【技术实现步骤摘要】
本申请属于图像去雾，尤其涉及一种基于扩散模型的图像去雾方法、装置、设备及介质。
技术介绍
1、在传统的图像处理领域，去雾一直是一个重要的研究方向。由于雾气的存在，图像中的细节和颜色信息往往会受到严重的干扰，导致图像质量下降。为了解决这个问题，人们提出了各种物理去雾模型。
2、物理去雾模型的性能受到大气光和透射率等参数的影响。为了获得准确的去雾效果，需要对这些参数进行精确的估计。然而，由于实际场景中雾气的分布和强度具有很大的不确定性，很难对这些参数进行准确的估计。一旦估计不准确，就会导致去雾结果出现偏差，甚至可能完全失效。因此，物理去雾模型在实际应用中往往存在很大的局限性。
3、随着深度学习技术的不断发展，深度卷积神经网络（dcnn）被广泛应用于图像处理领域。dcnn通过对有雾图像进行卷积操作，能够提取出传输图等关键信息，从而在一定程度上解决了物理去雾模型的局限性。然而，dcnn在处理复杂场景时仍有一定的局限性。在处理复杂的雾场景、强光照条件和细节丰富的图像时，去雾效果可能会受到影响，导致结果并不理想。
4、近年来，扩散模型在图像处理领域取得了显著的进展。通过模拟噪声传播的过程，扩散模型能够灵活地处理各种图像修复和去噪任务，无需依赖先验知识。特别是在图像生成、修复和去噪方面，扩散模型展现出了显著的优势。这为图像去雾任务提供了一个全新的视角。
5、然而，尽管扩散模型在图像处理任务中取得了不俗的成效，但它在处理去雾任务时仍存在一定的局限性。主要原因在于，扩散模型并没有充分考虑去雾任务的物
技术实现思路
1、本申请实施例提供了一种基于扩散模型的图像去雾方法、装置、设备及介质，可以解决图像去雾效果不理想的问题。
2、第一方面，本申请实施例提供了一种基于扩散模型的图像去雾方法，包括：
3、将有雾图像输入基于深度学习的图像去雾模型进行去雾处理，得到有雾图像的传输图；
4、将传输图输入物理去雾模型进行去雾处理，得到伪去雾图像；
5、将伪去雾图像输入训练后的扩散模型进行去雾处理，得到去雾图像；
6、其中，扩散模型利用改进的unet降噪网络进行降噪，改进的unet降噪网络在降噪过程中利用传输图进行指导；
7、改进的unet降噪模型包括下采样模块、传输模块和上采样模块，下采样模块的输入为改进的unet降噪模型的输入图像，下采样模块用于提取输入图像的特征图，传输模块用于利用特征图和传输图得到指导图，上采样模块用于利用指导图和残差连接操作对特征图进行重构得到重构图，扩散模型最后一次迭代得到的重构图为去雾图像。
8、可选的，下采样模块包括四个依次连接的下采样层，传输模块包括三个依次连接的传输层，上采样模块包括四个依次连接的上采样层；
9、其中，第一个下采样层的输入端为下采样模块的输入端，第四个上采样层的输出端为上采样模块的输出端，第i个下采样层的输出端分别与第i个传输层的输入端和第i个上采样层的输入端连接，第i个传输层的输出端与第i个上采样层的输入端连接，，第四个下采样层的输出端与第四个上采样层的输入端连接。
10、可选的，第i个下采样层用于通过公式得到特征图；；
11、其中，表示第i-1个下采样层输出的特征图，表示改进的unet降噪网络的输入图像，表示relu激活函数，表示最大池化下采样操作，表示2次3x3卷积操作。
12、可选的，第i个传输层用于通过传输指导公式得到指导图，，传输指导公式为：
13、 ；
14、其中，表示最大池化操作，表示归一化操作，表示第i-1个传输层输出给第i个传输层的层间图，表示传输图，表示哈达玛点乘运算。
15、可选的，第i个上采样层用于通过重构公式得到重构图；
16、在时，重构公式为：
17、 ；
18、其中，表示残差连接操作，表示relu激活函数，表示3x3反卷积上采样操作，表示第i-1个上采样层输出的重构图，；
19、在时，重构公式为：。
20、可选的，扩散模型的训练过程中所使用的损失函数的表达式为：
21、
