CN114037629A - 图像去雾模型的训练方法、图像去雾方法及装置 - Google Patents

图像去雾模型的训练方法、图像去雾方法及装置 Download PDF

Info

Publication number
CN114037629A
CN114037629A CN202111304319.XA CN202111304319A CN114037629A CN 114037629 A CN114037629 A CN 114037629A CN 202111304319 A CN202111304319 A CN 202111304319A CN 114037629 A CN114037629 A CN 114037629A
Authority
CN
China
Prior art keywords
image
fog
information
feature
original
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.)
Pending
Application number
CN202111304319.XA
Other languages
English (en)
Inventor
宋希彬
张良俊
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111304319.XA priority Critical patent/CN114037629A/zh
Publication of CN114037629A publication Critical patent/CN114037629A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/73Deblurring; Sharpening
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

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

本公开提供了一种图像去雾模型的训练方法、图像去雾方法及装置,涉及计算机视觉技术领域,尤其涉及图像处理技术领域。图像去雾模型的训练方法的具体实现方案为:获取原始雾气图像和对应的原始清晰图像;对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像;基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像;计算所述去雾图像与所述原始清晰图像之间的第一损失,以及所述重构雾气图像与所述原始雾气图像之间的第二损失;基于所述第一损失与所述第二损失对图像去雾模型进行训练。

