[發明專利]一種融合特征金字塔的生成對抗網絡圖像去霧方法

在審

• 申請號: 202010522038.0
• 申請日: 2020-06-10
• 公開（公告）號: CN111738942A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 張登銀;曹雪杰;董江偉;周詩琪;趙莎莎
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 李跟根

1.一種融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，包括如下步驟：

將有霧圖像輸入預先訓練好的生成對抗網絡，獲取與有霧圖像相對應的無霧圖像；

所述生成對抗網絡的生成器網絡融合有特征金字塔。

2.根據權利要求1所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，生成對抗網絡的判別器網絡包括順序連接的卷積激活層、編碼單元提取特征層、全連接層、sigmoid激活層，所述編碼單元提取特征層不少于兩個且彼此串聯。

3.根據權利要求1所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，所述生成器網絡包括順序連接的骨干網絡、特征金字塔、圖像重建網絡；

所述無霧圖像的獲取方法，包括：

骨干網絡對所輸入的有霧圖像進行特征提??；

特征金字塔對所提取的特征進行特征融合；

圖像重建網絡對所融合的特征進行還原，輸出與有霧圖像相對應的無霧圖像。

4.根據權利要求3所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，所述骨干網絡采用預先訓練好的MobileNet-V2網絡；

骨干網絡對所輸入的有霧圖像進行特征提取，包括：MobileNet-V2網絡響應于所輸入的有霧圖像，輸出不少于兩個不同尺度的特征圖。

5.根據權利要求4所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，在特征金字塔對所提取的特征進行特征融合之前，還包括：對MobileNet-V2網絡所輸出的特征圖進行1*1卷積運算。

6.根據權利要求1所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，生成對抗網絡的訓練方法，包括：

基于預獲取的不少于兩張有霧圖像以及與之相對應的無霧圖像，構建訓練樣本集；

以判別器網絡的損失函數趨向于0.5、生成器網絡的損失函數趨向于0為目標，將訓練樣本集中的圖像輸入生成對抗網絡對其進行訓練，直至獲取訓練好的生成對抗網絡。

7.根據權利要求6所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，判別器網絡的損失函數，其表達式如下：

式中，L_D為判別器網絡的損失函數，為判別器對于生成器生成的第i個生成圖像的判別結果，D(I*)為判別器對于訓練樣本集中第i個標簽圖像的判別結果，N為訓練樣本集中圖像的對數。

8.根據權利要求6所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，生成器網絡的損失函數，其表達式如下：

式中，L_G為生成器網絡的損失函數，為生成器生成的第i個生成圖像，為訓練樣本集中第i個標簽圖像，C為圖像的通道，W×H為圖像的尺寸，為判別器對于生成器生成的第i個生成圖像的判別結果，D(I*)為判別器對于訓練樣本集中第i個標簽圖像的判別結果，N為訓練樣本集中圖像的對數，λ為加權系數權重。

9.根據權利要求6所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，在將訓練樣本集中的標簽圖像輸入生成對抗網絡對其進行訓練之前，還包括：使用平均值為0和標準偏差為0.001的高斯分布隨機初始化權重W_ji中的各項分量，令偏置B_ji為0。

10.根據權利要求9所述的融合特征金字塔的生成對抗網絡圖像去霧方法，其特征是，將訓練樣本集中的圖像輸入生成對抗網絡對其進行訓練，包括：

根據訓練結果更新W_ji和B_ji；

將更新后的W_ji和B_ji代入損失函數；

重復W_ji和B_ji的更新和代入過程，直至判別器網絡的損失函數為0.5，獲取訓練好的生成對抗網絡。