[发明专利]一种基于亚像素和条件对抗生成网络的单幅图像去雾方法

权利要求书

1.一种基于亚像素和条件对抗生成网络的单幅图像去雾方法，其特征是，包括以下步骤：

获取原始无雾图像数据集，依据雾天成像模型合成有雾数据集；

将待处理的有雾图像输入生成器G，所述生成器G的网络结构设置有跳层连接，经过编码输出尺寸逐步减少的特征图，解码阶段使用反卷积与亚像素分别获得各自的特征图后使用卷积对特征图进行操作，获得生成器输出无雾图像；

将生成器G输出的无雾图像与原始无雾图像输入判别器D，判断生成器G输出的无雾图像是否为真；

对生成器G和判别器D同时进行对抗约束，计算对抗损失和L1损失，依据随机梯度下降的原则进行反向传播更新生成器G和判别器D的参数，当模型的总体损失收敛时，模型训练完成。

2.如权利要求1所述的方法，其特征是，所述获取原始无雾图像数据集，依据雾天成像模型合成有雾数据集，包括：

收集室内和室外的无雾图像，统一裁剪至256×256的尺寸，并根据室内和室外两种类别进行分类；

使用公式I(x)＝J(x)t(x)+A(1-t(x))在原始无雾数据集的基础上合成有雾数据集，其中，I(x)是有雾图像，J(x)是无雾图像，A是全局大气光，t(x)是介质透射率。

3.如权利要求1所述的方法，其特征是，所述跳层连接为：解码阶段的每一次上采样的输入都是上一步上采样输出的特征图和与之相同尺度的编码阶段的特征图的联合。

4.如权利要求1所述的方法，其特征是，所述经过编码输出尺寸逐步减少的特征图，包括：

编码阶段采用下采样操作，包括8个卷积，每个卷积核大小设置为4×4，步长尺寸为1×1，生成的特征图尺寸逐步减少，每次减少为上一步的同时每一步输出的特征图维度分别为[128,64,32,16,8,4,2,1]。

5.如权利要求1所述的方法，其特征是，所述解码阶段使用反卷积与亚像素分别获得各自的特征图后使用卷积对特征图进行操作，包括：

通过将卷积核转置，与卷积后的结果再做一遍卷积，获得卷积前尺度的特征图；

对当前维度的特征图进行周期性重排，将r²维度的低分辨率特征拼接为高分辨率图像，r为放大倍数；

经过反卷积和亚像素分别获得放大后的特征图之后，再使用一个1×1的卷积对特征图进行操作。

6.如权利要求1所述的方法，其特征是，所述将生成器G输出的无雾图像与原始无雾图像输入判别器D，判断生成器D输出无雾图像是否为真，包括：

将生成器G输出的无雾图像与原始无雾图像输入五层的卷积构成的70×70大小的局部判别器，卷积核大小全部为4×4，前三个卷积的步长为2×2，最后两个的步长大小为1×1，前四个的激活函数都是ReLU，最后的激活函数为sigmoid，用于输出判别的数值，数值在[0,1]之间，数值的输出结果表示生成的图像是否为真。

7.如权利要求1所述的方法，其特征是，所述对生成器G和判别器D同时进行对抗约束，计算对抗损失和L1损失，包括：

条件对抗生成网络的目标函数定义为：

L_cGAN(G,D)＝E_x,y[logD(x,y)]+E_x,z[log(1-D(x,D(x,G(x,z)] (3)

L1损失函数定义如下：

L_L1(G)＝E_x,y,z[||y-G(x,z)||₁] (4)

最终的生成器G与判别器D的损失函数定义如公式(5)所示，其中λ＝100：

8.如权利要求1所述的方法，其特征是，所述依据随机梯度下降的原则进行反向传播更新生成器G和判别器D的参数，包括：使用最小化随机梯度下降，并且使用Adam优化器，其中学习率设置为0.002。