CN112215789A - 图像去雾方法、装置、设备和计算机可读介质 - Google Patents

图像去雾方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN112215789A
CN112215789A CN202011083479.1A CN202011083479A CN112215789A CN 112215789 A CN112215789 A CN 112215789A CN 202011083479 A CN202011083479 A CN 202011083479A CN 112215789 A CN112215789 A CN 112215789A
Authority
CN
China
Prior art keywords
defogging
feature map
original image
standardized
feature
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.)
Granted
Application number
CN202011083479.1A
Other languages
English (en)
Other versions
CN112215789B (zh
Inventor
邓启力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Douyin Vision Beijing Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202011083479.1A priority Critical patent/CN112215789B/zh
Publication of CN112215789A publication Critical patent/CN112215789A/zh
Application granted granted Critical
Publication of CN112215789B publication Critical patent/CN112215789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本公开的实施例公开了图像去雾方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；对上述去雾特征图进行标准化处理，得到标准化去雾特征图；基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。该实施方式通过将从原始图像中提取出的局部特征信息和全局特征信息与标准化后的去雾特征图进行融合，实现了即使加入了可以提高计算速度的标准化，也能对原始图像中的细节进行保护，从而兼顾了效率和质量。

Description

图像去雾方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图像去雾方法、装置、设备和计算机可读介质。
背景技术
在众多图像处理技术中，有一种图像去雾技术，该技术希望恢复对比度低于预设阈值的原始图像的对比度，使原始图像变得清晰，以在视觉上呈现去雾的效果。现有的图像去雾技术由于加入标准化后会丢失大量的图像细节，使图像去雾后不能很好地保持原始图像中展示的有用图像信息。并且，不加入标准化会增加计算的时长。即效率与质量不可兼顾。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像去雾方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种图像去雾方法，该方法包括：对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；对上述去雾特征图进行标准化处理，得到标准化去雾特征图；基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。
第二方面，本公开的一些实施例提供了一种图像去雾装置，装置包括：特征提取单元，被配置成对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；处理单元，被配置成对上述去雾特征图进行标准化处理，得到标准化去雾特征图；第一生成单元，被配置成基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；第二生成单元，被配置成基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过提取原始图像的局部特征信息和全局特征信息，并且与标准化后的原始图像进行融合，实现了即使加入了标准化，也能对原始图像中的细节进行保护，从而兼顾了效率和质量。
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，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的图像去雾方法的一个应用场景的示意图；
图2是根据本公开的图像去雾方法的一些实施例的流程图；
图3是根据本公开的一些实施例的图像去雾方法中生成去雾图像步骤的示意图；
图4是根据本公开的一些实施例的图像去雾方法中生成局部去雾特征图步骤的示意图；
图5是根据本公开的图像去雾方法的另一些实施例的流程图；
图6是根据本公开的图像去雾装置的一些实施例的结构示意图；
图7是适于用来实现本公开的一些实施例的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。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、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。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的图像去雾方法的一个应用场景的示意图。
