[发明专利]基于残差学习的单幅图像去雾方法

权利要求书

1.一种基于残差学习的单幅图像去雾方法，其特征在于，包括以下步骤：

步骤1，制作包括有雾图像和无雾图像的训练样本；

步骤2，将训练样本输入待训练的CGAN网络进行训练生成最终的训练网络；

步骤 3，输入有雾图像至最终的生成模型中得到清晰的无雾图像；

步骤2的具体过程在于：

步骤201，设定网络的最大迭代数、学习率位；

步骤202，固定CGAN网络的生成器，优化CGAN网络判别器：

步骤2021，将训练样本的有雾图像输入至生成器中生成伪无雾图像，

步骤2022，将训练样本的无雾图像和生成器生成的伪无雾图像分别粘合有雾图像后输入判别器中，

步骤2023，判别器分别提取两组输入的特征，并给出两张判别结果图pre1与pre2，

步骤2024，将两张结果图代入判断误差公式，更新CGAN网络的判别器，即CGAN网络的判别器的原参数加上loss，其中误差公式为

其中，A和B分别为判别结果图的像素大小；

步骤203，固定CGAN网络的判别器，优化CGAN网络的生成器：

步骤2031，将有雾图像输入生成器中生成伪无雾图像，

步骤2032，将生成的伪无雾图像与训练样本的无雾图像做差，保存两者之间的差的平均数；

步骤2034，将训练样本的无雾图像和生成器生成的伪无雾图像分别粘合有雾图像后输入判别器中，

步骤2035，判别器分别提取两组输入的特征，并给出两张判别结果图pre1与pre2，

步骤2036，将两张结果图代入判断误差公式，更新CGAN网络的判别器，即CGAN网络的判别器的原参数加上loss，其中误差公式为

；

步骤2037，用步骤2032获得的差的平均数与步骤2036获得的loss值的和对CGAN的生成器的参数进行更新；

步骤205，按如上步骤进行训练直至最大迭代数，生成最终的训练网络。

2.根据权利要求1所述的方法，其特征在于，步骤1的具体过程为：

步骤101，下载清晰户外图像作为训练样本的无雾图像J(x)；

步骤102，提取无雾图像中自带的深度信息；

步骤103，使用双线性插值法将深度信息图放大为和图像一样的大小；

步骤104，使用高斯滤波法对深度信息图进行滤波；

步骤105，对滤波后的深度信息图d(x)，利用传输率公式t(x)=e^-βd(x)求出传输率t(x)，其中β为散射系数；

步骤106，利用大气物理散射模型合成出有雾图像I(x)，大气物理散射公式为I(x)=J(x)t(x)+A(1-t(x))，A为大气光值；

步骤105，将合成的有雾图像的图像亮度降低。