图像去雾模型的生成方法、装置及图像去雾方法、装置制造方法及图纸

本申请实施例公开了图像去雾模型的生成方法、装置及图像去雾方法、装置。该方法的一具体实施方式包括：通过将获取的训练数据中的样本有雾图像作为输入，将目标样本无雾图像作为输出，从而可以对条件生成式对抗网络模型中的生成模型进行训练，以确定其第一损失函数。并且通过将目标样本无雾图像和生成模型生成的无雾图像作为输入，将目标样本无雾图像的标识信息作为输入，从而可以对条件生成式对抗网络模型中的判别模型进行训练，以确定其第二损失函数。进而可以汇总确定模型整体的损失函数，并与预设阈值进行比较，以确定训练过程是否结束。这种方法生成的图像去雾模型，有助于提高模型输出结果的准确度，还可以扩大模型的适用范围。

【技术实现步骤摘要】
图像去雾模型的生成方法、装置及图像去雾方法、装置
本申请实施例涉及计算机
，尤其涉及图像去雾模型的生成方法、装置及图像去雾方法、装置。
技术介绍
遥感影像在获取过程中容易受到云、雾、霾等因素的影响，导致部分影像成像区域被云雾覆盖、遮挡，严重影响了遥感影像的视觉效果，造成许多珍贵的遥感影像难以使用。具体地，在雾天条件下拍摄的遥感图像由于受到这些大气粒子的影响，使景物反射的光线在传播过程中发生衰减。导致到达光学传感器的光强度发生改变，致使最终获取的遥感图像数据产生退化现象。这种退化通常表现为图像的清晰度和对比度有所下降，图像的动态范围缩小，景物的细节信息不明显，可辨识度大大降低。同时图像的色彩保真度也会下降，甚至出现色彩偏移与失真。遥感图像质量的下降不仅使得光学遥感成像数据的可用率降低，而且限制了遥感数据的深层次应用，严重影响了目标识别与跟踪、军事航空侦查、灾情侦探、土地测绘、遥感导航等系统的有效发挥。
技术实现思路
本申请实施例提供了图像去雾模型的生成方法、装置及图像去雾方法、装置。第一方面，本申请实施例提供了一种图像去雾模型的生成方法，该方法包括：获取训练数据，其中，训练数据包括样本有雾图像、与样本有雾图像对应的样本无雾图像以及样本无雾图像的标识信息；执行以下训练步骤：将训练数据中的样本有雾图像输入条件生成式对抗网络模型中的生成模型，生成与输入的样本有雾图像对应的无雾图像；根据生成的无雾图像和目标样本无雾图像，确定生成模型的第一损失函数，其中，目标样本无雾图像为与输入生成模型的样本有雾图像对应的样本无雾图像；将目标样本无雾图像和生成模型生成的无雾图像输入条件生成式对抗网络模型中的判别模型，输出图像判别结果；根据图像判别结果和目标样本无雾图像的标识信息，确定判别模型的第二损失函数；根据第一损失函数和第二损失函数，统计条件生成式对抗网络模型的损失函数，并确定损失函数是否达到预设阈值；响应于确定损失函数达到预设阈值，根据当前训练后的条件生成式对抗网络模型生成图像去雾模型，以及输出图像去雾模型。在一些实施例中，获取训练数据，包括：采集目标地区的遥感数据集，其中，遥感数据集中包含至少一种波段的遥感数据；根据遥感数据集中的遥感数据，生成训练数据。在一些实施例中，根据遥感数据集中的遥感数据，生成训练数据，包括：将遥感数据集中的至少一种波段的遥感数据进行合成，生成合成图像，其中，合成图像包括有雾合成图像和无雾合成图像；根据生成的合成图像，生成训练数据。在一些实施例中，将遥感数据集中的至少一种波段的遥感数据进行合成，包括以下至少一项：将至少两种波段的有雾遥感数据进行合成；或者将至少两种波段的无雾遥感数据进行合成；或者将至少一种波段的有雾图像与至少一种波段的无雾图像进行合成。在一些实施例中，根据生成的合成图像，生成训练数据，包括：对生成的合成图像进行裁剪，得到多张预设尺寸的裁剪图像；根据得到的裁剪图像，生成训练数据。在一些实施例中，该方法还包括：响应于确定损失函数未达到预设阈值，对当前训练后的条件生成式对抗网络模型进行优化；将优化后的模型作为条件生成式对抗网络模型，并继续执行训练步骤。