一种基于条件生成对抗网络的单幅图像去雾方法技术

本发明专利技术公开了一种基于条件生成对抗网络的单幅图像去雾方法，即步骤1：输入有雾图像到条件生成对抗网络的生成器中，通过训练得到去雾的生成器模型，再次输入有雾图片经过训练完成后的生成器输出得到去雾后图像；步骤2：将步骤1中的有雾图像、对应的原始清晰图像、去雾后图像一起输入条件生成对抗网络中的判别器中进行判别；步骤3：训练整个条件生成对抗网络，利用生成器网络对有雾图像进行去雾。本发明专利技术的优点是：生成器和判别器都支持任意大小的图像输入，并能输出相同大小的去雾后图像；无需对图像进行缩放，避免图像缩放会产生信息损失的缺陷；有效提高不同分辨率下图像的去雾性能，在不同室内外场景下都具有良好去雾效果。在不同室内外场景下都具有良好去雾效果。在不同室内外场景下都具有良好去雾效果。

【技术实现步骤摘要】
一种基于条件生成对抗网络的单幅图像去雾方法


[0001]本专利技术涉及图像处理和模式识别领域，特别是涉及一种基于条件生成对抗网络的单幅图像去雾方法。

技术介绍

[0002]图像去雾在智能交通扮演着重要作用，智能识别在有雾状态下会受到干扰，去雾能有效增强图像识别的性能。单幅图像去雾是指模型的输入只有一幅图像，完全基于图像内容进行去雾。早期的图像去雾方法是基于人为设计的方法进行去雾。而与人为设计方法不同，深度学习自动学习去雾模型，具有更好的去雾效果，特别是基于生成对抗网络(GAN)的方法。由于技术的不断进步促进了图像恢复效果的逐渐提升，近年来，图像去雾已经成为一个热门问题。
[0003]基于GAN的图像去雾方法已经被证实是非常有效的方法，由于GAN只需要少量图像就能训练性能较好的模型，因此被广泛应用。但是，由于不同相机拍摄的图像大小不一，而现有GAN网络需要将图像缩放到固定大小才能应用，在图像去雾时，图像缩放会造成严重的信息损失，进而引入新的问题。

技术实现思路

[0004]专利技术目的：针对上述问题，本专利技术的目的是提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件生成对抗网络的单幅图像去雾方法，其特征在于：包括以下步骤：步骤1：所述条件生成对抗网络由一个生成器和一个判别器构成；输入有雾图像到所述条件生成对抗网络中的生成器中，所述生成器由8个U型残差网络级联组成；对所述生成器进行训练得到去雾的生成器模型，再次输入有雾图片经过训练完成后的所述生成器输出得到去雾后图像；步骤2：将步骤1中的有雾图像、对应的原始清晰图像、去雾后图像一起输入所述条件生成对抗网络中的判别器中，得到判别结果；所述判别器由4个卷积层、1个空间金字塔池化层和1个全连接层组成；步骤3：训练整个所述条件生成对抗网络，利用所述条件生成对抗网络中的生成器网络对有雾图像进行去雾。2.根据权利要求1所述的基于条件生成对抗网络的单幅图像去雾方法，其特征在于：所述步骤1中的有雾图像统一缩放至512
×
512大小，并随机进行水平翻转，然后将处理过的所述有雾图像输入所述生成器中；所述步骤1中的生成器由8个U型残差网络级联组成，所述U型残差网络由U型网络和残差网络共同构成，同时所述U型残差网络中的反卷积输出特征图大小和U型残差网络的输入特征图大小一致，具体步骤包括：步骤(1.1)：将所述U型残差网络的输入特征图利用大小为5
×
5的卷积核，步长为2进行卷积，对卷积后的特征图利用大小为5
×
5、步长为2的卷积核进行反卷积，将所述U型残差网络的输入特征图和反卷积后的图像在通道维度进行拼接，得到特征图A；本步骤中的卷积和反卷积之前都用lrelu函数进行激活；步骤(1.2)：将所述步骤(1.1)中得到的特征图A利用大小为3
×
3的卷积核，步长为1进行卷积，输出的通道数为输入后的一半，得到特征图B；本步骤中的卷积之前用lrelu函数进行激活；步骤(1.3)：用所述U型残差网络的输入特征图减去所述步骤(1.2)中得到的特征图B，作为所述U型残差网络的输出结果；步骤(1.4)：将连续8个所述U型残差网络结构级联组成所述生成器。3.根据权利要求1所述的基于条件生成...

【专利技术属性】
技术研发人员：岑翼刚，张悦，阚世超，童忆，安高云，
申请(专利权)人：江苏翼视智能科技有限公司，
类型：发明
国别省市：