[發明專利]基于殘差學習的單幅圖像去霧方法

有效

• 申請號: 201810361570.1
• 申請日: 2018-04-20
• 公開（公告）號: CN108876728B
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 項欣光;顧昳麗
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/08
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱寶慶

1.一種基于殘差學習的單幅圖像去霧方法，其特征在于，包括以下步驟：

步驟1，制作包括有霧圖像和無霧圖像的訓練樣本；

步驟2，將訓練樣本輸入待訓練的CGAN網絡進行訓練生成最終的訓練網絡；

步驟 3，輸入有霧圖像至最終的生成模型中得到清晰的無霧圖像；

步驟2的具體過程在于：

步驟201，設定網絡的最大迭代數、學習率位；

步驟202，固定CGAN網絡的生成器，優化CGAN網絡判別器：

步驟2021，將訓練樣本的有霧圖像輸入至生成器中生成偽無霧圖像，

步驟2022，將訓練樣本的無霧圖像和生成器生成的偽無霧圖像分別粘合有霧圖像后輸入判別器中，

步驟2023，判別器分別提取兩組輸入的特征，并給出兩張判別結果圖pre1與pre2，

步驟2024，將兩張結果圖代入判斷誤差公式，更新CGAN網絡的判別器，即CGAN網絡的判別器的原參數加上loss，其中誤差公式為

其中，A和B分別為判別結果圖的像素大小；

步驟203，固定CGAN網絡的判別器，優化CGAN網絡的生成器：

步驟2031，將有霧圖像輸入生成器中生成偽無霧圖像，

步驟2032，將生成的偽無霧圖像與訓練樣本的無霧圖像做差，保存兩者之間的差的平均數；

步驟2034，將訓練樣本的無霧圖像和生成器生成的偽無霧圖像分別粘合有霧圖像后輸入判別器中，

步驟2035，判別器分別提取兩組輸入的特征，并給出兩張判別結果圖pre1與pre2，

步驟2036，將兩張結果圖代入判斷誤差公式，更新CGAN網絡的判別器，即CGAN網絡的判別器的原參數加上loss，其中誤差公式為

；

步驟2037，用步驟2032獲得的差的平均數與步驟2036獲得的loss值的和對CGAN的生成器的參數進行更新；

步驟205，按如上步驟進行訓練直至最大迭代數，生成最終的訓練網絡。

2.根據權利要求1所述的方法，其特征在于，步驟1的具體過程為：

步驟101，下載清晰戶外圖像作為訓練樣本的無霧圖像J(x)；

步驟102，提取無霧圖像中自帶的深度信息；

步驟103，使用雙線性插值法將深度信息圖放大為和圖像一樣的大小；

步驟104，使用高斯濾波法對深度信息圖進行濾波；

步驟105，對濾波后的深度信息圖d(x)，利用傳輸率公式t(x)=e^-βd(x)求出傳輸率t(x)，其中β為散射系數；

步驟106，利用大氣物理散射模型合成出有霧圖像I(x)，大氣物理散射公式為I(x)=J(x)t(x)+A(1-t(x))，A為大氣光值；

步驟105，將合成的有霧圖像的圖像亮度降低。