【技术实现步骤摘要】
本申请涉及图像处理，应用于图像去雾化处理场景中，尤其涉及一种图像重构方法、装置、设备及其存储介质。
技术介绍
1、随着城市化进程的不断加快，空气质量日益受到关注。雾天条件下，灰尘、烟雾和其他颗粒物聚集，极大地吸收和散射光，导致从场景点反射的场景辐射衰减，极大地影响了深度学习相关模型对图像特征的提取，影响模型对下游任务的性能。在各种场合中对雾天图像处理需求越来越大。其中，车辆驾驶、航拍、无人机、监控等领域对于去除雾霾的技术需求尤其迫切。
2、传统去雾算法中，主要采用了暴力式变换方法或者滤波方法，变换方法通常需要对图像进行多次处理，才能达到较为理想的效果，并且，在处理大量数据时，时间和空间复杂度问题会导致计算难度加大；而滤波方法虽然简单，但是对于雾霾分布不均匀、天气光线不稳定等情况下，效果并不明显。此外，由于需要依靠手动设置参数，存在过拟合、欠拟合等问题，影响去雾结果的精度，导致了去雾效果达不到实际使用要求。
技术实现思路
1、本申请实施例的目的在于提出一种图像重构方法、装置、设备及其存储介质，以解决现有技术在进行图像去雾处理后，去雾效果达不到实际使用要求的问题。
2、为了解决上述技术问题，本申请实施例提供图像重构方法，采用了如下所述的技术方案：
3、一种图像重构方法，包括下述步骤：
4、获取雾天状态下拍摄的图像；
5、采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征，其中，所述目标特征包括处于分离
6、将所述目标特征输入到预训练完成的特征校正深度学习网络，获得校正处理后的亮度特征和校正处理后的颜色特征，其中，所述特征校正深度学习网络用于对雾天状态下拍摄的图像的亮度、颜色进行去雾化处理；
7、融合所述校正处理后的亮度特征、所述校正处理后的颜色特征与所述目标特征中的其他特征，获得融合后的图像特征，其中，所述其他特征包括所述目标特征中除了亮度特征和颜色特征之外的剩余图像特征；
8、采用预设解码器网络对所述融合后的图像特征进行解码，输出去除雾天状态的图像。
9、进一步的，所述预设编码器网络包括基于res-net50的特征提取网络，所述采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征的步骤，具体包括：
10、将所述雾天状态下拍摄的图像输入到所述基于res-net50的特征提取网络，其中，所述基于res-net50的特征提取网络中包括第一分支提取网络和第二分支提取网络；
11、通过所述第一分支提取网络和所述第二分支提取网络，获得处于分离状态的亮度特征和颜色特征。
12、进一步的，在执行所述将所述雾天状态下拍摄的图像输入到所述基于res-net50的特征提取网络的步骤之前，所述方法还包括：
13、基于预设的正交约束条件，约束所述第一分支提取网络和所述第二分支提取网络的特征输出，其中，所述正交约束条件包括约束所述第一分支提取网络和所述第二分支提取网络所提取出的特征互补且又完全不同；
14、所述通过所述第一分支提取网络和所述第二分支提取网络，获得处于分离状态的亮度特征和颜色特征的步骤，具体包括：
15、通过所述第一分支提取网络提取所述亮度特征且通过所述第二分支提取网络提取所述颜色特征，
16、或者，
17、通过所述第一分支提取网络提取所述颜色特征且通过所述第二分支提取网络提取所述亮度特征；
18、在执行所述通过所述第一分支提取网络和所述第二分支提取网络，获得处于分离状态的亮度特征和颜色特征的步骤之后，所述方法还包括：
19、通过所述第一分支提取网络和所述第二分支提取网络，提取所述目标特征中除了亮度特征和颜色特征之外的剩余图像特征。
20、进一步的，在执行所述采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征的步骤之前，所述方法还包括：
21、通过预设的cbam模块将空间注意力机制和通道注意力机制引入到所述编码器网络中。
22、进一步的，在执行所述将所述目标特征输入到预训练完成的特征校正深度学习网络，获得校正处理后的亮度特征和校正处理后的颜色特征的步骤之前，所述方法还包括：
23、获取训练图像集，其中，所述训练图像集由无雾图像子集和有雾图像子集构成，所述有雾图像子集中的图像由所述无雾图像子集中对应的图像添加雾状态所合成；
24、将所述训练图像集输入到预构建的特征校正深度学习网络；
25、通过所述预构建的特征校正深度学习网络，提取所述无雾图像子集中所有图像的图像特征，获得无雾图像特征集合；
26、通过所述预构建的特征校正深度学习网络，提取所述有雾图像子集中所有图像的图像特征，获得有雾图像特征集合；
27、基于所述无雾图像特征集合和所述有雾图像特征集合，学习有雾状态下与无雾状态下的亮度特征差异表示和颜色特征差异表示，获得所述预训练完成的特征校正深度学习网络。