在图1所示的应用场景中，首先，计算设备101可以对原始图像102进行两次特征提取，分别得到去雾特征图103和原始图像特征图104。在本应用场景中，上述去雾特征图用于表征图像去雾后的像素信息。在此基础上，上述计算设备101可以是通过对原始图像中每个像素的暗通道像素值进行归零，得到上述去雾特征图103。其中，像素点的暗通道可以是指该像素点在红、蓝、绿三个颜色通道中值最小的通道。之后，对上述去雾特征图进行标准化处理，得到标准化去雾特征图105。之后，基于上述原始图像特征图104，生成原始图像局部特征矩阵107和原始图像全局特征矩阵106。最后，基于上述标准化去雾特征图105、上述原始图像局部特征矩阵107和上述原始图像全局特征矩阵106，生成去雾图像108。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备101的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备101。
继续参考图2，示出了根据本公开的图像去雾方法的一些实施例的流程200。该图像去雾方法，包括以下步骤：
步骤201，对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图。
在一些实施例中，上述原始图像可以是任意图像。例如，可以是图像去雾方法执行主体中存储的图像。再如，还可以是网络中公开的图像。
在一些实施例中，上述对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图可以是将上述原始图像输入到两个结构相同、参数不同的卷积神经网络，分别得到去雾特征图和原始图像特征图。例如，上述两个卷积神经网络可以包含任意数目个卷积层、任意数目个池化层。
在一些实施例中，上述对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图还可以是将上述原始图像输入到两个结构不同的卷积神经网络，分别得到去雾特征图和原始图像特征图。
步骤202，对上述去雾特征图进行标准化处理，得到标准化去雾特征图。
在一些实施例中，上述执行主体可以首先对上述去雾特征图进行批量标准化处理，得到批量标准化去雾特征图。之后，将上述批量标准化去雾特征图确定为上述标准化去雾特征图。
在一些实施例中，上述执行主体可以对上述去雾特征图进行实例标准化处理，得到实例标准化去雾特征图。之后，将上述实例标准化去雾特征图确定为上述标准化去雾特征图。
在一些实施例的一些可选的实现方式中，上述执行主体可以首先对上述去雾特征图进行批量标准化，得到批量标准化去雾特征图。之后，对上述去雾特征图进行实例标准化，得到实例标准化去雾特征图。最后，将上述批量标准化去雾特征图和上述实例标准化去雾特征图确定为上述标准化去雾特征图。
步骤203，基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵。
在一些实施例中，上述执行主体可以使用图像特征提取算法，基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵。其中，上述图像特征提取算法可以包括但不限于SIFT(Scale Invariant Feature Transform，尺度不变特征变换)特征提取算法、HOG(Histogram of Oriented Gradient,方向梯度直方图)特征提取算法、LBP(Local Binary Pattern，局部二值模式)特征提取算法，等。
在一些实施例中，上述执行主体还可以通过将上述原始图像特征图输入到CNN(Convolutional Neural Network，卷积神经网络)中，得到原始图像局部特征矩阵和原始图像全局特征矩阵。
步骤204，基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。
进一步参考图3，图3示出了根据本公开的一些实施例的图像去雾方法中生成去雾图像步骤的示意图300。
在一些实施例中，如图3所示，上述执行主体可以将上述标准化去雾特征图的矩阵形式301、上述原始图像局部特征矩阵302和上述原始图像全局特征矩阵303按照元素取平均值，得到去雾图像的矩阵形式304，进一步得到去雾图像305。
在一些实施例的一些可选的实现方式中，上述执行主体还可以首先基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成目标去雾特征图。之后，基于上述目标去雾特征图，生成去雾图像。
在一些实施例中，上述执行主体可以通过图3所示方法生成上述目标去雾特征图。
在一些实施例的一些可选的实现方式中，上述执行主体还可以通过以下步骤生成上述目标去雾特征图：
步骤一，基于上述批量标准化去雾特征图和上述原始图像局部特征矩阵，生成局部去雾特征图。
在一些实施例中，上述执行主体可以通过图3所示的方法生成上述局部去雾特征图。
进一步参考图4，图4示出了根据本公开的一些实施例的图像去雾方法中生成局部去雾特征图步骤的示意图400。
在一些实施例中，如图4所示，上述执行主体还可以通过将上述批量标准化去雾特征图的矩阵形式401和上述原始图像局部特征矩阵402按照元素相加，得到相加结果403。之后，对上述相加结果403进行卷积，得到上述局部去雾特征图405。其中，卷积矩阵404为1*1的矩阵，矩阵中元素的值为1/2。
步骤二，基于上述批量标准化去雾特征图和上述原始图像全局特征矩阵，生成全局去雾特征图。
在一些实施例中，步骤二的具体实现可以参考步骤一对应的实施例，在此不再赘述。
步骤三，基于上述实例标准化去雾特征图、上述局部去雾特征图和上述全局去雾特征图，生成上述目标去雾特征图。
