CN114648467A - 图像的去雾方法、装置、终端设备及计算机可读存储介质 - Google Patents
图像的去雾方法、装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114648467A CN114648467A CN202210537909.5A CN202210537909A CN114648467A CN 114648467 A CN114648467 A CN 114648467A CN 202210537909 A CN202210537909 A CN 202210537909A CN 114648467 A CN114648467 A CN 114648467A
- Authority
- CN
- China
- Prior art keywords
- image
- map
- transmittance
- feature
- processed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000002834 transmittance Methods 0.000 claims abstract description 120
- 238000010586 diagram Methods 0.000 claims abstract description 78
- 230000005540 biological transmission Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 67
- 238000005070 sampling Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 16
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 9
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer 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
- G06N3/04—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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Eye Examination Apparatus (AREA)
Abstract
本申请适用于智能监控技术领域,提供了一种图像的去雾方法、装置、终端设备及计算机可读存储介质,其中,图像的去雾方法包括:采用暗通道先验去雾算法对待处理图像进行处理,得到粗糙透射率图;确定所述待处理图像对应的散射大气光分量;采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图;所述透射图滤波网络模型是采用卷积神经网络训练得到的,所述精细化透射率图满足透射率图的局部平滑性约束;根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像,从而提升了图像的去雾效果,提高了图像质量。
Description
技术领域
本申请属于智能监控技术领域,尤其涉及一种图像的去雾方法、装置、终端设备及计算机可读存储介质。
背景技术
智能监控系统是指以监控摄像头和互联网服务为主要载体,通过将计算机成像理论与以深度学习为代表的人工智能技术相结合,来实现对各种场景的智能化监控的系统。目前,智能监控系统在城市道路交通和公共区域管理等应用场景中得到了广泛应用,为社会安全和城市发展等提供了基础性保障。
智能监控系统的成像质量是智能监控系统实施过程中的核心问题,成像质量的高低直接影响了智能监控系统的性能,而对成像质量影响较大的因素主要是恶劣复杂的气候场景。通常,在云雾或雾霾等天气场景下拍摄的图像,由于大气中悬浮粒子对光的吸收和散射作用,往往使得光的透射强度产生明显的衰减,从而导致智能监控系统拍摄到的图像的质量较低。现有技术为了实现对雾天拍摄到的图像的去雾效果,通常会采用预处理或后处理的方式对雾天拍摄到的图像进行优化处理,然而,该方式会带来光晕或伪影等副作用,影响图像的去雾效果,导致图像质量依旧较低。
发明内容
有鉴于此,本申请实施例提供了一种图像的去雾方法、装置、终端设备及计算机可读存储介质,以解决现有的图像去雾方法的图像去雾效果较差,导致图像质量较低的技术问题。
第一方面,本申请实施例提供一种图像的去雾方法,包括:
采用暗通道先验去雾算法对待处理图像进行处理,得到粗糙透射率图;
确定所述待处理图像对应的散射大气光分量;
采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图;所述透射图滤波网络模型是采用卷积神经网络训练得到的,所述精细化透射率图满足透射率图的局部平滑性约束;
根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像。
在第一方面的一种可选的实现方式中,所述透射图滤波网络模型为:
t’=F(t;W F ), s.t.F(t;W F )~δ(β,d);
其中,t’为粗糙透射率图,t为精细化透射率图,W F 表示透射图滤波网络模型中的待学习参数,F(t;W F )表示所述粗糙透射率图、所述精细化透射率图及所述待学习参数之间的映射关系,δ(β,d)表示受局部平滑性约束的真实透射率图的分布,β表示散射系数,d表示拍摄对象到镜头的距离。
在第一方面的一种可选的实现方式中,所述透射图滤波网络模型包括编码结构和解码结构;所述采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图,包括:
通过所述编码结构对所述粗糙透射率图进行特征提取,得到所述粗糙透射率图对应的空间特征图;
通过所述解码结构对所述空间特征图进行特征还原,得到所述精细化透射率图。
在第一方面的一种可选的实现方式中,所述编码结构包括N级残差注意力层,每一级所述残差注意力层后设置有一个下采样层;所述通过所述编码结构对所述粗糙透射率图进行特征提取,得到所述粗糙透射率图对应的空间特征图,包括:
在每一级所述残差注意力层中,采用M个第一预设卷积核对本级残差注意力层的输入特征进行卷积操作,得到M个预处理特征图;第一级残差注意力层的输入特征为所述粗糙透射率图;
