[發(fā)明專利]一種基于生成對抗網(wǎng)絡模型的去除圖像雨雪方法

在審

• 申請?zhí)枺?/td>: 201811041442.5
• 申請日: 2018-09-07
• 公開（公告）號: CN109360160A
• 公開（公告）日: 2019-02-19
• 發(fā)明（設計）人: 周智恒;李立軍
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發(fā)明公開了一種基于生成對抗網(wǎng)絡模型的去除圖像雨雪方法，屬于深度學習神經(jīng)網(wǎng)絡領域，包括以下步驟：S1、構造原始生成對抗網(wǎng)絡模型；S2、構造神經(jīng)網(wǎng)絡充當生成器與判別器的功能；S3、初始化隨機噪聲，輸入生成器中；S4、利用卷積神經(jīng)網(wǎng)絡得到圖像數(shù)據(jù)集中的雨雪數(shù)據(jù)分布；S5、每次迭代除去生成器中的雨雪數(shù)據(jù)分布，進行訓練。本方法構建的基于去除圖像雨雪的原始生成對抗網(wǎng)絡模型，通過提取圖像數(shù)據(jù)集，得到圖像雨雪的數(shù)據(jù)分布，在生成器訓練過程中減去雨雪數(shù)據(jù)分布，從而達到了去除圖像雨雪信息的效果。

技術領域

本發(fā)明涉及深度學習神經(jīng)網(wǎng)絡技術領域，具體涉及一種基于生成對抗網(wǎng)絡模型的去除圖像雨雪方法。

背景技術

生成式對抗網(wǎng)絡(Generative Adversarial Network,簡稱GAN)是由Goodfellow在2014年提出的深度學習框架，它基于“博奕論”的思想，構造生成器(generator)和判別器(discriminator)兩種模型，前者通過輸入(0，1)的均勻噪聲或高斯隨機噪聲生成圖像，后者對輸入的圖像進行判別，確定是來自數(shù)據(jù)集的圖像還是由生成器產生的圖像。

在傳統(tǒng)的對抗網(wǎng)絡模型中，判別器只對輸入的圖像數(shù)據(jù)集和生成圖像進行辨別，并沒有學習圖像的特征，而生成器生成圖像的數(shù)據(jù)分布也較為寬泛，整個網(wǎng)絡的訓練沒有針對性。

發(fā)明內容

本發(fā)明的目的是為了解決現(xiàn)有技術中的上述缺陷，構建了一種基于生成對抗網(wǎng)絡模型的去除圖像雨雪方法。

本發(fā)明的目的可以通過采取如下技術方案達到：

一種基于生成對抗網(wǎng)絡模型的去除圖像雨雪方法，所述的去除圖像雨雪方法包括下列步驟：

S1、構造原始生成對抗網(wǎng)絡模型，生成器通過生成圖像輸入至判別器進行網(wǎng)絡訓練；

S2、構造神經(jīng)網(wǎng)絡充當生成器與判別器的功能；

S3、初始化隨機噪聲，輸入生成器中；

S4、利用卷積神經(jīng)網(wǎng)絡得到圖像數(shù)據(jù)集中的雨雪數(shù)據(jù)分布；

S5、每次迭代除去生成器中的雨雪數(shù)據(jù)分布，進行訓練。

進一步地，所述的步驟S2中構造的神經(jīng)網(wǎng)絡包含多個卷積核，其中卷積核的個數(shù)根據(jù)數(shù)據(jù)集圖像特征的復雜程度設置。

進一步地，所述的步驟S4中利用卷積神經(jīng)網(wǎng)絡得到圖像數(shù)據(jù)集中的雨雪數(shù)據(jù)分布，具體過程如下：

S41、通過卷積神經(jīng)網(wǎng)絡提取圖像數(shù)據(jù)集中的雨雪信息；

S42、得到雨雪信息的數(shù)據(jù)分布。

進一步地，所述的步驟S5中，每次迭代除去生成器中的雨雪數(shù)據(jù)分布，進行訓練。具體過程如下：

每次迭代通過在生成器生成圖像的數(shù)據(jù)分布的基礎上，與雨雪信息的數(shù)據(jù)分布進行作差之后輸入生成器除去生成器中的雨雪數(shù)據(jù)分布，進行訓練。

本發(fā)明相對于現(xiàn)有技術具有如下的優(yōu)點及效果：

針對性：本發(fā)明根據(jù)去除圖像雨雪的操作過程，通過提取圖像數(shù)據(jù)集中的雨雪信息，得到雨雪信息的數(shù)據(jù)分布，進行作差之后輸入生成器中，能夠達到去除圖像雨雪信息強度的效果，具有良好的針對性。

附圖說明

圖1是本發(fā)明中原始生成對抗網(wǎng)絡通過去除圖像雨雪進行訓練的整體流程圖。

具體實施方式