在一些实施例中，步骤三的具体实现可以参考步骤一对应的实施例，在此不再赘述。
在一些实施例中，上述执行主体可以将上述目标去雾特征图确定为上述去雾图像。
在一些实施例中，上述执行主体还可以通过将上述目标去雾特征图输入到卷积神经网络，得到上述去雾图像。
本公开的一些实施例提供的方法通过提取原始图像的局部特征信息和全局特征信息，并且与标准化后的原始图像进行融合，实现了即使加入了标准化，也能对原始图像中的细节进行保护，从而兼顾了效率和质量。
进一步参考图5，其示出了图像去雾方法的另一些实施例的流程500。该图像去雾方法的流程500，包括以下步骤：
步骤501，对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图。
在一些实施例中，步骤501的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201，在此不再赘述。
步骤502，对上述去雾特征图进行批量标准化，得到批量标准化去雾特征图。
在一些实施例中，上述执行主体可以将上述去雾特征图中每个像素点的每个像素值减去上述去雾特征图中所有像素点的所有像素值的平均值，再除以上述去雾特征图中所有像素点的所有像素值的标准差，得到上述批量标准化去雾特征图。
步骤503，对上述去雾特征图进行实例标准化，得到实例标准化去雾特征图。
在一些实施例中，上述执行主体可以将上述去雾特征图中每个通道中的每个像素点的每个像素值减去上述通道中所有像素点的所有像素值的平均值，再除以上述通道中所有像素点的所有像素值的标准差，得到上述批量标准化去雾特征图。
步骤504，将上述批量标准化去雾特征图和上述实例标准化去雾特征图确定为上述标准化去雾特征图。
步骤505，基于上述批量标准化去雾特征图和上述原始图像局部特征矩阵，生成局部去雾特征图。
在一些实施例中，上述执行主体可以通过图3所示的方法生成上述局部去雾特征图。即将上述批量标准化去雾特征图和上述原始图像局部特征矩阵按照元素取平均值，得到上述局部去雾特征图。
在一些实施例中，如图4所示，上述执行主体还可以通过将上述批量标准化去雾特征图的矩阵形式401和上述原始图像局部特征矩阵402按照元素相加，得到相加结果403。之后，对上述相加结果403进行卷积，得到上述局部去雾特征图405。其中，卷积矩阵404为1*1的矩阵，矩阵中元素的值为1/2。
在一些实施例中，上述执行主体还可以通过将上述批量标准化去雾特征图的矩阵形式和上述原始图像局部特征矩阵的内积结果确定为上述局部去雾特征图。
步骤506，基于上述批量标准化去雾特征图和上述原始图像全局特征矩阵，生成全局去雾特征图。
在一些实施例中，步骤506的具体实现可以参考步骤505对应的实施例，在此不再赘述。
步骤507，基于上述实例标准化去雾特征图、上述局部去雾特征图和上述全局去雾特征图，生成上述目标去雾特征图。
在一些实施例中，上述执行主体可以将上述实例标准化去雾特征图的矩阵形式与上述局部去雾特征图的矩阵形式进行内积，得到第一内积结果。之后，将与上述实例标准化去雾特征图的矩阵形式的尺寸相同的单位矩阵与上述实例标准化去雾特征图的矩阵形式进行矩阵减法，得到减法结果。之后，将上述减法结果与上述全局去雾特征图的矩阵形式进行内积，得到第二内积结果。最后，将上述第一内积结果与上述第二内积结果进行矩阵加法，得到上述目标去雾特征图。
在一些实施例中，上述执行主体还可以按照图3所示的方式，生成上述目标去雾特征图。即将上述实例标准化去雾特征图的矩阵形式、上述局部去雾特征图的矩阵形式、上述全局特征图的矩阵形式按照元素取平均值，得到上述目标去雾特征图。
步骤508，基于上述目标去雾特征图，生成去雾图像。
在一些实施例中，上述执行主体可以将上述目标去雾特征图确定为上述去雾图像。
在一些实施例中，上述执行主体还可以通过将上述目标去雾特征图输入到卷积神经网络，得到上述去雾图像。
从图5中可以看出，与图2对应的一些实施例的描述相比，图5对应的一些实施例中的图像去雾方法的流程500体现了对去雾特征图进行批量标准化和实例标准化的步骤。实例标准化在计算均值与标准差时涉及的范围比批量标准化更加局部。因此，这些实施例描述的方案可以保留更多的原始图像中的细节。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种图像去雾装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的图像去雾装置600包括：特征提取单元601、处理单元602、第一生成单元603和第二生成单元604。其中，特征提取单元601，被配置成对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；处理单元602，被配置成对上述去雾特征图进行标准化处理，得到标准化去雾特征图；第一生成单元603，被配置成基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；第二生成单元604，被配置成基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。
在一些实施例的可选实现方式中，上述处理单元进一步被配置成：对上述去雾特征图进行批量标准化，得到批量标准化去雾特征图；对上述去雾特征图进行实例标准化，得到实例标准化去雾特征图；将上述批量标准化去雾特征图和上述实例标准化去雾特征图确定为上述标准化去雾特征图。
在一些实施例的可选实现方式中，上述第二生成单元进一步被配置成：基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成目标去雾特征图；基于上述目标去雾特征图，生成去雾图像。
在一些实施例的可选实现方式中，上述第二生成单元进一步被配置成：基于上述批量标准化去雾特征图和上述原始图像局部特征矩阵，生成局部去雾特征图；基于上述批量标准化去雾特征图和上述原始图像全局特征矩阵，生成全局去雾特征图；基于上述实例标准化去雾特征图、上述局部去雾特征图和上述全局去雾特征图，生成上述目标去雾特征图；基于上述目标去雾特征图，生成去雾图像。
