[发明专利]基于RBW-CycleGAN网络的图像去雾方法

说明书

本发明涉及图像处理技术领域，具体的说是一种能够提高图片去雾效果，使处理后图片更符合人眼的视觉感受的基于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Instance‑Normalization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。

技术领域：

本发明涉及图像处理技术领域，具体的说是一种能够提高图片去雾效果，使处理后图片更符合人眼的视觉感受的基于RBW-CycleGAN网络的图像去雾方法。

背景技术：

雾是由悬浮颗粒在大气中的微小液滴构成的气溶胶，雾天拍摄的室外图片会因为光在大气中折射和散射时被这种气溶胶所吸收，使得到的图像失去对比度和真实性。尽管部分含雾图片能够保留一些原有场景的信息，这些图片也为后续的图像理解和计算机视觉相关的任务，例如，目标识别与分类，图像分割等增加了难度。因此，提高有雾图像的质量对于后续图像的应用非常必要。

早期的单幅图像去雾方法主要基于先验知识去雾。然而这些方法耗时长且不能用于灰度图像处理。根据对大量清晰彩色图像的研究，研究人员提出了暗通道去雾(DCP)算法。这种算法在多数不含天空的有雾图片恢复中简单有效但整体颜色偏暗，对于天空区域处理却有很大的局限性。现有利用颜色衰减先验(CAP)，通过对有雾图像场景深度信息建立线性模型，在有监督学习下学习深度图像信息模型的参数，利用学习到的参数完成深度图到无雾图的映射。这种改进算法一定程度上弥补了DCP的缺陷，但在去雾效果和应用效率上仍旧没有较大的突破。

近年，基于深度学习的方法开始发展。基于学习的算法可以如上述传统算法学习景深信息等中间参数再完成去雾，也可以用神经网络直接学习有雾无雾图像间的映射。然而这些算法都没有脱离对降质图像的分析，均基于大气光照度、透射度和场景颜色等参数反演出无雾图像，效率较低，处理后的图像与真实场景有明显的差异。

GAN网络被Goodfellow提出后，在图像生成领域取得了巨大的成功，可以完成图像增强、图像修复和图像翻译等任务。现有的利用GAN做单图像去雾的网络需要输入相互匹配的同场景有雾与清晰图像样本对，这对数据集的获取增加了难度。

发明内容：

本发明针对现有技术中存在的缺点和不足，提出了一种能够提高图片去雾效果，使处理后图片更符合人眼的视觉感受的基于RBW-CycleGAN网络的图像去雾方法。

本发明通过以下措施达到：

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Instance-Normalization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。

本发明所述网络模型搭建与训练阶段具体包括以下步骤：

步骤1：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，数据来源包括网上开源图片数据库以及自建图片数据集，并对所有图片做预处理。步骤1中的预处理包括用Lanczos下采样方式将图片数据尺寸调整为256*256，将两类图片数据按照相关度划分为不同的批次，每批次图像对的数量相当。并将数据格式保存为tf.record形式，tf.record中将二维图片数据转化为四维张量。

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。

本发明步骤2具体包括以下步骤：