[发明专利]一种基于生成对抗网络的图像去雾方法

说明书

一种基于生成对抗网络的图像去雾方法，该方法包括：1)获取样本数据；2)样本数据中的真实有雾图像作为第一生成器的输入数据，第一生成器生成一次无雾图像；样本数据中的真实无雾图像作为第二生成器的输入数据，第二生成器生成一次有雾图像；第一判别器将一次有雾图像与真实有雾图像之间的误差反馈给第二生成器，第二判别器将一次无雾图像与真实无雾图像之间的误差反馈给第一生成器，第二生成器和第一生成器减小误差，提高生成图像的真实度；生成器和判别器进行反复对抗训练，得到最优去雾网络模型；3)图像去雾。本发明采用生成对抗网络结构及损失函数，网络训练不需要同一场景的有雾‑无雾匹配图像，同时保证去雾前后图像的颜色不失真。

技术领域

本发明涉及图像去雾的方法，具体涉及一种基于生成对抗网络的图像去雾方法，属于计算机图形图像处理技术领域。

背景技术

随着科技的进步，大量的户外数字图像被采集、分析用于各种各样的科学研究、生产实践，如目标检测，地形分类，户外摄影等。然而，由于户外环境下水气或空气中悬浮颗粒的存在，户外采集的图像常常伴有雾或者雾霾，这引起了图像对比度降低、部分场景缺失、颜色偏移等一系列退化现象，对我们获取图像有效信息造成很大阻碍。因此，寻找一种有效的数字图像去雾方法是至关重要并且必不可少的，较多的学者、研究员在此领域投入了大量的心血。

Fattal等提出了光线传播与阴影区域局部不相关的假设，该方法适用于带有稀薄雾的图像，对于浓厚的雾图并不能起到很好的去雾效果。Tan等的研究认为，无雾的图像在对比度上相较于有雾图像往往具有更高的数值，基于这一假设提出了最大化图片局部对比度的方法进行去雾，对于浓雾图像有着很好的效果，然而Tan的方法经常伴有光晕现象的产生。He等提出的DCP算法是近年来图像去雾领域的最佳成果，该算法基于暗通道先验对有雾图像能够起到十分出色的去雾效果，暗通道先验是指一副无雾图片中除了天空和一些明亮区域外，总有颜色通道像素值为0的像素存在。然而该算法仍然存在颜色退化、透射率估计不足等问题，后续有更多基于DCP的研究旨在解决这些问题。尽管图像去雾算法发展很快，但是由于图像去雾问题本身欠约束的特点，先验信息并不充足，各种先验假设在解决某一类问题的同时，经常伴有新的问题产生，人为地分析、寻找精准的先验模型是十分困难的。大数据时代的到来为以往难以实现的任务提供了可能性，近年来，深度学习迅速崛起，由于其自动提取特征的特点，被广泛地关注和应用，随着网络结构设计的优化，在各类图像处理领域发挥着越来越重要的作用。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于生成对抗网络的图像去雾方法。该方法鉴于难以获得同场景下无雾图像和有雾图像数据集的问题，设计了一种包括独特的网络结构和损失函数的去雾网络模型，利用生成器和判别器网络表达非线性的图像退化和复原过程，最终，通过生成器生成高度匹配目标图像的去雾图像，实现图像去雾的目的。

根据本发明的实施方案，提供一种基于生成对抗网络的图像去雾方法：

一种基于生成对抗网络的图像去雾方法，该方法包括以下步骤：

1) 获取样本数据：通过公开的数据集或网络爬虫技术获取有雾图像和无雾图像的样本数据；

2) 生成对抗网络的对抗训练：样本数据中的真实有雾图像作为第一生成器的输入数据，第一生成器生成一次无雾图像，第一生成器生成的一次无雾图像作为第二生成器的输入数据，第二生成器生成二次有雾图像；

样本数据中的真实无雾图像作为第二生成器的输入数据，第二生成器生成一次有雾图像，第二生成器生成的一次有雾图像作为第一生成器的输入数据，第一生成器生成二次无雾图像；

第一判别器判断一次有雾图像是来自第二生成器还是来自样本数据，并将一次有雾图像与样本数据中的真实有雾图像之间的第一误差反馈给第二生成器，第二生成器减小第一误差，提高生成图像的真实度；第二判别器判断一次无雾图像是来自第一生成器还是来自样本数据，并将一次无雾图像与样本数据中的真实无雾图像之间的第二误差反馈给第一生成器，第一生成器减小第二误差，提高生成图像的真实度；