22、其中，表示损失函数的损失值，表示3x3卷积操作，表示扩散模型输出的去雾图像，表示最大池化操作，表示扩散模型在加噪阶段输出的伪去雾加噪图像。
23、第二方面，本申请实施例提供了一种基于扩散模型的图像去雾装置，包括：
24、第一去雾模块，用于将有雾图像输入基于深度学习的图像去雾模型进行去雾处理，得到有雾图像的传输图；
25、第二去雾模块，用于将传输图输入物理去雾模型进行去雾处理，得到伪去雾图像；
26、第三去雾模块，用于将伪去雾图像输入训练后的扩散模型进行去雾处理，得到去雾图像；
27、其中，扩散模型利用改进的unet降噪网络进行降噪，改进的unet降噪网络在降噪过程中利用传输图进行指导；
28、改进的unet降噪模型包括下采样模块、传输模块和上采样模块，下采样模块的输入为改进的unet降噪模型的输入图像，下采样模块用于提取输入图像的特征图，传输模块用于利用特征图和传输图得到指导图，上采样模块用于利用指导图和残差连接操作对特征图进行重构得到重构图，扩散模型最后一次迭代得到的重构图为去雾图像。
29、第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于扩散模型的图像去雾方法。
30、第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于扩散模型的图像去雾方法。
31、本申请的上述方案有如下的有益效果：
32、在本申请的实施例中，通过利用基于深度学习的图像去雾模型对有雾图像进行初步去雾处理，得到准确的传输图，然后结合物理去雾模型对传输图进行进一步去雾处理，生成伪去雾图像，接着将伪去雾图像输入扩散模型进行去雾处理，由于该扩散模型通过传输图来引导降噪过程，使得该扩散模型相较于传统扩散模型而言，能够更好地处理复杂的雾场景和细节丰富的图像，从而使得扩散模型输出的去雾图像相较于传统去雾方法得到的去雾图像而言，更加清晰自然，接近真实的无雾图像，达到提升图像去雾效果的目的。
33、本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种基于扩散模型的图像去雾方法，其特征在于，包括：
2.根据权利要求1所述的图像去雾方法，其特征在于，所述下采样模块包括四个依次连接的下采样层，所述传输模块包括三个依次连接的传输层，所述上采样模块包括四个依次连接的上采样层；
3.根据权利要求2所述的图像去雾方法，其特征在于，第i个下采样层用于通过公式得到特征图；；
4.根据权利要求3所述的图像去雾方法，其特征在于，第i个传输层用于通过传输指导公式得到指导图，，所述传输指导公式为：
5.根据权利要求4所述的图像去雾方法，其特征在于，第i个上采样层用于通过重构公式得到重构图；
6.根据权利要求1所述的图像去雾方法，其特征在于，所述扩散模型的训练过程中所使用的损失函数的表达式为：
7.一种基于扩散模型的图像去雾装置，其特征在于，包括：
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于扩散模型的图像去雾方法。
9.一
...【技术特征摘要】
1.一种基于扩散模型的图像去雾方法，其特征在于，包括：
2.根据权利要求1所述的图像去雾方法，其特征在于，所述下采样模块包括四个依次连接的下采样层，所述传输模块包括三个依次连接的传输层，所述上采样模块包括四个依次连接的上采样层；
3.根据权利要求2所述的图像去雾方法，其特征在于，第i个下采样层用于通过公式得到特征图；；
4.根据权利要求3所述的图像去雾方法，其特征在于，第i个传输层用于通过传输指导公式得到指导图，，所述传输指导公式为：
5.根据权利要求4所述的图像去雾方法，其特征在于，第i个上采样层用于通过重构公式得到重构图...
【专利技术属性】
技术研发人员：陈晓红，吴泽，梁伟，黄素珍，曾阳艳，
申请(专利权)人：湘江实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。