CN114037630A - 一种模型训练及图像去雾方法、装置、设备及存储介质 - Google Patents
一种模型训练及图像去雾方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114037630A CN114037630A CN202111304640.8A CN202111304640A CN114037630A CN 114037630 A CN114037630 A CN 114037630A CN 202111304640 A CN202111304640 A CN 202111304640A CN 114037630 A CN114037630 A CN 114037630A
- Authority
- CN
- China
- Prior art keywords
- image
- foggy
- defogged
- determining
- fog
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 13
- 238000002834 transmittance Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种模型训练及图像去雾方法、装置、设备及存储介质,涉及图像处理技术领域,尤其涉及计算机视觉、深度学习等技术领域。具体实现方案为:将获取到的有雾图像输入预设模型,得到有雾图像的雾气特征以及去雾图像,雾气特征用于表征有雾图像中与雾气相关的特征;基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像;基于重建图像和有雾图像组成的第一图像对,以及去雾图像和预先标注的去雾图像对应的清晰图像组成的第二图像对,训练预设模型得到目标模型。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及计算机视觉、深度学习等技术领域。
背景技术
图像去雾是指由一幅包含雾气的图像作为输入,获取清晰图像的方法。在图像识别领域,现实场景中的雾气会对场景中的物体造成遮挡,严重影响计算机视觉技术的应用。
相关图像去雾技术通常基于数据先验或者深度学习回归的方法,基于此进行的图像去雾往往导致泛化性较差或者图像去雾的质量较低。
发明内容
本公开提供了一种模型训练及图像去雾方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种模型训练的方法,该方法可以包括以下步骤:
将获取到的有雾图像输入预设模型,得到有雾图像的雾气特征以及去雾图像;雾气特征用于表征有雾图像中与雾气相关的特征;
基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像;
基于重建图像和有雾图像组成的第一图像对,以及去雾图像和预先标注的去雾图像对应的清晰图像组成的第二图像对,训练预设模型,得到目标模型。
根据本公开的另一方面,提供了一种图像去雾的方法,该方法可以包括以下步骤:
获取目标图像,目标图像包括有雾图像;
将目标图像输入到目标模型中,得到目标图像的去雾图像;
其中,目标模型是通过前述方法生成的。
根据本公开的另一方面,提供了一种模型训练的装置,该装置可以包括:
去雾图像确定模块,用于将获取到的有雾图像输入预设模型,得到有雾图像的雾气特征以及去雾图像;雾气特征用于表征有雾图像中与雾气相关的特征;
重建图像确定模块,用于基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像;
训练模块,用于基于重建图像和有雾图像组成的第一图像对,以及去雾图像和预先标注的去雾图像对应的清晰图像组成的第二图像对,训练预设模型,得到目标模型。
根据本公开的另一方面,提供了一种图像去雾的装置,该装置可以包括:
接收模块,用于获取目标图像,目标图像包括有雾图像;
去雾模块,用于将目标图像输入到目标模型中,得到目标图像的去雾图像;
其中,目标模型是通过前述装置生成的。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,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,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术,在训练阶段获得图像去雾模型后,基于去雾模型的测试性能可以重新更改训练阶段的训练数据,提升模型的学习率以及训练迭代次数,优化整个模型的性能。由此可以解决现有图像去雾技术中存在的泛化性较差或者去雾质量较低的技术问题。
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是根据本公开模型训练方法的流程图;
图2是根据本公开模型训练及图像去雾方法的示意图;
图3是根据本公开确定去雾图像的方法流程图;
图4是根据本公开确定第一特征图的方法流程图;
图5是根据本公开确定第二特征图的方法流程图;
图6是根据本公开调整模型参数的方法流程图;