在通道维度上对所述M个预处理特征图进行特征提取,得到目标特征向量,并将所述M个预处理特征图与所述目标特征向量相乘,得到所述输入特征对应的通道注意力图;所述目标特征向量为1×1×M的向量;
在特征图维度上对所述通道注意力图进行池化处理,得到空间注意力图;所述空间注意力图的尺寸与所述预处理特征图的尺寸相同;
采用第四预设卷积核对所述空间注意力图进行卷积操作,并将卷积操作后的所述空间注意力图与所述通道注意力图相乘,得到待输出特征;
将所述输入特征与所述待输出特征相加,得到所述输入特征对应的残差注意力图,并将所述残差注意力图输出至本级残差注意力层后的下采样层;
在每个所述下采样层对接收到的残差注意力图进行池化操作,并输出池化操作后的所述残差注意力图至下一级残差注意力层;
将第N级残差注意力层后的下采样层输出的池化操作后的所述残差注意力图,确定为所述粗糙透射率图对应的空间特征图。
在第一方面的一种可选的实现方式中,所述在通道维度上对所述M个预处理特征图进行特征提取,得到所述输入特征对应的目标特征向量,包括:
在通道维度上对所述M个预处理特征图进行全局最大池化操作,得到第一特征向量;所述第一特征向量为1×1×M的向量;
采用第二预设卷积核在通道维度上对所述第一特征向量进行卷积操作,得到第二特征向量;所述第二预设卷积核为1×1的卷积核,所述第二特征向量为1×1×M/r的向量,r为所述第二预设卷积核在通道维度上的卷积深度;
采用第三预设卷积核在通道维度上对所述第二特征向量进行特征还原,得到所述目标特征向量;所述第三预设卷积核为1×1的卷积核。
在第一方面的一种可选的实现方式中,所述解码结构包括N级上采样层;所述通过所述解码结构对所述空间特征图进行特征还原,得到所述精细化透射率图,包括:
通过所述N级上采样层对所述空间特征图进行N级上采样处理,得到所述精细化透射率图。
在第一方面的一种可选的实现方式中,所述根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像,包括:
将所述待处理图像、所述散射大气光分量以及所述精细化透射率图导入预设的去雾模型中,得到所述待处理图像的去雾图像;所述去雾模型为:
J(x,y)=(I(x,y)-A)/t+A;
其中,J(x,y)为所述去雾图像,I(x,y)为所述待处理图像,A为所述散射大气光分量,t为所述精细化透射率图,(x,y)表示图像中的像素的位置。
第二方面,本申请实施例提供一种图像的去雾装置,包括:
第一处理单元,用于采用暗通道先验去雾算法对待处理图像进行处理,得到粗糙透射率图;
第一确定单元,用于确定所述待处理图像对应的散射大气光分量;
第二处理单元,用于采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图;所述透射图滤波网络模型是采用卷积神经网络训练得到的,所述精细化透射率图满足透射率图的局部平滑性约束;
图像去雾单元,用于根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像。
第三方面,本申请实施例提供一种终端设备,所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面或第一方面的任一可选方式所述的图像的去雾方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面或第一方面的任一可选方式所述的图像的去雾方法。
第五方面,本申请实施例提供一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行如上述第一方面或第一方面的任一可选方式所述的图像的去雾方法。
实施本申请实施例提供的图像的去雾方法、装置、终端设备、计算机可读存储介质及计算机程序产品具有以下有益效果:
本申请实施例提供的图像的去雾方法,通过确定待处理图像对应的粗糙透射率图以及散射大气光分量,并采用基于卷积神经网络训练得到的透射图滤波网络模型对粗糙透射率图进行滤波处理,得到精细化透射率图,由于精细化透射率图满足透射率图的局部平滑性约束,且散射大气光分量能够量化大气中的悬浮粒子对图像特征的影响,因此根据待处理图像、散射大气光分量以及精细化透射率图得到待处理图像的去雾图像,可以实现对待处理图像的有效去雾,提升图像的去雾效果,提高去雾图像的图像质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种图像的去雾方法的示意性流程图;
图2为本申请实施例提供的一种透射图滤波网络模型的结构示意图;
图3为本申请实施例提供的一种图像的去雾方法中S13的具体实现流程图;
图4为本申请实施例提供的一种图像的去雾方法中S131的具体实现流程图;
图5为本申请实施例提供的一种残差注意力层的结构示意图;
图6为本申请实施例提供的一种图像的去雾装置的结构示意图;
图7为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
需要说明的是,本申请实施例使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。在本申请实施例的描述中,除非另有说明,“多个”是指两个或多于两个,“至少一个”、“一个或多个”是指一个、两个或两个以上。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”特征可以明示或者隐含地包括一个或者更多个该特征。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
智能监控系统的成像过程,不可避免受天气条件的影响,从而导致成像质量具有较大的变化。通常,在天气条件理想的情况下,可以获得高质量图像;而在天气条件比较恶劣的情况下(如,雾天),难以获得质量较高的图像,从而导致监控质量大幅下降。天气条件的优劣,往往直接体现在空气介质的情况上,对于雾天而言,大气中粒子的散射作用是产生雾霾的主要原因。
雾天拍摄的图像质量较低,一方面是由于目标反射光受大气中悬浮粒子的吸收和散射作用,造成目标反射光能量的衰减,导致成像结果的亮度较低;另一方面是由于太阳光等环境光受大气中悬浮粒子的散射作用而形成背景光,这部分背景光的强度通常大于目标反射光的强度,从而导致成像结果模糊不清。即,智能监控系统在雾天成像时,摄像头接收到的光成分主要包括两部分,一部分是目标反射光经大气中悬浮粒子的衰减作用后到达摄像头的光分量,另一部分是光源经大气中悬浮粒子的散射作用形成的散射大气光分量。
