CN111932466B - 一种图像去雾方法、电子设备及存储介质 - Google Patents
一种图像去雾方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111932466B CN111932466B CN202010666315.5A CN202010666315A CN111932466B CN 111932466 B CN111932466 B CN 111932466B CN 202010666315 A CN202010666315 A CN 202010666315A CN 111932466 B CN111932466 B CN 111932466B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- representing
- transmittance
- training
- 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 80
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000002834 transmittance Methods 0.000 claims description 75
- 230000017105 transposition Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本说明书一个或多个实施例提供一种图像去雾方法、电子设备及存储介质,能够解决图像去雾过程中所存在的效果差、效率低的问题。所述方法包括:构建图像去雾模型;获取训练样本图像,所述训练样本图像包括训练有雾图像以及与所述训练有雾图像相对应的真实图像与景深图像;利用所述训练样本图像对所述图像去雾模型进行优化训练;利用优化后的图像去雾模型对目标监控场景的有雾图像进行处理,确定去雾图像。所述电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的实现所述图像去雾方法的计算机程序。所述存储介质存储计算机指令,所述计算机指令用于使所述计算机执行所述图像去雾方法。
Description
技术领域
本说明书一个或多个实施例涉及计算机图像处理技术领域,尤其涉及一种图像去雾方法、电子设备及存储介质。
背景技术
成像设备所捕获的图像因环境因素所造成的大气粒子散射方面的影响,往往会出现色彩偏移、对比度下降等图像质量问题,从而对视频监控、智能交通等图像应用领域带来负面影响,降低了系统在目标检测、识别和跟踪等计算机视觉应用上所发挥的效力。因此在相关的应用场景中,对视频、图像的去雾技术研究具有重要的意义。
现有的图像去雾方法主要包括图像增强去雾、图像复原去雾和基于深度学习的图像去雾方法。其中,图像增强去雾方法是通过改变图像灰度值分布或提高图像对比度等图像特征的方式实现图像去雾,但采用这样的方式经过处理后的图像存在信息丢失,会出现图像失真的现象;图像复原去雾方法是通过建立环境成像模型,推导出图像退化的过程,并据此恢复出去雾后的图像,采用这样的方法其去雾效果依赖于环境成型模型参数的选取,不精确的模型参数将直接影响复原后的图像效果;基于深度学习的图像去雾方法大多通过普通卷积网络实现图像去雾,但采用这样的方式若想获得较佳的图像去雾效果其网络模型的训练参数往往过多,网络计算量大,影响图像去雾速度。因此,现有图像去雾方法仍存在去雾效果差、效率低的问题
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种图像去雾方法、电子设备及存储介质,以解决图像去雾过程中所存在的效果差、效率低的问题。
基于上述目的,本说明书一个或多个实施例提供了一种图像去雾方法,包括:
构建图像去雾模型;
获取训练样本图像,所述训练样本图像包括训练有雾图像以及与所述训练有雾图像相对应的真实图像与景深图像;
利用所述训练样本图像对所述图像去雾模型进行优化训练;
利用优化后的图像去雾模型对目标监控场景的有雾图像进行处理,确定去雾图像。
可选的,所述图像去雾模型包括自然光估计网络、透射率估计网络与去雾图像生成网络;
所述自然光估计网络用于对输入图像进行处理,提取所述输入图像的大气光参数,并获取与所述输入图像相应的大气光图像;