图7是根据本公开模型训练装置的结构图;
图8是根据本公开去雾图像确定模块的结构图;
图9是根据本公开图像去雾装置的结构图;
图10是用来实现本公开实施例的模型训练及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。
如图1所示,本公开涉及一种模型训练的方法,该方法可以包括以下步骤:
S101:将获取到的有雾图像输入预设模型,得到有雾图像的雾气特征以及去雾图像;
S102:基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像;
S103:基于重建图像和有雾图像组成的第一图像对,以及去雾图像和预先标注的去雾图像对应的清晰图像组成的第二图像对,训练预设模型,得到目标模型。
本实施例可以应用于计算机设备,具体可以包括但并不局限于服务器,或者多个服务器构成的服务器集,或者是具有一定数据处理能力,尤其是图像处理能力的终端设备等,该终端设备可以包括但并不限于:智能手机、平板电脑、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、台式计算机等,本申请对计算机设备的产品类型不做限定。
图2示出了本公开实施例中预设模型的训练应用场景,其中有雾图像是指在云、雾气或雾霾的影响下而得到的图像,无雾图像一般是指没有云、雾气或雾霾的影响下而得到的图像。可以理解的是,无雾图像通常要比有雾图像更加清晰。其中,有雾图像可以为预先采集的原始图像,例如用户在雾天拍摄的一幅照片。也可以是对原始图像经过预处理后得到的加工图像,例如,对原始图像进行裁剪,得到多张预设尺寸的裁剪图像。
此外,有雾图像可以是彩色图像,也可以是灰度图像。其图像格式及分辨率等参数不受限制,可以被执行主体读取识别即可。
本实施例中的预设模型可以采用任一结构的具有图像特征提取功能的网络,例如可以是域自适应图像去雾网络、GCANet(Gated Context Aggregation Network,门控上下文聚合网络)、Gated Fusion Network(门限融合网络)、DehazeNet(去雾网络)等。
具体地,执行主体首先可以将有雾图像输入上述预设模型中的一种,预设模型可以对输入的样本有雾图像进行去雾处理,从而生成有雾图像的雾气特征以及与之对应的去雾图像。
基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像。其中,预设模型输出确定的重建图像相比于原始有雾图像而言具有一定差异。以重建图像和对应的原始有雾图像可以作为第一图像对,可以对预设模型进行训练。
此外,预设模型输出的去雾图像与预先标注的清晰图像相比也具有一定差异,以去雾图像和预先标注的清晰图像可以作为第二图像对。
可以将通过上述过程获得的多个第一图像对和多个第二图像对作为预设模型的训练数据集。
采用损失函数确定训练数据集对应的损失值,进而调整预设模型的参数,得到目标模型。具体而言,确定损失值的方式可以是在训练数据集中按照一定比例选取第一图像对和第二图像对,例如:1:1,2:1,5:2等,此处不做限定。也可以对第一图像对和第二图像对设定相应权重进而得到一个综合损失值,此处不做赘述。
通过上述过程,可以基于预设模型的输出结果确定第一图像对和第二图像对,并基于第一图像对和第二图像对构成的数据集进行模型训练。如此能够提升模型的学习效率,节省计算资源和训练成本,同时在测试阶段可以获得更为清晰的去雾图像。
如图3所示,在一种实施方式中,有雾图像的雾气特征以及去雾图像的确定方式可以包括以下步骤:
S301:对有雾图像进行特征提取及通道增强处理,得到第一特征图;
S302:对第一特征图进行像素增强处理,得到第二特征图;
S303:对第二特征图进行特征映射,得到有雾图像的雾气特征以及去雾图像。
预设模型可以包含特征提取层,特征增强层,特征融合层,全连接层等。其中,在特征提取层,对有雾图像进行特征提取包括但不限于有雾图像的颜色特征、纹理特征、形状特征以及空间特征等。具体而言,可以是利用预设模型网络结构中的卷积层,提取输入预设模型的有雾图像的多个特征。
有雾图像中同一个特征信息可以通过多个维度进行描述,例如通道维度,长度维度,宽度维度,像素维度等,此处不做限定。为减少运算量,对图像特征做降维处理,获取降维后的图像特征。
由此,图像中对象的轮廓不明显、边缘不清晰、层次感不强等问题,可通过特征增强层的处理加以解决。例如,基于注意力机制,对获取的有雾图像对应的各通道的图像特征进行卷积运算以实现通道增强,得到第一特征图。同样基于注意力机制,对获取的第一特征图的像素信息进行卷积运算,对第一特征图包含的不同像素的进行像素增强。
将完成特征增强的特征图输入至特征融合层进行特征融合,再输入到全连接层对融合后的图像特征进行全连接,最后再通过特征映射得到有雾图像对应的去雾图像。
通过上述过程,可以在获取到有雾图像的特征后,分别在两个维度进行特征增强,以增强特征的表达能力,以提高图像识别的准确性。
如图4所示,在一种实施方式中,步骤201可以包括以下步骤:
S401:分别确定有雾图像各通道的通道权重;
