The invention belongs to the field of image processing technology, in particular to an image defogging and fogging method based on generating countermeasure network. The present invention utilizes neural network to approximate the physical model of fog imaging, generates antagonistic network for learning, automatically learns the mapping relationship between fog-free image and fog-free image and the inverse mapping relationship between fog-free image and fog-free image from a large number of image samples, and then realizes image defogging and fogging processing. The invention learns the mapping relationship between the foggy image and the fog-free image, and does not need the requirement of the foggy and fog-free image in the same scene. So as to avoid the mechanism in non-physical model is difficult to explain, or the influence of human factors in parameter estimation in physical model, as well as the difficult problem of constructing database from foggy and non-foggy images, so as to achieve more explanatory and reliable results.
【技术实现步骤摘要】
一种对抗学习型图像去雾、加雾方法
本专利技术属于图像处理
,具体涉及一种图像去雾、加雾方法。
技术介绍
水雾一直普遍的存在于人们的生活当中,并且影响着人们的日常生活。随着技术的发展和电子图像采集产品的趋于平民化,数字图像在人们的日常摄影、安防、行车记录仪等情境下被广泛地应用。然而,在有雾存在的天气之中,电子设备采集到的图像会由于雾的散射而严重的降低图像的质量,降低图像的可读性。由于大气中雾的散射,会使得图像的整体颜色偏向于白色,对比度严重降低;与此同时,雾使得图像模糊,从而使图像当中的物体难以辨认。因此,需要采用一定的方法对有雾图像进行增强或者修复,用以改善视觉效果,增强图像的效果。去雾技术特别的在行车记录、自动驾驶和安防等领域,有着广泛应用的前景和应用价值。图像去雾的问题在数学领域属于不适定问题,在解决这种问题当中往往又存在较多的参数,难于求解。因此,图像去雾问题在图像处理领域属于公认的难题,也是图像处理领域的一个重要的分支。如今,在整个图像去雾的研究领域当中,主要存在于物理模型和非物理模型的方法。非物理模型方法主要是研究图像的亮度以及对比度等,直接对图像进行视觉恢复或者图像增强。而物理模型方法主要是基于大气散射模型,进一步研究图像退化损失的物理机制,从而通过解物理模型反向恢复出无雾图像。今年来也提出了一些基于深度神经网络的图像去雾方法,但是由于对于同一张场景有雾图像和无雾图像的成对图像获取十分困难,因此难以构建大规模的成对图像数据库对深度神经网络模型进行训练。纵然多种方法的提出,各种方法也各有优缺,图像去雾技术至今仍旧处于研究的热门方向。与此同时 ...
【技术保护点】
1.一种基于生成对抗网络的图像去雾、加雾方法,其特征在于,分为三个步骤:(1)收集大量有雾图像和无雾图像作为训练样本,建立无雾到有雾的图像映射数据库,并分为有雾图像与无雾图像;(2)通过生成对抗神经网络,将大量的有雾图像和无雾图像作为学习样本,利用深度学习从样本当中学习出从有雾图像到无雾图像的映射关系,并且保存从有雾图像到无雾图像的映射模型;(3)利用上述生成模型进行去雾或者加雾处理:对于一张有雾的图像,输入到有雾到无雾的映射模型当中,便得到无雾的图像;对于一张无雾图像,输入到无雾图像到有雾图像的映射模型中,便得到加雾后的图像。
【技术特征摘要】
1.一种基于生成对抗网络的图像去雾、加雾方法,其特征在于,分为三个步骤:(1)收集大量有雾图像和无雾图像作为训练样本,建立无雾到有雾的图像映射数据库,并分为有雾图像与无雾图像;(2)通过生成对抗神经网络,将大量的有雾图像和无雾图像作为学习样本,利用深度学习从样本当中学习出从有雾图像到无雾图像的映射关系,并且保存从有雾图像到无雾图像的映射模型;(3)利用上述生成模型进行去雾或者加雾处理:对于一张有雾的图像,输入到有雾到无雾的映射模型当中,便得到无雾的图像;对于一张无雾图像,输入到无雾图像到有雾图像的映射模型中,便得到加雾后的图像。2.根据权利要求1所述的基于生成对抗网络的图像去雾、加雾方法,其特征在于,步骤(1)中所述构建有雾-无雾图像数据库的流程为:(1)通过网络爬虫技术主流搜索网站中有雾的图像数据和无雾的图像数据,组成训练生成对抗式深度神经网络的训练数据库;(2)根据实际情况,通过人工的方式,对数据库中的图像进行删减,去除掉一些不符合要求的图片,最终使得整个数据库中有雾图像和无雾图像的数量大致相等。3.根据权利要求2所述的基于生成对抗网络的图像去雾、加雾方法,其特征在于,步骤(2)中,所述生成对抗式神经网络的流程为:(1)采用卷积神经网络,搭建生成对抗式神经网络模型中的生成模型和判别模型;生成模型的任务是从有雾图像生成无雾图像或者从无雾图像生成有雾图像,是完成有雾到无雾的重要部分;而判别模型则是对当前生成器生成的图像做出有雾和无雾的进行判别;(2)在前一步的基...
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。