为了实现对雾天拍摄到的图像的去雾效果,现有技术往往采用预处理或后处理的方式对雾天拍摄到的图像进行相应的优化,例如,通过一系列的边缘保持滤波方法进行边缘凸显和噪声抑制,然而,这样的操作往往会带来通用性不高、光晕或伪影等作用,影响图像的去雾效果。
基于此,本申请实施例提供一种图像的去雾方法,通过确定待处理图像对应的粗糙透射率图以及散射大气光分量,并采用基于卷积神经网络训练得到的透射图滤波网络模型对粗糙透射率图进行滤波处理,得到精细化透射率图,由于精细化透射率图满足透射率图的局部平滑性约束,且散射大气光分量能够量化大气中的悬浮粒子对图像特征的影响,因此根据待处理图像、散射大气光分量以及精细化透射率图得到待处理图像的去雾图像,可以实现对待处理图像的有效去雾,提升图像的去雾效果,提高去雾图像的图像质量。
本申请实施例提供的一种图像的去雾方法,执行主体为终端设备,包括但不限于计算机终端或者移动通信终端,如个人电脑、手机或平板电脑等。在具体应用中,可以通过对终端设备配置目标脚本文件,由该目标脚本文件描述本申请实施例提供的图像的去雾方法,令终端设备在需要对图像进行去雾时执行该目标脚本文件,进而执行本申请实施例提供的图像的去雾方法中的各个步骤。
请参阅图1,为本申请实施例提供的一种图像的去雾方法的示意性流程图。如图1所示,该图像的去雾方法可以包括S11~S14,详述如下:
S11:采用暗通道先验去雾算法对待处理图像进行处理,得到粗糙透射率图。
本申请实施例中,待处理图像为需要去雾的图像。作为示例而非限定,需要去雾的图像可以是摄像装置(如,智能监控系统的摄像头)在雾天拍摄到的图像。
由于每幅图像的每个像素的红绿蓝(red green blue,RGB)三个颜色通道中总有一个颜色通道的灰度值最低,因此,在本申请的一个实施例中,S11具体可以包括以下步骤:
确定所述待处理图像中每个像素的三个颜色通道的灰度值中的最小值;
根据所有所述像素的三个颜色通道的灰度值中的最小值,生成所述待处理图像的灰度图像;
针对所述灰度图像中的每个像素,将以所述像素为中心的预设矩形区域内的最小灰度值确定为所述像素的灰度值,得到所述待处理图像的粗糙透射率图。
本实施例中,灰度图像中的每个像素的灰度值为待处理图像中对应像素的三个颜色通道的灰度值中的最小值。粗糙透射率图中的每个像素的灰度值为灰度图像中以对应像素为中心的预设矩形区域内的最小灰度值,即,粗糙透射率图为灰度图像。其中,预设矩形区域的大小可以根据实际需求设置,此处对其不做特别限定,例如,预设矩形区域可以是3×3像素的正方形区域。
S12:确定所述待处理图像对应的散射大气光分量。
在本申请的一个实施例中,待处理图像对应的散射大气光分量可以通过一个三维向量(即包括三个元素的向量)表示。三维向量中的每个元素对应一个颜色通道,三维向量中的每个元素的值为该元素对应的颜色通道的大气光值。
在本申请的一个实施例中,终端设备可以根据粗糙透射率图和待处理图像,确定待处理图像对应的散射大气光分量。
具体地,终端设备可以从粗糙透射率图的所有像素中确定出灰度值最大的目标像素,并计算待处理图像中的所有像素在每个颜色通道上的灰度值的平均值,将待处理图像中的所有像素在每个颜色通道上的灰度值的平均值与粗糙透射率图中目标像素的灰度值的乘积,确定为待处理图像对应的散射大气光分量。也就是说,用于描述散射大气光分量的三个元素中,一个元素的值为待处理图像的所有像素在R通道上的灰度值的平均值与目标像素的灰度值的乘积,一个元素的值为待处理图像的所有像素在G通道上的灰度值的平均值与目标像素的灰度值的乘积,一个元素的值为待处理图像的所有像素在B通道上的灰度值的平均值与目标像素的灰度值的乘积。
S13:采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图。
本申请实施例中,透射图滤波网络模型可以是采用卷积神经网络训练得到的。透射图滤波网络模型用于描述图像特征与大气散射模型中的变量之间的映射关系,也即用于描述粗糙透射率图与精细化透射率图之间的映射关系。需要说明的是,由于大气散射模型为现有技术,因此,此处对其不进行赘述。
在本申请的一个实施例中,透射图滤波网络模型可以表示为:
t’=F(t;W F ), s.t.F(t;W F )~δ(β,d);
其中,t’为粗糙透射率图,t为精细化透射率图,W F 表示透射图滤波网络模型中的待学习参数,F(t;W F )表示粗糙透射率图、精细化透射率图及待学习参数之间的映射关系,F(t;W F )可以在采用卷积神经网络训练透射图滤波网络模型时学习得到,δ(β,d)表示受局部平滑性约束的真实透射率图的分布,β和d分别是大气散射模型中的透射图表达式(也称为传输函数)e -βd 中的两个变量,β表示散射系数,d表示拍摄对象到镜头的距离,透射图表达式e -βd 用于表示目标反射光(即拍摄对象反射的光)经大气中悬浮粒子的衰减作用后到达摄像头的那部分光的比例。
本申请实施例中,精细化透射率图能够反映大气中的散射介质对于光线传播的空频作用关系,精细化透射率图满足透射率图的局部平滑性约束。
在本申请的一个实施例中,透射图滤波网络模型可以采用编码-解码结构作为骨干网络结构。请参阅图2,为本申请实施例提供的一种透射图滤波网络模型的结构示意图。如图2中的(a)所示,透射图滤波网络模型可以包括编码结构21和解码结构22,编码结构21和解码结构22可以依次设置在透射图滤波网络模型的输入端20与输出端23之间。基于此,S13可以通过如图3所示的S131~S132实现,详述如下:
S131:通过所述编码结构对所述粗糙透射率图进行特征提取,得到所述粗糙透射率图对应的空间特征图。
本实施例中,通过对粗糙透射率图进行特征提取得到的空间特征图的维度小于粗糙透射率图的维度,也就是说,特征提取的过程即为降维的过程。空间特征图所描绘的特征相较于粗糙透射率图更加精细。
在一种可能的实现方式中,请继续参阅图2中的(a),编码结构21可以包括N级残差注意力层211,每一级残差注意力层后设置有一个下采样层212,N为正整数。其中,残差注意力层211用于学习粗糙透射率图与精细化透射率图之间的残差,以对粗糙透射率图进行逐步精细化和无边缘失真的局部平滑化;下采样层212用于在多个尺度上提取特征有地特征进行更精细的刻画。需要说明的是,该实现方式中,编码结构21中的残差注意力层211使得映射F(t;W F )变为一个恒等映射。基于此,S131可以通过如图4所示的S1311~S1317实现,详述如下:
S1311:在每一级所述残差注意力层中,采用M个第一预设卷积核对本级残差注意力层的输入特征进行卷积操作,得到M个预处理特征图。
本实施例中,每一级残差注意力层的输入特征不同。其中,第一级残差注意力层的输入特征为粗糙透射率图,第二级至第N级残差注意力层的输入特征为上一级残差注意力层后的下采样层的输出特征。每一级残差注意力层后的下采样层的输入特征为本级残差注意力层的输出特征。