第二方面，本申请实施例提供了一种图像去雾模型的生成装置，该装置包括：获取单元，被配置成获取训练数据，其中，训练数据包括样本有雾图像、与样本有雾图像对应的样本无雾图像以及样本无雾图像的标识信息；执行单元，被配置成执行以下训练步骤：将训练数据中的样本有雾图像输入条件生成式对抗网络模型中的生成模型，生成与输入的样本有雾图像对应的无雾图像；根据生成的无雾图像和目标样本无雾图像，确定生成模型的第一损失函数，其中，目标样本无雾图像为与输入生成模型的样本有雾图像对应的样本无雾图像；将目标样本无雾图像和生成模型生成的无雾图像输入条件生成式对抗网络模型中的判别模型，输出图像判别结果；根据图像判别结果和目标样本无雾图像的标识信息，确定判别模型的第二损失函数；根据第一损失函数和第二损失函数，统计条件生成式对抗网络模型的损失函数，并确定损失函数是否达到预设阈值；响应于确定损失函数达到预设阈值，根据当前训练后的条件生成式对抗网络模型生成图像去雾模型，以及输出图像去雾模型。在一些实施例中，获取单元包括：采集子单元，被配置成采集目标地区的遥感数据集，其中，遥感数据集中包含至少一种波段的遥感数据；生成子单元，被配置成根据遥感数据集中的遥感数据，生成训练数据。在一些实施例中，生成子单元包括：合成模块，被配置成将遥感数据集中的至少一种波段的遥感数据进行合成，生成合成图像，其中，合成图像包括有雾合成图像和无雾合成图像；生成模块，被配置成根据生成的合成图像，生成训练数据。在一些实施例中，合成模块进一步被配置成以下至少一项：将至少两种波段的有雾遥感数据进行合成；或者将至少两种波段的无雾遥感数据进行合成；或者将至少一种波段的有雾图像与至少一种波段的无雾图像进行合成。在一些实施例中，生成模块进一步被配置成：对生成的合成图像进行裁剪，得到多张预设尺寸的裁剪图像；根据得到的裁剪图像，生成训练数据。在一些实施例中，该装置还包括优化单元，被配置成：响应于确定损失函数未达到预设阈值，对当前训练后的条件生成式对抗网络模型进行优化；将优化后的模型作为条件生成式对抗网络模型，并继续执行训练步骤。第三方面，本申请实施例提供了一种图像去雾方法，该方法包括：将获取的目标有雾图像输入图像去雾模型，生成目标有雾图像的无雾图像；输出目标有雾图像的无雾图像；其中，图像去雾模型是采用如第一方面中任一实施例所描述的方法生成的。第四方面，本申请实施例提供了一种图像去雾装置，该装置包括：生成单元，被配置成将获取的目标有雾图像输入图像去雾模型，生成目标有雾图像的无雾图像；输出单元，被配置成输出目标有雾图像的无雾图像；其中，图像去雾模型是采用如第一方面中任一实施例所描述的方法生成的。本申请实施例提供的图像去雾模型的生成方法、装置及图像去雾方法、装置，通过将获取的训练数据中的样本有雾图像作为输入，将目标样本无雾图像作为输出，从而可以对条件生成式对抗网络模型中的生成模型进行训练，以确定其第一损失函数。其中，目标样本无雾图像可以为与输入生成模型的样本有雾图像对应的样本无雾图像。并且通过将目标样本无雾图像和生成模型生成的无雾图像作为输入，将目标样本无雾图像的标识信息作为输入，从而可以对条件生成式对抗网络模型中的判别模型进行训练，以确定其第二损失函数。进而可以汇总确定模型整体的损失函数，并与预设阈值进行比较，以确定训练过程是否结束。若损失函数达到预设阈值，说明训练过程结束。此时，可以根据当前训练后的条件生成式对抗网络模型，生成并输出图像去雾模型。这种方法生成的图像去雾模型，有助于提高模型输出结果的准确度，还可以扩大模型的适用范围。并且利用该图像去雾模型可以直接对有雾图像进行去雾处理，有利于提高处理效率。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1为本申请的一个实施例可以应用于其中的示例性系统架构图；图2为本申请提供的图像去雾模型的生成方法的一个实施例的流程图；图3为本申请提供的图像去雾模型的生成方法的又一个实施例的流程图；图4为本申请提供的图像去雾模型本文档来自技高网...

