[发明专利]一种基于循环生成对抗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循环生成对抗网络的图像去雾方法及系统，包括：获取待处理的有雾图像；输入到预先训练好的密集连接循环生成对抗网络，输出无雾图像；所述密集连接循环生成对抗网络包括生成器，生成器包括编码器、转换器和解码器，编码器包括密集连接层，用于提取输入图像的特征，转换器包括过度转换层，用于将编码器阶段提取的特征进行组合，解码器包括密集连接层和缩放卷积神经网络层，密集连接层用于还原图像的原有特征，缩放卷积神经网络层用于去除还原的原有特征的棋盘格效应，得到最终输出的无雾图像。优点：基于循环生成对抗网络进行图像去雾，消除对成对数据集的要求，提高了特征图的利用率，保持网络训练效率，提高生成图像质量。

技术领域

本发明涉及一种基于循环生成对抗网络的图像去雾方法及系统，属于图像处理技术领域。

背景技术

在信息化飞速发展的社会条件下，图像视频是人们获取信息的主要来源，图像的质量也严重影响着信息的读取与判断，现如今卫星遥感系统、航拍系统、室外监控和目标识别等系统的工作都是依赖于光学成像仪器来完成，但由于雾霾天气的出现，采集的照片清晰度会受到影响，呈现对比度降低，图像模糊，可提取的特征严重不足的特点。这不仅使得图片观赏性降低，还会影响图像后期的处理。因此，为了给研究者提供清晰、特征丰富的图像，让计算机视觉系统正常工作，图像去雾的研究是非常有必要的。

随着计算机视觉应用的日益广泛和计算机技术的发展与成熟，图像去雾技术己经取得了可观的研究成果。对于雾天图像的处理算法主要分为三类。一种是基于图像增强算法，基于图像增强的去雾方法是对被降质的图像进行增强，改善图像的质量，突出图像中景物的特征和有价值的信息。但这种方法不考虑导致图像退化的原因，处理后可能会导致图像部分信息的损失，出现失真现象。第二种是基于大气散射模型的方法，这种方法首先根据无雾图像的一些先验知识对大气散射模型参数进行估计，然后将参数代入模型进而恢复无雾图像。经过该方法处理得到的无雾图像更加清晰、自然，细节损失较少，但不同的先验知识存在着各自应用场景的局限性。三是基于深度学习的方法，大多数研究以合成的雾图数据作为训练集，训练不同类型的卷积神经网络来估计透射率或者直接估计无雾图像。比较有代表性的网络有Dehazenet，MSCNN，AOD-NET，DCPN等，但一般都需要大规模训练数据集，而且需要清晰和有雾的图像对，一旦不满足条件，这些基于学习的方法将失效。然而，实际上，由于场景的变化和其他因素的影响，要收集具有所需场景真实性的大量成对数据集非常困难。而合成的有雾图像，其信息量又存在与真实的有雾图像不一致的问题，影响去雾效果。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于循环生成对抗网络的图像去雾方法及系统，解决现有采用基于深度学习的图像去雾方法所面临的缺乏真实成对数据集、基于循环生成对抗网络实现图像去雾特征学习不足、以及生成图像产生伪影影响图像去雾质量等问题。

为解决上述技术问题，本发明提供一种基于循环生成对抗网络的图像去雾方法，包括：

获取待处理的有雾图像；

输入到预先训练好的密集连接循环生成对抗网络，输出无雾图像；

所述密集连接循环生成对抗网络包括生成器，生成器包括编码器、转换器和解码器，编码器包括密集连接层，用于提取输入图像的特征，转换器包括过度转换层，用于将编码器阶段提取的特征进行组合，解码器包括密集连接层和缩放卷积神经网络层，密集连接层用于还原图像的原有特征，缩放卷积神经网络层用于去除还原的原有特征的棋盘格效应，得到最终输出的无雾图像。

进一步的，所述转换器阶段还包括密集残差块，密集残差块包含密集连接层和过渡转换层，密集连接层用于将编码器提取到的特征进行组合拼接，过渡转换层用于保持输入图像和输出图像的维度相同，方便后续解码器的进一步操作。

进一步的，所述密集连接循环生成对抗网络还包括跳层，连接编码器和解码器，用于进行数据信息流的传输。

进一步的，所述密集连接循环生成对抗网络的训练过程包括：