Description

图像去雾模型的训练方法、图像去雾方法及装置
技术领域
本公开涉及计算机视觉技术领域,尤其涉及图像处理技术领域,具体涉及一种图像去雾模型的训练方法、图像去雾方法及装置。
背景技术
随着计算机视觉技术的发展,计算机视觉应用范围也不断扩大,如物体检测和分割、物体跟踪等,而获得高质量的图像信息能够有效提高计算机视觉技术的准确率。雾气经常存在于现实场景中,会对场景的物体造成遮挡,雾气场景下获得的图像通常需要经过再处理,以获得清晰度较高的无雾图像。
发明内容
本公开提供了一种图像去雾模型的训练方法、图像去雾方法及装置。
根据本公开的第一方面,提供了一种图像去雾模型的训练方法,包括:
获取原始雾气图像和对应的原始清晰图像;
对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像;
基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像;
计算所述去雾图像与所述原始清晰图像之间的第一损失,以及所述重构雾气图像与所述原始雾气图像之间的第二损失;
基于所述第一损失与所述第二损失对图像去雾模型进行训练。
根据本公开的第二方面,提供了一种图像去雾方法,包括:
获取待处理图像;
基于图像去雾模型对所述待处理图像进行去雾处理,得到去雾的清晰图像;
其中,所述图像去雾模型为根据第一方面所述的方法训练得到的模型。
根据本公开的第三方面,提供了一种图像去雾模型的训练装置,包括:
第一获取模块,用于获取原始雾气图像和对应的原始清晰图像;
特征提取模块,用于对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像;
重构模块,用于基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像;
损失计算模块,用于计算所述去雾图像与所述原始清晰图像之间的第一损失,以及所述重构雾气图像与所述原始雾气图像之间的第二损失;
训练模块,用于基于所述第一损失与所述第二损失对图像去雾模型进行训练。
根据本公开的第四方面,提供了一种图像去雾装置,包括:
第二获取模块,用于获取待处理图像;
处理模块,用于基于图像去雾模型对所述待处理图像进行去雾处理,得到去雾的清晰图像;
其中,所述图像去雾模型为根据第一方面所述的方法训练得到的模型。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法,或者执行第二方面所述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的方法,或者执行根据第二方面所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的方法,或者实现根据第二方面所述的方法。
本公开提供的技术方案,通过计算两种损失来作为图像去雾模型的两种监督信号,对图像去雾模型进行训练,能够有效提升图像去雾模型的训练效果,使得训练后的图像去雾模型的精度更高,对雾气图像的去雾效果更好。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的一种图像去雾模型的训练方法的流程图;
图2a是本公开实施例提供的一种图像去雾模型的训练方法中特征提取和图像重构的流程图;
图2b是本公开实施例提供的一种图像去雾模型的训练方法中通道级特征增强的流程图;
图2c是本公开实施例提供的一种图像去雾模型的训练方法中像素级特征增强的流程图;
图3是本公开实施例提供的一种图像去雾方法的流程图;
图4是本公开实施例提供的一种图像去雾模型的训练装置的结构图;
图5是本公开实施例提供的一种图像去雾装置的结构图;
图6是用来实现本公开实施例的图像去雾模型的训练方法或图像去雾方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开实施例提供了一种图像去雾模型的训练方法。
请参照图1,图1是本公开实施例提供的一种图像去雾模型的训练方法的流程图。如图1所示,所述方法包括以下步骤:
步骤S101、获取原始雾气图像和对应的原始清晰图像。
其中,所述原始雾气图像与所述原始清晰图像一一对应,原始清晰图像为对应的原始雾气图像的去雾图像或者称无雾图像,一张原始清晰图像与对应的原始清晰图像为一组雾气-清晰图像对。可选地,本公开实施例中可以是获取多组雾气-清晰图像对作为图像去雾模型的训练图像。
步骤S102、对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
本公开实施例中,将获取到的原始雾气图像作为图像去雾模型的输入,基于图像去雾模型对所述原始雾气图像进行特征提取或者称特征估计,例如分别估计所述原始雾气图像的光照信息、雾气信息,进而以得到图像光照信息、图像雾气信息和去雾图像,所述去雾图像可以是对所述原始雾气图像提取了雾气信息后的图像。
可选地,可以是基于图像去雾模型对所述原始雾气图像进行特征编码和特征解码,以获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
