图像去雾模型的训练方法、图像去雾方法及装置制造方法及图纸

本公开提供了一种图像去雾模型的训练方法、图像去雾方法及装置，涉及计算机视觉技术领域，尤其涉及图像处理技术领域。图像去雾模型的训练方法的具体实现方案为：获取原始雾气图像和对应的原始清晰图像；对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像；基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构，得到重构雾气图像；计算所述去雾图像与所述原始清晰图像之间的第一损失，以及所述重构雾气图像与所述原始雾气图像之间的第二损失；基于所述第一损失与所述第二损失对图像去雾模型进行训练。失对图像去雾模型进行训练。失对图像去雾模型进行训练。

【技术实现步骤摘要】
图像去雾模型的训练方法、图像去雾方法及装置


[0001]本公开涉及计算机视觉
，尤其涉及图像处理
，具体涉及一种图像去雾模型的训练方法、图像去雾方法及装置。

技术介绍

[0002]随着计算机视觉技术的发展，计算机视觉应用范围也不断扩大，如物体检测和分割、物体跟踪等，而获得高质量的图像信息能够有效提高计算机视觉技术的准确率。雾气经常存在于现实场景中，会对场景的物体造成遮挡，雾气场景下获得的图像通常需要经过再处理，以获得清晰度较高的无雾图像。