所述透射率估计网络用于对所述输入图像进行处理,提取所述输入图像的透射率参数,并获取与所述输入图像相应的透射率图像;
所述去雾图像生成网络用于根据大气散射模型对所述大气光图像与所述透射率图像进行计算处理,输出与所述输入图像相对应的去雾图像。
可选的,所述自然光估计网络用于对有雾图像进行处理,提取所述有雾图像的大气光参数,并获取与所述有雾图像相应的大气光图像,包括:
所述自然光估计网络包括自然光编码器网络与自然光解码器网络;
所述自然光编码器网络用于对所述输入图像进行卷积操作,获得所述输入图像相应的自然光编码特征图像并确定所述大气光参数;
所述自然光解码器网络用于对所述自然光编码特征图像进行转置卷积操作,确定与所述输入图像相应的大气光图像。
可选的,所述透射率估计网络用于对所述输入图像进行处理,提取所述输入图像的透射率参数,并获取与所述输入图像相应的透射率图像,包括:
所述透射率估计网络包括透射率编码器网络与透射率解码器网络;
所述透射率编码器网络用于对所述输入图像进行卷积操作,获得所述输入图像相应的透射光编码特征图像并确定所述透射率参数;
所述透射率解码器网络包括池化模块,用于根据所述透射率参数所述透射光编码特征图像进行装置卷积与池化操作,确定与所述输入图像相应的透射率图像。
可选的,所述去雾图像生成网络用于根据大气散射模型对所述大气光图像与所述透射率图像进行计算处理,输出与所述输入图像相对应的去雾图像,包括:
所述大气散射模型表述为:
Iv=Jvtv+Av(1-tv)
其中,Jv表示无雾图像,tv表示所述无雾图像相应的透射率图像,Av表示所述无雾图像相应的大气光图像,Iv表示所述无雾图像经大气散射后的有雾图像;
由此,根据所述大气光图像与所述透射率图像计算确定所述去雾图像:
其中,Jz表示输出的所述去雾图像,Iz表示所述输入图像,Az表示经所述自然光估计网络处理得到的所述大气光图像,tz表示经所述透射率估计网络处理得到的所述透射率图像。
可选的,所述利用所述训练样本图像对所述图像去雾模型进行优化训练,包括:
将所述训练有雾图像作为输入图像,利用所述图像去雾模型对所述训练有雾图像进行处理,输出训练去雾图像;
将所述训练去雾图像与所述真实图像进行对比,并结合所述景深图像确定所述训练去雾图像与所述真实图像间的差异值;
根据所述差异值对图像去雾模型中的模型参数进行调整。
可选的,所述将所述训练去雾图像与所述真实图像进行对比,并结合所述景深图像确定所述训练去雾图像与所述真实图像间的差异值,包括:
构建图像判别模型,所述图像判别模型用于判断输入其中的图像是否为真实图像;
利用所述图像判别模型与所述图像去雾模型构成对抗生成网络,所述图像去雾模型为所述对抗生成网络中的生成网络,所述图像判别模型为所述对抗生成网络中的判别网络;
利用所述对抗生成网络确定输出差异值:
其中,Lgan表示所述输出差异值,D()表示所述判别网络,G()表示所述生成网络,Ex~pdata(x)表示logD(x)的输入数据采样自真实数据,Ez~p(z)表示输入log(1-D(G(z)))的输入数据采样自所述生成网络生成的数据;
根据大气光损失函数计算确定自然光差异值:
LA=Ez~p(z)(A-A(z))2
其中,LA表示所述自然光差异值,A表示真实大气光参数,A(z)表示所述大气光图像;
根据透射率损失函数计算确定透射率差异值:
其中,Lt表示所述透射率差异值,t表示真实透射率参数,t(z)表示所述所述透射率图像,t(d)表示相应景深图像的景深参数,k表示所述景深参数t(d)与所述透射率图像t(z)比值的期望值;
根据所述输出差异值Lgan、所述自然光差异值LA与所述透射率差异值Lt计算确定所述差异值:
Ltotal=Lgan+ω1*LA+ω2*Lt
其中,Ltotal表示所述差异值,ω1,ω2表示差异损失函数调整系数。
可选的,其特征在于,所述根据所述差异值对图像去雾模型中的模型参数进行调整,包括:
根据所述差异值Ltotal对所述对抗生成网络进行反复迭代收敛更新,直至所述差异值Ltotal达到目标差异值;
所述迭代收敛更新步骤包括:
步骤1:对所述判别网络进行训练,更新所述判别网络的网络参数,使D(x)最大化;
步骤2:对所述生成网络进行训练,更新所述生成器网络中的所述自然光估计网络与所述透射率估计网络的网络参数,使G(z)最小化。
