CN111369472B - 图像去雾方法、装置、电子设备及介质 - Google Patents
图像去雾方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111369472B CN111369472B CN202010171900.8A CN202010171900A CN111369472B CN 111369472 B CN111369472 B CN 111369472B CN 202010171900 A CN202010171900 A CN 202010171900A CN 111369472 B CN111369472 B CN 111369472B
- Authority
- CN
- China
- Prior art keywords
- vector
- image
- preprocessing
- activated
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 507
- 238000007781 pre-processing Methods 0.000 claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 82
- 238000011176 pooling Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000003213 activating effect Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001994 activation Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本公开实施例提供了一种图像去雾方法、装置、电子设备及介质。该方法包括：对待处理图像进行预处理，得到预处理向量；将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量的向量相匹配；对目标向量和预处理向量进行激活处理，得到去雾后的图像。本公开实施例能够对图像进行有效去雾处理。
Description
技术领域
本公开涉及图像去雾领域，具体而言，本公开涉及一种图像去雾方法、装置、电子设备及介质。
背景技术
在天气质量条件不好的情况下，室外拍摄的图像经常会被空气中悬浮的粒子明显降质，导致图片对比度下降、颜色失真等一系列问题，这是由于在光线传播过程中，光会被空气中的雾、霾和灰尘等所散射，因此最终到达相机的是被散射的光线。雾霾图像通常由直接衰减和散射的大气光组成，直接衰减为相机接收到的物体表面反射衰减后的光照强度，散射的大气光为相机接收到的经过散射作用的大气光。图像去雾算法凭借其广泛的应用价值，逐渐成为军事、航天、交通和监控等方面的研究热点。
目前，传统的图像去雾方法依靠其人工特征来计算深度或透射率，然而这些人工特征存在其自身的局限性，使得图像去雾效果有限，无法得到令人满意的图像。
发明内容
本公开提供了一种图像去雾方法、装置、电子设备及介质，能够对图像进行有效去雾处理。
第一方面，提供了一种图像去雾方法，该方法包括：
对待处理图像进行预处理，得到预处理向量；
将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量的向量相匹配；
对目标向量和预处理向量进行激活处理，得到去雾后的图像。
第二方面，提供一种图像去雾装置，包括：
预处理模块，用于对待处理图像进行预处理，得到预处理向量；
处理模块，用于将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量的向量相匹配；
激活处理模块，用于对目标向量和预处理向量进行激活处理，得到去雾后的图像。
第三方面，提供一种电子设备，包括：处理器和存储器；
存储器，用于存储计算机操作指令；
处理器，用于通过调用计算机操作指令，执行第一方面的图像去雾方法。
第四方面，提供一种计算机可读存储介质，计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现第一方面的图像去雾方法。
本公开提供的技术方案带来的有益效果是：
本公开提供了一种图像去雾方法、装置、电子设备及介质，与现有技术相比，本公开首先对待处理的图像进行预处理，得到预处理向量，采用神经网络模型对预处理向量进行处理，得到目标向量，再通过目标向量和预处理向量进行激活处理，得到去雾后的图像。本公开采用神经网络模型对图形进行去雾，加入最小池化层的神经网络模型是融合了暗通道原理，相当于加入了先验，使得通过训练的神经网络模型对图像的去雾更有效，提升了去雾效果。具体的，图像有雾时，暗通道存在大面积灰白情况，图像无雾时，暗通道大部分黑色。经过大量实验，局部找最暗点进行均匀去雾有很好的效果，暗通道求每个像素RGB分量最小值，存入一副和原始图像大小相同的灰度图中，再对这幅灰度图进行最小值滤波。暗通道的像素值分布偏低，大部分的像素值趋近于零，满足暗通道先验知识，可以获得较好的复原效果。在神经网络模型中加入最小池化层，最小池化层相当于暗通道处理，能够在图像局部找到最暗点，可以获得有效的去雾效果，更加精确的去噪，从而还原图像。
本公开是将图像预处理后得到预处理向量输入神经网络模型，然后再将输出的目标向量和预处理向量进行激活处理后得到待处理图像，即相当于可以先在小尺寸的图像上得到计算参数再应用到大尺寸图像上，输入神经网络模型的图像变小，从而节省了计算量，使得图像去雾的计算更简单。例如，一张普通的1280*960的图，基于原图像计算参数，计算量很大，可以将原图像先缩小到256*256计算参数，再把参数应用到原图，可以节省很多计算量，从而使得神经网络模型进行图像去雾的计算更简单。