技术实现思路

[0003]本公开提供了一种图像去雾模型的训练方法、图像去雾方法及装置。
[0004]根据本公开的第一方面，提供了一种图像去雾模型的训练方法，包括：
[0005]获取原始雾气图像和对应的原始清晰图像；
[0006]对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像；
[0007]基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构，得到重构雾气图像；
[0008]计算所述去雾图像与所述原始清晰图像之间的第一损失，以及所述重构雾气图像与所述原始雾气图像之间的第二损失；
[0009]基于所述第一损失与所述第二损失对图像去雾模型进行训练。
[0010]根据本公开的第二方面，提供了一种图像去雾方法，包括：
[0011]获取待处理图像；
[0012]基于图像去雾模型对所述待处理图像进行去雾处理，得到去雾的清晰图像；
[0013]其中，所述图像去雾模型为根据第一方面所述的方法训练得到的模型。
[0014]根据本公开的第三方面，提供了一种图像去雾模型的训练装置，包括：
[0015]第一获取模块，用于获取原始雾气图像和对应的原始清晰图像；
[0016]特征提取模块，用于对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像；
[0017]重构模块，用于基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构，得到重构雾气图像；
[0018]损失计算模块，用于计算所述去雾图像与所述原始清晰图像之间的第一损失，以及所述重构雾气图像与所述原始雾气图像之间的第二损失；
[0019]训练模块，用于基于所述第一损失与所述第二损失对图像去雾模型进行训练。
[0020]根据本公开的第四方面，提供了一种图像去雾装置，包括：
[0021]第二获取模块，用于获取待处理图像；
[0022]处理模块，用于基于图像去雾模型对所述待处理图像进行去雾处理，得到去雾的清晰图像；
[0023]其中，所述图像去雾模型为根据第一方面所述的方法训练得到的模型。
[0024]根据本公开的第五方面，提供了一种电子设备，包括：
[0025]至少一个处理器；以及
[0026]与所述至少一个处理器通信连接的存储器；其中，
[0027]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法，或者执行第二方面所述的方法。
[0028]根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法，或者执行根据第二方面所述的方法。
[0029]根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法，或者实现根据第二方面所述的方法。
[0030]本公开提供的技术方案，通过计算两种损失来作为图像去雾模型的两种监督信号，对图像去雾模型进行训练，能够有效提升图像去雾模型的训练效果，使得训练后的图像去雾模型的精度更高，对雾气图像的去雾效果更好。
[0031]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0032]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0033]图1是本公开实施例提供的一种图像去雾模型的训练方法的流程图；
[0034]图2a是本公开实施例提供的一种图像去雾模型的训练方法中特征提取和图像重构的流程图；
[0035]图2b是本公开实施例提供的一种图像去雾模型的训练方法中通道级特征增强的流程图；
[0036]图2c是本公开实施例提供的一种图像去雾模型的训练方法中像素级特征增强的流程图；
[0037]图3是本公开实施例提供的一种图像去雾方法的流程图；
[0038]图4是本公开实施例提供的一种图像去雾模型的训练装置的结构图；
[0039]图5是本公开实施例提供的一种图像去雾装置的结构图；
[0040]图6是用来实现本公开实施例的图像去雾模型的训练方法或图像去雾方法的电子设备的框图。
具体实施方式
[0041]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识
到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0042]本公开实施例提供了一种图像去雾模型的训练方法。
[0043]请参照图1，图1是本公开实施例提供的一种图像去雾模型的训练方法的流程图。如图1所示，所述方法包括以下步骤：
[0044]步骤S101、获取原始雾气图像和对应的原始清晰图像。
[0045]其中，所述原始雾气图像与所述原始清晰图像一一对应，原始清晰图像为对应的原始雾气图像的去雾图像或者称无雾图像，一张原始清晰图像与对应的原始清晰图像为一组雾气
‑
清晰图像对。可选地，本公开实施例中可以是获取多组雾气
‑
清晰图像对作为图像去雾模型的训练图像。
[0046]步骤S102、对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
[0047]本公开实施例中，将获取到的原始雾气图像作为图像去雾模型的输入，基于图像去雾模型对所述原始雾气图像进行特征提取或者称特征估计，例如分别估计所述原始雾气图像的光照信息、雾气信息，进而以得到图像光照信息、图像雾气信息和去雾图像，所述去雾图像可以是对所述原始雾气图像提取了雾气信息后的图像。
[0048]可选地，可以是基于图像去雾模型对所述原始雾气图像进行特征编码和特征解码，以获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
[0049]步骤S103、基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构，得到重构雾气图像。
[0050]本步骤中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去雾模型的训练方法，包括：获取原始雾气图像和对应的原始清晰图像；对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像；基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构，得到重构雾气图像；计算所述去雾图像与所述原始清晰图像之间的第一损失，以及所述重构雾气图像与所述原始雾气图像之间的第二损失；基于所述第一损失与所述第二损失对图像去雾模型进行训练。2.根据权利要求1所述的方法，其中，所述图像去雾模型包括第一网络结构，所述对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像，包括：基于所述第一网络结构对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。3.根据权利要求2所述的方法，其中，所述图像去雾模型还包括第二网络结构和第三网络结构，所述对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像，包括：分别基于所述第一网络结构、所述第二网络结构和所述第三网络结构对所述原始雾气图像进行特征提取，获取所述第一网络结构输出的去雾图像、所述第二网络结构输出的图像雾气信息和所述第三网络结构输出的图像光照信息。4.根据权利要求1所述的方法，其中，所述对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像，包括：对所述原始雾气图像进行特征编码，得到图像编码信息；对所述图像编码信息进行特征增强，得到图像特征增强信息；对所述图像特征增强信息进行特征解码，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。5.根据权利要求4所述的方法，其中，所述对所述图像编码信息进行特征增强，包括：对所述图像编码信息分别进行通道级特征增强和像素级特征增强。6.根据权利要求5所述的方法，其中，所述对所述图像编码信息进行通道级特征增强，包括：对所述图像编码信息进行卷积操作和形变操作，得到第一图像特征和第二图像特征；对所述第一图像特征和所述第二图像特征进行矩阵乘法运算，得到第一通道矩阵；对所述第一通道矩阵进行柔性最大回归函数运算，得到第二通道矩阵；对所述图像编码信息进行卷积操作得到第三图像特征，对所述第二通道矩阵和所述第三图像特征进行矩阵乘法运算，获得第一通道增强特征；将所述第一通道增强特征与所述第三图像特征进行像素级加法运算，得到第二通道增强特征。7.根据权利要求6所述的方法，其中，所述对所述图像编码信息进行像素级特征增强，包括：
对所述图像编码信息进行卷积操作和形变操作，得到第三图像特征和第四图像特征；对所述第三图像特征和所述第四图像特征进行矩阵乘法运算，得到第一像素矩阵；对所述第一像素矩阵进行柔性最大回归函数运算，得到第二...

【专利技术属性】
技术研发人员：宋希彬，张良俊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：