S402:利用通道权重对各通道图像特征进行加权运算,得到第一特征图。
其中,分别确定有雾图像各通道权重可以是对有雾图像对应的各通道进行平均池化操作以及卷积运算,得到各通道图像特征对应的通道权重。
其中,将图像特征F0(c×h×w)作为通道维度特征增强模块的输入,其中,c表示特征提取通道,h表示特征长度,w表示特征宽度。对特征F(c×h×w)进行平均池化操作得到尺寸为c×1×1的第一中间特征图,进而通过n层卷积操作获取特征H(c×1×1)。通过sigmoid函数将H(c×1×1)转换为权重Q(c×1×1),其中,每个通道对应一个通道权重Q(c×1×1),Q的值在在0和1之间。然后通过特征乘法将图像特征F(c×h×w)与通道权重Q(c×1×1)相乘,得到第二中间特征图Fh(c×h×w),最后通过加法器将第二中间特征图Fh(c×h×w)与图像特征F0(c×h×w)相加,获得最终的获得最终的第一特征图F1(c×h×w)。
c×h×w的值可以根据需要进行设定,例如,c、h、w的取值可以为18,64,256等,此处不予限定。
有雾图像每个通道都有对应的通道权重Q,例如在通道数为64的情况下,基于以上运算过程可以得到64个通道权重。Q的取值在0和1之间,用来表示相应通道的图像特征对去雾处理的相关性的大小,例如,0.1,0.2,0.3等,此处不予限定。
此外,还可以基于预设规则分配各个通道的权重。比如,在有雾图像为RGB三通道的情况下,可以预先设定R通道权重为0.7,G通道权重为0.2,B通道权重为0.1,此时表明R通道对应的特征信息对去雾处理的影响较大。
如图5所示,在一种实施方式中,步骤202可以包括以下步骤:
S501:分别确定第一特征图中各像素点的权重;
S502:利用像素权重对第一特征图的各像素进行加权运算,得到第二特征图。
同理,在利用如图5所示的步骤实现像素权重的计算过程中,同样利用注意力机制,获取第一特征图F1(c×h×w)的各个像素对去雾处理的相关性大小,即获得各像素的像素权重,由像素权重Q’(1×h×w)的大小来表明相应像素与去雾处理的相关性大小。通过特征乘法及特征加法得到第二特征图F2(c×h×w),具体运算过程不做赘述。
此外,在一种实施方式中还可以先对图像特征F0(c×h×w)进行像素强化,再进行通道强化,具体顺序不做限定。获取增强后的特征后,还可以基于第一特征图和第二特征图的权重融合F1和F2,即F=a×F1+b×F2。其中,a和b为可学习的权重参数,可以理解为,权重参数a和b是根据本公开实施例中图像纹理识别模型中的训练过程和测试过程进行调试获取。
通过上述过程,对有雾图像中的相关通道及相关像素的图像特征的强化处理后,可以抑制对图像去雾处理无用的通道特征及像素特征。进一步提高图像的去雾处理效果,提高处理后所得图像的清晰度,进而提高无雾图像的清晰度。
在一种实施方式中,在有雾图像的雾气特征包括光照信息和透光率信息的情况下,预设模型包括主干网络、第一分支网络以及第二分支网络;其中,主干网络用于确定去雾图像,第一分支网络用于确定有雾图像的光照信息,第二分支网络用于确定有雾图像的透光率信息。
其中,第一分支网络和第二分支网络利用暗通道先验获得的光照信息和大气光与透光率信息,用于计算损失用于约束网络的训练过程。具体而言,第一分支网络和第二分支网络可以采用U-Net(U型)编解码网络,编码器首先包含一个卷积层,其后串联多个残差块、卷积层及激活层。其中,残差块由多个卷积层、批量归一化层、ReLU激活层、卷积层、批量归一化层串联组成;解码器首先是串行连接的三个组合块,组合块由串行连接的残差块、ReLU激活层和反卷积层组成。其中,残差块由反卷积层、批量归一化层、ReLU激活层、反卷积层、批量归一化层组成;整个模块的最后串行连接一个卷积层和一个ReLU激活层。
第一分支网络和第二分支网络还可以采用其他网络结构,此处不做限定。
在一种实施方式中,基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像,包括利用以下公式进行计算:
I(x)=J(x)t(x)+A(x)(1t(x));
其中,x表示像素点,I(x)表示重建图像,J(x)去雾图像,t(x)表示有雾图像的透光率,A(x)表示有雾图像的光照信息。
如图6在一种实施方式中,步骤S103包括以下子步骤:
S601:采用损失函数确定第一图像对对应的第一损失值以及第二图像对对应的第二损失值;
S602:利用第一损失值和第二损失值,调整上述预设模型的参数。
其中,第一图像对对应的第一损失值用以表征重建图像与去雾图像之间的差异值,第二图像对对应的第二损失值用以表征预先标注的清晰图像与去雾图像之间的差异值。第一损失值和第二损失值可以通过损失函数确定,损失函数的作用可以理解为:当预设模型进行前向传播得到的去雾图像与清晰图像接近时(或者是当重建图像与有雾图像接近时),损失函数的取较小值;反之,损失函数的取值增大。并且,损失函数是以预设模型中的参数为自变量的函数。用以确定第一损失和第二损失的损失函数可以相同或者不同,例如,可以采用平方损失函数、绝对值损失函数、对数损失函数、指数损失函数等,此处不予限定。