基于上述目的,本说明书一个或多个实施例提供了一种图像去雾电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述图像去雾的方法。
基于上述目的,本说明书一个或多个实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行所述图像去雾的方法。
从上面所述可以看出,本说明书一个或多个实施例提供的,一种图像去雾方法、电子设备及存储介质,构建图像去雾模型并利用包括景深图像的训练样本图像对所述图像去雾模型进行训练优化,最后利用优化后的图像去雾模型对有雾图像进行处理,以得到去雾图像。对图像去雾模型进行训练优化,实质上对图像去雾模型中的网络参数进行优化调整,本发明所述训练优化方式中,考虑图像透射率与图像景深之间的比例对应关系,将图像景深也作为模型参数优化时的一个衡量参考,综合考虑待处理图像的自然光、透射率以及景深对最终生成去雾图像结果的影响,能够更快地完成对图像去雾模型的训练优化,并且使优化结果中的模型参数更精确,去雾处理效果更优。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例所提供的一种图像去雾方法示意图;
图2为本说明书一个或多个实施例所提供的一种图像去雾方法中图像去雾模型结构示意图;
图3为本说明书一个或多个实施例所提供的一种图像去雾方法中对抗生成网络整体结构示意图;
图4为本说明书一个或多个实施例所提供的一种图像去雾方法中对图像去雾模型进行优化训练的方法示意图;
图5为本说明书一个或多个实施例所提供的一种图像去雾电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在一方面,本发明的一个或多个实施例提供了一种图像去雾方法。
如图1所示,本发明的一些可选实施例提供的一种图像去雾方法,包括:
S1:构建图像去雾模型;
S2:获取训练样本图像,所述训练样本图像包括训练有雾图像以及与所述训练有雾图像相对应的真实图像与景深图像;
S3:利用所述训练样本图像对所述图像去雾模型进行优化训练;
S4:利用优化后的图像去雾模型对目标监控场景的有雾图像进行处理,确定去雾图像。
所述图像去雾方法,构建图像去雾模型并获取包括景深图像在内的训练样本图像对所述图像去雾模型进行训练优化,再利用优化后的图像去雾模型对目标监控场景的有雾图像进行处理。在所述训练优化的过程中,考虑图像透射率与图像景深之间的比例对应关系,将图像景深也作为模型参数优化时的一个衡量参考,综合考虑待处理图像的自然光、透射率以及景深对最终生成去雾图像结果的影响,能够更快地完成对图像去雾模型的训练优化,并且使优化结果中的模型参数更精确,去雾处理效果更优。
如图2所示,在本发明的一些可选实施例提供的一种图像去雾方法中,所述图像去雾模型1包括自然光估计网络102、透射率估计网络101与去雾图像生成网络103,包括;
所述自然光估计网络102用于对输入图像进行处理,提取所述输入图像的大气光参数,并获取与所述输入图像相应的大气光图像;
所述透射率估计网络101用于对所述输入图像进行处理,提取所述输入图像的透射率参数,并获取与所述输入图像相应的透射率图像;
所述去雾图像生成网络103用于根据大气散射模型对所述大气光图像与所述透射率图像进行计算处理,输出与所述输入图像相对应的去雾图像。
在所述图像去雾方法中,所述图像去雾模型由三部分自网络构成,其中自然光估计网络102与透射率估计网络101分别提取输入图像的大气光图像和透射率图像,从大气光和透射率两个方面对输入图像特征进行分析,之后再根据从这两个方面所提取出的特征信息结合大气散射模型还原出于输入图像相对应的去雾图像。不同于一般的深度学习模型通过普通卷积方式实现图像去雾的方式,本发明所述图像去雾方法首先针对要处理的有雾图像物理影响因素进行分析,因各种环境因素影响所造成的有雾图像中,其大气光参数和透射率参数所受到的影响程度要小得多,因此从这两方面因素着手构建图像去雾方法,从图像去雾模型所要处理的对象的物理性质层面出发对所述图像去雾模型的结构进行设计和改进,这样在保证对有雾图进行有效去雾的同时,所述图像去雾模型整体的结构又不会太复杂,图像去雾的处理速度更快,对于计算能力的要求也能大大降低。
如图3所示,在本发明的一些可选实施例提供的一种图像去雾方法中,所述自然光估计网络用于对有雾图像进行处理,提取所述有雾图像的大气光参数,并获取与所述有雾图像相应的大气光图像,包括:
