[发明专利]一种融合特征金字塔的生成对抗网络图像去雾方法

说明书

本发明公开了图像处理技术领域的一种基于融合特征金字塔的生成对抗网络图像去雾方法，旨在解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。所述方法包括如下步骤：将有雾图像输入预先训练好的生成对抗网络，获取与有雾图像相对应的无雾图像；所述生成对抗网络的生成器网络融合有特征金字塔。

技术领域

本发明涉及一种融合特征金字塔的生成对抗网络图像去雾方法，属于图像处理技术领域。

背景技术

在雾霾天气条件下，空气中存在着许多悬浮的微粒和水滴，这些微粒子会对光进行吸收和散射，导致图像采集系统获得的图片参数色彩失真、对比度下降，造成细节丢失，降低图片在目标识别、安全监控、智能交通等计算机视觉应用等方面的使用价值。因此，研究改进图像去雾技术对于计算机视觉系统在雾霾环境下的正常工作具有十分重要的现实意义。

目前，主流的图像去雾技术大致可分为三类：一类是基于图像增强的去雾方法，该类方法不考虑图像退化的原因，通过图像增强的手段来提高图像的对比度、饱和度、清晰度等特征，以提升图像的主观视觉效果，经过增强后的图像具有更高的对比度，但同时也存在信息丢失、图像失真等问题；一类是基于复原的去雾方法，这方法是以大气光散射模型等物理模型为基础，利用各种方法估计模型中的参数，然后反演求解出退化前的原始图像，该方法使处理后的图像更加清晰、自然，细节损失较少，但去雾效果与模型参数的选取有关，不精确的参数将直接影响复原后图像的效果，同时该方法需要人工总结图像的先验知识、设计图像特征，对复杂场景缺乏普适性；一类是基于深度学习的去雾方法，该类方法不需要人工设计特征提取器，而是通过神经网络的特征提取能力学习雾霾的特征，从而达到较好的图像去雾效果，但存在网络模型训练参数过多，对计算平台的内存和计算能力要求较高，图像去雾效率较慢的问题。

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融合特征金字塔的生成对抗网络图像去雾方法，以解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种融合特征金字塔的生成对抗网络图像去雾方法，包括如下步骤：

将有雾图像输入预先训练好的生成对抗网络，获取与有雾图像相对应的无雾图像；

所述生成对抗网络的生成器网络融合有特征金字塔。

进一步地，生成对抗网络的判别器网络包括顺序连接的卷积激活层、编码单元提取特征层、全连接层、sigmoid激活层，所述编码单元提取特征层不少于两个且彼此串联。

进一步地，所述生成器网络包括顺序连接的骨干网络、特征金字塔、图像重建网络；

所述无雾图像的获取方法，包括：

骨干网络对所输入的有雾图像进行特征提取；

特征金字塔对所提取的特征进行特征融合；

图像重建网络对所融合的特征进行还原，输出与有雾图像相对应的无雾图像。

进一步地，所述骨干网络采用预先训练好的MobileNet-V2网络；

骨干网络对所输入的有雾图像进行特征提取，包括：MobileNet-V2网络响应于所输入的有雾图像，输出不少于两个不同尺度的特征图。

进一步地，在特征金字塔对所提取的特征进行特征融合之前，还包括：对MobileNet-V2网络所输出的特征图进行1*1卷积运算。

进一步地，生成对抗网络的训练方法，包括：