同时，本公开神经网络模型可以利用多种不同场景的图像去训练，使得训练好的神经网络模型模型具有自适应性，能够针对任一幅待处理图像进行去雾处理。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种图像去雾方法的流程示意图；
图2为本公开实施例提供的一种图像去雾方法的激活处理的流程示意图；
图3为本公开实施例提供的一种神经网络模型的框架图；
图4为本公开实施例提供的另一种神经网络模型的框架图；
图5为本公开实施例提供的又一种神经网络模型的框架图；
图6为本公开实施例提供的一种图像去雾装置的结构示意图；
图7为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
本公开实施例提供了一种图像去雾方法，可以由终端设备执行，也可以由服务器执行，如图1所示，该方法包括：
S101、对待处理图像进行预处理，得到预处理向量。
在一些实施方式中，步骤S101包括：将待处理图像对应的向量的每个向量数值除以预设数值，得到预处理向量。预处理向量为采用归一化处理后的向量。像素的范围一般是0-255，预设数值可以选择255，这样预处理向量的每个向量数值就处于0-1之间。在实际预处理中，可以根据图像的具体情况，选择合适的预设数值。
可选地，将待处理图像划分若干块，对待处理图像按块进行图像处理，将每块图像提取特征向量，作为待处理图像对应的向量。
可选地，对待处理图像进行预处理之后可以是得到预处理矩阵，预处理矩阵可以是n维行向量，当n＝1时，矩阵就是向量。预处理向量可以是多行向量组成的矩阵。
S102、将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量相匹配。
在实际应用中，神经网络模型对图像的处理一般只采用卷积层，这样处理效果并不理想。基于暗通道去雾的思路，步骤S102在神经网络模型的卷积层中加入最小池化层min-pool层，融合了暗通道去雾的思想，暗通道去雾更简单有效。
可选地，目标向量和预处理向量的相匹配是指通过卷积层得到目标向量的通道与预处理向量的通道对齐，也就是目标向量和预处理向量的向量矩阵排列一致，便于对目标向量和预处理向量的向量数值一一对应计算。
S103、对目标向量和预处理向量进行激活处理，得到去雾后的图像。
在一些实施方式中，参见图2所示，步骤S103中，对目标向量和预处理向量进行激活处理，得到去雾后的图像，包括：
S201、将目标向量和预处理向量的向量数值一一对应相乘，得到对应相乘后的向量。
S202、将对应相乘后的向量和目标向量的向量数值一一对应相减，得到需激活的向量。
S203、对需激活的向量进行激活，使得需激活的向量的每个向量数值为0或1，得到激活后的向量。
在一些实施方式中，步骤S203，对需激活的向量进行激活，使得需激活的向量的每个向量数值为0或1，得到激活后的向量，包括：将需激活的向量的向量数值小于0的置为0，需激活的向量的向量数值大于1的置为1，得到激活后的向量。
S204、将激活后的向量乘以预设数值，得到去雾后的图像。
在本公开的一个实施方式中，将待处理图像对应的向量的每个向量数值除以预设数值，得到预处理向量。即从预处理向量开始的特征值被缩小了预设数值的倍数，例如特征图的分辨率被缩小了255倍。因此，将激活后的向量乘以预设数值，得到与待处理图像匹配的去雾后的图像；相当于是将激活后的向量放大至与待处理图像的大小相匹配，得到与待处理图像的分辨率相匹配的去雾后的图像。其中，预设数值可以表示为图片的像素点，可以取255。
本公开的发明人考虑到，在对图像进行去雾操作时，需要针对每个待处理图像做专门的去雾操作，但对于不同场景的图像，做去雾处理时所需要的初始化的参数是不同的。用户在对一幅待处理图像进行去雾操作时，无法确定去雾处理时所需要的初始化的参数，进而导致无法对待处理图像进行去雾处理。因此，本公开采用神经网络模型对图像进行处理，可以利用多种不同场景的图像去训练，使得训练好的神经网络模型模型具有自适应性，能够针对任一幅待处理图像进行去雾处理。
同时，本公开采用神经网络模型对图形进行去雾，加入最小池化层的神经网络模型是融合了暗通道原理，相当于加入了先验，使得通过训练的神经网络模型对图像的去雾更有效，提升了去雾效果。具体的，图像有雾时，暗通道存在大面积灰白情况，图像无雾时，暗通道大部分黑色。经过大量实验，局部找最暗点进行均匀去雾有很好的效果，暗通道求每个像素RGB分量最小值，存入一副和原始图像大小相同的灰度图中，再对这幅灰度图进行最小值滤波。暗通道的像素值分布偏低，大部分的像素值趋近于零，满足暗通道先验知识，可以获得较好的复原效果。在神经网络模型中加入最小池化层，最小池化层相当于暗通道处理，能够在图像局部找到最暗点，可以获得有效的去雾效果，更加精确的去噪，从而还原图像。
本公开的发明人经过实验发现，基于局部找最暗点的方式可以较为精确地去除图像中的有雾区。局部找最暗点的一种方式是暗通道处理，例如确定出原始图像中每个像素RGB分量的最小值，存入至一幅与原始图像大小相同的灰度图中。一般地，从黑色至白色，对应的灰度值从小至大，黑色对应的灰度值接近于零。而原始图像中有雾区中的像素在灰度图中发白，即有雾像素的灰度值较大。暗通道处理还包括对这幅灰度图的每个局部区域进行最小值滤波，保留局部区域中灰度值最小的像素，滤除其它灰度值的像素。暗通道处理这种保留局部区域中灰度最小值或灰度最小值像素的功能，基本上可以由最小池化层来实现。因此，加入最小池化层相当于融合了暗通道处理。本公开中通过最小池化层滤除灰度值较大的像素，相当于滤除图像中有雾的像素，从而得到去雾后的图像，通过最小池化层提升滤除有雾像素的几率，能够提升图像去雾的精度。
本公开是将图像预处理后得到预处理向量输入神经网络模型，然后再将输出的目标向量和预处理向量进行激活处理后得到待处理图像，即相当于可以先在小尺寸的图像上得到计算参数再应用到大尺寸图像上，输入神经网络模型的图像变小，从而节省了计算量，使得图像去雾的计算更简单。例如，一张普通的1280*960的图，基于原图像计算参数，计算量很大，可以将原图像先缩小到256*256计算参数，再把参数应用到原图，可以节省很多计算量，从而使得神经网络模型进行图像去雾的计算更简单。
