[发明专利]基于弱监督生成对抗网络的图像去雾方法

摘要

本发明公开了一种基于弱监督生成对抗网络的图像去雾方法。主要解决现有技术对真实雾天图像的去雾效果不稳定的问题，其实现方案是：1)获取真实训练集与合成训练集；2)分别构造生成网络和对抗网络；3)根据对抗网络的损失函数更新对抗网络的参数；4)建立生成网络的损失函数并根据该损失函数更新生成网络的参数；5)判断生成网络和对抗网络的更新次数是否达到100次，若是，则将真实雾天图像输入到生成网络中进行去雾，否则，返回步骤3)。本发明方法去雾后的图像具有丰富的细节，提高了图像的亮度、对比度和清晰度，减少了过饱和与失真现象，可用于计算机视觉领域。

主权项

1.一种基于弱监督生成对抗网络的图像去雾方法，包括如下：(1)获取训练样本集：(1a)从数据库中随机取出4000幅256×256大小的真实雾天图像作为真实输入训练样本集(1b)从数据库中随机取出4000幅256×256大小的清晰图像作为输出训练样本集并取出与输出训练样本集对应的深度图样本集基于大气散射模型对输出训练样本集随机加雾，作为合成输入训练样本集(2)分别构建一个18层的生成网络G和5层的对抗网络D，并设置各网络的每层参数；(3)更新对抗网络D的参数：(3a)从输入训练样本集中随机选取一个输入训练样本y₁，将y₁输入到生成网络G中，将生成网络G的输出作为真实生成样本G(y₁)；(3b)从输出训练样本集中随机选取一个输出训练样本x；(3c)将真实生成样本G(y1)与输出训练样本x输入到对抗网络D中；(3d)利用误差计算公式，计算对抗网络D的损失值LD，利用随机梯度下降法更新对抗网络D的各层参数θD；(4)更新生成网络G的参数：(4a)从输入训练样本集中随机选取一个输入训练样本y₂，将y₂输入到生成网络G中，将生成网络G的输出作为合成生成样本G(y₂)；(4b)从输出训练样本集中选取一个与输入训练样本y₂对应的输出训练样本x₂；(4c)按照下式，计算生成网络G的最小均方误差损失值M：其中，R表示输出训练样本x2矩阵的行数，S表示输出训练样本x2矩阵的列数，c表示输出训练样本x2矩阵的通道序号，r表示输出训练样本x2矩阵的行序号，s表示输出训练样本x2矩阵的列序号，||·||2表示二范数操作。(4d)按照下式，计算生成网络G的感知损失值P：其中，C、H、W分别表示视觉几何组VGG网络中第五个池化层输出矩阵的通道数、行数、列数，φ(·)表示输入到视觉几何组VGG网络中计算第五个池化层的特征矩阵；(4e)按照下式，计算生成网络G的弱监督对抗损失值A：A＝‑ln(D(G(y1)))；(4f)按照下式，计算生成网络G的总损失值LG：LG＝M+P+0.001×A，(4g)根据总损失值LG计算第t次的误差平均梯度mt，利用自适应矩估计优化算法更新生成网络G的各层参数θG；(5)判断生成网络G和对抗网络D的参数更新次数是否都达到100次，若是，则执行步骤(6)，否则，返回步骤(3)；(6)将一幅任意尺寸的雾天图像I输入到更新好的生成网络G中，依次与生成网络G的每一层参数进行卷积或激活操作，生成网络G的输出即为去雾后的图像。