28、进一步的，所述将所述目标特征输入到预训练完成的特征校正深度学习网络，获得校正处理后的亮度特征和校正处理后的颜色特征的步骤，具体包括：
29、获取所述目标特征中处于分离状态的亮度特征和颜色特征；
30、基于所述特征校正深度学习网络所学习到的有雾状态下与无雾状态下的亮度特征差异表示对所述亮度特征进行校正处理，获得校正处理后的亮度特征；
31、基于所述特征校正深度学习网络所学习到的有雾状态下与无雾状态下的颜色特征差异表示对所述颜色特征进行校正处理，获得校正处理后的颜色特征。
32、进一步的，所述融合所述校正处理后的亮度特征、所述校正处理后的颜色特征与所述目标特征中的其他特征，获得融合后的图像特征的步骤，具体包括：
33、采用并行交叉方式融合所述校正处理后的亮度特征、所述校正处理后的颜色特征与所述目标特征中的其他特征，获得融合后的图像特征；
34、所述预设解码器网络包括基于gru的循环神经网络，所述采用预设解码器网络对所述融合后的图像特征进行解码，输出去除雾天状态的图像的步骤，具体包括：
35、将所述融合后的图像特征输入到所述基于gru的循环神经网络中；
36、通过所述基于gru的循环神经网络对所述融合后的图像特征进行解码处理，获得所述去除雾天状态的图像。
37、为了解决上述技术问题，本申请实施例还提供图像重构装置，采用了如下所述的技术方案：
38、一种图像重构装置，包括：
39、目标图像获取模块，用于获取雾天状态下拍摄的图像；
40、图像特征提取模块，用于采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征，其中，所述目标特征包括处于分离状态的亮度特征和颜色特征；
4本文档来自技高网...
【技术保护点】
1.一种图像重构方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的图像重构方法，其特征在于，所述预设编码器网络包括基于Res-Net50的特征提取网络，所述采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征的步骤，具体包括：
3.根据权利要求2所述的图像重构方法，其特征在于，在执行所述将所述雾天状态下拍摄的图像输入到所述基于Res-Net50的特征提取网络的步骤之前，所述方法还包括：
4.根据权利要求1所述的图像重构方法，其特征在于，在执行所述采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征的步骤之前，所述方法还包括：
5.根据权利要求1至4中任一项所述的图像重构方法，其特征在于，在执行所述将所述目标特征输入到预训练完成的特征校正深度学习网络，获得校正处理后的亮度特征和校正处理后的颜色特征的步骤之前，所述方法还包括：
6.根据权利要求5所述的图像重构方法，其特征在于，所述将所述目标特征输入到预训练完成的特征校正深度学习网络，获得校正处理后的亮度特征和校正处理后
7.根据权利要求1所述的图像重构方法，其特征在于，所述融合所述校正处理后的亮度特征、所述校正处理后的颜色特征与所述目标特征中的其他特征，获得融合后的图像特征的步骤，具体包括：
8.一种图像重构装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的图像重构方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的图像重构方法的步骤。
...【技术特征摘要】
1.一种图像重构方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的图像重构方法，其特征在于，所述预设编码器网络包括基于res-net50的特征提取网络，所述采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征的步骤，具体包括：
3.根据权利要求2所述的图像重构方法，其特征在于，在执行所述将所述雾天状态下拍摄的图像输入到所述基于res-net50的特征提取网络的步骤之前，所述方法还包括：
4.根据权利要求1所述的图像重构方法，其特征在于，在执行所述采用预设编码器网络对所述雾天状态下拍摄的图像进行特征分离和提取，获得目标特征的步骤之前，所述方法还包括：
5.根据权利要求1至4中任一项所述的图像重构方法，其特征在于，在执行所述将所述目标特征输入到预训练完成的特征校正深度学习网络，获得校正处理后的亮度特征和校正处理后的颜色特征的步骤之前，...
【专利技术属性】
技术研发人员：郑喜民，胡家鑫，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
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。