本实施例中,M为正整数,M个第一预设卷积核的大小相同但权值不同。示例性的,各个第一预设卷积核的大小可以为3×3像素。
每一级残差注意力层的输入特征均包括RGB三个颜色通道上的特征。而预处理特征图为单通道特征图,即预处理特征图仅包括一个通道上的特征。
S1312:在通道维度上对所述M个预处理特征图进行特征提取,得到所述输入特征对应的目标特征向量,并将所述M个预处理特征图与所述目标特征向量相乘,得到所述输入特征对应的通道注意力图。
其中,目标特征向量为1×1×M的向量。
在一种可能的实现方式中,在通道维度上对所述M个预处理特征图进行特征提取,得到所述输入特征对应的目标特征向量,具体可以包括以下步骤:
步骤1:在通道维度上对所述M个预处理特征图进行全局最大池化操作,得到第一特征向量。其中,第一特征向量为1×1×M的向量。
本实现方式中,终端设备可以分别对M个预处理特征图进行全局最大池化操作,并将池化处理后的M个预处理特征图进行组合,得到第一特征向量。
步骤2:采用第二预设卷积核在通道维度上对所述第一特征向量进行卷积操作,得到第二特征向量。其中,第二预设卷积核为1×1的卷积核,第二特征向量为1×1×M/r的向量,r为第二预设卷积核在通道维度上的卷积深度,也即对第一特征向量的特征压缩倍数。
步骤3:采用第三预设卷积核在通道维度上对所述第二特征向量进行特征还原,得到所述目标特征向量。
第三预设卷积核的大小与第二预设卷积核的大小相同,即,第三预设卷积核也为1×1的卷积核。第三预设卷积核的权值与第二预设卷积核的权值不同。
本实施例中,由于目标特征向量为1×1×M的向量,因此,将M个预处理特征图与目标特征向量相乘,也即,将两个M维的向量相乘,因此,得到的通道注意力图的大小为M×M像素。
S1313:在特征图维度上对所述通道注意力图进行池化处理,得到空间注意力图。其中,空间注意力图的尺寸与预处理特征图的尺寸相同。
S1314:采用第四预设卷积核对所述空间注意力图进行卷积操作,并将卷积操作后的所述空间注意力图与所述通道注意力图相乘,得到待输出特征。
本实施例中,将卷积操作后的空间注意力图与通道注意力图相乘,指将卷积操作后的空间注意力图中的每个像素的灰度值与通道注意力图中对应像素的灰度值相乘,即待输出特征的每个像素的灰度值为空间注意力图中对应像素的灰度值与通道注意力图中对应像素的灰度值之积。
其中,第四预设卷积核的大小与第一预设卷积核的大小相同。
S1315:将所述输入特征与所述待输出特征相加,得到所述输入特征对应的残差注意力图,并将所述残差注意力图输出至本级残差注意力层后的下采样层。
本实施例中,将输入特征与待输出特征相加,指将输入特征的每个像素的灰度值与待输出特征对应像素的灰度值相加,即残差注意力图中每个像素的灰度值为输入特征对应像素的灰度值与待输出特征对应像素的灰度值之和。
示例性的,在残差注意力层中,根据输入特征确定残差注意力图的过程具体可以如图5所示,其中,51为输入特征,52为预处理特征图,53为第一特征向量,54为目标特征向量,55为通道注意力图,56为空间注意力图,57为残差注意力图。
S1316:在每个所述下采样层对接收到的残差注意力图进行池化操作,并输出池化操作后的所述残差注意力图至下一级残差注意力层。
S1317:将第N级残差注意力层后的下采样层输出的池化操作后的所述残差注意力图,确定为所述粗糙透射率图对应的空间特征图。
S132:通过所述解码结构对所述空间特征图进行特征还原,得到所述精细化透射率图。
在一种可能的实现方式中,请继续参阅图2中的(a),解码结构22可以包括N级上采样层221。每一级上采样层221对应编码结构21中的一级残差注意力层211。基于此,在本申请的一个实施例中,S132具体可以包括以下步骤:
通过所述N级上采样层对所述空间特征图进行N级上采样处理,得到所述精细化透射率图。
本实施例中,每一级上采样层的输入特征为上一级上采样层的输出特征。终端设备可以将第N级上采样层输出的特征图确定为精细化透射率图。
本申请实施例中,在透射图滤波网络模型的训练过程中可以采用多尺度结构相似性(multi-scale structural similarity index,MS-SSIM)损失函数和l1损失函数,透射图滤波网络模型的总体损失函数可以为:
L=αL MS-SSIM +βL l1;
其中,α和β分别表示MS-SSIM损失函数和l1损失函数的正权重。
S14:根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像。
在本申请的一个实施例中,终端设备可以将待处理图像、待处理图像对应的散射大气光分量以及精细化透射率图导入预设的去雾模型中,得到待处理图像的去雾图像。预设的去雾模型可以通过如下公式表示:
J(x,y)=(I(x,y)-A)/t+A;
其中,J(x,y)为待处理图像的去雾图像,I(x,y)为待处理图像,A为待处理图像对应的散射大气光分量,t为精细化透射率图,(x,y)表示图像中的像素的位置。示例性的,J(1,2)可以表示去雾图像中第一行第二列的像素,I(1,2)可以表示待处理图像中第一行第二列的像素。
示例性的,终端设备对待处理图像进行处理的整个流程可以如图2中的(b)所示,其中,24为待处理图像,25为粗糙透射率图,26为精细化透射率图,27为去雾图像。
以上可以看出,本实施例提供的图像的去雾方法,通过确定待处理图像对应的粗糙透射率图以及散射大气光分量,并采用基于卷积神经网络训练得到的透射图滤波网络模型对粗糙透射率图进行滤波处理,得到精细化透射率图,由于精细化透射率图满足透射率图的局部平滑性约束,且散射大气光分量能够量化大气中的悬浮粒子对图像特征的影响,因此根据待处理图像、散射大气光分量以及精细化透射率图得到待处理图像的去雾图像,可以实现对待处理图像的有效去雾,提升图像的去雾效果,提高去雾图像的图像质量。
可以理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的图像的去雾方法,本发明实施例进一步给出实现上述方法实施例的图像的去雾装置的实施例。请参阅图6,为本申请实施例提供的一种图像的去雾装置的结构示意图。为了便于说明,仅示出了与本实施例相关的部分。如图6所示,图像的去雾装置60可以包括:第一处理单元61、第一确定单元62、第二处理单元63及图像去雾单元64。其中:
第一处理单元61用于采用暗通道先验去雾算法对待处理图像进行处理,得到粗糙透射率图。
第一确定单元62用于确定所述待处理图像对应的散射大气光分量。