上述主要介绍了本公开图像去雾方法的步骤S101和步骤S103的内容，下面将进一步详细介绍步骤S102中的神经网络模型以及神经网络模型的处理步骤。神经网络模型的处理步骤中的所有步骤标号附图中未示出，仅为了具体说明各个处理步骤。同时，在神经网络模型框架图中，Conv表示卷积层，Conv1表示第一卷积层，Min-pool表示最小池化层，-表示输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个向量数值，elt minus表示输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个向量数值得到的第二向量，+表示一个卷积层的输出向量与elt minus的第二向量进行拼接处理。
在一些实施方式中，参见图3所示，步骤S102中，将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，包括：
A301、将预处理向量输入神经网络模型的第一卷积层，进行卷积计算后得到第一向量，作为一个中间向量。
A302、将第一向量直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层，得到最小池化层的输出向量。
在图3所示的实施例中，将第一向量经过一个卷积层后得到的向量输入最小池化层。当然，也可以将第一向量经过两个或两个以上的卷积层后在输入最小池化层。卷积层可以相当于滤波器，对图像进行处理，提取特征，卷积层可以为一层或多层，每个向量数值的获取也是用过卷积层的卷积计算得到。
A303、将输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个向量数值，得到第二向量，作为一个中间向量。
在图3所示的实施例中，elt minus表示第二个卷积层的输出向量和最小池化层的输出向量的向量数值一一对应相减后得到的减法结果，作为第二向量。
在图3所示的实施例中，第一向量和第二向量作为中间值可以直接采用channel通道进行拼接，也就是将第一卷积层Conv1和elt minus的输出结果进行拼接。对应地，步骤S102中，将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量，即将第一向量和第二向量拼接后的向量输入图3中的第三卷积层Conv3，并进行通道对齐。例如，当第一向量和第二向量均为4*4的矩阵时，经过拼接可以变为一个4*8的矩阵。第三卷积层Conv3进行通道对齐后输出的目标向量为4*4的矩阵，便于与预处理向量4*4的矩阵的数值可以一一对应计算。
在一些实施方式中，参见图4所示，在步骤A303之后，还包括：
A401、将第一向量和第二向量进行拼接，得到拼接后的向量，作为一个中间向量。
若中间向量只有第一向量、第二向量、和将第一向量和第二向量进行拼接，得到拼接后的向量，那么就是将这三个中间向量通过channel通道进行拼接后输入一个卷积层，卷积计算，将目标向量和预处理向量通道对齐后，输出目标向量。
在图4所示的实施例中，步骤S102，将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，还包括：
A402、将拼接后的向量和第二向量进行拼接，再次得到拼接后的向量，作为拼接后的向量；中间向量包括所有拼接后的向量。
在图4所示的实施例中，也就是将第三卷积层Conv3的输出结果和elt minus的输出向量进行拼接后输入第四卷积层Conv4。
中间向量为第一卷积层Conv1、第三卷积层Conv3、第四卷积层Conv4以及eltminus的输出向量，进行拼接后输入第五卷积层Conv5，进行卷积计算并通道对齐，得到目标向量。
以图4所示的实施例为例，对应步骤S103中，对目标向量和预处理向量进行激活处理，可以采用激活公式：self.relu((x5*x)-x5)进行计算，并乘以预设数值(如255，255表示图片的像素点)后得到去雾后的图片对应的向量。Self.relu表示对计算结果进行激活操作(即将向量数值小于0的部分置为0，向量数值大于1的部分置为1，即输出结果介于0～1之间)。x5表示为第五卷积层Conv5的输出向量，也就是目标向量；x表示待处理图像对应的预处理向量，即输入至第一卷积层Conv1的图像对应的预处理向量。
在一些实施例中，可以重复循环进行步骤A402的拼接操作，将最新拼接后的向量和第二向量进行拼接，再次得到拼接后的向量。参见图5所示，将第一卷积层Conv1的第一向量经过第二卷积层Conv2和第三卷积层Conv3后输入最小池化层。重复进行一次步骤A402的拼接操作，即将第五卷积层Conv5的输出向量与elt minus的输出向量拼接后输入第六卷积层Conv6。
中间向量为第一卷积层Conv1、第四卷积层Conv4、第五卷积层Conv5、第六卷积层Conv6以及elt minus的输出向量，进行拼接后输入第七卷积层Conv7，进行卷积计算并通道对齐，得到目标向量。
同理，可以依次循环进行步骤A402，得到更多的中间向量，不同深度的中间向量进行拼接后输入最后一个卷积层进行相应处理，得到目标向量。
上述从方法步骤的角度具体阐述了图像去雾方法，下面从虚拟模块或者虚拟单元的角度介绍图像去雾装置，具体如下所示：
本公开实施例提供了一种图像去雾装置，如图6所示，图像去雾装置60包括预处理模块601、处理模块602和激活处理模块603，
预处理模块601用于对待处理图像进行预处理，得到预处理向量；
处理模块602用于将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量的向量相匹配；
激活处理模块603用于对目标向量和预处理向量进行激活处理，得到去雾后的图像。