利用第一损失值和第二损失值,调整上述预设模型的参数。可以是基于第一损失值与第二损失值之和不高于预设损失阈值进行调整,或者对第一损失值和第二损失值加权求和后不高于预设损失阈值进行调整,此处不予限定。
通过上述过程,利用第一损失值和第二损失值进行训练,使预设模型输出的结果更好的保留原始有雾图像中的细节,提升了模型训练效果。
本公开还提供了一种图像去雾方法,包括:
获取目标图像,目标图像包括有雾图像;
将目标图像输入到目标模型中,得到目标图像的去雾图像;
其中,目标模型是通过以上方法中的任意一种生成的。
如图7所示,本公开还提供了一种模型训练装置,包括:
去雾图像确定模块701,用于将获取到的有雾图像输入预设模型,得到有雾图像的雾气特征以及去雾图像;雾气特征用于表征有雾图像中与雾气相关的特征;
重建图像确定模块702,用于基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像;
训练模块703,用于基于重建图像和有雾图像组成的第一图像对,以及去雾图像和预先标注的去雾图像对应的清晰图像组成的第二图像对,训练预设模型,得到目标模型。
如图8所示,在一种实施方式中,去雾图像确定模块701,包括:
第一特征图确定子模块801,用于对有雾图像进行特征提取及通道增强处理,得到第一特征图;
第二特征图确定子模块802,用于对第一特征图进行像素增强处理,得到第二特征图;
去雾图像确定子模块803,用于对第二特征图进行特征映射,得到有雾图像的雾气特征以及去雾图像。
在一种实施方式中,第一特征图确定子模块,包括:
通道权重确定子模块,用于分别确定有雾图像各通道的通道权重;
第一运算子模块,用于利用通道权重对各通道图像特征进行加权运算,得到第一特征图。
在一种实施方式中,第二特征图确定子模块,包括:
像素权重确定子模块,用于分别确定第一特征图中各像素点的权重;
第二运算子模块,用于利用像素权重对第一特征图的各像素进行加权运算,得到第二特征图。
在一种实施方式中,在有雾图像的雾气特征包括光照信息和透光率信息的情况下,预设模型包括主干网络、第一分支网络以及第二分支网络;
其中,主干网络用于确定去雾图像;
第一分支网络用于确定有雾图像的光照信息;
第二分支网络用于确定有雾图像的透光率信息。
在一种实施方式中,基于有雾图像的雾气特征以及去雾图像,确定与有雾图像对应的重建图像,包括利用以下公式进行计算:
I(x)=J(x)t(x)+A(x)(1-t(x));
其中,x表示像素点,I(x)表示重建图像,J(x)去雾图像,t(x)表示有雾图像的透光率,A(x)表示有雾图像的光照信息。
在一种实施方式中,训练模块,包括:
损失值确定子模块,用于采用损失函数确定第一图像对对应的第一损失值以及第二图像对对应的第二损失值;
参数调整子模块,用于利用第一损失值和第二损失值,调整上述预设模型的参数。
如图9所示,本公开还提供了一种图像去雾装置,包括:
接收模块901,用于获取目标图像,目标图像包括有雾图像;
去雾模块902,用于将目标图像输入到目标模型中,得到目标图像的去雾图像;
其中,目标模型是通过以上装置中的任意一种生成的。
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10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如模型训练或者图像去雾的方法。例如,在一些实施例中,模型训练或者图像去雾的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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的模型训练或者图像去雾的方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练或者图像去雾的方法。
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,本发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 (19)
1.一种模型训练方法,包括:
将获取到的有雾图像输入预设模型,得到所述有雾图像的雾气特征以及去雾图像;所述雾气特征用于表征所述有雾图像中与雾气相关的特征;
基于所述有雾图像的雾气特征以及所述去雾图像,确定与所述有雾图像对应的重建图像;
基于所述重建图像和所述有雾图像组成的第一图像对,以及所述去雾图像和预先标注的所述去雾图像对应的清晰图像组成的第二图像对,训练所述预设模型,得到目标模型。
2.根据权利要求1所述的方法,其中,所述有雾图像的雾气特征以及去雾图像的确定方式,包括:
对所述有雾图像进行特征提取及通道增强处理,得到第一特征图;
对所述第一特征图进行像素增强处理,得到第二特征图;
对所述第二特征图进行特征映射,得到所述有雾图像的雾气特征以及所述去雾图像。
3.根据权利要求2所述的方法,其中,所述对所述有雾图像进行特征提取及通道增强处理,得到第一特征图,包括:
分别确定所述有雾图像各通道的通道权重;
利用所述通道权重对所述各通道的图像特征进行加权运算,得到所述第一特征图。