第二处理单元63用于采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图;所述透射图滤波网络模型是采用卷积神经网络训练得到的,所述精细化透射率图满足透射率图的局部平滑性约束。
图像去雾单元64用于根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像。
可选的,所述透射图滤波网络模型为:
t’=F(t;W F ), s.t.F(t;W F )~δ(β,d);
其中,t’为粗糙透射率图,t为精细化透射率图,W F 表示透射图滤波网络模型中的待学习参数,F(t;W F )表示所述粗糙透射率图、所述精细化透射率图及所述待学习参数之间的映射关系,δ(β,d)表示受局部平滑性约束的真实透射率图的分布,β表示散射系数,d表示拍摄对象到镜头的距离。
可选的,所述透射图滤波网络模型包括编码结构和解码结构;第二处理单元63包括编码单元和解码单元。
编码单元用于通过所述编码结构对所述粗糙透射率图进行特征提取,得到所述粗糙透射率图对应的空间特征图。
解码单元用于通过所述解码结构对所述空间特征图进行特征还原,得到所述精细化透射率图。
可选的,所述编码结构包括N级残差注意力层,每一级所述残差注意力层后设置有一个下采样层;编码单元包括第一卷积单元、第一特征提取单元、第一池化单元、第二卷积单元、特征结合单元、第二池化单元及第二确定单元。其中:
第一卷积单元,用于在每一级所述残差注意力层中,采用M个第一预设卷积核对本级残差注意力层的输入特征进行卷积操作,得到M个预处理特征图;第一级残差注意力层的输入特征为所述粗糙透射率图。
第一特征提取单元,用于在通道维度上对所述M个预处理特征图进行特征提取,得到目标特征向量,并将所述M个预处理特征图与所述目标特征向量相乘,得到所述输入特征对应的通道注意力图;所述目标特征向量为1×1×M的向量。
第一池化单元,用于在特征图维度上对所述通道注意力图进行池化处理,得到空间注意力图;所述空间注意力图的尺寸与所述预处理特征图的尺寸相同。
第二卷积单元,用于采用第四预设卷积核对所述空间注意力图进行卷积操作,并将卷积操作后的所述空间注意力图与所述通道注意力图相乘,得到待输出特征。
特征结合单元,用于将所述输入特征与所述待输出特征相加,得到所述输入特征对应的残差注意力图,并将所述残差注意力图输出至本级残差注意力层后的下采样层。
第二池化单元,用于在每个所述下采样层对接收到的残差注意力图进行池化操作,并输出池化操作后的所述残差注意力图至下一级残差注意力层。
第二确定单元,用于将第N级残差注意力层后的下采样层输出的池化操作后的所述残差注意力图,确定为所述粗糙透射率图对应的空间特征图。
可选的,第一特征提取单元具体用于:
在通道维度上对所述M个预处理特征图进行全局最大池化操作,得到第一特征向量;所述第一特征向量为1×1×M的向量;
采用第二预设卷积核在通道维度上对所述第一特征向量进行卷积操作,得到第二特征向量;所述第二预设卷积核为1×1的卷积核,所述第二特征向量为1×1×M/r的向量,r为所述第二预设卷积核在通道维度上的卷积深度;
采用第三预设卷积核在通道维度上对所述第二特征向量进行特征还原,得到所述目标特征向量;所述第三预设卷积核为1×1的卷积核。
可选的,解码单元具体用于:
通过所述N级上采样层对所述空间特征图进行N级上采样处理,得到所述精细化透射率图。
可选的,图像去雾单元64具体用于:
将所述待处理图像、所述散射大气光分量以及所述精细化透射率图导入预设的去雾模型中,得到所述待处理图像的去雾图像;所述去雾模型为:
J(x,y)=(I(x,y)-A)/t+A;
其中,J(x,y)为所述去雾图像,I(x,y)为所述待处理图像,A为所述散射大气光分量,t为所述精细化透射率图,(x,y)表示图像中的像素的位置。
需要说明的是,上述单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参照方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,即将图像的去雾装置的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
请参阅图7,图7为本申请实施例提供的一种终端设备的结构示意图。如图7所示,本实施例提供的终端设备7可以包括:处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72,例如图像的去雾方法对应的程序。处理器70执行计算机程序72时实现上述图像的去雾方法实施例中的步骤,例如图1所示的S11~S14。或者,处理器70执行计算机程序72时实现上述图像的去雾装置实施例中各模块/单元的功能,例如图6所示的单元61~64的功能。
示例性的,计算机程序72可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器71中,并由处理器70执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序72在终端设备7中的执行过程。例如,计算机程序72可以被分割成第一处理单元、第一确定单元、第二处理单元及图像去雾单元,各单元的具体功能请参阅图6对应的实施例中的相关描述,此处不赘述。
本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
处理器70可以是中央处理单元(central processing unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器71可以是终端设备7的内部存储单元,例如终端设备7的硬盘或内存。存储器71也可以是终端设备7的外部存储设备,例如终端设备7上配备的插接式硬盘、智能存储卡(smart media card,SMC)、安全数字(secure digital,SD)卡或闪存卡(flash card)等。进一步地,存储器71还可以既包括终端设备7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端设备所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备实现上述各个方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参照其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像的去雾方法,其特征在于,包括:
