一种基于域自适应的图像去雾方法及系统技术方案

本发明专利技术公开了一种基于域自适应的图像去雾方法及系统，属于模式识别领域。本发明专利技术通过图像转换模块有效减少合成域和真实域之间的领域偏差，提高图像去雾模型在真实域的泛化性；将真实雾天图像融入到合成域和真实域去雾模型的训练中，用来约束模型的训练，更进一步增加模型的泛化性，使得去雾后的图像更清晰。本发明专利技术中的总损失函数包括暗通道先验损失、总变分损失和一致性损失，暗通道先验损失强调恢复出的图像的暗通道的大部分像素值为0或者接近0，总变分损失希望去雾后的图像的像素平滑分布，一致性损失保证两个去雾模型的输出结果能够一致，因此，以该总损失函数最小化为目标，使得去雾后的图像更清晰，细节更明显。

【技术实现步骤摘要】
一种基于域自适应的图像去雾方法及系统
本专利技术属于模式识别领域，更具体地，涉及一种基于域自适应的图像去雾方法及系统。
技术介绍
图像去雾的目标是从带雾输入图像中恢复清晰的图像，它对于后续的计算机视觉高级任务是非常重要的环节，例如，目标识别和场景理解。给定一带雾图像，早期的图像去雾方法都尝试估计传输函数和全局大气光强度，从而恢复清晰图像。一些基于先验的方法通过挖掘清晰图像的统计属性来估计传输图，例如，暗通道先验和颜色线先验。不幸的是，这些先验和容易与实际情形不一致，这样可能导致不准确的传输函数估计，因而导致复原的图像质量较差。受益于卷积神经网络的强大特征表示，许多基于深度学习的方法都实现了不错的图像去雾性能。然而，这些方法需要大量的雾天图像和清晰图像对来训练网络。由于在实际应用中，获取大量的雾天图像对应的清晰图像不切实际。因此，大多数方法选择利用合成数据训练去雾模型。然而，由于存在着领域偏差，在合成数据上训练的模型在真实数据的泛化性很差。
技术实现思路
针对现有图像去雾方法在真实数据集上泛化性差的缺陷和改进需求，本专本文档来自技高网...

【技术保护点】
1.一种基于域自适应的图像去雾方法，其特征在于，该方法包括以下步骤：/nS1.将合成雾天图像数据集和真实雾天图像数据集作为训练集，对图像去雾网络进行迭代训练，得到训练好的图像去雾网络；/nS2.将待测真实雾天图像输入至训练好的图像去雾网络，得到去雾结果；/n所述图像去雾网络包括：图像转换模块、合成域图像去雾模块和真实域图像去雾模块；/n所述图像转换模块，用于将原始合成雾天图像转换成真实雾天图像，得到合成转真实雾天图像，同时，也将原始真实雾天图像转换成合成雾天图像，得到真实转合成雾天图像；/n所述合成域图像去雾模块，用于对原始合成雾天图像和真实转合成雾天图像分别进行去雾处理，得到对应的合成雾天图...

【技术特征摘要】
1.一种基于域自适应的图像去雾方法，其特征在于，该方法包括以下步骤：
S1.将合成雾天图像数据集和真实雾天图像数据集作为训练集，对图像去雾网络进行迭代训练，得到训练好的图像去雾网络；
S2.将待测真实雾天图像输入至训练好的图像去雾网络，得到去雾结果；
所述图像去雾网络包括：图像转换模块、合成域图像去雾模块和真实域图像去雾模块；
所述图像转换模块，用于将原始合成雾天图像转换成真实雾天图像，得到合成转真实雾天图像，同时，也将原始真实雾天图像转换成合成雾天图像，得到真实转合成雾天图像；
所述合成域图像去雾模块，用于对原始合成雾天图像和真实转合成雾天图像分别进行去雾处理，得到对应的合成雾天图像的去雾结果；
所述真实域图像去雾模块，用于对原始真实雾天图像和合成转真实雾天图像分别进行去雾处理，得到对应的真实雾天图像的去雾结果。


2.如权利要求1所述的方法，其特征在于，所述图像转换模块包括：合成转真实网络和真实转合成网络，均采用CycleGAN网络；
所述CycleGAN网络包括一个生成器网络和判别器网络；
所述生成器网络包括依次连接的卷积层、残差块、上采样层、卷积层和非线性激活层，用于对输入图像进行风格转换，得到转换后的图像；
所述判别器网络包括依次连接的卷积层、批归一化层和非线性激活层，用于判别转换图像和原始图像分布是否一致，辅助生成器网络生成更符合真实雾天分布的转换图像。


3.如权利要求1所述的方法，其特征在于，合成域图像去雾模块和真实域图像去雾模块的网络结构相同、输入不同；
图像去雾模块包括依次连接的编码块和解码块；
所述编码块包括依次连接的卷积层、批归一化层和非线性激活层，用于根据合成雾天图像和真实转合成雾天图像提取特征，得到第一清晰图像特征，根据真实雾天图像和合成转真实雾天图像提取特征，得到第二清晰图像特征；
所述解码块包括依次连接的卷积层、批归一化层、非线性激活层、反卷积层、批归一化层和非线性激活层，用于对第一清晰图像特征进行反卷积，得到合成雾天图像的去雾图像，对第二清晰图像特征进行反卷积，得到真实雾天图像的去雾图像。


4.如权利要求1至3任一项所述的方法，其特征在于，域自适应去雾网络的总损失函数的计算公式如下：
L＝Ltran+λm(Lrm+Lsm)+λd(Lrd+Lsd)+λt(Lrt+Lst)+λcLc
其中...

【专利技术属性】
技术研发人员：桑农，邵远杰，高常鑫，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42