所述自然光估计网络102包括自然光编码器网络与自然光解码器网络;
所述自然光编码器网络用于对所述输入图像进行卷积操作,获得所述输入图像相应的自然光编码特征图像并确定所述大气光参数;
所述自然光编码器网络对输入的有雾图像进行第一预设卷积运算,将有雾图像映射到编码空间,得到所述大气光参数A*;
在一种可选实施方式中,所述自然光编码器网络可以为8层卷积神经网络结构,每层卷积神经网络包含Conv-Bn-Relu结构;所求大气光参数在图像中为一个特定常数,所述有雾图像通过多层卷积结构进行编码特征提取后,得到与输入的有雾图像相对应的大气光参数A*;
其中,所述自然光编码器网络在第一预设卷积运算的过程中,每层的卷积核大小和卷积步长应根据具体的场景设定。例如,采用卷积核大小为(4*4),步长为(2*2),卷积核距离(1*1)的卷积层对有雾图像进行第一预设卷积运算,得到该有雾图像在该次卷积操作后的编码特征。所述自然光编码器网络应包含多层卷积层,后一层的卷积网络对前一层输出的编码特征继续进行卷积操作,最后一层输出的编码特征构成所述自然光编码特征图像,根据所述编码特征(或所述自然光编码特征图像)即可确定所述大气光参数A*。
所述自然光解码器网络用于对所述自然光编码特征图像进行转置卷积操作,确定与所述输入图像相应的大气光图像。
所述自然光编码器网络在确定所述编码特征即所述自然光编码特征图像后将其输入所述自然光解码器网络,所述自然光解码器网络对所述自然光编码特征图像逐层转置卷积操作,得到大气光图像;
所述所述自然光解码器网络对所述自然光编码特征图像进行第二预设转置卷积运算;
在一种可选实施方式中,所述自然光解码器网络为U-Net结构,使网络中包含更高层次信息共享;由8层与所述自然光编码器相对称的转置卷积神经网络加上对应层的编码特征联合组成,每层包含Dconv-Bn-Relu结构,损失函数为L2损失函数,最终通过逐层转置卷积操作得到大气光图像;
其中,所述自然光解码器网络在第二预设转置卷积运算的过程中,每层的转置卷积核大小和卷积步长应根据具体的场景设定。例如,采用转置卷积核大小为(4*4),步长为(2*2),转置卷积核距离(1*1)的转置卷积层对有雾图像进行第二预设转置卷积运算,得到该编码特征在该次转置卷积操作后的大气光图像。所述自然光解码器网络应包含多层转置卷积层,后一层的转置卷积网络对前一层输出的编码特征继续进行转置卷积操作,最后一层输出的编码特征即为所求大气光图像Az。
如图3所示,在本发明的一些可选实施例提供的一种图像去雾方法中,所述透射率估计网络用于对所述输入图像进行处理,提取所述输入图像的透射率参数,并获取与所述输入图像相应的透射率图像,包括:
所述透射率估计网络包括透射率编码器网络与透射率解码器网络;
所述透射率编码器网络用于对所述输入图像进行卷积操作,获得所述输入图像相应的透射光编码特征图像并确定所述透射率参数;
所述透射率解码器网络包括池化模块,用于根据所述透射率参数所述透射光编码特征图像进行装置卷积与池化操作,确定与所述输入图像相应的透射率图像。
所述透射率估计网络对所述输入图像进行处理时,首先将所述训练样本的有雾图像输入到透射率估计网络中的编码器-解码器网络,进行多层卷积与转置卷积操作;
在一种可选实施方式中,所述透射率编码器网络与透射率解码器网络由包含多级池化模块的密集链接编解码网络组成。其基本模块采用dense模块,可以最大化特征信息以及保证所有层级之间的联系。卷积层与转置卷积分别由5层dense模块,卷积层输出为输入的所述有雾图像的透射率参数t*,网络结尾采用4层不同尺寸大小的池化操作得到与原始图像大小相同的四个特征图像并融合得到相应的所述透射率图像tz。
如图3所示,在本发明的一些可选实施例提供的一种图像去雾方法中,所述去雾图像生成网络用于根据大气散射模型对所述大气光图像与所述透射率图像进行计算处理,输出与所述输入图像相对应的去雾图像,包括:
所述大气散射模型表述为:
Iv=Jvtv+Av(1-tv)
其中,Jv表示无雾图像,tv表示所述无雾图像相应的透射率图像,Av表示所述无雾图像相应的大气光图像,Iv表示所述无雾图像经大气散射后的有雾图像;
由此,根据所述大气光图像与所述透射率图像计算确定所述去雾图像:
其中,Jz表示输出的所述去雾图像,Iz表示所述输入图像,Az表示经所述自然光估计网络处理得到的所述大气光图像,tz表示经所述透射率估计网络处理得到的所述透射率图像。