采用暗通道先验去雾算法对待处理图像进行处理,得到粗糙透射率图;
确定所述待处理图像对应的散射大气光分量;
采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图;所述透射图滤波网络模型是采用卷积神经网络训练得到的,所述精细化透射率图满足透射率图的局部平滑性约束;
根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像。
2.根据权利要求1所述的图像的去雾方法,其特征在于,所述透射图滤波网络模型为:
t’=F(t;W F ), s.t.F(t;W F )~δ(β,d);
其中,t’为粗糙透射率图,t为精细化透射率图,W F 表示透射图滤波网络模型中的待学习参数,F(t;W F )表示所述粗糙透射率图、所述精细化透射率图及所述待学习参数之间的映射关系,δ(β,d)表示受局部平滑性约束的真实透射率图的分布,β表示散射系数,d表示拍摄对象到镜头的距离。
3.根据权利要求1所述的图像的去雾方法,其特征在于,所述透射图滤波网络模型包括编码结构和解码结构;所述采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图,包括:
通过所述编码结构对所述粗糙透射率图进行特征提取,得到所述粗糙透射率图对应的空间特征图;
通过所述解码结构对所述空间特征图进行特征还原,得到所述精细化透射率图。
4.根据权利要求3所述的图像的去雾方法,其特征在于,所述编码结构包括N级残差注意力层,每一级所述残差注意力层后设置有一个下采样层;所述通过所述编码结构对所述粗糙透射率图进行特征提取,得到所述粗糙透射率图对应的空间特征图,包括:
在每一级所述残差注意力层中,采用M个第一预设卷积核对本级残差注意力层的输入特征进行卷积操作,得到M个预处理特征图;第一级残差注意力层的输入特征为所述粗糙透射率图;
在通道维度上对所述M个预处理特征图进行特征提取,得到目标特征向量,并将所述M个预处理特征图与所述目标特征向量相乘,得到所述输入特征对应的通道注意力图;所述目标特征向量为1×1×M的向量;
在特征图维度上对所述通道注意力图进行池化处理,得到空间注意力图;所述空间注意力图的尺寸与所述预处理特征图的尺寸相同;
采用第四预设卷积核对所述空间注意力图进行卷积操作,并将卷积操作后的所述空间注意力图与所述通道注意力图相乘,得到待输出特征;
将所述输入特征与所述待输出特征相加,得到所述输入特征对应的残差注意力图,并将所述残差注意力图输出至本级残差注意力层后的下采样层;
在每个所述下采样层对接收到的残差注意力图进行池化操作,并输出池化操作后的所述残差注意力图至下一级残差注意力层;
将第N级残差注意力层后的下采样层输出的池化操作后的所述残差注意力图,确定为所述粗糙透射率图对应的空间特征图。
5.根据权利要求4所述的图像的去雾方法,其特征在于,所述在通道维度上对所述M个预处理特征图进行特征提取,得到所述输入特征对应的目标特征向量,包括:
在通道维度上对所述M个预处理特征图进行全局最大池化操作,得到第一特征向量;所述第一特征向量为1×1×M的向量;
采用第二预设卷积核在通道维度上对所述第一特征向量进行卷积操作,得到第二特征向量;所述第二预设卷积核为1×1的卷积核,所述第二特征向量为1×1×M/r的向量,r为所述第二预设卷积核在通道维度上的卷积深度;
采用第三预设卷积核在通道维度上对所述第二特征向量进行特征还原,得到所述目标特征向量;所述第三预设卷积核为1×1的卷积核。
6.根据权利要求3所述的图像的去雾方法,其特征在于,所述解码结构包括N级上采样层;所述通过所述解码结构对所述空间特征图进行特征还原,得到所述精细化透射率图,包括:
通过所述N级上采样层对所述空间特征图进行N级上采样处理,得到所述精细化透射率图。
7.根据权利要求1-6任一项所述的图像的去雾方法,其特征在于,所述根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像,包括:
将所述待处理图像、所述散射大气光分量以及所述精细化透射率图导入预设的去雾模型中,得到所述待处理图像的去雾图像;所述去雾模型为:
J(x,y)=(I(x,y)-A)/t+A;
其中,J(x,y)为所述去雾图像,I(x,y)为所述待处理图像,A为所述散射大气光分量,t为所述精细化透射率图,(x,y)表示图像中的像素的位置。
8.一种图像的去雾装置,其特征在于,包括:
第一处理单元,用于采用暗通道先验去雾算法对待处理图像进行处理,得到粗糙透射率图;
第一确定单元,用于确定所述待处理图像对应的散射大气光分量;
第二处理单元,用于采用预先训练得到的透射图滤波网络模型对所述粗糙透射率图进行滤波处理,得到精细化透射率图;所述透射图滤波网络模型是采用卷积神经网络训练得到的,所述精细化透射率图满足透射率图的局部平滑性约束;
图像去雾单元,用于根据所述待处理图像、所述散射大气光分量以及所述精细化透射率图,得到所述待处理图像的去雾图像。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的图像的去雾方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的图像的去雾方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537909.5A CN114648467B (zh) | 2022-05-18 | 2022-05-18 | 图像的去雾方法、装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537909.5A CN114648467B (zh) | 2022-05-18 | 2022-05-18 | 图像的去雾方法、装置、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114648467A true CN114648467A (zh) | 2022-06-21 |
CN114648467B CN114648467B (zh) | 2022-08-16 |
Family
