一种基于对抗神经网络的图像去雾方法与流程

技术特征：
1.一种基于对抗神经网络的图像去雾系统，其特征在于，包括以下步骤：步骤s1：选取rgbd的图像数据集，采用大气散射模型制作去雾数据集；步骤s2：将数据集中图片大小规范化到a*a；步骤s3：搭建对抗神经网络去雾模型，该模型分为两个部分：生成网络和判别网络；步骤s4：使用数据集训练该对抗神经网络模型；步骤s5：保存训练好的模型，输入一幅有雾图像，得出清晰图像。2.根据权利要求1所述的基于对抗神经网络的图像去雾系统，其特征在于：所述步骤s2中图像大小a为256*256。3.根据权利要求2所述的基于对抗神经网络的图像去雾系统，其特征在于：所述步骤s3中生成网络包括以下工序：s3.1：对图像进行多尺度特征提取；s3.2：使用全卷积神经网络预测中间变量，获取透射图；s3.3：使用sequeeze-and-excitation block网络结构来预测中间变量，获取大气光值；s3.4：利用大气散射模型的公式计算得到相应的无雾图像。4.根据权利要求3所述的基于对抗神经网络的图像去雾系统，其特征在于：所述步骤s3中判别网络采用二分类卷积神经网络，使用wasserstein generative adversarial networks框架判别网络最后一层并没有使用sigmoid激活函数，同时判别网络的参数限制在[-0.01,0.01]范围内。5.根据权利要求1所述的基于对抗神经网络的图像去雾系统，其特征在于：所述步骤s4中，对抗神经网络模型参数初始化设置如下：在网络训练阶段，每层卷积核初始化为高斯分布，偏置初始化为0，学习率初始化为0.0001，模型训练采用小批量训练的方式。

技术总结
本发明提供一种基于对抗神经网络的图像去雾系统，包括包括以下步骤：步骤S1：选取RGBD的图像数据集，采用大气散射模型制作去雾数据集；步骤S2：将数据集中图片大小规范化到a*a；步骤S3：搭建对抗神经网络去雾模型，该模型分为两个部分：生成网络和判别网络；步骤S4：使用数据集训练该对抗神经网络模型；步骤S5：保存训练好的模型，输入一幅有雾图像，得出清晰图像。本发明不需要手工提取特征，有效避免中间变量预测误差，实现端到端去雾，且方法简单且适用性广。适用性广。适用性广。


技术研发人员：陈德海 危建华
受保护的技术使用者：无锡科美达医疗科技有限公司
技术研发日：2020.05.21
技术公布日：2021/11/25