申请/专利权人:军事科学院军事医学研究院军事兽医研究所
申请日:2023-09-12
公开(公告)日:2023-12-08
公开(公告)号:CN117196985A
主分类号:G06T5/00
分类号:G06T5/00;G06N3/045;G06N3/044;G06N3/0475;G06N3/094
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.12.26#实质审查的生效;2023.12.08#公开
摘要:本发明涉及一种基于深度强化学习的视觉去雨雾方法,属于机器视觉技术领域,解决了现有去雨雾的智能模糊算法存在的效果不佳、普适性和实时性较差、有模糊残留现象的问题,该方法具体包括以下步骤:建立统一模糊图像退化的数学模型,并根据待处理图像的模糊类型确定对应的模糊处理后退化后的图像;构建软掩码雨雾物理模型;构建基于深度强化学习框架的去雨雾模型;设计去雨雾模型的总损失函数;使用未配对图片对去雨雾模型进行训练,得到训练好的模型;将测试数据集输入到训练好的模型中,获得去除雨雾后的干净图像。本发明能够实现单幅图像去雨雾处理,还原所摄图像或视频清晰度,为后续图像处理奠定坚实的技术基础。
主权项:1.一种基于深度强化学习的视觉去雨雾方法,其特征在于,包括以下步骤:步骤1:建立统一模糊图像退化的数学模型,并根据待处理图像的模糊类型确定对应的模糊处理后退化后的图像;步骤2:根据步骤1得到的带雨雾的退化模糊图像,构建软掩码雨雾物理模型;步骤3:构建基于深度强化学习框架的去雨雾模型,所述去雨雾模型包括8个生成网络和2个判别网络,其整体结构分为两个部分:第一部分为分解组合网络,用于将真实雨雾图像分解成干净背景图和潜在雨雾特征代码以及将干净背景图和潜在雨雾特征组合生成模糊雨雾图片;第二部分为合成分解网络,用于生成具有多种雨雾特征的未配对雨雾图以及分解合成的雨雾图为雨雾特征代码与背景图;两个判别网络分别用于对生成的干净图片与真实的干净图片、生成的雨雾图片与真实的雨雾图片进行判断,直至生成网络生成的图片骗过判别网络,达到训练稳定;步骤4:设计所述去雨雾模型的总损失函数,所述总损失函数为重构损失函数、判别网络DC损失函数、生成网络GD生成损失函数、判别网络DR损失函数、生成网络GC生成损失函数、identify损失函数之和;步骤5:使用未配对图片对所述去雨雾模型进行训练,得到训练好的模型;步骤6:将测试数据集输入到训练好的模型中,获得去除雨雾后的干净图像。
全文数据:
权利要求:
百度查询: 军事科学院军事医学研究院军事兽医研究所 一种基于深度强化学习的视觉去雨雾方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。