步骤S103、基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像。
本步骤中,可以是基于图像去雾模型对提取到的图像光照信息、图像雾气信息和去雾图像进行图像重构,以得到重构雾气图像。
可选地,所述步骤S103还可以包括:
获取所述图像雾气信息与所述去雾图像之间的第一乘积;
获取所述图像雾气信息与所述图像光照信息之间的第二乘积;
根据所述第一乘积和所述第二乘积进行图像重构,得到重构雾气图像。
需要说明地,所述图像光照信息、图像雾气信息、去雾图像均可以是通过特征值进行表征,进而通过图像雾气信息的特征值与去雾图像的特征值获得第一乘积,通过图像雾气信息的特征值与图像光照信息的特征值获得第二乘积,重构雾气图像可以是第一乘积与第二乘积之和。
可选地,所述重构雾气图像可以是通过如下公式重构得到:
I=J*T+(1-T)*A;
其中,I为重构雾气图像,J为去雾图像,T为图像雾气信息,A为图像光照信息。需要说明的是,上述公式中的各参数可以是基于图像去雾模型得到,例如图像去雾模型对原始雾气图像进行特征编码、特征解码后得到图像光照信息、图像雾气信息和去雾图像,上述各参数可以是通过模型特征值或者说模型参数来表征。其中,基于网络模型得到相应的模型参数可以是参照网络模型的相关原理,本公开对此不做赘述。
本公开实施例中,通过对特征提取得到的图像光照信息、图像雾气信息和去雾图像来进行图像重构,进而以得到重构雾气图像,也就能够计算重构雾气图像与原始雾气图像之间的损失,基于该损失来对图像去雾模型进行训练,以提升图像去雾模型的精度。
步骤S104、计算所述去雾图像与所述原始清晰图像之间的第一损失,以及所述重构雾气图像与所述原始雾气图像之间的第二损失。
其中,所述去雾图像为图像去雾模型对原始雾气图像进行特征提取得到的图像,例如可以是去除了雾气信息的图像,理论上希望该去雾图像与原始清晰图像一致,但通过图像去雾模型对原始雾气图像的处理,提取得到的去雾图像与原始清晰图像不可能完全一样,而会存在一定差异,则计算所述去雾图像与原始清晰图像之间的第一损失。
另外,本公开实施例中还通过对提取得到的所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像,理论上也希望该重构雾气图像与原始雾气图像一致,但在基于图像去雾模型进行特征提取和图像重构后,重构得到的重构雾气图像与原始雾气图像会存在一定差异,计算该重构雾气图像与原始雾气图像之间的第二损失。
步骤S105、基于所述第一损失与所述第二损失对图像去雾模型进行训练。
可以理解地,在计算得到第一损失和第二损失后,基于所述第一损失和第二损失对图像去雾模型进行训练。也就是说,基于去雾图像与原始清晰图像之间应趋于一致,基于重构雾气图像与原始雾气图像之间应趋于一致这两个监督信号,来对图像去雾模型进行监督训练。
本公开实施例提供的图像去雾模型的训练方法,不再仅是通过去雾图像与原始清晰图像之间的损失来作为监督信号,对图像去雾模型进行训练,同时还通过重构雾气图像与原始雾气图像之间的损失来作为另一个监督信号,对图像去雾模型进行训练,能够考虑原始雾气图像的不同成分之间的关系和影响,提升图像去雾模型的训练效果,使得训练后的图像去雾模型的精度更高,对雾气图像的去雾效果更好,以输出更为清晰的图像。
可选地,所述图像去雾模型包括第一网络结构,所述步骤S102可以包括:
基于所述第一网络结构对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
本公开实施例中,可以是基于第一网络结构对原始雾气图像进行提取,基于第一网络结构来获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。或者,也可以是基于第一网络结构来获取原始雾气图像的去雾图像,基于其他的网络结构来获取原始雾气图像的图像光照信息和图像雾气信息。
其中,图像去雾模型可以是包括多个网络结构,多个网络结构之间可以是相互独立;或者,图像去雾模型可以是包括多个网络子模型,第一网络结构为其中的一个网络子模型,所述第一网络结构能够独立实现特征编码、特征解码以及模型训练等操作。本公开实施例中,通过图像去雾模型中的第一网络结构来对原始雾气图像进行特征提取,使得图像去雾模型对特征提取的特征计算量集中在其中的一个网络结构上,以提升图像去雾模型的处理效率。
可选地,所述图像去雾模型还包括第二网络结构和第三网络结构,所述步骤S102可以包括:
分别基于所述第一网络结构、所述第二网络结构和所述第三网络结构对所述原始雾气图像进行特征提取,获取所述第一网络结构输出的去雾图像、所述第二网络结构输出的图像雾气信息和所述第三网络结构输出的图像光照信息。
也就是说,通过第一网络结构对原始雾气图像进行特征提取,得到第一网络结构输出的去雾图像,通过第二网络结构对所述原始雾气图像进行特征提取,得到第二网络结构输出的图像雾气信息,通过第三网络结构对所述原始雾气图像进行特征提取,得到第三网络结构输出的图像光照信息。这样,也就分别通过三个网络结构来分别对原始雾气图像进行处理,以获得不同的图像特征信息。
其中,所述第一网络结构、第二网络结构和第三网络结构可以是相同类型的网络结构,但这三个网络结构可以分别采用不同的模型算法进行运算。
