本发明专利技术公开了一种基于生成对抗网络的雾天图像去雾方法及装置，涉及车辆自动驾驶及控制技术领域，所述方法包括：取训练图像数据集，所述训练图像数据集包括有雾图像和无雾图像对；构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；利用所述训练图像数据集对所述生成对抗网络模型进行训练，得到优化后的生成对抗网络模型；将待去雾的雾图输入优化后的所述生成对抗网络模型，得到无雾图像。本发明专利技术增强了去雾效果，提高雾天图像的判别性；解决了现有技术中雾天环境图像存在的颜色偏差、背景模糊、对比度和能见度低等问题，降低了恶劣环境对无人驾驶车辆的影响。低了恶劣环境对无人驾驶车辆的影响。低了恶劣环境对无人驾驶车辆的影响。
【技术实现步骤摘要】
一种基于生成对抗网络的雾天图像去雾方法及装置
[0001]本专利技术涉及车辆自动驾驶与控制
，具体涉及一种基于生成对抗网络的雾天图像去雾方法及装置。
技术介绍
[0002]随着人工智能的发展，各种户外场景高科技技术得以发展，但是这些户外场景应用技术需要清晰的图像数据，比如无人驾驶汽车。而在实践中，干扰是难以避免的，它们会导致获取的图像质量下降、视觉效果差、图像中的有用信息较少。这样的图像在处理后不会产生令人满意的结果，比如雨、雾、雪等恶劣环境。所以能够有效的消除这些恶劣环境对图像的影响有助于提高户外场景人工智能技术的应用，使得无人驾驶汽车能在恶劣环境下正常进行工作。
[0003]因此，本申请提供了一种基于合成生成对抗网络用于无人驾驶车辆雾天图像去雾方法，以增强去雾效果，提高雾天图像的判别性。
技术实现思路
[0004]针对现有技术中的缺陷，本专利技术提供一种基于生成对抗网络的雾天图像去雾方法及装置。
[0005]本专利技术的方案为：
[0006]第一方面，一种基于生成对抗网络的雾天图像去雾方法，其特征在于，包括：
[0007]步骤1：获取训练图像数据集，所述训练图像数据集包括有雾图像和无雾图像对；
[0008]步骤2：构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器，其中，所述生成器包括4个编码器、9个Residual
‑
Inception块和2个解码块，用于生成无雾图像；所述判别器包括2个编码器、3个残差块和1个卷积层，用于判断生成的无雾图像的真假；
[0009]步骤3：利用所述训练图像数据集对所述生成对抗网络模型进行训练，得到优化后的生成对抗网络模型；
[0010]步骤4：将待去雾的雾图输入优化后的所述生成对抗网络模型，得到无雾图像。
[0011]优选地，所述生成器中的编码器包括卷积层、instance norm层和relu函数激活层，所述卷积层的核大小为3X3。
[0012]优选地，所述生成器中解码器的包括反卷积层、instance norm层和relu函数激活层，所述反卷积层的核大小为3X3。
[0013]优选地，所述Residual
‑
Inception块采用跳跃连接，第i(i<＝4)个所述Residual
‑
Inception块的输出与第10
‑
i个所述Residual
‑
Inception块的输入连接。
[0014]优选地，所述Residual
‑
Inception块由三个空间大小分别为3X3、5X5、7X7的平行卷积层组成，之后进行特征连接再通过三个平行3X3卷积层进行卷积操作，然后对卷积结果进行相加，最后通过1X1卷积层保持与Residual
‑
Inception模块输入维度相同并把Residual
‑
Inception模块输入特征与1X1卷积层输出进行相加。
[0015]优选地，所述判别器的编码器包括卷积层、instance norm层和relu函数激活层，所述卷积层的核大小为3X3，所述判别器的残差块包括3个卷积层和relu函数激活层，其中，第一个卷积层输出与第二个卷积层输出进行相加，第一个卷积层输出与relu激活单元输出进行相加，第二个卷积层输出加到relu激活单元输出。
[0016]优选地，所述对抗网络模型的损失函数为：
[0017][0018][0019][0020][0021]式中，表示条件GAN损失用来指导图像生成，SSIM(G(x),y)表示SSIM损失用来保存图像的结构信息,表示边缘损失用来保存图像的边缘信息，表示L1范数，G(x)表示生成的无雾图像、y表示真实的无雾图像，μ
G(x)
,μ
y
,σ
G(x)
,σ
y
,σ
G(x)y
分别表示图像G(x)、y的局部均值、标准差和互协方差，E
G(x)
表示生成的无雾图像的边缘图，E
y
表示真实无雾图像的边缘图，其中，边缘图采用Canny算子进行提取。
[0022]优选地，利用所述训练图像数据集对所述生成对抗网络模型进行训练，得到优化的生成对抗网络模型的方法包括：
[0023]步骤31：将所述训练图像数据集分为训练集和测试集；
