【技术实现步骤摘要】
一种有雾图像的视觉增强方法
[0001]本专利技术涉及深度学习和图像处理
，具体涉及一种有雾图像的视觉增强方法。
技术介绍
[0002]随着电子图像采集产品的趋于平民化，数字图像在人们的日常摄影、安防、行车记录仪等情境下被广泛地应用。然而，在有雾存在的天气之中，电子设备采集到的图像会由于雾的散射而严重降低图像的质量，降低图像的可读性。由于大气中雾的散射，会使得图像的整体颜色偏向于白色，对比度严重降低；与此同时，雾使得图像模糊，从而使图像当中的物体难以辨认。
[0003]图像增强技术是机器视觉的重要基础，通过技术手段从退化的图像中恢复其清晰画面视觉，对图像理解、高级别认知任务具有重要的基础性意义。随着卷积神经网络的发展以及其在机器视觉领域体现出的优越性，现有技术中设计了相应的卷积神经网络模型实现对光线透射参数、全局环境光的估计，然后通过大气散射模型为有雾图像恢复清晰视觉，实现图像视觉增强。也有方案直接将大气散射模型嵌入到卷积神经网络模型，提供了端到端的去雾算法模型。
[0004]然而，现有的大气散射模型是...
【技术保护点】
【技术特征摘要】
1.一种有雾图像的视觉增强方法，其特征在于，包括：S1：获取有雾图像和清晰图像构建训练样本；S2：将有雾图像和清晰图像视为两种类型的数据域空间，然后将有雾图像的去雾和清晰图像的雾化构成对偶任务；S3：基于对偶学习机制训练两个跨数据域空间转换映射的生成对抗网络模型，即互为逆任务模型的去雾模型和雾化模型；训练两个模型时，首先将训练样本中的有雾图像或清晰图像作为源域图像输入对应模型的生成器，得到映射图像；其次把映射图像和目标域图像输入对应模型的判别器进行对抗鉴别，并计算对应模型的对抗损失；然后把映射图像输入对应模型的逆任务模型的生成器，得到逆映射图像；再基于逆映射图像和源域图像计算对应模型的重构损失；最后将对应的对抗损失和重构损失组合成优化函数，用以训练对应的模型；S4：将待处理的有雾图像输入训练后的去雾模型，得到去雾图像作为视觉增强结果。2.如权利要求1所述的有雾图像的视觉增强方法，其特征在于：步骤S3中，训练去雾模型时，把清晰图像输入去雾模型的生成器，然后基于生成器的输入图像和输出图像计算对应的一致性损失，并将一致性损失与对应的对抗损失和重构损失组合成优化函数，用以训练去雾模型。3.如权利要求1所述的有雾图像的视觉增强方法，其特征在于：步骤S3中，去雾模型和雾化模型的网络结构相同，均包括生成器和判别器；生成器为金字塔型卷积神经网络，判别器包括特征提取网络和概率化网络。4.如权利要求3所述的有雾图像的视觉增强方法，其特征在于：生成器包括三个结构相同的“U”型子模型，分别是用于处理源尺度图像、二分之一尺度图像和四分之一尺度图像三种尺度输入图像的第一子模型、第二子模型和第三子模型，第一子模型的部分卷积特征跨越连接到第二子模型，第二子模型的部分卷积特征跨越连接到第三子模型。5.如权利要求4所述的有雾图像的视觉增强方法，其特征在于：三个子模型内均由编码器和解码器构成；编码器包括六个卷积操作层，解码器包括五个转置卷积操作层，且编码器和解码器对应的操作层设计成残差连接结构。6.如权利要求3所述的有雾图像的视觉增强方法，其特征在于：特征提取网络包括五个卷积操作层；概率化网络包括全局池化层、卷积操作层和sigmod概率映射操作层。7.如权利要求1所述的有雾图像的视觉增强方法，其特征在于：步骤S3中，去雾模型和雾化模型中生成器的优化函数定义如下：雾化模型中生成器的优化函数定义如下：式中：和分别表示去雾模型和雾化模型中生成器的训练损失；L
c_fog
和L
c_clean
分别表示去雾模型和雾化模型的重构损失；β和γ表示超参数；L
ident
表示去雾模型的一致性损失；G
f2c
(
·
)和G
c2f
(
·
)分别表示去雾模型和雾化模型中的生成器；X表示输入图像；D
...
【专利技术属性】
技术研发人员：石昌友，卢建平，孙强，周静，黄蔚，夏榕泽，
申请(专利权)人：中国人民解放军陆军工程大学，
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。