本公开实施例中,通过不同的网络结构来分别对原始雾气图像进行特征提取,进而以基于不同的网络结构来分别运算得到图像光照信息、图像雾气信息和去雾图像,无需通过一个网络结构对原始雾气图像进行多次特征提取,能够有效提升了图像去雾模型特征提取效率。
可选地,所述步骤S102还可以包括:
对所述原始雾气图像进行特征编码,得到图像编码信息;
对所述图像编码信息进行特征增强,得到图像特征增强信息;
对所述图像特征增强信息进行特征解码,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
本公开实施例中,可以是基于图像去雾模型执行上述步骤,例如通过图像去雾模型先对原始雾气图像进行特征编码,得到图像编码信息;然后再基于图像去雾模型对所述图像编码信息进行特征增强,得到图像特征增强信息;最后再基于图像去雾模型对所述图像特征增强信息进行特征解码,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
或者,在图像去雾模型包括第一网络结构、第二网络结构和第三网络结构的情况下,还可以是基于上述三个网络结构来执行上述步骤。
可选地,所述步骤S102可以包括:
基于目标网络结构对原始雾气图像进行特征编码,得到图像编码信息,所述目标网络结构为所述第一网络结构、第二网络结构和第三网络结构中的任一个;
基于所述目标网络结构对所述图像编码信息进行特征增强,得到图像特征增强信息;
基于所述目标网络结构对对所述图像特征增强信息进行特征解码,获取所述目标网络结构输出的目标图像信息,所述目标图像信息为所述图像光照信息、图像雾气信息和去雾图像中的任一项,且所述目标图像信息与所述目标网络结构对应。
例如,若所述目标网络结构为第一网络结构,则基于第一网络结构对原始雾气图像依次进行特征编码、特征增强和特征解码后,获取第一网络结构输出的去雾图像;若所述目标网络结构为第二网络结构,则基于第二网络结构对原始雾气图像依次进行特征编码、特征增强和特征解码后,获取第二网络结构输出的图像雾气信息;若所述目标网络结构为第三网络结构,则基于第三网络结构对原始雾气图像依次进行特征编码、特征增强和特征解码后,获取第三网络结构输出的图像光照信息。
本公开实施例中,分别基于不同的网络结构对原始雾气图像均进行特征编码、特征增强和特征解码操作,以得到对应的目标图像信息,其中所述特征增强操作能够对需要的图像特征进行增强,对不需要的图像特征进行弱化。例如第三网络结构的特征增强操作能够对图像的光照信息进行增强,对雾气信息进行弱化,进而以得到图像光照信息。这样,基于不同的网络结构进行特征增强操作,也就能够实现对原始雾气图像的特征提取,从而得到原始雾气图像的不同图像信息(也即图像光照信息、图像雾气信息和去雾图像),使得后续的图像重构能够得以实现。
例如,请参照图2a,在获得原始雾气图像后,基于第一网络结构对原始雾气图像均进行特征编码、特征增强和特征解码操作,得到第一网络结构输出的去雾图像,基于第二网络结构对原始雾气图像均进行特征编码、特征增强和特征解码操作,得到第二网络结构输出的图像雾气信息,基于第三网络结构对原始雾气图像均进行特征编码、特征增强和特征解码操作,得到第三网络结构输出的图像光照信息,对获得的去雾图像、图像雾气信息和图像光照信息进行图像重构,获取重构雾气图像。
可选地,所述对图像编码信息进行特征增强,包括:
对所述图像编码信息分别进行通道级特征增强和像素级特征增强。
其中,所述通道级特征增强可以是指基于网络结构的通道参数来进行特征增强,所述像素级特征增强可以是指基于图像的像素参数来进行特征增强。这样,也就分别从网络结构方面和图像方面都进行了特征增强,以提升图像特征增强的效果,确保网络结构输出的图像特征为所需要的图像特征。
需要说明的是,在图像去雾模型包括第一网络结构、第二网络结构和第三网络结构的情况下,这三个网络结构可以是都分别进行通道级特征增强和像素级特征增强的操作,也即第一网络结构、第二网络结构和第三网络结构都需要分别进行通道级特征增强和像素级特征增强。
可选地,所述对所述图像编码信息进行通道级特征增强,包括:
对所述图像编码信息进行卷积操作和形变操作,得到第一图像特征和第二图像特征;
对所述第一图像特征和所述第二图像特征进行矩阵乘法运算,得到第一通道矩阵;
对所述第一通道矩阵进行柔性最大回归函数运算,得到第二通道矩阵;
对所述图像编码信息进行卷积操作得到第三图像特征,对所述第二通道矩阵和所述第三图像特征进行矩阵乘法运算,获得第一通道增强特征;
将所述第一通道增强特征与所述第三图像特征进行像素级加法运算,得到第二通道增强特征。
需要说明地,在图像去雾模型包括第一网络结构、第二网络结构和第三网络结构的情况下,通过目标网络结构执行上述操作来对上述步骤进行具体说明,其中目标网络结构为所述第一网络结构、第二网络结构和第三网络结构中的任一个。
