[发明专利]一种基于风格迁移网络的图像去雾方法及系统

说明书

本发明公开了一种基于风格迁移网络的图像去雾方法及系统，属于数字图像处理技术领域。本发明的基于风格迁移网络的图像去雾方法，使用卷积神经网络通过卷积和池化，对雾霾图像和生成图像提取内容特征，并计算雾霾图像和生成图像的内容损失函数，对无雾霾图像提取风格特征，并计算无雾霾图像和生成图像的风格损失函数，将内容损失函数与风格损失函数合并得总体损失函数，通过迭代优化损失函数来调整网络参数，并使用调整后的网络参数重新计算生成图像。该发明的基于风格迁移网络的图像去雾方法不需要大量的先验知识，无需人为干预，仅需要对图像进行处理，适用范围广泛，具有很好的推广应用价值。

技术领域

本发明涉及数字图像处理技术领域，具体提供一种基于风格迁移网络的图像去雾方法及系统。

背景技术

雾霾是一种常见的大气现象，主要出现在秋冬季节，它们都是由空气中散布的高浓度粉尘、气溶胶、微小水滴等大气颗粒物质所导致的灾害性天气现象。在形成机制上，雾和霾并不完全相同。雾是由空气中存在大量的微小水滴和冰晶，从而在接近地面的大气中形成的一种天气环境，其中的大气颗粒半径一般在1～10微米，颗粒较大其尺寸远大于可见光波长，因此其对不同波长的可见光的散射作用基本一致，导致雾气在视觉上泛白。霾与雾的区别主要在大气颗粒的类型上，霾颗粒主要由空气中悬浮的粉尘构成，颗粒半径一般为0.001～1微米，其尺寸对于波长较长的可见光散射更多，从而使得霾在视觉色彩上偏黄。二者都对人类的生产和生活带来了极大的不利影响，由于其影响的光线的传播使得，现在通用的数字图像采集设施获取的图像能见度低、对比度下降，为后续的图像分割、目标识别、目标跟踪、行为检测、自动驾驶等计算机视觉任务造成了极大的不便。

随着近年来雾霾天气的增加和图像技术、深度学习技术的快速发展，图像去雾问题受到了广泛的关注。目前常见的图像去雾方法是基于物理成像模型的方法：该类方法通过研究大气散射颗粒对光线传输的影响，并尝试将其作用机制运用在图像去雾算法中，对雾天图像的退化过程进行建模，之后通过对其中参数的调解优化来去除图像中的雾霾。一般这类方法的模型受到图像采集时的大气情况、距离景深等条件影响，对普通设备的去雾来说硬件要求过高，应用范围有限。

发明内容

本发明的技术任务是针对上述存在的问题，提供一种不需要大量的先验知识，无需人为干预，仅需要对图像进行处理，适用范围广泛的基于风格迁移网络的图像去雾方法。

本发明进一步的技术任务是提供一种基于风格迁移网络的图像去雾系统。

本发明进一步的技术任务是提供一种基于风格迁移网络的图像去雾方法在图像或视频处理的应用。

为实现上述目的，本发明提供了如下技术方案：

一种基于风格迁移网络的图像去雾方法，该方法使用卷积神经网络通过卷积和池化，对雾霾图像和生成图像提取内容特征，并计算雾霾图像和生成图像的内容损失函数，对无雾霾图像提取风格特征，并计算无雾霾图像和生成图像的风格损失函数，将内容损失函数与风格损失函数合并得总体损失函数，通过迭代优化函数来调整网络参数，并使用调整后的网络参数重新计算生成图像。

作为优选，该方法具体包括以下步骤：

S1、根据雾霾图像即内容图像选择特征相近的无雾霾图像即风格图像，并调整内容图像与风格图像的尺寸相同；

S2、使用初始化的网络参数构建图像生成网络f_w；

S3、将内容图像输入生成网络，计算得到对应的生成图像y_t；

S4、使用卷积深度神经网络分类模型的卷积层和池化层，对生成图像和风格图像进行特征提取；

S5、对内容图像和对应的生成图像使用均方差计算内容损失函数l_content，对风格图像和对应的生成图像使用均方差计算风格损失函数l_style；