一种图像处理方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种图像处理方法、装置、设备及存储介质。该方法的步骤包括：获取待处理图像以及待处理图像的干扰因素类型；根据干扰因素类型获取相应的去干扰网络模型；其中，去干扰网络模型基于样本原始图像，以及基于样本原始图像增加样本干扰特征后的样本干扰图像训练得到；基于去干扰网络模型去除待处理图像中的干扰因素特征，得到结果图像。本方法能够识别待处理图像中的干扰因素特征，进而实现了对待处理图像中干扰因素的去除，提高了待处理图像的清晰度，进而确保了基于待处理图像进行特征提取或标注的准确性以及可靠性。此外，本申请还提供一种图像处理装置、设备及存储介质，有益效果同上所述。

【技术实现步骤摘要】
一种图像处理方法、装置、设备及存储介质
本申请涉及图像处理领域，特别是涉及一种图像处理方法、装置、设备及存储介质。
技术介绍
目前，随着深度学习的快速发展与完善，计算机视觉技术取得了巨大的进步，当前往往能够通过计算机视觉技术对场景图像中的物体特征或数据进行识别以及标注，无需通过人为方式根据图像中的内容进行手工标注。基于计算机视觉技术对图像进行特征获取或标注的基础是图像清晰，但是在如车辆检测和和车牌识别系统在出入口控制或安全监控等应用场景下，对车辆进行拍摄得到图像往往会受到天气等客观因素的干扰，而导致图像的清晰度降低，进而难以确保基于图像进行特征提取或标注的准确性以及可靠性。由此可见，提供一种图像处理方法，以实现对图像中干扰因素的去除，提高图像的清晰度，进而确保基于图像进行特征提取或标注的准确性以及可靠性，是本领域技术人员需要解决的问题。
技术实现思路
本申请的目的是提供一种图像处理方法、装置、设备及存储介质，以实现对图像中干扰因素的去除，提高图像的清晰度，进而确保基于图像进行特征提取或标注的准确性以及可靠性。为解决上述技术问题，本申请提供一种图像处理方法，包括：获取待处理图像以及待处理图像的干扰因素类型；根据干扰因素类型获取相应的去干扰网络模型；其中，去干扰网络模型基于样本原始图像，以及基于样本原始图像增加样本干扰特征后的样本干扰图像训练得到；基于去干扰网络模型去除待处理图像中的干扰因素特征，得到结果图像。优选地，去干扰网络模型的生成过程包括：获取样本原始图像以及与干扰因素类型对应的样本干扰特征；将样本干扰特征增加至样本原始图像，得到样本干扰图像；基于待训练网络模型提取样本干扰图像中的干扰提取特征，并基于样本干扰图像去除干扰提取特征，得到干扰去除图像；计算样本干扰特征与干扰提取特征之间的第一特征损失，以及干扰去除图像与样本原始图像之间的第二特征损失；根据第一特征损失以及第二特征损失更新待训练网络模型，得到去干扰网络模型。优选地，待处理图像的干扰因素类型包括雨雾干扰类型；相应的，样本干扰特征包括样本雨痕特征以及样本光特征，干扰提取特征包括雨痕特征以及光特征。优选地，基于待训练网络模型提取样本干扰图像中的干扰提取特征，并基于样本干扰图像去除干扰提取特征，包括：基于待训练网络模型中的第一特征提取模型提取样本干扰图像中的雨痕特征；基于待训练网络模型中的第二特征提取模型提取样本干扰图像中的光特征；通过待训练网络模型中的混合网络在样本干扰图像中去除雨痕特征以及光特征。优选地，第一特征损失包括均方误差，第二特征损失包括对抗损失。优选地，根据第一特征损失以及第二特征损失更新待训练网络模型，得到去干扰网络模型，包括：基于第一特征损失以及第二特征损失生成总特征损失；通过将总特征损失反向传播至待训练网络模型的方式更新待训练网络模型，得到去干扰网络模型。此外，本申请还提供一种图像处理装置，包括：图像获取模块，用于获取待处理图像以及待处理图像的干扰因素类型；模型获取模块，用于根据干扰因素类型获取相应的去干扰网络模型；其中，去干扰网络模型基于样本原始图像，以及基于样本原始图像增加样本干扰特征后的样本干扰图像训练得到；模型处理模块，用于基于去干扰网络模型去除待处理图像中的干扰因素特征，得到结果图像。优选地，装置还包括：原始样本获取模块，用于获取样本原始图像以及与干扰因素类型对应的样本干扰特征；干扰样本生成模块，用于将样本干扰特征增加至样本原始图像，得到样本干扰图像；提取去除模块，用于基于待训练网络模型提取样本干扰图像中的干扰提取特征，并基于样本干扰图像去除干扰提取特征，得到干扰去除图像；损失计算模块，用于计算样本干扰特征与干扰提取特征之间的第一特征损失，以及干扰去除图像与样本原始图像之间的第二特征损失；模型更新模块，用于根据第一特征损失以及第二特征损失更新待训练网络模型，得到去干扰网络模型。此外，本申请还提供一种图像处理设备，包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现如上述的图像处理方法的步骤。此外，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的图像处理方法的步骤。本申请所提供的图像处理方法，首先获取待处理图像以及待处理图像对应的干扰因素类型，进而根据干扰因素类型获取相应的去干扰网络模型，其中，去干扰网络模型基于样本原始图像以及基于样本原始图像增加样本干扰特征后的样本干扰图像训练得到。得到去干扰网络模型后，进一步基于该去干扰网络模型去除待处理图像中的干扰因素特征，得到结果图像。本方法利用基于样本原始图像以及样本干扰图像训练得到的去干扰网络模型，能够识别待处理图像中的干扰因素特征，进而实现了对待处理图像中干扰因素的去除，提高了待处理图像的清晰度，进而确保了基于待处理图像进行特征提取或标注的准确性以及可靠性。此外，本申请还提供一种图像处理装置、设备及存储介质，有益效果同上所述。附图说明为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，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为本申请实施例公开的一种图像处理方法的流程图；图2为本申请实施例公开的一种去干扰网络模型的生成过程的流程图；图3为本申请实施例公开的一种图像处理装置的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。基于计算机视觉技术对图像进行特征获取或标注的基础是图像清晰，但是在如车辆检测和和车牌识别系统在出入口控制或安全监控等应用场景下，对车辆进行拍摄得到图像往往会受到天气等客观因素的干扰，而导致图像的清晰度降低，进而难以确保基于图像进行特征提取或标注的准确性以及可靠性。为此，本申请的核心是提供一种图像处理方法，以实现对图像中干扰因素的去除，提高图像的清晰度，进而确保基于图像进行特征提取或标注的准确性以及可靠性。为了使本
的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。请参见图1所示，本申请实施例公开了一种图像处理方法，包括：步骤S10：获取待处理图像以及待处理图像的干扰因素类型。需要说明的是，本步骤中获取到的待处理图像指的是在实际场景下拍摄得到的图像，根据实际场景类型的不同，待处理图像的内容也有所不同，包括但不本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n获取待处理图像以及所述待处理图像的干扰因素类型；/n根据所述干扰因素类型获取相应的去干扰网络模型；其中，所述去干扰网络模型基于样本原始图像，以及基于所述样本原始图像增加样本干扰特征后的样本干扰图像训练得到；/n基于所述去干扰网络模型去除所述待处理图像中的干扰因素特征，得到结果图像。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
获取待处理图像以及所述待处理图像的干扰因素类型；
根据所述干扰因素类型获取相应的去干扰网络模型；其中，所述去干扰网络模型基于样本原始图像，以及基于所述样本原始图像增加样本干扰特征后的样本干扰图像训练得到；
基于所述去干扰网络模型去除所述待处理图像中的干扰因素特征，得到结果图像。