本公开实施例的一些实施例中，预处理模块601具体可以用于将待处理图像对应的向量的每个向量数值除以预设数值，得到预处理向量。
本公开实施例的一些实施例中，处理模块602具体可以用于将预处理向量输入神经网络模型的第一卷积层，进行卷积计算后得到第一向量，作为一个中间向量；将第一向量直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层，得到最小池化层的输出向量；将输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个向量数值，得到第二向量，作为一个中间向量。
本公开实施例的一些实施例中，处理模块602还可以用于将第一向量和第二向量进行拼接，得到拼接后的向量，作为一个中间向量。
本公开实施例的一些实施例中，处理模块602还可以用于依次进行至少一次如下拼接操作：将拼接后的向量和第二向量进行拼接，再次得到拼接后的向量，作为拼接后的向量；中间向量包括所有拼接后的向量。
本公开实施例的一些实施例中，激活处理模块603还可以用于将目标向量和预处理向量的向量数值一一对应相乘，得到对应相乘后的向量；将对应相乘后的向量和目标向量的向量数值一一对应相减，得到需激活的向量；对需激活的向量进行激活，使得需激活的向量的每个向量数值为0或1，得到激活后的向量；将激活后的向量乘以预设数值，得到去雾后的图像。进一步地，激活处理模块603用于将需激活的向量的向量数值小于0的置为0，需激活的向量的向量数值大于1的置为1，得到激活后的向量。
本公开的处理模块602即为神经网络模型，对预处理向量进行处理。
本公开实施例的图像去雾装置适用于上述方法实施例，其实现原理相类似，此处不再赘述。
本公开实施例提供了一种图像去雾装置，与现有技术相比，本公开实施例本公开采用神经网络模型对图形进行去雾，加入最小池化层的神经网络模型融合了暗通道原理，相当于加入了先验，使得通过训练的神经网络模型对图像的去雾更有效，去雾效果更好。本公开是将图像预处理后得到预处理向量输入神经网络模型，然后再将输出的目标向量和预处理向量进行激活处理后得到待处理图像，即相当于可以先在小尺寸的图像上得到计算参数再应用到大尺寸图像上，输入神经网络模型的图像变小，从而节省了计算量，使得图像去雾的计算更简单。本公开采用神经网络模型对图像进行处理，可以利用多种不同场景的图像去训练，使得训练好的神经网络模型模型具有自适应性，能够针对任一幅待处理图像进行去雾处理。
上述从虚拟模块或者虚拟单元的角度介绍本公开的图像去雾装置，下面从实体装置的角度介绍本公开的电子设备。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例终端设备或服务器)700的结构示意图。其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据方法实施例所示的图像去雾方法。
本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文所述的处理装置701，存储器可以包括下文中的只读存储器(ROM)702、随机访问存储器(RAM)707以及存储装置708中的至少一项，具体如下所示：
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)707中的程序而执行各种适当的动作和处理。在RAM 707中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 707通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对待处理图像进行预处理，得到预处理向量；将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量的向量相匹配；对目标向量和预处理向量进行激活处理，得到去雾后的图像。。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本公开实施例提供了一种电子设备，本公开实施例中的电子设备包括：处理器和存储器；存储器，用于存储计算机操作指令；处理器，用于通过调用计算机操作指令，执行上述图像去雾方法。
本公开采用神经网络模型对图形进行去雾，加入最小池化层的神经网络模型融合了暗通道原理，相当于加入了先验，使得通过训练的神经网络模型对图像的去雾更有效，去雾效果更好。本公开是将图像预处理后得到预处理向量输入神经网络模型，然后再将输出的目标向量和预处理向量进行激活处理后得到待处理图像，即相当于可以先在小尺寸的图像上得到计算参数再应用到大尺寸图像上，输入神经网络模型的图像变小，从而节省了计算量，使得图像去雾的计算更简单。同时，本公开神经网络模型可以利用多种不同场景的图像去训练，使得训练好的神经网络模型模型具有自适应性，能够针对任一幅待处理图像进行去雾处理。
上述从实体装置的角度介绍本公开的电子设备，下面从介质的角度介绍本公开的计算机可读介质。
本公开实施例提供了一种计算机可读介质，该计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行前述方法实施例中相应内容。与现有技术相比，本公开首先对待处理的图像进行预处理，得到预处理向量，采用神经网络模型对预处理向量进行处理，得到目标向量。再通过目标向量和预处理向量进行激活处理，得到去雾后的图像。本公开采用暗通道去雾的思路，在神经网络模型中加入最小池化层，结合卷积层和最小池化层对图像向量进行处理，然后进一步将神经网络模型输出的目标向量和预处理向量进行激活和计算，得到去雾后的图像，使得图像去雾更简单有效。同时，本公开神经网络模型可以利用多种不同场景的图像去训练，使得训练好的神经网络模型模型具有自适应性，能够针对任一幅待处理图像进行去雾处理。
根据本公开的一个或多个实施例，提供了一种图像去雾方法，包括如下步骤：