如图4所示,在本发明的一些可选实施例提供的一种图像去雾方法中,所述利用所述训练样本图像对所述图像去雾模型进行优化训练S3,包括:
S401:将所述训练有雾图像作为输入图像,利用所述图像去雾模型对所述训练有雾图像进行处理,输出训练去雾图像;
S402:将所述训练去雾图像与所述真实图像进行对比,并结合所述景深图像确定所述训练去雾图像与所述真实图像间的差异值;
S403:根据所述差异值对图像去雾模型中的模型参数进行调整。
所述图像去雾方法,利用包括景深图像在内的训练样本图像对所述图像去雾模型进行训练优化过程中,考虑图像透射率与图像景深之间的比例对应关系,将图像景深也作为模型参数优化时的一个衡量参考,综合考虑待处理图像的自然光、透射率以及景深对最终生成去雾图像结果的影响,能够更快地完成对图像去雾模型的训练优化,并且使优化结果中的模型参数更精确,去雾处理效果更优。
如图3所示,在本发明的一些可选实施例提供的一种图像去雾方法中,所述将所述训练去雾图像与所述真实图像进行对比,并结合所述景深图像确定所述训练去雾图像与所述真实图像间的差异值S402,包括:
构建图像判别模型2,所述图像判别模型2用于判断输入其中的图像是否为真实图像;
利用所述图像判别模型2与所述图像去雾模型1构成对抗生成网络,所述图像去雾模型1为所述对抗生成网络中的生成网络,所述图像判别模型2为所述对抗生成网络中的判别网络;
利用所述对抗生成网络确定输出差异值:
其中,Lgan表示所述输出差异值,D()表示所述判别网络,G()表示所述生成网络,Ex~pdata(x)表示logD(x)的输入数据采样自真实数据,Ez~p(z)表示输入log(1-D(G(z)))的输入数据采样自所述生成网络生成的数据;
根据大气光损失函数计算确定自然光差异值:
LA=Ez~p(z)(A-A(z))2
其中,LA表示所述自然光差异值,A表示真实大气光参数,A(z)表示所述大气光图像;
根据透射率损失函数计算确定透射率差异值:
其中,Lt表示所述透射率差异值,t表示真实透射率参数,t(z)表示所述所述透射率图像,t(d)表示相应景深图像的景深参数,k表示所述景深参数t(d)与所述透射率图像t(z)比值的期望值;
根据所述输出差异值Lgan、所述自然光差异值LA与所述透射率差异值Lt计算确定所述差异值:
Ltotal=Lgan+ω1*LA+ω2*Lt
其中,Ltotal表示所述差异值,ω1,ω2表示差异损失函数调整系数;
在上述计算确定透射率差异值与自然光差异值过程中,所述真实大气光参数A和所述真实透射率参数t可通过有雾图像和先验方法获得。
在本发明的一些可选实施例提供的一种图像去雾方法中,所述根据所述差异值对图像去雾模型中的模型参数进行调整,包括:
根据所述差异值Ltotal对所述对抗生成网络进行反复迭代收敛更新,直至所述差异值Ltotal达到目标差异值;
在一些可选实施例中,设定目标差异值作为反复迭代收敛更新的终止条件,通过不断对所述对抗生成网络中各项网络参数进行调整更新,使所述差异值Ltotal逐渐贴紧与所述目标差异值直至等于或小于所述目标差异值,当满足所述终止条件时,说明所述差异值Ltotal已足够小,所述图像去雾模型对有雾图像的处理效果已达到理想程度。
在一些可选实施例中,通过设定迭代收敛更新次数来对所述对抗生成网络中各项网络参数进行调整更新,例如设定迭代收敛更新次数为1万次、3万次等,迭代收敛更新次数达到一定数量值后,最终迭代收敛更新结果的图像去雾模型对有雾图像的处理效果也达到理想程度。
所述迭代收敛更新步骤包括:
步骤1:对所述判别网络进行训练,更新所述判别网络的网络参数,使D(x)最大化;
从p(z)采样生成网络的输入数据{z1,z2,…zm},从pdata(x)采样原始样本{x1,x2,…xm},训练判别模型,最大化D(x),更新网络参数。其梯度表示如下:
步骤2:对所述生成网络进行训练,更新所述生成器网络中的所述自然光估计网络与所述透射率估计网络的网络参数,使G(z)最小化。
从p(z)采样生成网络的输入数据{z1,z2,…zm},最小化G(z),更新网络参数。其梯度表示如下:
在另一方面,本发明的一个或多个实施例提供了一种图像去雾电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下方法:
构建图像去雾模型;
