一种基于记忆感知模块的生成对抗网络雾霾图像复原方法技术

本发明专利技术涉及一种基于记忆感知模块的生成对抗网络雾霾图像复原方法。首先，在Pix2Pix条件生成对抗网络框架下，引入能够根据雾霾图像生成复原图像的生成器G以及判别复原图像是否属于真实图像的判别器D，并进行网络训练。将对抗损失、像素重构损失和特征感知损失作为网络整体目标损失函数，在网络训练过程中，将成对的雾霾

【技术实现步骤摘要】
一种基于记忆感知模块的生成对抗网络雾霾图像复原方法


[0001]本专利技术属于计算机数字图像处理
，尤其涉及一种基于记忆感知模块的生成对抗网络雾霾图像复原方法。

技术介绍

[0002]在日常摄影或医学影像检测等应用领域中，由于大气的存在，成像质量不可避免地受到大气中粒子的辐射、吸收和散射等物理因素的影响，尤其是在雾霾或者雨雪天气下，像质退化将更为严重。图像退化将严重损害图像细节的辨识度，降低使用价值，因此，研究图像去雾方法具有及其迫切的应用需求，对充分挖掘图像的应用价值具有重大意义。
[0003]传统的单幅图像去雾一般基于物理模型方法，该方法存在两方面的不足，一是物理模型去雾是一个典型的不适定问题，需要强先验条件或假设，不适用于任意场景的图像去雾，二是估算复原图像，需要首先估计与雾霾成像相关的中间变量，这造成中间误差的累积，和最终结果的不稳定。

技术实现思路

[0004]针对于上述现有技术的不足，本专利技术的目的在于提供一种基于记忆感知模块的生成对抗网络雾霾图像复原方法，能够实现对雾霾天气下的雾霾图像一步到位的复原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于记忆感知模块的生成对抗网络雾霾图像复原方法，其特征在于，步骤如下：步骤1，构建雾霾
‑
清晰数据集S：该数据集S包括雾霾图像与清晰图像，且雾霾图像与清晰图像一一对应；步骤2，基于Pix2Pix条件生成对抗网络框架，结合图像去雾任务，构造并引入生成器G和判别器D；其中，生成器G用于学习雾霾图像域和清晰图像域的映射关系，将输入的雾霾图像转换到清晰图像域上，得到复原图像；判别器D用于判断所述复原图像是否为真实图像，判别器D配合生成器G进行对抗训练；步骤3，初始化G和D网络参数，并构造目标损失函数以约束生成对抗训练中生成器G和判别器D的优化方向；其中，目标损失函数包括像素重构损失、特征感知损失以及对抗训练所产生的对抗损失；步骤4，利用所述雾霾
‑
清晰数据集S中成对的雾霾图像与清晰图像对生成器G和判别器D进行前向计算，分别得到生成器G和判别器D的目标损失函数；步骤5，固定生成器G网络参数，利用Adam优化器更新判别器D的网络参数；步骤6，固定判别器D网络参数，利用Adam优化器更新生成器G的网络参数；步骤7，判断生成器G和判别器D的目标损失函数是否同时收敛，判断为否时返回步骤4，否则结束训练，得到生成器G网络参数的局部最优解，利用该训练好的生成器，可解算出复原图像估计值，即去雾图像。2.根据权利要求1所述的一种基于记忆感知模块的生成对抗网络雾霾图像复原方法，其特征在于，生成器G网络以改进的U
‑
Net子网络作为骨干网络，同时引入基于注意力机制和循环神经网络构建的雾霾信息感知记忆子网络，使生成器G实现去雾功能的同时还能够实现恢复图像的纹理和结构特征的功能。3.根据权利要求2所述的一种基于记忆感知模块的生成对抗网络雾霾图像复原方法，其特征在于，步骤2中构造生成器G的具体步骤为：步骤2
‑
1，引入雾霾信息感知记忆子网络，，输出雾霾信息注意力图；步骤2
‑
2，改进的U
‑
Net子网络基于经典的U
‑
Net网络，在U
‑
Net的基础上舍弃池化层和批标准化层，引入残差密集模块代替简单的卷积层，引入LeakyReLU函数代替ReLU函数，分别从特征提取能力、非线性表达能力方面提高网络的性能；步骤2
‑
3，将输入图像与雾霾信息感知记忆子网络的输出在通道方向上叠加，输入到改进的U
‑
Net子网络得到最终的复原图像。4.根据权利要求3所述...

【专利技术属性】
技术研发人员：许晓燕，董文德，徐贵力，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：