对待处理图像进行预处理，得到预处理向量；
将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量相匹配；
对目标向量和预处理向量进行激活处理，得到去雾后的图像。
根据本公开的一个或多个实施例，对待处理图像进行预处理，得到预处理向量，包括：将待处理图像对应的向量的每个向量数值除以预设数值，得到预处理向量。
根据本公开的一个或多个实施例，将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，包括：
将预处理向量输入神经网络模型的第一卷积层，进行卷积计算后得到第一向量，作为一个中间向量；
将第一向量直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层，得到最小池化层的输出向量；
将输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个向量数值，得到第二向量，作为一个中间向量。
根据本公开的一个或多个实施例，将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，还包括：
将第一向量和第二向量进行拼接，得到拼接后的向量，作为一个中间向量。
根据本公开的一个或多个实施例，将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，还包括：
依次进行至少一次如下拼接操作：将拼接后的向量和第二向量进行拼接，再次得到拼接后的向量，作为拼接后的向量；中间向量包括所有拼接后的向量。
根据本公开的一个或多个实施例，对目标向量和预处理向量进行激活处理，得到去雾后的图像，包括：
将目标向量和预处理向量的向量数值一一对应相乘，得到对应相乘后的向量；
将对应相乘后的向量和目标向量的向量数值一一对应相减，得到需激活的向量；
对需激活的向量进行激活，使得需激活的向量的每个向量数值为0或1，得到激活后的向量；
将激活后的向量乘以预设数值，得到去雾后的图像。
根据本公开的一个或多个实施例，对需激活的向量进行激活，使得需激活的向量的每个向量数值为0或1，得到激活后的向量，包括：
将需激活的向量的向量数值小于0的置为0，需激活的向量的向量数值大于1的置为1，得到激活后的向量。
根据本公开的一个或多个实施例，提供了一种图像去雾装置，包括：
预处理模块，用于对待处理图像进行预处理，得到预处理向量；
处理模块，用于将预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；神经网络模型包括至少两个卷积层和至少一个最小池化层，目标向量和预处理向量的向量相匹配；
激活处理模块，用于对目标向量和预处理向量进行激活处理，得到去雾后的图像。
根据本公开的一个或多个实施例，预处理模块，用于将待处理图像对应的向量的每个向量数值除以预设数值，得到预处理向量。
根据本公开的一个或多个实施例，处理模块，用于将预处理向量输入神经网络模型的第一卷积层，进行卷积计算后得到第一向量，作为一个中间向量；将第一向量直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层，得到最小池化层的输出向量；将输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个向量数值，得到第二向量，作为一个中间向量。
根据本公开的一个或多个实施例，处理模块，用于将第一向量和第二向量进行拼接，得到拼接后的向量，作为一个中间向量。
根据本公开的一个或多个实施例，处理模块，用于依次进行至少一次如下拼接操作：将拼接后的向量和第二向量进行拼接，再次得到拼接后的向量，作为拼接后的向量；中间向量包括所有拼接后的向量。
根据本公开的一个或多个实施例，激活处理模块，用于将目标向量和预处理向量的向量数值一一对应相乘，得到对应相乘后的向量；将对应相乘后的向量和目标向量的向量数值一一对应相减，得到需激活的向量；对需激活的向量进行激活，使得需激活的向量的每个向量数值为0或1，得到激活后的向量；将激活后的向量乘以预设数值，得到去雾后的图像。
根据本公开的一个或多个实施例，激活处理模块，用于将需激活的向量的向量数值小于0的置为0，需激活的向量的向量数值大于1的置为1，得到激活后的向量。
根据本公开的一个或多个实施例，一种电子设备，包括：处理器和存储器；
存储器，用于存储计算机操作指令；
处理器，用于通过调用计算机操作指令，执行根据方法实施例所示的图像去雾方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实现方法实施例所示的图像去雾方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种图像去雾方法，其特征在于，包括如下步骤：
对待处理图像进行预处理，得到预处理向量；
将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将所述至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；所述神经网络模型包括至少两个卷积层和至少一个最小池化层，所述目标向量和所述预处理向量的向量矩阵排列一致；所述至少两个中间向量包括：至少一个将所述预处理向量输入第一卷积层得到的第一向量，和至少一个将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值得到的第二向量；
对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量，对所述需激活的向量进行激活处理，得到去雾后的图像。
2.根据权利要求1所述的方法，其特征在于，所述对待处理图像进行预处理，得到预处理向量，包括：
