图像去雾处理方法、装置及计算机设备制造方法及图纸

本申请提供了一种图像去雾处理方法、装置及计算机设备，在获取待处理有雾图像后，本申请将获取待处理有雾图像的对象边缘特征，将其与待处理有雾图像原有的通道结合，得到待去雾图像后，才将该待去雾图像输入去雾模型进行处理，以使得去雾模型在图像去雾处理过程中，还能够考虑到待去雾图像中的对象边缘特征，以保证输出去雾图像的清晰度；且由于模型中的SE网络结构中原有的全连接层替换成卷积层，压缩了网络参数，提高了图像去雾处理效率，且通过计算待去雾图像的多个维度的注意力权重，据此提升对图像去雾处理更多有用特征并抑制更多用处不大的特征，从而提升模型处理的准确率，进一步提高图像去雾效果及去雾处理效率。

【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。在一些实施例中，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。在一些实施例中，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。在一些实施例中，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。在一些实施例中，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特征输入第一尺寸的第一卷积核进行运算，输出第二数量通道分别对应的图像特征，所述第二数量大于所述第一数量，所述第一数量大于所述特定数量；将所述第二数量通道各自的图像特征输入第二尺寸的第二卷积核进行运算，输出第三数量通道分别对应的图像特征，所述第三数量等于所述第二数量；将所述第三数量通道各自的图像特征输入第二尺寸的第三卷积核进行运算，输出第四数量通道分别对应的图像特征，所述第四数量等于所述第一数量。在一些实施例中，所述去雾模型对所述待去雾图像的处理还包括：将所述下采样网络输出的图像特征与输入所述下采样网络前的图像特征进行级联融合处理，以增加输入至与所述下采样网络连接的网络的图像特征数量。在一些实施例中，所述获取所述待处理有雾图像的对象边缘特征，包括：获取所述待处理有雾图像具有的每一个通道的图像梯度变化；获取所述待处理有雾图像具有的多个通道的图像梯度变化的平均图像梯度变化，由所述平均图像梯度变化确定所述待处理有雾图像的对象边缘特征。本申请还提出了一种图像去雾处理装置，所述装置包括：待处理有雾图像获取模块，用于获取待处理有雾图像；对象边缘特征获取模块，用于获取所述待处理有雾图像的对象边缘特征；待去雾图像得到模块，用于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；去雾处理模块，用于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。在一些实施例中，所述去雾处理模块包括：注意力权重获取单元，用于利用所述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。本申请还提出了一种计算机设备，所述计算机设备包括：存储器，用于存储实现如上述的图像去雾处理方法的程序；处理器，用于加载并执行所述存储器存储的所述程序，以实现如上所述的图像去雾处理方法的各个步骤。由此可见，与现有技术相比，本申请提供了一种图像去雾处理方法、装置及计算机设备，在获取待处理有雾图像后，本申请将获取待处理有雾图像的对象边缘特征，将其与待处理有雾图像原有的通道结合，得到待去雾图像后，才将该待去雾图像输入去雾模型进行处理，以使得去雾模型在图像去雾处理过程中，还能够考虑到待去雾图像中的对象边缘特征，以保证输出去雾图像的清晰度；且由于模型中的SE网络结构中原有的全连接层替换成卷积层，压缩了网络参数，提高了图像去雾处理效率，且通过计算待去雾图像的多个维度的注意力权重，据此提升对图像去雾处理更多有用特征并抑制更多用处不大的特征，从而提升模型处理的准确率，进一步提高图像去雾效果及去雾处理效率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。图1示出了本申请提出的图像去雾方法的一应用场景示意图；图2示出了本申请实施例提出的一种计算机设备的硬件结构示意图图3示出了本申请提出本文档来自技高网...

【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