[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

说明书

本发明公开了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，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D输出无雾图像是否为真；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。

技术领域

本发明涉及图像处理和模式识别技术领域，尤其是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。

背景技术

由于大气中的水汽和固体颗粒物折射的存在，使得拍摄的图像视觉上呈现有雾的现象。图像去雾旨在从一张有雾的图像恢复出干净的无雾图像。高质量的无雾图像的生成对后期开展分割、检测和识别等工作十分有利。有雾图像的表达可以模拟为：

I(x)＝J(x)t(x)+A(1-t(x)) (1)

其中I(x)和J(x)是观察到的有雾图像和清晰的场景辐射，A是全局大气光，t(x)被称作介质透射率。假设雾的浓度是均匀的，我们可以表示t(x)＝e^-βd(x)，其中β是介质消光系数,d(x)是场景深度。在有效的求解了t(x)和A之后，就可以复原出无雾图像J(x)：

其中的max{0.1,t(x)}用于控制t(x)过小接近于0的情况。

目前已经提出很多方法来解决图像去雾的问题，主要分为手工特征提取方法和基于深度学习的方法。在基于手工特征方面，Tan通过使图像的对比度最大化来估计大气散射光，大大提高了图像的视觉效果。He等人利用暗通道先验来恢复t(x)，取得了很好的效果。基于深度学习方面，任文琦等人提出了基于多尺度卷积网络估计t(x)，再还原出原图J(x)的方法，称为MSDNN。Boyi Li等人则提出将A和t(x)通过数学变换以进行联合估计的方法，称为AOD-Net。但这些方法主要存在两个问题。第一，手工方法虽然可以有效的进行图像去雾，但是大多数的手工方法对于图像的天空区域以及亮度接近于全局大气光A的区域处理较差。第二，基于深度学习方法的去雾方法虽然比传统方法取得的效果更好，但是这些方法(包括传统方法)的主要处理目标在于t(x)，而忽略全局大气光A，如果t(x)的估算不恰当，则图像整体的去雾效果也不够好。虽然近些年也出现完全端到端的去雾方法，如AOD-Net，但是其主要思想还是在处理t(x)，并不能很好的联合估计t(x)和A。

发明内容

本发明的目的是提供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，使用条件对抗生成网络(cGAN)作为网络的基础架构，同时在反卷积的基础上引入亚像素作为上采样操作以生成质量更高的无雾图像。

为实现上述目的，本发明采用下述技术方案：

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，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D输出无雾图像是否为真；

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。