将所述待处理图像对应的向量的每个向量数值除以预设数值，得到预处理向量。
3.根据权利要求2所述的方法，其特征在于，所述将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，包括：
将所述预处理向量输入所述神经网络模型的第一卷积层，进行卷积计算后得到第一向量，作为一个中间向量；
将所述第一向量直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层，得到最小池化层的输出向量；
将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值，得到第二向量，作为一个中间向量。
4.根据权利要求3所述的方法，其特征在于，所述将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，还包括：
将所述第一向量和所述第二向量进行拼接，得到拼接后的向量，作为一个中间向量。
5.根据权利要求4所述的方法，其特征在于，所述将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，还包括：
依次进行至少一次如下拼接操作：将所述拼接后的向量和所述第二向量进行拼接，再次得到拼接后的向量，作为所述拼接后的向量；所述中间向量包括所有拼接后的向量。
6.根据权利要求2-5中任一项所述的方法，其特征在于，所述对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量，对所述需激活的向量进行激活处理，得到去雾后的图像，包括：
将所述目标向量和所述预处理向量的向量数值一一对应相乘，得到对应相乘后的向量；
将所述对应相乘后的向量和所述目标向量的向量数值一一对应相减，得到需激活的向量；
对所述需激活的向量进行激活，使得所述需激活的向量的每个向量数值为0或1，得到激活后的向量；
将所述激活后的向量乘以所述预设数值，得到所述去雾后的图像。
7.根据权利要求6所述的方法，其特征在于，所述对所述需激活的向量进行激活，使得所述需激活的向量的每个向量数值为0或1，得到激活后的向量，包括：
将所述需激活的向量的向量数值小于0的置为0，所述需激活的向量的向量数值大于1的置为1，得到激活后的向量。
8.一种图像去雾装置，其特征在于，包括：
预处理模块，用于对待处理图像进行预处理，得到预处理向量；
处理模块，用于将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将所述至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；所述神经网络模型包括至少两个卷积层和至少一个最小池化层，所述目标向量和所述预处理向量的向量矩阵排列一致；所述至少两个中间向量包括：至少一个将所述预处理向量输入第一卷积层得到的第一向量，和至少一个将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值得到的第二向量；
激活处理模块，用于对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量，对所述需激活的向量进行激活处理，得到去雾后的图像。
9.一种电子设备，其特征在于，包括：处理器和存储器；
所述存储器，用于存储计算机操作指令；
所述处理器，用于通过调用所述计算机操作指令，执行权利要求1至7中任一项所述的图像去雾方法。
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存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现权利要求1至7中任一项所述的图像去雾方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171900.8A CN111369472B (zh) | 2020-03-12 | 2020-03-12 | 图像去雾方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171900.8A CN111369472B (zh) | 2020-03-12 | 2020-03-12 | 图像去雾方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111369472A CN111369472A (zh) | 2020-07-03 |
| CN111369472B true CN111369472B (zh) | 2021-04-23 |
Family
ID=71211830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010171900.8A Active CN111369472B (zh) | 2020-03-12 | 2020-03-12 | 图像去雾方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369472B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861936B (zh) * | 2020-07-29 | 2023-03-24 | 抖音视界有限公司 | 图像去雾方法、装置、电子设备及计算机可读存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201535323A (zh) * | 2014-03-14 | 2015-09-16 | Nat Univ Chin Yi Technology | 影像除霧系統及其方法、以及行車輔助系統及其方法 |
