图像去雾方法，该方法首先基于大气散射模型人工合成了大量有雾图像，然后利用卷积神经网络提取雾天图像的特征，学习雾天图像与透射率之间的非线性映射关系，最后基于大气散射模型推导无雾的图像。该方法弥补了传统方法中图像先验特征过于单一的不足，能够提取更全面、有效的图像特征，在人工合成的雾天图像上取得了很好的处理效果。该方法的不足是：需要额外估计大气光，不能对参数进行联合优化，并且只依赖于带标签的合成数据集，没有利用真实的雾天图像数据集，去雾后的图像亮度偏低，对比度和清晰度不够高，视觉效果不够理想。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于弱监督生成对抗网络的图像去雾方法，旨在有效利用真实雾天图像数据集，减少图像去雾后存在的过饱和、光晕和失真现象，从而获得更好的视觉效果。