【技术实现步骤摘要】
一种基于自监督特征融合GAN模型的图像去雾方法
[0001]本专利技术涉及图像去雾
，具体涉及一种基于自监督特征融合GAN模型的图像去雾方法。
技术介绍
[0002]飞机在高空中飞行时，与空中的水蒸气接触会使飞机表面出现结冰现象，而飞机结冰会极大程度影响飞行安全。结冰风洞可以提供低温、低压、高风速以及云雾场等，从而模拟飞机穿过云层时所遭遇的真实结冰环境，是衡量结冰对飞机飞行性能影响以及验证结冰防护措施有效性的重要手段。但在试验过程中，试验段会存在一定液态水含量的悬浮水滴，试验段内光线经过水滴时，由于光线的散射和吸收等衰减，使得生成的图像模糊，导致图片质量下降。这些图片通常会色彩失真，对比度下降，丢失边缘与纹理信息，不能准确观察到结冰处的情况，因此需要对图像进行去雾处理。
[0003]为了解决图像有雾这一技术问题，相关学者提出了基于数据的深度学习去雾方法。然而，简单叠加网络层的并不能带来满意的去雾效果，有必要设计一个更好的图像去雾网络模型并基于该网络模型来解决现有技术去雾不理想的问题。
技术实现思路
【技术保护点】
【技术特征摘要】
1.一种基于自监督特征融合GAN模型的图像去雾方法，其特征在于：所述自监督特征融合GAN模型包括判别器和基于U
‑
net架构的生成器；所述生成器包括连接的编码器和解码器；所述编码器进行下采样操作，所述解码器进行上采样操作；所述编码器包括依次连接的卷积层和多个第一处理层；第一处理层包括依次连接的残差层、卷积层和特征融合模块；所述解码器包括依次连接的多个第二处理层、自监督注意力模块和卷积层；第二处理层包括依次连接的反卷积层、残差层和增强策略模块；所述特征融合模块得到特征融合后的增强特征并进行高频特征提取，将高频特征逐步融合到下采样提取的潜在特征中，并通过错误反馈机制在当前水平上进一步增强已增强特征；特征融合模块的第n层公式定义为：,其中为解码器第n层的增强特征，为通过特征融合后的增强特征，L是网络的层数，是来自前面所有L
ꢀ−ꢀ
n层的增强特征，表示第n级的特征融合模块；所述增强策略模块从上一次上采样中获得特征，通过编码器中的潜在特征对获得的特征进行增强，再经过残差块处理生成增强特征；所述增强策略模块的第n层的公式定义为：,其中，表示以2为刻度的上采样，表示第n层的可训练单元，表示增强特征；在n层，从前一层上采样得到特征，然后加上潜在特征对其进行增强，再通过细化单元生成增强的特征;自监督注意力模块能增强有雾图中有效特征并不断细化特征；所述图像去雾方法包括如下步骤：S100，搭建自监督特征融合GAN模型；S200，对步骤S100搭建的模型进行训练；S300，获取待处理有雾图，并将有雾图输入到步骤S200得到的自监督特征融...
【专利技术属性】
技术研发人员：左承林，熊浩，易贤，赵荣，
申请(专利权)人：中国空气动力研究与发展中心低速空气动力研究所，
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。