| CN106033597A (zh) * | 2015-03-17 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 图像去雾的方法和设备 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| CN107194900A (zh) * | 2017-07-27 | 2017-09-22 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
| CN107292853A (zh) * | 2017-07-27 | 2017-10-24 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
| KR20180050832A (ko) * | 2016-11-07 | 2018-05-16 | 한국과학기술원 | Ｃｎｎ을 이용한 이미지 디헤이징 방법 및 그 시스템 |
| CN109255758A (zh) * | 2018-07-13 | 2019-01-22 | 杭州电子科技大学 | 基于全1*1卷积神经网络的图像增强方法 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109712083A (zh) * | 2018-12-06 | 2019-05-03 | 南京邮电大学 | 一种基于卷积神经网络的单幅图像去雾方法 |
| CN109740673A (zh) * | 2019-01-02 | 2019-05-10 | 天津工业大学 | 一种融合暗通道的神经网络烟雾图像分类方法 |
| CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
| CN110097522A (zh) * | 2019-05-14 | 2019-08-06 | 燕山大学 | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 |
| CN110211052A (zh) * | 2019-03-29 | 2019-09-06 | 北京工业大学 | 一种基于特征学习的单幅图像去雾方法 |
| CN110263706A (zh) * | 2019-06-19 | 2019-09-20 | 南京邮电大学 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
| CN110321759A (zh) * | 2018-03-29 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 一种视频特征提取方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107749052A (zh) * | 2017-10-24 | 2018-03-02 | 中国科学院长春光学精密机械与物理研究所 | 基于深度学习神经网络的图像去雾方法及系统 |
| CN109146810A (zh) * | 2018-08-08 | 2019-01-04 | 国网浙江省电力有限公司信息通信分公司 | 一种基于端到端深度学习的图像去雾方法 |
| CN109493300B (zh) * | 2018-11-15 | 2022-05-20 | 湖南鲲鹏智汇无人机技术有限公司 | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 |
-
2020
- 2020-03-12 CN CN202010171900.8A patent/CN111369472B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201535323A (zh) * | 2014-03-14 | 2015-09-16 | Nat Univ Chin Yi Technology | 影像除霧系統及其方法、以及行車輔助系統及其方法 |
| CN106033597A (zh) * | 2015-03-17 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 图像去雾的方法和设备 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| KR20180050832A (ko) * | 2016-11-07 | 2018-05-16 | 한국과학기술원 | Ｃｎｎ을 이용한 이미지 디헤이징 방법 및 그 시스템 |
| CN107194900A (zh) * | 2017-07-27 | 2017-09-22 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
| CN107292853A (zh) * | 2017-07-27 | 2017-10-24 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
| CN110321759A (zh) * | 2018-03-29 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 一种视频特征提取方法及装置 |
| CN109255758A (zh) * | 2018-07-13 | 2019-01-22 | 杭州电子科技大学 | 基于全1*1卷积神经网络的图像增强方法 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109712083A (zh) * | 2018-12-06 | 2019-05-03 | 南京邮电大学 | 一种基于卷积神经网络的单幅图像去雾方法 |