4.根据权利要求2所述的方法,其中,所述对所述第一特征图进行像素增强处理,得到第二特征图,包括:
分别确定所述第一特征图中各像素点的像素权重;
利用所述像素权重对所述第一特征图的各像素进行加权运算,得到所述第二特征图。
5.根据权利要求1所述的方法,其中,在所述有雾图像的雾气特征包括光照信息和透光率信息的情况下,所述预设模型包括主干网络、第一分支网络以及第二分支网络;
其中,所述主干网络用于确定所述去雾图像;
所述第一分支网络用于确定所述有雾图像的所述光照信息;
所述第二分支网络用于确定所述有雾图像的所述透光率信息。
6.根据权利要求5所述的方法,其中,所述基于所述有雾图像的雾气特征以及所述去雾图像,确定与所述有雾图像对应的重建图像,包括利用以下公式进行计算:
I(x)=J(x)t(x)+A(x)(1-t(x));
其中,x表示像素点,I(x)表示所述重建图像,J(x)所述去雾图像,t(x)表示所述有雾图像的透光率,A(x)表示所述有雾图像的光照信息。
7.根据权利要求1所述的方法,其中,所述基于所述重建图像和所述有雾图像组成的第一图像对,以及所述去雾图像和预先标注的所述去雾图像对应的清晰图像组成的第二图像对,训练所述预设模型,包括:
采用损失函数确定所述第一图像对对应的第一损失值以及所述第二图像对对应的第二损失值;
利用所述第一损失值和所述第二损失值,调整上述预设模型的参数。
8.一种图像去雾方法,包括:
获取目标图像,所述目标图像包括有雾图像;
将所述目标图像输入到目标模型中,得到所述目标图像的去雾图像;
其中,所述目标模型是通过权利要求1-7中任一所述方法生成的。
9.一种模型训练装置,包括:
去雾图像确定模块,用于将获取到的有雾图像输入预设模型,得到所述有雾图像的雾气特征以及去雾图像;所述雾气特征用于表征所述有雾图像中与雾气相关的特征;
重建图像确定模块,用于基于所述有雾图像的雾气特征以及所述去雾图像,确定与所述有雾图像对应的重建图像;
训练模块,用于基于所述重建图像和所述有雾图像组成的第一图像对,以及所述去雾图像和预先标注的所述去雾图像对应的清晰图像组成的第二图像对,训练所述预设模型,得到目标模型。
10.根据权利要求9所述的装置,其中,所述去雾图像确定模块,包括:
第一特征图确定子模块,用于对所述有雾图像进行特征提取及通道增强处理,得到第一特征图;
第二特征图确定子模块,用于对所述第一特征图进行像素增强处理,得到第二特征图;
去雾图像确定子模块,用于对所述第二特征图进行特征映射,得到所述有雾图像的雾气特征以及所述去雾图像。
11.根据权利要求10所述的装置,其中,所述第一特征图确定子模块,包括:
通道权重确定子模块,用于分别确定所述有雾图像各通道的通道权重;
第一运算子模块,用于利用所述通道权重对所述各通道的图像特征进行加权运算,得到所述第一特征图。
12.根据权利要求10所述的装置,其中,所述第二特征图确定子模块,包括:
像素权重确定子模块,用于分别确定所述第一特征图中各像素点的像素权重;
第二运算子模块,用于利用所述像素权重对所述第一特征图的各像素进行加权运算,得到所述第二特征图。
13.根据权利要求9所述的装置,其中,在所述有雾图像的雾气特征包括光照信息和透光率信息的情况下,所述预设模型包括主干网络、第一分支网络以及第二分支网络;
其中,所述主干网络用于确定所述去雾图像;
所述第一分支网络用于确定所述有雾图像的所述光照信息;
所述第二分支网络用于确定所述有雾图像的所述透光率信息。
14.根据权利要求13所述的装置,其中,所述基于所述有雾图像的雾气特征以及所述去雾图像,确定与所述有雾图像对应的重建图像,包括利用以下公式进行计算:
I(x)=J(x)t(x)+A(x)(1-t(x));
其中,x表示像素点,I(x)表示所述重建图像,J(x)所述去雾图像,t(x)表示所述有雾图像的透光率,A(x)表示所述有雾图像的光照信息。
15.根据权利要求9所述的装置,其中,所述训练模块,包括:
损失值确定子模块,用于采用损失函数确定所述第一图像对对应的第一损失值以及所述第二图像对对应的第二损失值;
参数调整子模块,用于利用所述第一损失值和所述第二损失值,调整上述预设模型的参数。
16.一种图像去雾装置,包括:
接收模块,用于获取目标图像,所述目标图像包括有雾图像;
去雾模块,用于将所述目标图像输入到目标模型中,得到所述目标图像的去雾图像;
其中,所述目标模型是通过权利要求9-15中任一所述装置生成的。
17.一种电子设备,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1-8中任一项所述的方法。
18.一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1-8中任一项所述的方法。