例如,请参照图2b,以图像编码信息中的特征F(c×h×w)为例(其中,c代表图像通道数量,h代表图像高度,w代表图像宽度),基于目标网络结构对该特征F(c×h×w)进行卷积操作和形变(reshape)操作,得到第一图像特征Qc(c×(h*w))和第二图像特征Hc((h*w)×c),对第一图像特征和第二图像特征进行矩阵乘法运算,得到第一通道矩阵Mc(c×c),然后对第一通道矩阵进行柔性最大回归函数softmax运算,得到第二通道矩阵Mc’(c×c),第二通道矩阵为新的权重;另外,通过对特征F(c×h×w)进行卷积操作得到新的特征(也即第三图像特征)Fc’(c×h×w),然后通过第二通道矩阵Mc’(c×c)和第三图像特征Fc’(c×h×w)进行矩阵乘法运算得到增强后的第一通道特征Fh(c×h×w),最后通过对增强后的第一通道特征Fh(c×h×w)与第三图像特征Fc’(c×h×w)进行像素级加法(add)获得最终的通道增强后的第二通道增强特征Fc。
需要说明地,上述仅是以图像编码信息中的一个特征F(c×h×w)为例进行的说明,可以是基于上述方式对图像编码信息中的每一个特征进行通道级特征增强,进而以实现对图像编码信息中所有特征的通道级特征增强,得到通道级的图像特征增强信息。
另外,第一网络结构、第二网络结构和第三网络结构可以是分别基于上述步骤对图像编码信息中的每一个特征进行通道级特征增强,通过权重和特征矩阵进行乘法操作,进而以对需要的通道级特征进行增强,对不需要的通道级特征进行弱化。
可选地,所述对所述图像编码信息进行像素级特征增强,包括:
对所述图像编码信息进行卷积操作和形变操作,得到第三图像特征和第四图像特征;
对所述第三图像特征和所述第四图像特征进行矩阵乘法运算,得到第一像素矩阵;
对所述第一像素矩阵进行柔性最大回归函数运算,得到第二像素矩阵;
对所述图像编码信息进行卷积操作得到第六图像特征,对所述第二像素矩阵和所述第六图像特征进行矩阵乘法运算,获得第一像素增强特征;
将所述第一像素增强特征与所述第六图像特征进行像素级加法运算,得到第二像素增强特征。
具体地,请参照图2c,仍然以图像编码信息中的特征F(c×h×w)为例,通过目标网络结构(第一网络结构、第二网络结构或第三网络结构)对特征F(c×h×w)进行卷积操作和reshape操作,得到第三图像特征Qp(c×(h*w))和第四图像特征Hp((h*w)×c),对这两个特征进行矩阵乘法运算,得到第一像素矩阵Mp((h*w)×(h*w)),然后对该第一像素矩阵进行softmax运算得到第二像素矩阵Mp’((h*w)×(h*w)),第二像素矩阵为新的权重;另外,通过对特征F(c×h×w)进行卷积操作得到第六图像特征Fp’(c×h×w),将第二像素矩阵Mp’((h*w)×(h*w))与第六图像特征Fp’(c×h×w)进行矩阵乘法运算,得到第一像素增强特征Fh(c×h×w),最后将第一像素增强特征Fh(c×h×w)与第六图像特征Fp’(c×h×w)进行像素级加法运算,得到最终的像素增强后的第二像素增强特征Fp。
需要说明地,上述仅是以图像编码信息中的一个特征F(c×h×w)为例进行的说明,可以是基于上述方式对图像编码信息中的每一个特征进行像素级特征增强,进而以实现对图像编码信息中所有特征的像素级特征增强,得到像素级的图像特征增强信息。
可选地,第一网络结构、第二网络结构和第三网络结构可以是分别基于上述步骤对图像编码信息中的每一个特征进行像素级特征增强,通过权重和特征矩阵进行乘法操作,进而以对需要的像素级特征进行增强,对不需要的像素级特征进行弱化,以获得需要的图像特征信息。
进一步地,在基于上述方式对图像编码信息分别进行了通道级特征增强和像素级特征增强后,所述得到图像特征增强信息,包括:
基于所述第二通道增强特征与所述第二像素增强特征得到所述图像特征增强信息。
可以理解地,在对图像编码信息分别进行了通道级特征增强和像素级特征增强,得到第二通道增强特征和第二像素增强特征后,基于所述第二通道增强特征与所述第二像素增强特征来得到最终的图像特征增强信息。例如,所述图像特征增强信息可以是所述第二通道增强特征与所述第二像素增强特征之和。
可选地,所述图像特征增强信息可以通过如下公式计算得到:
F=a*Fc+b*Fp;
其中,F为图像特征增强信息,Fc为第二通道增强特征,Fp为第二像素增强特征,a、b为常数,分别代表模型训练中可学习的参数。
可选地,a、b的值可调整,也就能够灵活地对图像特征增强信息中的第二通道增强特征和第二像素增强特征的比例进行调整,进而能够调整最终得到的图像特征增强信息。
本公开实施例提供的方案,通过去雾图像与原始清晰图像之间的损失,以及重构雾气图像与原始雾气图像之间的损失这两个监督信号,对图像去雾模型进行训练,相比于只有一个监督信号的训练方式,本公共能够有效提升图像去雾模型的训练效果,使得训练后的图像去雾模型的精度更高,对雾气图像的去雾效果更好,以输出更为清晰的图像。
本公开实施例还提供了一种图像去雾方法。
请参照图3,图3是本公开实施例提供的一种图像去雾方法的流程图。如图3所示,所述方法包括以下步骤:
步骤S301、获取待处理图像;
步骤S302、基于图像去雾模型对所述待处理图像进行去雾处理,得到去雾的清晰图像。
其中,所述图像去雾模型为根据上述图1所述训练方法训练得到的模型。本公开实施例所提供的图像去雾方法可以是应用于手机、平板电脑、计算机等电子设备。
可以理解地,所述待处理图像可以是指需要进行去雾处理的图像,例如所述待处理图像中包括雾气信息;进一步地,基于图像去雾模型对所述待处理图像进行去雾处理,以得到去雾的清晰图像。
