[发明专利]一种基于GAN网络的图像雨雪痕迹去除方法

权利要求书

1.一种基于GAN网络的图像雨雪痕迹去除方法，其特征在于，包括以下步骤：

步骤一、采集雨雪天气下的雨痕和雪花图片，得到GAN网络的训练数据集；

步骤二、构建GAN网络中基于改进的生成式对抗网络生成器，包括了5个卷积层和7个转置卷积层，每个卷积单元包括批标准化和PReLu激活函数层，并使用跳跃连接的方式使整个网络易于收敛和训练；在卷积层之后设置转置卷积层，同样在其中使用批标准化和PRelu激活函数层；整个网络结构中使用了跳跃连接的方式，在最后设置Tanh函数；

步骤三、构建GAN网络中基于改进的生成式对抗网络判别器，包括了5个卷积层，在第2卷积层，第3卷积层，第4卷积层包括了批标准化和PRelu激活函数层；在第1卷积层中使用了PRelu激活函数层；并在最后设置了Sigmoid函数；

步骤四、构造改进的损失函数L约束网络，将训练图像数据集按照批尺寸数量的图像为一批量的大小将数据集平分为若干组输入到网络中，以训练判别器；再由判别器判别生成器生成的图像并计算出损失值，利用梯度下降的原理更新网络中的参数大小，以减少网络的损失；在第一批的图像训练完成之后，输入第二批图像，直到所有图像都被输入数据集中，得到完成一次训练的网络；

步骤五、重复步骤四，直至每张图片均被输入若干次，网络训练结束，得到完成所有训练的网络以及训练所得的权重以及偏置参数值；

步骤六、将训练所的网络参数加载至网络，将需要去雨或去雪的图像输入网络中，即可生成无雨无雪的清晰图像；

改进的损失函数由改进的感知损失函数和生成器的改进的对抗损失函数组成；感知损失函数计算所使用的特征图以激活层之前的特征图作为计算依据；在生成器的对抗损失函数部分，使用的是相对对抗损失函数，得到生成器的相对对抗损失；使用的损失函数为：

其中，a，b，c为常数；C为通道数；W和H分别为图像的宽和高；w，h和c分别为每层网络中图像的宽，高和通道数；x为输入图像，y为原始数据集图像；i代表第i层网络；y_b为对应的正确标注的图像；G(x^c,w,h)为生成器生成结果；为非线性的卷积变换；N为生成器生成的图像数；D(y_i)为判别器结果；

步骤二中，5个卷积层分别为第1卷积层，第2卷积层，第3卷积层，第4卷积层和第5卷积层；7个转置卷积层分别为第1转置卷积层，第2转置卷积层，第3转置卷积层，第4转置卷积层，第5转置卷积层，第6转置卷积层和第7转置卷积层；其中，第1卷积层，第2卷积层，第3卷积层，第4卷积层的通道数为64；第5转置卷积层，第7转置卷积层的通道数为32；第6转置卷积层的通道数为1；第8转置卷积层，第9转置卷积层，第10转置卷积层，第11转置卷积层的通道数为64；第12卷积层通道数为3；过滤器的大小设置为3x3，步长为1，填充值设为1。

2.根据权利要求1所述的基于GAN网络的图像雨雪痕迹去除方法，其特征在于，步骤三中，所述的5个卷积层分别为第1卷积层，第2卷积层，第3卷积层，第4卷积层，第5卷积层；其中，第1卷积层通道数为48，第2卷积层通道数为96，第3卷积层通道数为192，第4卷积层通道数为384，第5卷积层通道数为1；过滤器大小设置为4x4，步长设为2，填充值设为1。

3.根据权利要求1所述的基于GAN网络的图像雨雪痕迹去除方法，其特征在于，步骤四中，设置批尺寸大小为64，学习率为10^-3。

4.根据权利要求1所述的基于GAN网络的图像雨雪痕迹去除方法，其特征在于，设置损失函数中a和b的大小为1，c为0.005。