ID=81997247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537909.5A Active CN114648467B (zh) | 2022-05-18 | 2022-05-18 | 图像的去雾方法、装置、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648467B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649439A (zh) * | 2024-01-30 | 2024-03-05 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海草床面积的获取方法、系统、设备和存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780356A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 基于卷积神经网络和先验信息的图像去雾方法 |
CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
CN107958465A (zh) * | 2017-10-23 | 2018-04-24 | 华南农业大学 | 一种基于深度卷积神经网络的单幅图像去雾方法 |
CN108229525A (zh) * | 2017-05-31 | 2018-06-29 | 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 |
JP2018181308A (ja) * | 2017-04-10 | 2018-11-15 | 富士通株式会社 | 画像処理装置及び画像処理方法 |
CN108898562A (zh) * | 2018-06-22 | 2018-11-27 | 大连海事大学 | 一种基于深度学习的移动设备图像去雾方法 |
CN109493300A (zh) * | 2018-11-15 | 2019-03-19 | 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 |
CN110443759A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种基于深度学习的图像去雾方法 |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
AU2020100274A4 (en) * | 2020-02-25 | 2020-03-26 | Huang, Shuying DR | A Multi-Scale Feature Fusion Network based on GANs for Haze Removal |
CN112164010A (zh) * | 2020-09-30 | 2021-01-01 | 南京信息工程大学 | 一种多尺度融合卷积神经网络图像去雾方法 |
CN112950589A (zh) * | 2021-03-03 | 2021-06-11 | 桂林电子科技大学 | 一种多尺度卷积神经网络的暗通道先验去雾算法 |
CN113066032A (zh) * | 2021-04-13 | 2021-07-02 | 武汉卓目科技有限公司 | 一种基于引导滤波的图像暗通道去雾尺度优化方法 |
CN113269685A (zh) * | 2021-05-12 | 2021-08-17 | 南通大学 | 一种融合多注意力机制的图像去雾方法 |
CN113344806A (zh) * | 2021-07-23 | 2021-09-03 | 中山大学 | 一种基于全局特征融合注意力网络的图像去雾方法与系统 |
CN113902757A (zh) * | 2021-10-09 | 2022-01-07 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
CN113947537A (zh) * | 2021-09-17 | 2022-01-18 | 南京邮电大学 | 图像去雾方法、装置及设备 |
CN114022371A (zh) * | 2021-10-22 | 2022-02-08 | 中国科学院长春光学精密机械与物理研究所 | 基于空间和通道注意力残差网络的去雾装置及其去雾方法 |
CN114187203A (zh) * | 2021-12-09 | 2022-03-15 | 南京林业大学 | 注意力优化的深度编解码去雾生成对抗网络 |
-
2022
- 2022-05-18 CN CN202210537909.5A patent/CN114648467B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780356A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 基于卷积神经网络和先验信息的图像去雾方法 |
JP2018181308A (ja) * | 2017-04-10 | 2018-11-15 | 富士通株式会社 | 画像処理装置及び画像処理方法 |
CN108229525A (zh) * | 2017-05-31 | 2018-06-29 | 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 |
CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
CN107958465A (zh) * | 2017-10-23 | 2018-04-24 | 华南农业大学 | 一种基于深度卷积神经网络的单幅图像去雾方法 |
CN108898562A (zh) * | 2018-06-22 | 2018-11-27 | 大连海事大学 | 一种基于深度学习的移动设备图像去雾方法 |
CN109493300A (zh) * | 2018-11-15 | 2019-03-19 | 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 |
CN110443759A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种基于深度学习的图像去雾方法 |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
AU2020100274A4 (en) * | 2020-02-25 | 2020-03-26 | Huang, Shuying DR | A Multi-Scale Feature Fusion Network based on GANs for Haze Removal |