本公开实施例中,所述图像去雾模型为根据图1所述训练方法训练得到的模型。在图1所述的训练方法中,使用了两个监督信号来对图像去雾模型进行训练,有效提升了模型的训练效果,使得训练后的图像去雾模型具有更高的精度,对图像的去雾效果更好,进而本公开实施例中基于图1所述训练方法训练得到的图像去雾模型来对待处理图像进行去雾处理,能够具有更好的去雾效果,使得输出的清晰图像具有更高的清晰度。
本公开实施例还提供了一种图像去雾模型的训练装置。
请参照图4,图4是本公开实施例提供的一种图像去雾模型的训练装置的结构图。如图4所示,图像去雾模型的训练装置400包括:
第一获取模块401,用于获取原始雾气图像和对应的原始清晰图像;
特征提取模块402,用于对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像;
重构模块403,用于基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像;
损失计算模块404,用于计算所述去雾图像与所述原始清晰图像之间的第一损失,以及所述重构雾气图像与所述原始雾气图像之间的第二损失;
训练模块405,用于基于所述第一损失与所述第二损失对图像去雾模型进行训练。
可选地,所述图像去雾模型包括第一网络结构,所述特征提取模块402还用于:
基于所述第一网络结构对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
可选地,所述图像去雾模型还包括第二网络结构和第三网络结构,所述特征提取模块402还用于:
分别基于所述第一网络结构、所述第二网络结构和所述第三网络结构对所述原始雾气图像进行特征提取,获取所述第一网络结构输出的去雾图像、所述第二网络结构输出的图像雾气信息和所述第三网络结构输出的图像光照信息。
可选地,所述特征提取模块402还包括:
特征编码单元,用于对所述原始雾气图像进行特征编码,得到图像编码信息;
特征增强单元,用于对所述图像编码信息进行特征增强,得到图像特征增强信息;
特征解码单元,用于对所述图像特征增强信息进行特征解码,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
可选地,所述特征增强单元还用于:
对所述图像编码信息分别进行通道级特征增强和像素级特征增强。
可选地,所述特征增强单元还用于:
对所述图像编码信息进行卷积操作和形变操作,得到第一图像特征和第二图像特征;
对所述第一图像特征和所述第二图像特征进行矩阵乘法运算,得到第一通道矩阵;
对所述第一通道矩阵进行柔性最大回归函数运算,得到第二通道矩阵;
对所述图像编码信息进行卷积操作得到第三图像特征,对所述第二通道矩阵和所述第三图像特征进行矩阵乘法运算,获得第一通道增强特征;
将所述第一通道增强特征与所述第三图像特征进行像素级加法运算,得到第二通道增强特征。
可选地,所述特征增强单元还用于:
对所述图像编码信息进行卷积操作和形变操作,得到第三图像特征和第四图像特征;
对所述第三图像特征和所述第四图像特征进行矩阵乘法运算,得到第一像素矩阵;
对所述第一像素矩阵进行柔性最大回归函数运算,得到第二像素矩阵;
对所述图像编码信息进行卷积操作得到第六图像特征,对所述第二像素矩阵和所述第六图像特征进行矩阵乘法运算,获得第一像素增强特征;
将所述第一像素增强特征与所述第六图像特征进行像素级加法运算,得到第二像素增强特征。
可选地,所述特征增强单元还用于:
基于所述第二通道增强特征与所述第二像素增强特征得到所述图像特征增强信息。
可选地,所述重构模块403还用于:
获取所述图像雾气信息与所述去雾图像之间的第一乘积;
获取所述图像雾气信息与所述图像光照信息之间的第二乘积;
根据所述第一乘积和所述第二乘积进行图像重构,得到重构雾气图像。
需要说明地,本公开实施例提供的图像去雾模型的训练装置400能够实现上述图1所述图像去雾模型的训练方法实施例中的全部技术方案,因此至少能够实现上述图1所述方法实施例的全部技术效果,此处不再赘述。
本公开实施例还提供了一种图像去雾装置。
请参照图5,图5是本公开实施例提供的一种图像去雾装置的结构图。如图5所示,图像去雾装置500包括:
第二获取模块501,用于获取待处理图像;
处理模块502,用于基于图像去雾模型对所述待处理图像进行去雾处理,得到去雾的清晰图像;
其中,所述图像去雾模型为根据第一方面所述的方法训练得到的模型。
需要说明地,本公开实施例提供的图像去雾装置500能够实现上述图3所述图像去雾方法实施例中的全部技术方案,因此至少能够实现上述图3所述方法实施例的全部技术效果,此处不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如图像去雾模型的训练方法或图像去雾方法。例如,在一些实施例中,图像去雾模型的训练方法或图像去雾方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的图像去雾模型的训练方法或图像去雾方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像去雾模型的训练方法或图像去雾方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。

