[发明专利]基于RBW-CycleGAN网络的图像去雾方法

权利要求书

1.一种基于RBW-CycleGAN网络的图像去雾方法，其特征在于，包括网络模型搭建与训练阶段和网络模型应用阶段，所述网络模型搭建与训练阶段中向CycleGAN网络中引入带权重的残差块，并采用实例归一化处理，在训练损失函数优化时，使用最小二乘损失，并增加判别损失在总体损失函数中的权重，降低重建损失在总体损失函数中的权重；所述网络模型搭建与训练阶段具体包括以下步骤：

步骤1：获取网络训练数据集，收集具有信息相关性的类似场景雾图和清晰图片作为网络训练数据集；

步骤2：搭建并训练RBW-CycleGAN网络，分批次向网络中输入不同的样本数据，采用卷积神经网络对输入图片数据做特征提取，经过残差网络对特征进行转换，将转换后的特征信息传入反卷积网络中生成对应的图像数据，判别网络对生成图像与预期效果作比较并产生判别结果；

步骤2具体包括以下步骤：

步骤2-1：输入的两类图像进入生成网络，生成网包括三层卷积，第一层卷积为32个具有7*7卷积核大小的滤波器，对四维张量图做步长为1的滑动卷积提取特征，得到对应的特征图，第一层卷积后接relu激活函数层并做实例归一化，实例归一化的方式是在一张图片的图像像素上对高和宽做归一化，实例归一化的信息都是来自于自身的图片，相当于对全局信息做了一次整合和调整，随后将卷积后的特征图输入第二层卷积，第二层卷积由64个卷积核为3*3的滤波器组成，对产生的特征图做步长为2的滑动卷积，卷积后经过relu函数激活并做实例归一化，将第二层卷积并归一化后的数据输入第三层卷积，第三层卷积由128个卷积核为3*3的滤波器构成，做步长为2的滑动卷积并做批标准化；步骤2-2：三层卷积之后接连4个相同结构的带权重的残差块，每个残差块的结构包括并联的两层卷积，每个卷积层均包括3*3的卷积层与relu激活函数层与批标准化层，每两层卷积处理之后的数据赋予权重1/2，两部分输出权重相同；

步骤2-3：将两部分输出合并输入由反卷积构成的特征解码网络，特征解码网络由三层反卷积构成，第一层为64个卷积核为3*3的滤波器做步长为1/2的分步卷积，接着一层最大池化层，并做实例归一化的处理，第二层为32个卷积核为7*7的滤波器做步长为1/2的分步卷积，随后接一层最大池化层并做实例归一化，第三层为3个卷积核为7*7的滤波器做步长为1的滑动卷积；

步骤2-4：将生成器输出数据与原始输入数据输入判别网络作比较，判别网络包括两个相同结构的子判别网络，均由全卷积网络搭建而成，具体包括五层卷积：前四层的卷积分别由64、128、256和512个卷积核为4*4的滤波器构成，对输入信号做步长为2的滑动卷积，卷积之后接一层LRelu函数的激活层，最后接一层卷积核为4*4的一个滤波器对提取出的小特征块缩减；将得到的特征图分块处理，采用最小二乘损失评估块之间的差异，差异性的描述采用的是欧氏距离，当距离小于阈值0.5时，将差异性评估结果认定为真实，并输出1，当大于阈值时，标定为假，输出0。

2.根据权利要求1所述的一种基于RBW-CycleGAN网络的图像去雾方法，其特征在于，图片数据输入网络进行训练时，如果输入数据量为1万以上的图片数据对，则设置图片缓存区容量为30张，当迭代训练20万次之后，将缓存区的容量增加为50张，如果输入数据量小于1万，则设置初始图片缓存区容量为20张,20万次迭代之后设置缓存区容量为40张。

3.根据权利要求2所述的一种基于RBW-CycleGAN网络的图像去雾方法，其特征在于，图片数据输入网络进行训练时各项指标具体为：

步骤3-1：图片缓存区的设置，在此块区域中放置生成器生成的部分图片，判别网络做判别时，从缓存区中随机抽取部分图片进行判别，保证生成网络生成信息的稳定性以及前后相关性；

步骤3-2：Adam优化器的优化，整个发明中包括三项损失函数，分别是生成网络的生成损失，判别网络的判别损失，循环一致重建损失，训练前期，迭代训练20万次，将判别损失在整体损失函数中的权重设置为0.5，生成损失的权重为0.2，重建损失的权重设置为0.3，保证训练前期网络能生成对应图像域的图片，训练中期，迭代训练20~40万次，降低判别损失的权重为0.3，生成损失权重为0.3，重建损失为0.4，训练后期，迭代训练40万次之后，将重建损失的权重设置为0.5，生成损失为0.25，判别损失权重为0.25，为促进各项损失函数的收敛，将Adam优化器的学习率在训练前期初始设置为固定值0.0002，前期结束之后，按照预定的训练步数，设定学习率的衰减率，直到训练结束时，学习率从0.0002做线性衰减为0。