| CN109740673A (zh) * | 2019-01-02 | 2019-05-10 | 天津工业大学 | 一种融合暗通道的神经网络烟雾图像分类方法 |
| CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
| CN110211052A (zh) * | 2019-03-29 | 2019-09-06 | 北京工业大学 | 一种基于特征学习的单幅图像去雾方法 |
| CN110097522A (zh) * | 2019-05-14 | 2019-08-06 | 燕山大学 | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 |
| CN110263706A (zh) * | 2019-06-19 | 2019-09-20 | 南京邮电大学 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
Non-Patent Citations (6)
| Title |
|---|
| DehazeNet: An End-to-End System for Single Image Haze Removal;Bolun Cai 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20161130;第25卷(第11期);5187-5198 * |
| DRCDN: learning deep residual convolutional dehazing networks;Shengdong Zhang 等;《The Visual Computer 》;20191129;1797–1808 * |
| Proximal Dehaze-Net: A Prior Learning-Based Deep Network for Single Image Dehazing;Dong Yang 等;《ECCV 2018:compution vision-ECCV 2018》;20181006;729–746 * |
| 基于多尺度卷积神经网络的单幅图像去雾方法;陈永 等;《光学学报》;20191031;第39卷(第10期);第1010001-1至1010001-10页 * |
| 基于多特征融合的卷积神经网络图像去雾算法;徐岩 等;《激光与光电子学进展》;20180331;第55卷(第3期);第031012-1至031012-10页 * |
| 基于深度卷积神经网络的图像去雾算法;李晓戈 等;《计算机应用与软件》;20190831;第36卷(第8期);第189-195页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111369472A (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN111243049B (zh) | 人脸图像的处理方法、装置、可读介质和电子设备 | |
| CN110516678B (zh) | 图像处理方法和装置 | |
| CN110288625B (zh) | 用于处理图像的方法和装置 | |
| CN112272832A (zh) | 用于基于dnn的成像的方法和系统 | |
| CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
| CN111757100B (zh) | 相机运动变化量的确定方法、装置、电子设备和介质 | |
| CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
| CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111369472B (zh) | 图像去雾方法、装置、电子设备及介质 | |
| CN110097520B (zh) | 图像处理方法和装置 | |
| CN110047126B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
| CN112235563B (zh) | 一种对焦测试方法、装置、计算机设备及存储介质 | |
| CN110288691B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
| CN111783777A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN110555799A (zh) | 用于处理视频的方法和装置 | |
| CN115526796A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN115358919A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN115358959A (zh) | 特效图的生成方法、装置、设备及存储介质 | |
| CN114511580A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN110636331B (zh) | 用于处理视频的方法和装置 | |
| CN112712070A (zh) | 一种珠算题的判题方法、装置、电子设备及存储介质 | |
| CN110719407A (zh) | 图片美化方法、装置、设备及存储介质 | |
| CN115841151B (zh) | 模型训练方法、装置、电子设备和计算机可读介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Tiktok vision (Beijing) Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |