一种循环对抗神经网络无人碾压识别去雾方法技术

本发明专利技术公开了一种循环对抗神经网络无人碾压识别去雾方法，包括构建图像去雾模型，其中，该图像去雾模型包括深度比提取模块和图像恢复模块；将原始的有雾图像输入到模型当中，首先经过深度比提取模块，该模块会基于伽马校正先验，获取基于原图像生成的虚拟模糊图像，并利用二者图像结构的潜在关系，有效提取深度比；将获取的深度比信息和原始图像一起输入到图像恢复模块，该模块会根据深度比自适应的去雾，最终获得清晰的无雾图像。本发明专利技术结合了先验假设与深度学习网络模型，在常规对抗神经网络的损失之外，额外增加了感知一致性损失，能够更加有效的恢复出无雾图像的纹理。够更加有效的恢复出无雾图像的纹理。够更加有效的恢复出无雾图像的纹理。

【技术实现步骤摘要】
一种循环对抗神经网络无人碾压识别去雾方法


[0001]本专利技术属于图像处理技术的
，具体涉及一种循环对抗神经网络无人碾压识别去雾方法。

技术介绍

[0002]随着无人碾压技术的发展，施工机械对障碍物精准识别的要求日益提高。在扬尘、降雨、等恶劣环境情况下，计算机识别障碍物受到极大的挑战。为了提高其后续一些高级的图像识别任务(如目标检测、语义分割、人脸识别)的效率，图像、视频的去雨去雾去灰的过程不可或缺。所以近年来，图像去雾领域受到国内外许多科研工作者的广泛关注。
[0003]早期比较主流的去雾方法主要分为两种，分别是基于图像增强和基于图像复原的去雾算法。基于图像增强的去雾算法大多数都采用去除图像噪声，并增强图像的对比度来实现去雾，如小波变换、Retinex、限制对比度直方图均衡化等。基于图像复原的去雾算法则大多数是由人为定义的一些先验假设来辅助去雾，比如何凯明博士提出来的经典的暗通道先验(DCP)、彩色衰减先验、色差差异先验、伽马校正先验等。虽然先验假设条件下的去雾效果尚可，但是自然场景的多变性，很难满足先验假设的各种条件，所以存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种循环对抗神经网络无人碾压识别去雾方法，其特征在于，包括：S1、构建图像去雾模型，其中，图像去雾模型包括深度比提取模块和图像恢复模块；S2、将原始的有雾图像输入到模型当中，首先经过深度比提取模块，基于伽马校正先验，获取基于原图像生成的虚拟模糊图像，并利用二者图像结构的潜在关系，提取深度比；S3、将获取的深度比信息和原始图像一起输入到图像恢复模块，根据深度比自适应的去雾，最终获得无雾图像。2.如权利要求1所述的一种循环对抗神经网络无人碾压识别去雾方法，其特征在于：所述伽马校正先验从两幅模糊图像中挖掘深度信息，一幅是原始图像，另一幅是原始图像的虚拟图像，首先利用伽马校正先验得到原始图像的虚拟图像，然后基于大气散射模型和结构不变性原理得到两个成像方程。3.如权利要求1所述的一种循环对抗神经网络无人碾压识别去雾方法，其特征在于：所述图像恢复模块为基于Cycle
‑
GAN改编的对抗神经网络，包括两个生成器G1,G2和两个鉴别器D1,D2，其中，G1为从有雾图像生成无雾图像的一个生成...

【专利技术属性】
技术研发人员：王佳俊，任炳昱，佟大威，余佳，陈秋同，
申请(专利权)人：天津大学，
类型：发明
国别省市：