可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的一些实施例中的电子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，不应对本公开的实施例的功能和使用范围带来任何限制。
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)703中的程序而执行各种适当的动作和处理。在RAM 703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 703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。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在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。在这样的一些实施例中，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，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例所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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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：对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；对上述去雾特征图进行标准化处理，得到标准化去雾特征图；基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。
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一些实施例的操作的计算机程序代码，所述程序设计语言包括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。
描述于本公开的一些实施例中的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括特征提取单元、处理单元、第一生成单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第二生成单元还可以被描述为“生成去雾图像的单元”。
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。
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：对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；对上述去雾特征图进行标准化处理，得到标准化去雾特征图；基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。
根据本公开的一个或多个实施例，上述对上述去雾特征图进行标准化处理，得到标准化去雾特征图，包括：对上述去雾特征图进行批量标准化，得到批量标准化去雾特征图；对上述去雾特征图进行实例标准化，得到实例标准化去雾特征图；将上述批量标准化去雾特征图和上述实例标准化去雾特征图确定为上述标准化去雾特征图。
根据本公开的一个或多个实施例，上述基于标准化去雾特征图、局部去雾特征图和全局去雾特征图，生成去雾图像，包括：基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成目标去雾特征图；基于上述目标去雾特征图，生成去雾图像。
根据本公开的一个或多个实施例，上述基于上述标准化去雾特征图、上述局部去雾特征图和全局去雾特征图，生成目标去雾特征图，包括：基于上述批量标准化去雾特征图和上述原始图像局部特征矩阵，生成局部去雾特征图；基于上述批量标准化去雾特征图和上述原始图像全局特征矩阵，生成全局去雾特征图；基于上述实例标准化去雾特征图、上述局部去雾特征图和上述全局去雾特征图，生成上述目标去雾特征图。
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：特征提取单元，被配置成对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；处理单元，被配置成对上述去雾特征图进行标准化处理，得到标准化去雾特征图；第一生成单元，被配置成基于上述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；第二生成单元，被配置成基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成去雾图像。
根据本公开的一个或多个实施例，上述处理单元进一步被配置成：对上述去雾特征图进行批量标准化，得到批量标准化去雾特征图；对上述去雾特征图进行实例标准化，得到实例标准化去雾特征图；将上述批量标准化去雾特征图和上述实例标准化去雾特征图确定为上述标准化去雾特征图。
根据本公开的一个或多个实施例，上述第二生成单元进一步被配置成：基于上述标准化去雾特征图、上述原始图像局部特征矩阵和上述原始图像全局特征矩阵，生成目标去雾特征图；基于上述目标去雾特征图，生成去雾图像。