获取训练样本图像,所述训练样本图像包括训练有雾图像以及与所述训练有雾图像相对应的真实图像与景深图像;
利用所述训练样本图像对所述图像去雾模型进行优化训练;
利用优化后的图像去雾模型对目标监控场景的有雾图像进行处理,确定去雾图像。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的所述图像去雾方法。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的所述图像去雾方法,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在另一方面,本发明的一个或多个实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行以下方法:
构建图像去雾模型;
获取训练样本图像,所述训练样本图像包括训练有雾图像以及与所述训练有雾图像相对应的真实图像与景深图像;
利用所述训练样本图像对所述图像去雾模型进行优化训练;
利用优化后的图像去雾模型对目标监控场景的有雾图像进行处理,确定去雾图像。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本说明书一个或多个实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (7)
1.一种图像去雾方法,其特征在于,包括:
构建图像去雾模型,所述图像去雾模型包括自然光估计网络、透射率估计网络与去雾图像生成网络;
所述自然光估计网络用于对输入图像进行处理,提取所述输入图像的大气光参数,并获取与所述输入图像相应的大气光图像;
所述透射率估计网络用于对所述输入图像进行处理,提取所述输入图像的透射率参数,并获取与所述输入图像相应的透射率图像;
所述去雾图像生成网络用于根据大气散射模型对所述大气光图像与所述透射率图像进行计算处理,输出与所述输入图像相对应的去雾图像;
获取训练样本图像,所述训练样本图像包括训练有雾图像以及与所述训练有雾图像相对应的真实图像与景深图像;
利用所述训练样本图像对所述图像去雾模型进行优化训练;
利用优化后的图像去雾模型对目标监控场景的有雾图像进行处理,确定去雾图像;
其中,所述利用所述训练样本图像对所述图像去雾模型进行优化训练,进一步包括:
将所述训练有雾图像作为输入图像,利用所述图像去雾模型对所述训练有雾图像进行处理,输出训练去雾图像;
将所述训练去雾图像与所述真实图像进行对比,并结合所述景深图像确定所述训练去雾图像与所述真实图像间的差异值;
根据所述差异值对图像去雾模型中的模型参数进行调整;
其中,所述将所述训练去雾图像与所述真实图像进行对比,并结合所述景深图像确定所述训练去雾图像与所述真实图像间的差异值,进一步包括:
构建图像判别模型,所述图像判别模型用于判断输入其中的图像是否为真实图像;
利用所述图像判别模型与所述图像去雾模型构成对抗生成网络,所述图像去雾模型为所述对抗生成网络中的生成网络,所述图像判别模型为所述对抗生成网络中的判别网络;
利用所述对抗生成网络确定输出差异值:
其中,Lgan表示所述输出差异值,D()表示所述判别网络,G()表示所述生成网络,Ex~pdata(x)表示logD(x)的输入数据采样自真实数据,Ez~p(z)表示输入log(1-D(G(z)))的输入数据采样自所述生成网络生成的数据;
根据大气光损失函数计算确定自然光差异值:
LA=Ez~p(z)(A-A(z))2
其中,LA表示所述自然光差异值,A表示真实大气光参数,A(z)表示所述大气光图像;
根据透射率损失函数计算确定透射率差异值:
其中,Lt表示所述透射率差异值,t表示真实透射率参数,t(z)表示所述所述透射率图像,t(d)表示相应景深图像的景深参数,k表示所述景深参数t(d)与所述透射率图像t(z)比值的期望值;
根据所述输出差异值Lgan、所述自然光差异值LA与所述透射率差异值Lt计算确定所述差异值:
Ltotal=Lgan+ω1*LA+ω2*Lt
其中,Ltotal表示所述差异值,ω1,ω2表示差异损失函数调整系数。
2.根据权利要求1所述的方法,其特征在于,所述自然光估计网络用于对有雾图像进行处理,提取所述有雾图像的大气光参数,并获取与所述有雾图像相应的大气光图像,包括:
所述自然光估计网络包括自然光编码器网络与自然光解码器网络;