【技术保护点】
1.一种图像去雾模型的生成方法，其特征在于，所述方法包括：获取训练数据，其中，所述训练数据包括样本有雾图像、与样本有雾图像对应的样本无雾图像以及样本无雾图像的标识信息；执行以下训练步骤：将所述训练数据中的样本有雾图像输入条件生成式对抗网络模型中的生成模型，生成与输入的样本有雾图像对应的无雾图像；根据生成的无雾图像和目标样本无雾图像，确定生成模型的第一损失函数，其中，所述目标样本无雾图像为与输入生成模型的样本有雾图像对应的样本无雾图像；将目标样本无雾图像和生成模型生成的无雾图像输入条件生成式对抗网络模型中的判别模型，输出图像判别结果；根据图像判别结果和目标样本无雾图像的标识信息，确定判别模型的第二损失函数；根据第一损失函数和第二损失函数，统计条件生成式对抗网络模型的损失函数，并确定损失函数是否达到预设阈值；响应于确定损失函数达到预设阈值，根据当前训练后的条件生成式对抗网络模型生成图像去雾模型，以及输出所述图像去雾模型。

【技术特征摘要】
1.一种图像去雾模型的生成方法，其特征在于，所述方法包括：获取训练数据，其中，所述训练数据包括样本有雾图像、与样本有雾图像对应的样本无雾图像以及样本无雾图像的标识信息；执行以下训练步骤：将所述训练数据中的样本有雾图像输入条件生成式对抗网络模型中的生成模型，生成与输入的样本有雾图像对应的无雾图像；根据生成的无雾图像和目标样本无雾图像，确定生成模型的第一损失函数，其中，所述目标样本无雾图像为与输入生成模型的样本有雾图像对应的样本无雾图像；将目标样本无雾图像和生成模型生成的无雾图像输入条件生成式对抗网络模型中的判别模型，输出图像判别结果；根据图像判别结果和目标样本无雾图像的标识信息，确定判别模型的第二损失函数；根据第一损失函数和第二损失函数，统计条件生成式对抗网络模型的损失函数，并确定损失函数是否达到预设阈值；响应于确定损失函数达到预设阈值，根据当前训练后的条件生成式对抗网络模型生成图像去雾模型，以及输出所述图像去雾模型。2.根据权利要求1所述的方法，其特征在于，所述获取训练数据，包括：采集目标地区的遥感数据集，其中，所述遥感数据集中包含至少一种波段的遥感数据；根据所述遥感数据集中的遥感数据，生成训练数据。3.根据权利要求2所述的方法，其特征在于，所述根据所述遥感数据集中的遥感数据，生成训练数据，包括：将所述遥感数据集中的至少一种波段的遥感数据进行合成，生成合成图像，其中，所述合成图像包括有雾合成图像和无雾合成图像；根据生成的合成图像，生成训练数据。4.根据权利要求3所述的方法，其特征在于，所述将所述遥感数据集中的至少一种波段的遥感数据进行合成，包括以下至少一项：将至少两种波段的有雾遥感数据进行合成；或者将至少两种波段的无雾遥感数据进行合成；或者将至少一种波段的有雾图像与至少一种波段的无雾图像进行合成。5.根据权利要求3所述的方法，其特征在于，所述根据生成的合成图像，生成训练数据，包括：对生成的合成图像进行裁剪，得到多张预设尺寸的裁剪图像；根据得到的裁剪图像，生成训练数据。6.根据权利要求1-5之一所述的方法...

【专利技术属性】
技术研发人员：房建东，赵肖肖，赵于东，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：内蒙古,15