[发明专利]一种基于深度神经网络的图像去雾方法

权利要求书

1.一种基于深度神经网络的图像去雾方法，其特征在于，所述方法包括：选取全球大气光和大气散射系数，利用景深生成有雾图及其透射率图；将无雾图、有雾图和透射率图组成训练集；

基于编码器-解码器架构构建包括估计透射率子网络和去雾子网络的生成器网络；并采用对抗损失函数、透射率L1范数损失函数和去雾图L1范数损失函数的线性组合训练生成器；

基于卷积层、sigmoid激活函数以及LeakyReLU函数构建判别器网络；将真实无雾图和经过去雾子网络生成的去雾图分别作为正负样本，以交叉熵作为代价函数训练判别器；

采用生成器和判别器交替训练的方式进行对抗训练；

训练完成后，将一张待去雾的有雾图输入生成器，经过一次前向传播即得到去雾图；

其中，所述生成器网络包括：

所述估计透射率子网络生成单通道的透射率图，所述去雾子网络生成三通道的去雾图；

编码器由n层卷积神经网络组成，激活函数为LeakyReLU函数，并对图像数据进行批标准化；

解码器由n层卷积神经网络组成，通过转置卷积来扩大图像尺寸，最后一层卷积的激活函数采用Tanh函数，其他层激活函数采用ReLU函数。

2.根据权利要求1所述的一种基于深度神经网络的图像去雾方法，其特征在于，

所述编码器和解码器的对应层之间采用跳跃连接的方式，将编码器的结果传给解码器，编码器和解码器的结构对称；

编码器将卷积后的特征图连接到相同尺寸的解码器的特征图的通道上，得到新的特征图。

3.根据权利要求1所述的一种基于深度神经网络的图像去雾方法，其特征在于，所述对抗损失函数具体为：

式中，I_i是由第i张无雾图生成的有雾图，i＝1,2,…,N，N为训练集中无雾图的数量，D(I_i,G₂(I_i))表示有雾图I_i经过去雾子网络G₂生成的去雾图G₂(I_i)经过判别器的输出。

4.根据权利要求1所述的一种基于深度神经网络的图像去雾方法，其特征在于，所述透射率L1范数损失函数具体为：

式中，I_i和t_i分别是由第i张无雾图生成的有雾图和透射率图，i＝1,2,…,N，N为训练集中无雾图的数量，G₁(I_i)代表有雾图I_i经过估计透射率子网络G₁生成的透射率图。

5.根据权利要求1所述的一种基于深度神经网络的图像去雾方法，其特征在于，所述去雾图L1范数损失函数具体为：

式中，J_i、I_i是第i张无雾图和对应的有雾图，i＝1,2,…,N，N为训练集中无雾图的数量，G₂(I_i)代表有雾图I_i经过去雾子网络G₂生成的去雾图。

6.根据权利要求1所述的一种基于深度神经网络的图像去雾方法，其特征在于，所述判别器网络具体为：

网络由m个卷积层构成，最后一层输出使用sigmoid激活函数，其余激活函数采用LeakyReLU函数；

训练目标为：

当输入是真实无雾图J，判别器输出为1；当输入是去雾图G₂(I)，判别器输出为0。

7.根据权利要求6所述的一种基于深度神经网络的图像去雾方法，其特征在于，所述判别器网络使用的损失函数具体为：

式中，J_i、I_i是第i张无雾图和对应的有雾图，i＝1,2,…,N，N为训练集中无雾图的数量，D(I_i,J_i)代表有雾图I_i作为条件时，真实无雾图J_i经过判别器的输出，D(I_i,G₂(I_i))代表有雾图I_i作为条件时，有雾图I_i经过去雾子网络生成的去雾图G₂(I_i)经过判别器的输出，并且D(I_i,G₂(I_i))∈(0,1)，D(I_i,J_i)∈(0,1)。