[发明专利]高速铁路车载视频去雾霾方法和装置

权利要求书

1.一种高速铁路车载视频去雾霾方法，其特征在于，包括：

获取雾霾图像和不成对清晰图像；

利用循环生成对抗网络，构建去雾霾网络；

根据雾霾图像和不成对清晰图像，对去雾霾网络进行不成对训练，确定去雾霾图像；

根据去雾霾图像，对完成不成对训练的去雾霾网络进行有监督训练，确定训练好的去雾霾网络；

根据训练好的去雾霾网络，去除高速铁路车载视频中含有雾霾的图像，确定无雾霾的高速铁路车载视频。

2.如权利要求1所述的方法，其特征在于，根据雾霾图像和不成对清晰图像，对去雾霾网络进行不成对训练，确定去雾霾图像，包括：

将雾霾图像和不成对清晰图像作为训练集，导入去雾霾网络；所述去雾霾网络，包括：第一生成器和第二生成器，第一判别器和第二判别器，第一映射和第二映射；所述第一生成器用于生成去雾霾图像；所述第二生成器用于生成伪雾霾图像；

根据第一判别器、雾霾图像、不成对清晰图像、去雾霾图像和第一映射，确定第一对抗损失；所述第一对抗损失用于训练去雾霾网络；

根据第二判别器、雾霾图像、不成对清晰图像、伪雾霾图像和第二映射，确定第二对抗损失，所述第二对抗损失用于训练去雾霾网络；

根据第二生成器、去雾霾图像和雾霾图像，以及第一生成器、伪雾霾图像和不成对清晰图像，确定循环一致性损失；所述循环一致性损失用于约束去雾霾网络；

根据雾霾图像、去雾霾图像和第二生成器，以及不成对清晰图像、伪雾霾图像和第一生成器，结合层提取特征，确定循环感知一致性损失；所述循环感知一致性损失用于训练去雾霾网络；

根据去雾霾图像，结合水平梯度和垂直梯度，确定总变差损失；所述总变差损失用于训练去雾霾网络；

根据颜色通道和以像素为中心的局部邻域，确定暗通道先验；所述暗通道先验用于训练去雾霾网络；

根据暗通道先验和去雾霾图像，确定暗通道损失；所述暗通道损失用于训练去雾霾网络；

根据第一对抗损失、第二对抗损失、循环一致性损失、循环感知一致性损失、总变差损失和暗通道损失，确定不成对总损失函数；

根据暗通道先验和不成对总损失函数，对雾霾网络进行不成对训练，完成不成对训练，输出去雾霾图像。

3.如权利要求2所述的方法，其特征在于，按照如下方式，确定第一对抗损失：

其中，L_GAN(G，D_Y，X，Y)为第一对抗损失；D_Y为第一判别器；x为雾霾图像，x_i∈X(i＝1，...，M)，其中M是雾霾图像的数量；y为不成对清晰图像，y_i∈Y(i＝1，...，N)，其中N不成对清晰图像的数量；G(x)为去雾霾图像；G：X→Y为第一映射；为y服从p_data(y)概率分布的期望；为x服从p_data(x)概率分布的期望。

4.如权利要求2所述的方法，其特征在于，按照如下方式，确定第二对抗损失：

其中，L_GAN(G，D_X，Y，X)为第二对抗损失；D_X为第二判别器；x为雾霾图像，x_i∈X(i＝1，...，M)，其中M是雾霾图像的数量；y为不成对清晰图像，y_i∈Y(i＝1，...，N)，其中N不成对清晰图像的数量；F(y)为伪雾霾图像；F：Y→X为第二映射；为x服从p_data(x)概率分布的期望；为y服从p_data(y)概率分布的期望。

5.如权利要求2所述的方法，其特征在于，按照如下方式，确定循环一致性损失：

其中，为循环一致性损失；F为第二生成器；G(x)为去雾霾图像；x为雾霾图像，x_i∈X(i＝1,…,M)，其中M是雾霾图像的数量；y为不成对清晰图像，y_i∈Y(i＝1,…,N)，其中N不成对清晰图像的数量；G为第一生成器；F(y)为伪雾霾图像；为x服从p_data(x)概率分布的期望；为y服从p_data(y)概率分布的期望。