【技术实现步骤摘要】
基于弱监督生成对抗网络的图像去雾方法
本专利技术属于图像处理
，涉及一种图像去雾方法，可用于视频监控、目标检测与识别等计算机视觉任务中对图像的预处理。
技术介绍
随着人工智能时代的到来，计算机视觉系统已经广泛应用于公共安防、智能交通、航空航天和卫星遥感等各个领域，为人们的生活和工作提供了便捷和安全保障。高质量的清晰图像是计算机视觉系统有效工作的基本前提，但是大部分计算机视觉系统对天气状况和光线变化十分敏感。在雾霾天气下，大气中悬浮着的各种微粒不仅会对入射光进行吸收和散射，还会对周围的环境光进行散射并参与成像过程，使得成像设备获取的图像产生动态范围缩小、对比度与饱和度降低、细节信息丢失和颜色失真等退化现象。雾天图像的退化直接影响到现有户外成像系统的正常工作，给图像分割、目标识别与跟踪、行为检测等后续计算机视觉任务造成了极大不便，给人们的生活带来了巨大的安全隐患，因此对图像去雾方法的研究具有十分重要的意义。目前，图像去雾方法主要有三种：第一种是基于增强的方法，直接利用现有的图像增强的方法提高图像的对比度和清晰度，该方法可以有效地凸显图像细节，但是容易产生过饱和现...
【技术保护点】
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
【技术特征摘要】
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。2.根据权利要求1所述的方法，其特征在于：步骤(1b)所述的基于大气散射模型对输出训练样本集随机加雾，通过如下公式进行：其中A表示大气光系数，从[0.7，1.0]范围内随机取值；β表示大气散射系数，从[0.5，1.5]范围内随机取值...
【专利技术属性】
技术研发人员：董伟生，韩健稳，毋芳芳，石光明，谢雪梅，吴金建，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。