申请/专利权人：西安理工大学

申请日：2020-09-30

公开（公告）日：2024-03-26

公开（公告）号：CN112184590B

主分类号：G06T5/60

分类号：G06T5/60;G06T5/73;G06T5/90

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2021.01.22#实质审查的生效;2021.01.05#公开

摘要：本发明公开了一种基于灰度世界自引导网络的单幅沙尘图像恢复方法，具体按照如下步骤进行，首先获取图像数据集，对图像数据集中的每个图像进行归一化处理，得到训练集；再构建生成对抗网络模型，生成对抗网络模型包括生成网络和判别网络，生成网络；利用训练集对所述生成对抗网络模型进行训练，得到训练后的生成对抗网络模型；将沙尘图像输入所述训练后的生成对抗网络模型中，得到的恢复后的图像。本发明通过不同的损失函数对沙尘图像恢复网络参数进行迭代优化，丰富沙尘图像恢复网络的语义信息，得到更加清晰的图像。

主权项：1.一种基于灰度世界自引导网络的单幅沙尘图像恢复方法，其特征在于，具体按照如下步骤进行：步骤1、获取图像数据集，对图像数据集中的每个图像进行归一化处理，得到训练集；步骤2、构建生成对抗网络模型，生成对抗网络模型包括生成网络和判别网络，生成网络校正图像的颜色并除图像中的沙尘，对抗网络判别生成网络生成的图像是否是清晰图像；步骤3、利用训练集对生成对抗网络模型进行训练，得到训练后的生成对抗网络模型；步骤4、将原始沙尘图像输入所述训练后的生成对抗网络模型中，得到图像恢复后的结果；所述步骤2具体步骤包括：步骤2.1、基于灰度世界的多尺度颜色校正子网络，得到图像R、G、B三个通道的灰度图，将得到的灰度图分别经过一个卷积层得到16个包含R、G、B通道的三通道特征映射，将所得到的16个三通道特征映射分别经过灰度世界算法进行颜色校正，得到颜色校正图像；步骤2.2、基于编码器-解码器的沙尘图像恢复子网络对沙尘图像进行特征提取，将不同分辨率的图像经过颜色校正子网络之后进行上采样并输入到相应的分支中，进行进一步的特征提取，对于主分支得到的多尺度融合特征进行特征修复，以生成去除沙尘的图像；所述步骤2.1、基于灰度世界的颜色校正子网络的具体操作为：步骤2.1.1、将训练集中的图像分为R、G、B三个通道，得到R、G、B三个通道的灰度图；步骤2.1.2、将所述灰度图分别经过一个卷积核大小为3、步长为1、通道数为16的卷积层，所述卷积层包括卷积操作、实例归一化和激活函数ReLU；步骤2.1.3、将得到的三个特征映射分解为16个包含R、G、B通道的三通道特征映射；步骤2.1.4、将所得到的16个三通道特征映射分别经过灰度世界算法进行颜色校正；步骤2.1.5、使用一个卷积核大小为3、步长为1的卷积层将经过颜色校正的特征映射进行整合；步骤2.1.6、将所有输出特征进行通道连接，得到颜色校正后的结果图S；所述步骤2.2基于编码器-解码器沙尘图像恢复子网络的具体操作为：步骤2.2.1、将训练集中的图像进行两次下采样处理得到分辨率分别为256x256x3、128x128x3、64x64x3的三幅图像；步骤2.2.2、将分辨率为64x64x3的图像经过多尺度颜色校正子网络得到颜色校正的特征映射O1，将特征映射O1经过两个残差块之后输入卷积核为3、步长为2的反卷积层进行上采样处理，得到输出特征O4；步骤2.2.3、将分辨率为128x128x3的图像经过多尺度颜色校正子网络得到颜色校正的特征映射O5，将特征映射O5和特征映射O4进行通道连接得到组合特征O6，将输出特征O6经过两个残差块之后输入卷积核为3、步长为2的反卷积层进行上采样处理，得到输出特征O9；步骤2.2.4、将分辨率为256x256x3的图像经过多尺度颜色校正子网络得到颜色校正的特征映射O10，将输出特征O10经过一个残差块之后和O9进行通道连接，得到输出特征O11；步骤2.2.5、将输出特征O11经过三个残差块之后得到输出特征O14；步骤2.2.6、将输出特征O14输入卷积核为3、步长为2的卷积层进行下采样处理，得到输出特征O15；步骤2.2.7、将输出特征O15经过三个残差块之后得到输出特征O18；步骤2.2.8、将输出特征O18输入卷积核为3、步长为2的卷积层进行下采样处理，得到输出特征O19；步骤2.2.9、将输出特征O19经过四个残差块之后得到输出特征O23；步骤2.2.10、将输出特征O23输入卷积核为3、步长为2的反卷积层进行上采样处理，得到输出特征O24；步骤2.2.11、将输出特征O24输入卷积核为3、步长为1的卷积层，得到输出特征O25；步骤2.2.12、将输出特征O25和输出特征O18进行通道连接，得到输出特征O26；步骤2.2.13、将输出特征O26输入卷积核为3、步长为1的卷积层，得到输出特征O27；步骤2.2.14、将输出特征O27输入卷积核为3、步长为2的反卷积层进行上采样处理，得到输出特征O28；步骤2.2.15、将输出特征O28输入卷积核为3、步长为1的卷积层，得到输出特征O29；步骤2.2.16、将输出特征O29和输出特征O14进行通道连接，得到输出特征O30；步骤2.2.17、将输出特征O30输入卷积核为3、步长为1的卷积层，得到输出特征O31；步骤2.2.18、将输出特征O31输入卷积核为3、步长为1的卷积层，将通道数整合为3，并输出沙尘图像恢复之后的结果图；所述步骤3中，训练采用损失函数优化生成对抗网络模型，得到清晰的沙尘图像恢复结果，损失函数包括对抗损失、L1损失和感知损失LossVGG之和，总损失函数为： 其中，LossG,D为对抗损失，为L1损失，LossVGG为感知损失，λ1和λ2分别代表设置的参数。

全文数据：

权利要求：

百度查询： 西安理工大学 一种基于灰度世界自引导网络的单幅沙尘图像恢复方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD