【技术实现步骤摘要】
基于RBW-CycleGAN网络的图像去雾方法
：本专利技术涉及图像处理
，具体的说是一种能够提高图片去雾效果，使处理后图片更符合人眼的视觉感受的基于RBW-CycleGAN网络的图像去雾方法。
技术介绍
：雾是由悬浮颗粒在大气中的微小液滴构成的气溶胶，雾天拍摄的室外图片会因为光在大气中折射和散射时被这种气溶胶所吸收，使得到的图像失去对比度和真实性。尽管部分含雾图片能够保留一些原有场景的信息，这些图片也为后续的图像理解和计算机视觉相关的任务，例如，目标识别与分类，图像分割等增加了难度。因此，提高有雾图像的质量对于后续图像的应用非常必要。早期的单幅图像去雾方法主要基于先验知识去雾。然而这些方法耗时长且不能用于灰度图像处理。根据对大量清晰彩色图像的研究，研究人员提出了暗通道去雾(DCP)算法。这种算法在多数不含天空的有雾图片恢复中简单有效但整体颜色偏暗，对于天空区域处理却有很大的局限性。现有利用颜色衰减先验(CAP)，通过对有雾图像场景深度信息建立线性模型，在有监督学习下学习深度图像信息模型的参数，利用学习到的参数...
【技术保护点】
1.一种基于RBW-CycleGAN网络的图像去雾方法，其特征在于，包括网络模型搭建与训练阶段和网络模型应用阶段，所述网络模型搭建与训练阶段中向CycleGAN网络中引入带权重的残差块，并采用Instance-Normalization归一化处理，在训练损失函数优化时，使用最小二乘损失，并增加判别损失在总体损失函数中的权重，降低重建损失在总体损失函数中的权重。/n
【技术特征摘要】
1.一种基于RBW-CycleGAN网络的图像去雾方法，其特征在于，包括网络模型搭建与训练阶段和网络模型应用阶段，所述网络模型搭建与训练阶段中向CycleGAN网络中引入带权重的残差块，并采用Instance-Normalization归一化处理，在训练损失函数优化时，使用最小二乘损失，并增加判别损失在总体损失函数中的权重，降低重建损失在总体损失函数中的权重。
2.根据权利要求1所述的一种基于RBW-CycleGAN网络的图像去雾方法，其特征在于，所述网络模型搭建与训练阶段具体包括以下步骤：
步骤1：获取网络训练数据集；
步骤2：搭建并训练RBW-CycleGAN网络，分批次向网络中输入不同的样本数据，采用卷积神经网络对输入图片数据做特征提取，经过残差网络对特征进行转换，将转换后的特征信息传入反卷积网络中生成对应的图像数据，判别网络对生成图像与预期效果作比较并产生判别结果。
3.根据权利要求2所述的一种基于RBW-CycleGAN网络的图像去雾方法，其特征在于，步骤2具体包括以下步骤：
步骤2-1：输入的两类图像进入生成网络，生成网包括三层卷积，第一层卷积为32个具有7*7卷积核大小的滤波器，对四维张量图做步长为1的滑动卷积提取特征，得到对应的特征图，第一层卷积后接relu激活函数层并做instance归一化，instance的方式在一张图片的图像像素上对高和宽做归一化，instancenorm的信息都是来自于自身的图片，相当于对全局信息做了一次整合和调整，随后将卷积后的特征图输入第二层卷积，第二层卷积由64个卷积核为3*3的滤波器组成，对产生的特征图做步长为2的滑动卷积，卷积后经过relu函数激活并做instance归一化，将第二层卷积并归一化后的数据输入第三层卷积，第三层卷积由128个卷积核为3*3的滤波器构成，做步长为2的滑动卷积并做batchnormalization；
步骤2-2：三层卷积之后接连4个相同结构的带权重的残差块，每个残差块的结构包括并联的两层卷积，每个卷积层均包括3*3的卷积层与relu激活函数层与batchnormalization层，每两层卷积处理之后的数据赋予权重1/2，两部分输出权重相同；
步骤2-3：将两部分输出合并输入由反卷积构成的特征解码网络，解码器部分由三层反卷积构成。第一层为64个卷积核为3*3的滤波器做步长为1/2的分步卷积，接着一层最大池化层，并做instance归...
【专利技术属性】
技术研发人员：于海雁，李亚兰，周志权，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东;37
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。