根据本公开的一个或多个实施例，上述第二生成单元进一步被配置成：基于上述批量标准化去雾特征图和上述原始图像局部特征矩阵，生成局部去雾特征图；基于上述批量标准化去雾特征图和上述原始图像全局特征矩阵，生成全局去雾特征图；基于上述实例标准化去雾特征图、上述局部去雾特征图和上述全局去雾特征图，生成上述目标去雾特征图；基于上述目标去雾特征图，生成去雾图像。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一的方法。
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，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (10)

1.一种图像去雾方法，包括：
对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；
对所述去雾特征图进行标准化处理，得到标准化去雾特征图；
基于所述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；
基于所述标准化去雾特征图、所述原始图像局部特征矩阵和所述原始图像全局特征矩阵，生成去雾图像。
2.根据权利要求1所述的方法，其中，所述对所述去雾特征图进行标准化处理，得到标准化去雾特征图，包括：
对所述去雾特征图进行批量标准化，得到批量标准化去雾特征图；
对所述去雾特征图进行实例标准化，得到实例标准化去雾特征图；
将所述批量标准化去雾特征图和所述实例标准化去雾特征图确定为所述标准化去雾特征图。
3.根据权利要求2所述的方法，其中，所述基于标准化去雾特征图、局部去雾特征图和全局去雾特征图，生成去雾图像，包括：
基于所述标准化去雾特征图、所述原始图像局部特征矩阵和所述原始图像全局特征矩阵，生成目标去雾特征图；
基于所述目标去雾特征图，生成去雾图像。
4.根据权利要求3所述的方法，其中，所述基于所述标准化去雾特征图、所述局部去雾特征图和全局去雾特征图，生成目标去雾特征图，包括：
基于所述批量标准化去雾特征图和所述原始图像局部特征矩阵，生成局部去雾特征图；
基于所述批量标准化去雾特征图和所述原始图像全局特征矩阵，生成全局去雾特征图；
基于所述实例标准化去雾特征图、所述局部去雾特征图和所述全局去雾特征图，生成所述目标去雾特征图。
5.一种图像去雾装置，包括：
特征提取单元，被配置成对原始图像进行两次特征提取，分别得到去雾特征图和原始图像特征图；
处理单元，被配置成对所述去雾特征图进行标准化处理，得到标准化去雾特征图；
第一生成单元，被配置成基于所述原始图像特征图，生成原始图像局部特征矩阵和原始图像全局特征矩阵；
第二生成单元，被配置成基于所述标准化去雾特征图、所述原始图像局部特征矩阵和所述原始图像全局特征矩阵，生成去雾图像。
6.根据权利要求5所述的装置，其中，所述处理单元进一步被配置成：
对所述去雾特征图进行批量标准化，得到批量标准化去雾特征图；
对所述去雾特征图进行实例标准化，得到实例标准化去雾特征图；
将所述批量标准化去雾特征图和所述实例标准化去雾特征图确定为所述标准化去雾特征图。
7.根据权利要求6所述的装置，其中，所述第二生成单元进一步被配置成：
基于所述标准化去雾特征图、所述原始图像局部特征矩阵和所述原始图像全局特征矩阵，生成目标去雾特征图；
基于所述目标去雾特征图，生成去雾图像。
8.根据权利要求7所述的方法，其中，所述第二生成单元进一步被配置成：
基于所述批量标准化去雾特征图和所述原始图像局部特征矩阵，生成局部去雾特征图；
基于所述批量标准化去雾特征图和所述原始图像全局特征矩阵，生成全局去雾特征图；
基于所述实例标准化去雾特征图、所述局部去雾特征图和所述全局去雾特征图，生成所述目标去雾特征图；
基于所述目标去雾特征图，生成去雾图像。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202011083479.1A 2020-10-12 2020-10-12 图像去雾方法、装置、设备和计算机可读介质 Active CN112215789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011083479.1A CN112215789B (zh) 2020-10-12 2020-10-12 图像去雾方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011083479.1A CN112215789B (zh) 2020-10-12 2020-10-12 图像去雾方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN112215789A true CN112215789A (zh) 2021-01-12
CN112215789B CN112215789B (zh) 2022-10-25

Family

ID=74053230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011083479.1A Active CN112215789B (zh) 2020-10-12 2020-10-12 图像去雾方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112215789B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091310A (zh) * 2014-06-24 2014-10-08 三星电子（中国）研发中心 一种图像去雾方法和装置
US20160005152A1 (en) * 2014-07-01 2016-01-07 Adobe Systems Incorporated Multi-Feature Image Haze Removal
CN108765344A (zh) * 2018-05-30 2018-11-06 南京信息工程大学 一种基于深度卷积神经网络的单幅图像雨线去除的方法