所述自然光编码器网络用于对所述输入图像进行卷积操作,获得所述输入图像相应的自然光编码特征图像并确定所述大气光参数;
所述自然光解码器网络用于对所述自然光编码特征图像进行转置卷积操作,确定与所述输入图像相应的大气光图像。
3.根据权利要求1所述的方法,其特征在于,所述透射率估计网络用于对所述输入图像进行处理,提取所述输入图像的透射率参数,并获取与所述输入图像相应的透射率图像,包括:
所述透射率估计网络包括透射率编码器网络与透射率解码器网络;
所述透射率编码器网络用于对所述输入图像进行卷积操作,获得所述输入图像相应的透射光编码特征图像并确定所述透射率参数;
所述透射率解码器网络包括池化模块,用于根据所述透射率参数所述透射光编码特征图像进行装置卷积与池化操作,确定与所述输入图像相应的透射率图像。
4.根据权利要求1所述的方法,其特征在于,所述去雾图像生成网络用于根据大气散射模型对所述大气光图像与所述透射率图像进行计算处理,输出与所述输入图像相对应的去雾图像,包括:
所述大气散射模型表述为:
Iv=Jvtv+Av(1-tv)
其中,Jv表示无雾图像,tv表示所述无雾图像相应的透射率图像,Av表示所述无雾图像相应的大气光图像,Iv表示所述无雾图像经大气散射后的有雾图像;
由此,根据所述大气光图像与所述透射率图像计算确定所述去雾图像:
其中,Jz表示输出的所述去雾图像,Iz表示所述输入图像,Az表示经所述自然光估计网络处理得到的所述大气光图像,tz表示经所述透射率估计网络处理得到的所述透射率图像。
5.根据权利要求1所述的方法,其特征在于,所述根据所述差异值对图像去雾模型中的模型参数进行调整,包括:
根据所述差异值Ltotal对所述对抗生成网络进行反复迭代收敛更新,直至所述差异值Ltotal达到目标差异值;
所述迭代收敛更新步骤包括:
步骤1:对所述判别网络进行训练,更新所述判别网络的网络参数,使D(x)最大化;
步骤2:对所述生成网络进行训练,更新所述生成器网络中的所述自然光估计网络与所述透射率估计网络的网络参数,使G(z)最小化。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至5任意一项所述的方法。
7.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666315.5A CN111932466B (zh) | 2020-07-10 | 2020-07-10 | 一种图像去雾方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666315.5A CN111932466B (zh) | 2020-07-10 | 2020-07-10 | 一种图像去雾方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932466A CN111932466A (zh) | 2020-11-13 |
CN111932466B true CN111932466B (zh) | 2021-09-14 |
Family
ID=73312960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010666315.5A Active CN111932466B (zh) | 2020-07-10 | 2020-07-10 | 一种图像去雾方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932466B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170443B (zh) * | 2022-09-08 | 2023-01-13 | 荣耀终端有限公司 | 一种图像处理方法、拍摄方法及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229525B (zh) * | 2017-05-31 | 2021-12-28 | 商汤集团有限公司 | 神经网络训练及图像处理方法、装置、电子设备和存储介质 |
