【技术实现步骤摘要】
图像去雾处理方法、装置及计算机设备
本申请主要涉及图像处理
,更具体地说是涉及一种图像去雾处理方法、装置及计算机设备。
技术介绍
雾霾是由空气中的灰尘和烟雾等小的漂浮颗粒产生的常见大气现象。在视频监控,远程感应,自动驾驶等应用场景下,若处于雾霾环境下进行图像采集,通常会因这些漂浮的颗粒对光的吸收和散射,使得采集到的图像为可见度底、色彩暗淡且对比度低的有雾图像,严重影响图像处理效果,甚至会导致无法满足应用场景的需求。对此,现有技术通常是采用一种端到端网络DehazeNeT,或者是一种端到端门控上下文聚合网络GCANeT,实现有雾图像的处理;前者网络可以估计有雾图像的介质透射率,再通过大气散射模型恢复清晰图像。后者网络通过聚合上下文信息并融合不同级别的特征,预测目标干净图像(即去雾图像)和有雾图像之间的残留,具体实现对有雾图像的去雾处理,满足应用场景对图像的去雾要求。然而,现有的图像去雾处理方式所达到的去雾效果有限,且由于训练网络的参数量较大,导致图像处理速度慢,降低了图像去雾处理效率。
技术实现思路
有鉴于此,为了提高图像去雾处理效率及效果,本申请提供了一种图像去雾处理方法,所述方法包括:获取待处理有雾图像;获取所述待处理有雾图像的对象边缘特征;将所述对象边缘特征作为所述待处理有雾图像的新通道,得到具有特定数量通道的待去雾图像;将所述待去雾图像输入去雾模型进行处理,输出所述待处理有雾图像对应的无雾图像;其中,所述去雾模型是基于机器学习网络 ...
【技术保护点】
1.一种图像去雾处理方法,所述方法包括:/n获取待处理有雾图像;/n获取所述待处理有雾图像的对象边缘特征;/n将所述对象边缘特征作为所述待处理有雾图像的新通道,得到具有特定数量通道的待去雾图像;/n将所述待去雾图像输入去雾模型进行处理,输出所述待处理有雾图像对应的无雾图像;/n其中,所述去雾模型是基于机器学习网络模型,对具有特定数量通道的样本有雾图像进行训练得到的,所述机器学习网络模型具有SE层网络结构,且所述SE层网络结构是利用卷积层,实现对所输入的待去雾图像的多个维度各自的注意力权重的计算。/n
【技术特征摘要】
1.一种图像去雾处理方法,所述方法包括:
获取待处理有雾图像;
获取所述待处理有雾图像的对象边缘特征;
将所述对象边缘特征作为所述待处理有雾图像的新通道,得到具有特定数量通道的待去雾图像;
将所述待去雾图像输入去雾模型进行处理,输出所述待处理有雾图像对应的无雾图像;
其中,所述去雾模型是基于机器学习网络模型,对具有特定数量通道的样本有雾图像进行训练得到的,所述机器学习网络模型具有SE层网络结构,且所述SE层网络结构是利用卷积层,实现对所输入的待去雾图像的多个维度各自的注意力权重的计算。
2.根据权利要求1所述的方法,所述去雾模型对所述待去雾图像的处理包括:
利用所述SE层网络结构中的卷积层,获取输入所述SE层网络结构的待去雾图像对应的各通道的图像特征的通道权重,以及各像素的像素权重。
3.根据权利要求2所述的方法,所述利用所述SE层网络结构中的卷积层,获取输入所述SE网络的待去雾图像对应的各通道的图像特征的通道权重,以及各像素的像素权重,包括:
通过注意力机制,对获取的待去雾图像对应的各通道的图像特征进行卷积运算,得到各通道的图像特征对应的通道权重,以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;
通过注意力机制,对获取的待去雾图像的像素信息进行卷积运算,得到所述待去雾图像包含的不同像素的像素权重,以利用所述像素权重对获取的待去雾图像的像素进行加权运算。
4.根据权利要求1~3任一项所述的方法,所述机器学习网络模型至少还具有深度可分离卷积层、下采样网络、残差网络之中的多个组合,所述去雾模型对所述待去雾图像的处理还包括以下多种组合:
通过所述深度可分离卷积层,对输入的所述待去雾图像对应的各通道的图像特征进行扩展处理,输出扩展通道后对应的图像特征;
利用所述下采样网络包含的不同尺寸的卷积核,对输入的所述待去雾图像对应的各通道的图像特征进行处理,输出相同数量通道分别对应的图像特征;
利用所述残差网络包含的多个平滑残差块,对输入的图像特征进行平滑处理,所述平滑残差块包含的两个空洞卷积层的扩张值不同。
5.根据权利要求4所述的方法,所述利用所述下采样网络包含的不同尺寸的卷积核,对输入的所述待去雾图像对应的各通道的图像特征进行处理,输出相同数量通道分别对应的图像特征,包括:
将第一数量通道各自的图像...
【专利技术属性】
技术研发人员:王钰桥,韩岩,谭松波,
申请(专利权)人:联想北京有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。