19.一种计算机程序产品,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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304640.8A CN114037630A (zh) | 2021-11-05 | 2021-11-05 | 一种模型训练及图像去雾方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304640.8A CN114037630A (zh) | 2021-11-05 | 2021-11-05 | 一种模型训练及图像去雾方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037630A true CN114037630A (zh) | 2022-02-11 |
Family
ID=80136314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111304640.8A Pending CN114037630A (zh) | 2021-11-05 | 2021-11-05 | 一种模型训练及图像去雾方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037630A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626472A (zh) * | 2022-03-18 | 2022-06-14 | 合众新能源汽车有限公司 | 基于机器学习的辅助驾驶方法、装置和计算机可读介质 |
CN118446927A (zh) * | 2023-12-28 | 2024-08-06 | 荣耀终端有限公司 | 图像处理方法、图像处理系统训练方法及电子设备 |
-
2021
- 2021-11-05 CN CN202111304640.8A patent/CN114037630A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626472A (zh) * | 2022-03-18 | 2022-06-14 | 合众新能源汽车有限公司 | 基于机器学习的辅助驾驶方法、装置和计算机可读介质 |
WO2023173699A1 (zh) * | 2022-03-18 | 2023-09-21 | 合众新能源汽车股份有限公司 | 基于机器学习的辅助驾驶方法、装置和计算机可读介质 |
CN118446927A (zh) * | 2023-12-28 | 2024-08-06 | 荣耀终端有限公司 | 图像处理方法、图像处理系统训练方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN112541876B (zh) | 卫星图像处理方法、网络训练方法、相关装置及电子设备 | |
CN113379627A (zh) | 图像增强模型的训练方法和对图像进行增强的方法 | |
CN114037630A (zh) | 一种模型训练及图像去雾方法、装置、设备及存储介质 | |
CN115880435B (zh) | 图像重建方法、模型训练方法、装置、电子设备和介质 | |
CN114549374A (zh) | 对使用蒙特卡罗绘制进行绘制的图像去噪 | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113989174A (zh) | 图像融合方法和图像融合模型的训练方法、装置 | |
CN114092673B (zh) | 图像处理的方法、装置、电子设备和存储介质 | |
CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 | |
CN114187318A (zh) | 图像分割的方法、装置、电子设备以及存储介质 | |
CN113888560A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN113344200B (zh) | 用于训练可分离卷积网络的方法、路侧设备及云控平台 | |
CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
CN115660991A (zh) | 模型的训练方法、图像曝光矫正方法、装置、设备及介质 | |
CN115482443A (zh) | 图像特征融合及模型训练方法、装置、设备以及存储介质 | |
CN115601729A (zh) | 一种车辆型号识别方法、装置、设备及存储介质 | |
CN114821116A (zh) | 图像的显著性区域提取方法、装置、设备以及存储介质 | |
CN114842066A (zh) | 图像深度识别模型训练方法、图像深度识别方法及装置 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN113920273A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
CN113344199B (zh) | 用于训练可分离卷积网络的方法、路侧设备及云控平台 | |
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 |