CN108615073B (zh) * | 2018-04-28 | 2020-11-03 | 京东数字科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN109472818B (zh) * | 2018-10-17 | 2021-07-02 | 天津大学 | 一种基于深度神经网络的图像去雾方法 |
CN110322419B (zh) * | 2019-07-11 | 2022-10-21 | 广东工业大学 | 一种遥感图像去雾方法及系统 |
CN110570365B (zh) * | 2019-08-06 | 2022-04-29 | 西安电子科技大学 | 基于先验信息的图像去雾方法 |
CN110570371B (zh) * | 2019-08-28 | 2023-08-29 | 天津大学 | 一种基于多尺度残差学习的图像去雾方法 |
-
2020
- 2020-07-10 CN CN202010666315.5A patent/CN111932466B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111932466A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035319B (zh) | 单目图像深度估计方法及装置、设备、程序及存储介质 | |
CN105069424B (zh) | 面部快速识别系统和方法 | |
JP6902122B2 (ja) | ダブル視野角画像較正および画像処理方法、装置、記憶媒体ならびに電子機器 | |
CN111127468A (zh) | 一种道路裂缝检测方法和装置 | |
WO2019226366A1 (en) | Lighting estimation | |
CN113688907B (zh) | 模型训练、视频处理方法,装置,设备以及存储介质 | |
WO2023160312A1 (zh) | 基于自监督学习的行人重识别方法、装置、设备及存储介质 | |
CN113191489B (zh) | 二值神经网络模型的训练方法、图像处理方法和装置 | |
CN111831844A (zh) | 图像检索方法、图像检索装置、图像检索设备及介质 | |
WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
CN112001923B (zh) | 一种视网膜图像分割方法及装置 | |
CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
CN116071279A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111932466B (zh) | 一种图像去雾方法、电子设备及存储介质 | |
CN110533663B (zh) | 一种图像视差确定方法、装置、设备及系统 | |
CN113837965B (zh) | 图像清晰度识别方法、装置、电子设备及存储介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN114742722A (zh) | 文档矫正方法、装置、电子设备及存储介质 | |
Pan et al. | Optimal O (1) bilateral filter with arbitrary spatial and range kernels using sparse approximation | |
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 | |
GB2623399A (en) | System, devices and/or processes for image anti-aliasing | |
CN116206196A (zh) | 一种海洋低光环境多目标检测方法及其检测系统 | |
CN115861401A (zh) | 一种双目与点云融合深度恢复方法、装置和介质 | |
CN113284075B (zh) | 图像去噪方法、装置以及电子设备、存储介质 | |
CN115330930A (zh) | 基于稀疏到稠密特征匹配网络的三维重建方法和系统 |
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 |