一种基于半训练生成器的复杂场景图像去雾方法技术

一种基于半训练生成器的复杂场景图像去雾方法，属于应用于复杂环境的图像去雾领域，包括训练过程和使用过程。训练过程中，首先，使用CycleGAN网络在任意图像去雾数据集上进行训练，每训练50次输出一个实时去雾图像并保存当前模型，训练到2000次结束；其次，重复上述过程十次；最后，在保存的效果图中选取去雾效果最好并且没有颜色信息的无雾灰度图像，将其对应的保存模型中的生成器G作为最终的草图模块。使用时，将任何场景的有雾图像输入草图模块中，均可输出去雾后的灰度图像。本发明专利技术应用范围不局限于训练的数据集，该方法具有极强的适应性、可视性和真实性，能够应用到任何场景中，且能够帮助智能系统在受到浓雾影响的环境中也能发挥一定的效能。

【技术实现步骤摘要】
一种基于半训练生成器的复杂场景图像去雾方法
本专利技术属于应用于复杂环境的图像去雾领域，涉及一种基于半训练生成器的图像转换类单图像去雾方法，图像去雾技术可以帮助智能系统在有雾的天气条件下也能够正常的运行，但是目前的图像去雾技术在很少能够应对多种场景，只能应用于固定的几种环境中。
技术介绍
在计算机视觉领域，图像的质量对目标检测、图像识别等任务的完成效果影响巨大。然而，现实应用环境中获取到的图像常常受到空气中悬浮物的影响(雾、霾、粉尘等)。这些影响会使图像模糊不清，最终导致难以提取图像的有效特征。研究图像去雾技术可以使被雾影响的图像恢复成近似无雾状态的图像，使自动驾驶系统、监控系统、目标识别系统等智能系统能够在雾霾等恶劣天气下正常运转。因此，如何实现高效的图像去雾已成为计算机视觉领域研究的一项重要内容。而对于需要部署在多种环境的智能系统，要求图像去雾算法能够同时应对各种各样的环境，这对算法的研究是另一个巨大的挑战。当前的单图像去雾算法大致可成为三类，一类是基于图像增强的去雾算法，第二类是基于大气散射模型的算法，第三类是基于图像转换的去雾算本文档来自技高网...

【技术保护点】
1.一种基于半训练生成器的复杂场景单图像去雾方法，其特征在于，包括如下步骤：/n训练过程：/n步骤1：使用经典CycleGAN网络在任意图像去雾数据集上进行训练；/n步骤2：在训练过程中，每训练50次输出一个实时去雾图像并保存当前模型；/n步骤3：训练到一定次数结束；/n步骤4：重复步骤1-步骤3多次，重复次数越多，得到效果越好；/n步骤5：在保存的效果图中选取去雾效果最好并且没有颜色信息的无雾灰度图像，将其对应的保存模型中的生成器G作为最终的草图模块；/n训练CycleGAN网络的方式为不充分训练，草图模块具有以下特点：输出的图像仅包含原有雾图像中景物的初级信息，不存在高级信息；草图模块没有...

【技术特征摘要】
1.一种基于半训练生成器的复杂场景单图像去雾方法，其特征在于，包括如下步骤：
训练过程：
步骤1：使用经典CycleGAN网络在任意图像去雾数据集上进行训练；
步骤2：在训练过程中，每训练50次输出一个实时去雾图像并保存当前模型；
步骤3：训练到一定次数结束；
步骤4：重复步骤1-步骤3多次，重复次数越多，得到效果越好；
步骤5：在保存的效果图中选取去雾效果最好并且没有颜色信息的无雾灰度图像，将其对应的保存模型中的生成器G作为最终的草图模块；
训练CycleGAN网络的方式为不充分训练，草图模块具有以下特点：输出的图像仅包含原有雾图...

【专利技术属性】
技术研发人员：王野，孙亮，葛宏伟，谭国真，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21