[发明专利]一种基于生成对抗模型的图像去雾处理方法

说明书

本发明涉及一种基于生成对抗模型的图像去雾处理方法，该方法通过一训练好的生成对抗模型将有雾图像直接转换为无雾图像，其中，所述生成对抗模型包括一个生成网络和一个判别网络，所述生成网络用于生成无雾恢复图像，包括：第一层子网，用于提取特征图谱；第二层子网，包括5个依次连接的卷积层，且第二个卷积层的输入端与前一层卷积层输出端和第一层子网的输出端连接，用于融合第一层子网提取的全局特征图谱，获得无雾恢复图像；所述判别网络用于判别生成网络输出的无雾恢复图像是否是一副真实的无雾图像。与现有技术相比，本发明具有去雾效果好、过程简单等优点。

技术领域

本发明涉及一种图像处理方法，尤其是涉及一种基于生成对抗模型的图像去雾处理方法。

背景技术

雾和雾霾是实际生活中常见的大气现象。由于有雾天气下存在很多具有一定尺寸的大气微小颗粒，这些吸收目标物体/场景的反射光，同时自身的反射光同目标物体的反射光混合在一起进入相机成像，使得成像清晰度受到不同程序的干扰。由于成像的模糊和噪声，给有雾天气下的室外拍照应用带来了不便，而且给基于计算机视觉的各种算法造成了很大的困难，比如目标识别/跟踪、场景分割、自动驾驶等。

随着图像处理技术的进步，图像去雾工作近些年有了较大的推进。目前图像去雾算法主要可以分为两类：第一类基于人为定义的图像特征，进行聚类，信息统计，估算大气散射模型中的透射率及大气光强，然后通过该散射模型的逆向求解来得到去雾图像；该类型方法对于有雾图像的恢复效果一般，主要局限性在于通过人为定义的特征和传统图像处理方法，透射率和大气光强的估算准确性和鲁棒性不佳，经常会有图像色彩失真和较大图像噪声的出现。第二类是采用深度卷积网络模型，基于大样本量训练，让网络自身学习到如何估算透射率和大气光强，再通过模型公式求解无雾图像。深度学习模型的优点在于不用人为定义特征的提取方法，网络本身可以学到如何提取所需特征，比传统的图像处理方法在去雾效果上具有更高的恢复准确度和普适度。但目前的深度学习去雾方法还存在不能很好实现端到端图像去雾的不足。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于生成对抗模型的图像去雾处理方法。

本发明的目的可以通过以下技术方案来实现：

一种基于生成对抗模型的图像去雾处理方法，该方法通过一训练好的生成对抗模型将有雾图像直接转换为无雾图像，其中，所述生成对抗模型包括一个生成网络和一个判别网络，所述生成网络用于生成无雾恢复图像，包括：

第一层子网，用于提取特征图谱；

第二层子网，包括5个依次连接的卷积层，且第二个卷积层的输入端与前一层卷积层输出端和第一层子网的输出端连接，用于融合第一层子网提取的全局特征图谱，获得无雾恢复图像；

所述判别网络用于判别生成网络输出的无雾恢复图像是否是一副真实的无雾图像。

进一步地，所述第一层子网包括4个卷积模块、4个池化层和两个全连接层，每个池化层对应连接于一所述卷积模块之后，所述两个全连接层连接于池化层后。

进一步地，所述第一层子网的卷积模块包括相连接的两层卷积层。

进一步地，所述生成对抗模型中，每个卷积层后设有ReLU非线性激活层。

进一步地，所述判别网络包含4个卷积层和1个全连接层以及1个Sigmoid激活层

进一步地，所述生成对抗模型训练时采用的样本数据库通过如下方式生成：

获取无雾图像集，对无雾图像进行加雾处理，生成不同光照强度和雾化浓度下的有雾图像，获得有雾图像集，将无雾图像集和与之对应的有雾图像集组成样本数据库。

进一步地，所述加雾处理采用的加雾处理函数为：

G(I)＝T(I)+a*(1-T(I))