CN110298413A (zh) * 2019-07-08 2019-10-01 北京字节跳动网络技术有限公司 图像特征提取方法、装置、存储介质及电子设备
CN110544213A (zh) * 2019-08-06 2019-12-06 天津大学 一种基于全局和局部特征融合的图像去雾方法
CN110610463A (zh) * 2019-08-07 2019-12-24 深圳大学 一种图像增强方法及装置
CN110717851A (zh) * 2019-10-18 2020-01-21 京东方科技集团股份有限公司 图像处理方法及装置、神经网络的训练方法、存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091310A (zh) * 2014-06-24 2014-10-08 三星电子（中国）研发中心 一种图像去雾方法和装置
US20160005152A1 (en) * 2014-07-01 2016-01-07 Adobe Systems Incorporated Multi-Feature Image Haze Removal
CN108765344A (zh) * 2018-05-30 2018-11-06 南京信息工程大学 一种基于深度卷积神经网络的单幅图像雨线去除的方法
CN110298413A (zh) * 2019-07-08 2019-10-01 北京字节跳动网络技术有限公司 图像特征提取方法、装置、存储介质及电子设备
CN110544213A (zh) * 2019-08-06 2019-12-06 天津大学 一种基于全局和局部特征融合的图像去雾方法
CN110610463A (zh) * 2019-08-07 2019-12-24 深圳大学 一种图像增强方法及装置
CN110717851A (zh) * 2019-10-18 2020-01-21 京东方科技集团股份有限公司 图像处理方法及装置、神经网络的训练方法、存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANDREY IGNATOV等: "DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks", 《ARXIV》 *
DONGDONG CHEN等: "Gated Context Aggregation Network for Image Dehazing and Deraining", 《ARXIV》 *
ZAHRA ANVARI等: "DEHAZE-GLCGAN: UNPAIRED SINGLE IMAGE DEHAZING VIA ADVERSARIAL TRAINING", 《ARXIV》 *

Also Published As

Publication number Publication date
CN112215789B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
CN112650790B (zh) 目标点云平面确定方法，装置，电子设备及存储介质
CN112418249A (zh) 掩膜图像生成方法、装置、电子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
CN112085733B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN111915689A (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN110852242A (zh) 基于多尺度网络的水印识别方法、装置、设备及存储介质
CN112215789B (zh) 图像去雾方法、装置、设备和计算机可读介质
CN112764629B (zh) 增强现实界面展示方法、装置、设备和计算机可读介质
CN111784709B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN112488947A (zh) 模型训练和图像处理方法、装置、设备和计算机可读介质
CN112070034A (zh) 图像识别方法、装置、电子设备和计算机可读介质
CN112085035A (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN112712070A (zh) 一种珠算题的判题方法、装置、电子设备及存储介质
CN111797932B (zh) 图像分类方法、装置、设备和计算机可读介质
CN111814807B (zh) 用于处理图像的方法、装置、电子设备和计算机可读介质
CN112215774B (zh) 模型训练和图像去雾方法、装置、设备和计算机可读介质
CN111860518B (zh) 用于分割图像的方法、装置、设备和计算机可读介质
CN112070701A (zh) 图像生成方法、装置、设备和计算机可读介质
CN114359673A (zh) 基于度量学习的小样本烟雾检测方法、装置和设备
CN111968028A (zh) 图像生成方法、装置、设备和计算机可读介质
CN116167933A (zh) 图像降噪方法、装置、电子设备和计算机可读介质
CN114743077A (zh) 图像质量信息生成、图像质量信息生成模型的训练方法
CN116883659A (zh) 一种基于像素对多算子交互敏感度的图像分割方法
CN111784710A (zh) 图像处理方法、装置、电子设备和介质

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
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.