[发明专利]基于双向GAN网络的去雾方法及双向GAN网络模型

说明书

本申请公开了基于双向GAN网络的去雾方法及双向GAN网络模型，该方法包括利用提取得到的待去雾图片中不同像素对应的深度信息，对待去雾图片进行深度处理，然后输入至预先构建的双向GAN网络模型中，获取模型输出的去雾图片。该模型中，清晰图输入端口、第一生成单元及第一判别器依次连接，用于针对清晰图进行特征提取及重建，雾图输入端口、第二生成单元及第二判别器依次连接，用于针对雾图进行特征提取及重建；共享潜在空间中存储有针对清晰图提取的高层特征及针对雾图提取的高层特征。双向GAN网络模型通过成对清晰图及雾图完成训练及验证，包含雾域与清晰域的双向映射关系，能够对不同域下的图片进行处理，有效确保图片重建的真实性。

技术领域

本申请涉及图片处理技术领域，尤其涉及基于双向GAN网络的去雾方法及双向GAN网络模型。

背景技术

雾霾天气将降低摄像机采集到的图片清晰度，导致计算机难以识别图像中的物体特征。为了得到真实清晰的图片，对图片进行去雾处理是非常必要的。

目前常见的方法为基于机器学习进行图像去雾，主要是利用卷积神经网络，通过大量的训练数据，学习有雾图片和清晰图片的映射关系，进而对雾图实现去雾。常用的去雾卷积神经网络为生成式对抗网络(Generative Adversarial Networks，GAN)，该网络模型采用无监督式学习方法，通过两个模块：生成模块和判别模块的互相博弈学习产生准确率高的输出。其中生成模块包括编码器和解码器，如图1所示，编码器用于提取输入图片中的特征向量，解码器用于从特征向量中还原出低级特征。

但是，目前只是通过GAN进行雾图到清晰图的单向转换，因此GAN中仅包含雾域到清晰域的单向映射关系，雾图在经过编码器和解码器处理之后，输出的清晰图中通常会存在光环效应和人工瑕疵，原图片的信息保留不佳。

发明内容

为了解决目前的GAN中仅包含雾域到清晰域的单向映射关系，导致最终图片的输出会存在光环效应和人工瑕疵，使得最后的原图信息保留不佳的问题，本申请通过以下实施例公开了一种基于双向GAN网络的去雾方法及双向GAN网络模型。

本申请第一方面公开了一种基于双向GAN网络的去雾方法，所述去雾方法包括：

提取待去雾图片中不同像素对应的深度信息；

根据所述深度信息，对所述待去雾图片进行深度处理；

将深度处理后的待去雾图片输入至预先构建的双向GAN网络模型中，所述双向GAN网络模型包括输入模块、生成模块及判别模块；所述输入模块包括清晰图输入端口及雾图输入端口，所述生成模块包括第一生成单元及第二生成单元，所述判别模块包括第一判别器及第二判别器；所述清晰图输入端口、所述第一生成单元及所述第一判别器依次连接，用于针对清晰图进行特征提取及重建，所述雾图输入端口、所述第二生成单元及所述第二判别器依次连接，用于针对雾图进行特征提取及重建；所述第一生成单元包括依次连接的第一编码器、共享潜在空间及第一解码器，所述第二生成单元包括依次连接的第二编码器、所述共享潜在空间及第二解码器；所述共享潜在空间用于存储高层特征，并将所述高层特征输出至所述第一解码器及所述第二解码器，所述高层特征包括所述第一编码器针对清晰图提取的高层特征以及所述第二编码器针对雾图提取的高层特征；所述双向GAN网络模型的训练集及验证集中均包括成对的清晰图及雾图；

获取所述双向GAN网络模型输出的去雾图片。

可选的，所述提取待去雾图片中不同像素对应的深度信息，包括：

对所述待去雾图片进行格式转换，提取出所述待去雾图片的亮度和饱和度；

根据所述亮度和饱和度，生成所述待去雾图片中不同像素对应的深度信息。

本申请第二方面公开了一种双向GAN网络模型，所述双向GAN网络模型包括输入模块、生成模块及判别模块；