[0024]步骤32：利用所述训练集对所述生成对抗网络模型进行训练，利用所述测试集对所述生成对抗网络模型进行测试；
[0025]步骤33：在所述测试结果达到预设准确率时，得到优化后的所述生成对抗网络模型。
[0026]第二方面，一种基于生成对抗网络的雾天图像去雾装置，包括：
[0027]获取模块，用于获取训练图像数据集，所述训练图像数据集包括有雾图像和无雾图像对；
[0028]构建模块，用于构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器，其中，所述生成器包括4个编码器、9个Residual
‑
Inception块和2个解码块，用于生成无雾图像；所述判别器包括2个编码器、3个残差块和1个卷积层，用于判断生成的无雾图像的真假；
[0029]训练模块，用于利用所述训练图像数据集对所述生成对抗网络模型进行训练，得到优化的生成对抗网络模型；
[0030]去雾模块，用于将待去雾的雾图输入优化后的所述生成对抗网络模型，得到无雾图像。
[0031]第三方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法的步骤。
[0032]本专利技术的有益效果体现在：本专利技术提供了一种基于合成生成对抗网络用于无人驾驶车辆雾天图像去雾方法及装置，增强了去雾效果，提高雾天图像的判别性；解决了现有技术中雾天环境图像存在的颜色偏差、背景模糊、对比度和能见度低等问题，降低了恶劣环境对无人驾驶车辆的影响。
附图说明
[0033]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0034]图1为本专利技术实施例所提供的一种基于生成对抗网络的雾天图像去雾方法的流程图；
[0035]图2为本专利技术实施例所提供的生成器的结构示意图；
[0036]图3为本专利技术实施例所提供的生成器中编码器的Residual
‑
Inception块的结构示意图；
[0037]图4为本专利技术实施例所提供的判别器的残差块的结构示意图
[0038]图5为本专利技术实施例所提供的一种基于生成对抗网络的雾天图像去雾装置的结构示意图；
[0039]图6为本专利技术实施例所提供的一种处理设备的结构示意图。
具体本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的雾天图像去雾方法，其特征在于，包括，步骤1：获取训练图像数据集，所述训练图像数据集包括有雾图像和无雾图像对；步骤2：构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器，其中，所述生成器包括4个编码器、9个Residual
‑
Inception块和2个解码块，用于生成无雾图像；所述判别器包括2个编码器、3个残差块和1个卷积层，用于判断生成的无雾图像的真假；步骤3：利用所述训练图像数据集对所述生成对抗网络模型进行训练，得到优化后的生成对抗网络模型；步骤4：将待去雾的雾图输入优化后的所述生成对抗网络模型，得到无雾图像。2.根据权利要求1所述的一种基于生成对抗网络的雾天图像去雾方法，其特征在于，所述生成器的编码器包括卷积层、instance norm层和relu函数激活层，所述卷积层的核大小为3X3。3.根据权利要求2所述的一种基于生成对抗网络的雾天图像去雾方法，其特征在于，所述生成器的解码器包括反卷积层、instance norm层和relu函数激活层，所述反卷积层的核大小为3X3。4.根据权利要求3所述的一种基于生成对抗网络的雾天图像去雾方法，其特征在于，所述Residual
‑
Inception块采用跳跃连接，第i(i<＝4)个所述Residual
‑
Inception块的输出与第10
‑
i个所述Residual
‑
Inception块的输入连接。5.根据权利要求4所述的一种基于生成对抗网络的雾天图像去雾方法，其特征在于，所述Residual
‑
Inception块由三个空间大小分别为3X3、5X5、7X7的平行卷积层组成，之后进行特征连接再通过三个平行3X3卷积层进行卷积操作，然后对卷积结果进行相加，最后通过1X1卷积层保持与Residual
‑
Inception模块输入维度相同并把Residual
‑
Inception模块输入特征与1X1卷积层输出进行相加。6.根据权利要求1所述的一种基于生成对抗网络的雾天图像去雾方法，其特征在于，所述判别器的编码器包括卷积层、instance norm层和relu函数激活层，所述卷积层的核大小为3X3，所述判别器的残差块包括3个卷积层和relu函数激活层，其中，第一个卷积层输出与第二...
【专利技术属性】
技术研发人员：许达文，张祥建，张旻晋，
申请(专利权)人：成都视海芯图微电子有限公司，
类型：发明
国别省市：
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。