Claims (15)

1.一种图像去雾模型的训练方法,包括:
获取原始雾气图像和对应的原始清晰图像;
对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像;
基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像;
计算所述去雾图像与所述原始清晰图像之间的第一损失,以及所述重构雾气图像与所述原始雾气图像之间的第二损失;
基于所述第一损失与所述第二损失对图像去雾模型进行训练。
2.根据权利要求1所述的方法,其中,所述图像去雾模型包括第一网络结构,所述对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像,包括:
基于所述第一网络结构对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
3.根据权利要求2所述的方法,其中,所述图像去雾模型还包括第二网络结构和第三网络结构,所述对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像,包括:
分别基于所述第一网络结构、所述第二网络结构和所述第三网络结构对所述原始雾气图像进行特征提取,获取所述第一网络结构输出的去雾图像、所述第二网络结构输出的图像雾气信息和所述第三网络结构输出的图像光照信息。
4.根据权利要求1所述的方法,其中,所述对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像,包括:
对所述原始雾气图像进行特征编码,得到图像编码信息;
对所述图像编码信息进行特征增强,得到图像特征增强信息;
对所述图像特征增强信息进行特征解码,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像。
5.根据权利要求4所述的方法,其中,所述对所述图像编码信息进行特征增强,包括:
对所述图像编码信息分别进行通道级特征增强和像素级特征增强。
6.根据权利要求5所述的方法,其中,所述对所述图像编码信息进行通道级特征增强,包括:
对所述图像编码信息进行卷积操作和形变操作,得到第一图像特征和第二图像特征;
对所述第一图像特征和所述第二图像特征进行矩阵乘法运算,得到第一通道矩阵;
对所述第一通道矩阵进行柔性最大回归函数运算,得到第二通道矩阵;
对所述图像编码信息进行卷积操作得到第三图像特征,对所述第二通道矩阵和所述第三图像特征进行矩阵乘法运算,获得第一通道增强特征;
将所述第一通道增强特征与所述第三图像特征进行像素级加法运算,得到第二通道增强特征。
7.根据权利要求6所述的方法,其中,所述对所述图像编码信息进行像素级特征增强,包括:
对所述图像编码信息进行卷积操作和形变操作,得到第三图像特征和第四图像特征;
对所述第三图像特征和所述第四图像特征进行矩阵乘法运算,得到第一像素矩阵;
对所述第一像素矩阵进行柔性最大回归函数运算,得到第二像素矩阵;
对所述图像编码信息进行卷积操作得到第六图像特征,对所述第二像素矩阵和所述第六图像特征进行矩阵乘法运算,获得第一像素增强特征;
将所述第一像素增强特征与所述第六图像特征进行像素级加法运算,得到第二像素增强特征。
8.根据权利要求7所述的方法,其中,所述得到图像特征增强信息,包括:
基于所述第二通道增强特征与所述第二像素增强特征得到所述图像特征增强信息。
9.根据权利要求1-8中任一项所述的方法,其中,所述基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像,包括:
获取所述图像雾气信息与所述去雾图像之间的第一乘积;
获取所述图像雾气信息与所述图像光照信息之间的第二乘积;
根据所述第一乘积和所述第二乘积进行图像重构,得到重构雾气图像。
10.一种图像去雾方法,包括:
获取待处理图像;
基于图像去雾模型对所述待处理图像进行去雾处理,得到去雾的清晰图像;
其中,所述图像去雾模型为根据权利要求1-9中任一项所述的方法训练得到的模型。
11.一种图像去雾模型的训练装置,包括:
第一获取模块,用于获取原始雾气图像和对应的原始清晰图像;
特征提取模块,用于对所述原始雾气图像进行特征提取,获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像;
重构模块,用于基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构,得到重构雾气图像;
损失计算模块,用于计算所述去雾图像与所述原始清晰图像之间的第一损失,以及所述重构雾气图像与所述原始雾气图像之间的第二损失;
训练模块,用于基于所述第一损失与所述第二损失对图像去雾模型进行训练。
12.一种图像去雾装置,包括:
第二获取模块,用于获取待处理图像;
处理模块,用于基于图像去雾模型对所述待处理图像进行去雾处理,得到去雾的清晰图像;
其中,所述图像去雾模型为根据权利要求1-9中任一项所述的方法训练得到的模型。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法,或者执行权利要求10所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法,或者执行根据权利要求10所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法,或者实现根据权利要求10所述的方法。
CN202111304319.XA 2021-11-05 2021-11-05 图像去雾模型的训练方法、图像去雾方法及装置 Pending CN114037629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111304319.XA CN114037629A (zh) 2021-11-05 2021-11-05 图像去雾模型的训练方法、图像去雾方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111304319.XA CN114037629A (zh) 2021-11-05 2021-11-05 图像去雾模型的训练方法、图像去雾方法及装置