CN112164010A (zh) * | 2020-09-30 | 2021-01-01 | 南京信息工程大学 | 一种多尺度融合卷积神经网络图像去雾方法 |
CN112950589A (zh) * | 2021-03-03 | 2021-06-11 | 桂林电子科技大学 | 一种多尺度卷积神经网络的暗通道先验去雾算法 |
CN113066032A (zh) * | 2021-04-13 | 2021-07-02 | 武汉卓目科技有限公司 | 一种基于引导滤波的图像暗通道去雾尺度优化方法 |
CN113269685A (zh) * | 2021-05-12 | 2021-08-17 | 南通大学 | 一种融合多注意力机制的图像去雾方法 |
CN113344806A (zh) * | 2021-07-23 | 2021-09-03 | 中山大学 | 一种基于全局特征融合注意力网络的图像去雾方法与系统 |
CN113947537A (zh) * | 2021-09-17 | 2022-01-18 | 南京邮电大学 | 图像去雾方法、装置及设备 |
CN113902757A (zh) * | 2021-10-09 | 2022-01-07 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
CN114022371A (zh) * | 2021-10-22 | 2022-02-08 | 中国科学院长春光学精密机械与物理研究所 | 基于空间和通道注意力残差网络的去雾装置及其去雾方法 |
CN114187203A (zh) * | 2021-12-09 | 2022-03-15 | 南京林业大学 | 注意力优化的深度编解码去雾生成对抗网络 |
Non-Patent Citations (2)
Title |
---|
BIN QIU ET AL: "Learning mean progressive scattering using binomial truncated loss for image dehazing", 《THE INSTITUTION OF ENGINEERING AND TECHNOLOGY》 * |
乔丹 等: "基于多尺度融合卷积神经网络的图像去雾算法", 《液晶与显示》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649439A (zh) * | 2024-01-30 | 2024-03-05 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海草床面积的获取方法、系统、设备和存储介质 |
CN117649439B (zh) * | 2024-01-30 | 2024-04-09 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海草床面积的获取方法、系统、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114648467B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
Wang et al. | Single image dehazing based on the physical model and MSRCR algorithm | |
CN108229525B (zh) | 神经网络训练及图像处理方法、装置、电子设备和存储介质 | |
CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
US20190294931A1 (en) | Systems and Methods for Generative Ensemble Networks | |
CN105046658A (zh) | 一种低照度图像处理方法和装置 | |
Pei et al. | Effective image haze removal using dark channel prior and post-processing | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
US11887218B2 (en) | Image optimization method, apparatus, device and storage medium | |
CN106971166A (zh) | 停车位检测的图像预处理方法及系统 | |
Sandoub et al. | A low‐light image enhancement method based on bright channel prior and maximum colour channel | |
CN114627034A (zh) | 一种图像增强方法、图像增强模型的训练方法及相关设备 | |
CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
CN110378860A (zh) | 修复视频的方法、装置、计算机设备和存储介质 | |
CN114648467B (zh) | 图像的去雾方法、装置、终端设备及计算机可读存储介质 | |
CN115131229A (zh) | 图像降噪、滤波数据处理方法、装置和计算机设备 | |
CN115880177A (zh) | 聚合上下文和增强细节的全分辨率低照度图像增强方法 | |
CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
Wang et al. | Low-light image enhancement based on GAN with attention mechanism and color Constancy | |
CN110415188A (zh) | 一种基于多尺度形态学的hdr图像色调映射方法 | |
CN113191971A (zh) | 一种基于yuv颜色空间的无人机图像去雾方法 | |
CN110738624B (zh) | 一种区域自适应的图像去雾系统及方法 | |
CN116862809A (zh) | 一种低曝光条件下的图像增强方法 |
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 |