Publications (1)

Publication Number Publication Date
CN114037629A true CN114037629A (zh) 2022-02-11

Family

ID=80136284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111304319.XA Pending CN114037629A (zh) 2021-11-05 2021-11-05 图像去雾模型的训练方法、图像去雾方法及装置

Country Status (1)

Country Link
CN (1) CN114037629A (zh)

Similar Documents

Publication Publication Date Title
CN115294349B (zh) 训练模型的方法、装置、电子设备及存储介质
CN113963176B (zh) 一种模型蒸馏方法、装置、电子设备及存储介质
CN113538235B (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN115861131A (zh) 基于图像生成视频、模型的训练方法、装置及电子设备
CN113591675A (zh) 图像识别模型的构建方法、装置、设备以及存储介质
CN113393468A (zh) 图像处理方法、模型训练方法、装置和电子设备
CN113920313B (zh) 图像处理方法、装置、电子设备及存储介质
CN114445663A (zh) 检测对抗样本的方法、装置及计算机程序产品
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN114724144B (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN116129101A (zh) 目标检测方法、装置、电子设备及存储介质
CN116309158A (zh) 网络模型的训练方法、三维重建方法、装置、设备和介质
CN114078097A (zh) 图像去雾模型的获取方法、装置和电子设备
CN113887435A (zh) 人脸图像处理方法、装置、设备、存储介质及程序产品
CN115760614A (zh) 图像去噪方法、装置、电子设备及存储介质
CN113177483B (zh) 视频目标分割方法、装置、设备以及存储介质
CN115019057A (zh) 图像特征提取模型确定方法及装置、图像识别方法及装置
CN114037629A (zh) 图像去雾模型的训练方法、图像去雾方法及装置
CN114037630A (zh) 一种模型训练及图像去雾方法、装置、设备及存储介质
CN113556575A (zh) 用于压缩数据的方法、装置、设备、介质和产品
CN114187318A (zh) 图像分割的方法、装置、电子设备以及存储介质
CN113903071A (zh) 人脸识别方法、装置、电子设备和存储介质
CN113554550A (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN113989152A (zh) 图像增强方法、装置、设备以及存储介质
CN113052771B (zh) 图像处理方法、装置、电子设备和存储介质

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