2.根据权利要求1所述的图像处理方法，其特征在于，所述去干扰网络模型的生成过程包括：
获取所述样本原始图像以及与所述干扰因素类型对应的样本干扰特征；
将所述样本干扰特征增加至所述样本原始图像，得到所述样本干扰图像；
基于待训练网络模型提取所述样本干扰图像中的干扰提取特征，并基于所述样本干扰图像去除所述干扰提取特征，得到干扰去除图像；
计算所述样本干扰特征与所述干扰提取特征之间的第一特征损失，以及所述干扰去除图像与所述样本原始图像之间的第二特征损失；
根据所述第一特征损失以及所述第二特征损失更新所述待训练网络模型，得到所述去干扰网络模型。


3.根据权利要求2所述的图像处理方法，其特征在于，所述待处理图像的干扰因素类型包括雨雾干扰类型；
相应的，所述样本干扰特征包括样本雨痕特征以及样本光特征，所述干扰提取特征包括雨痕特征以及光特征。


4.根据权利要求3所述的图像处理方法，其特征在于，所述基于待训练网络模型提取所述样本干扰图像中的干扰提取特征，并基于所述样本干扰图像去除所述干扰提取特征，包括：
基于所述待训练网络模型中的第一特征提取模型提取所述样本干扰图像中的所述雨痕特征；
基于所述待训练网络模型中的第二特征提取模型提取所述样本干扰图像中的所述光特征；
通过所述待训练网络模型中的混合网络在所述样本干扰图像中去除所述雨痕特征以及所述光特征。


5.根据权利要求4所述的图像处理方法，其特征在于，所述第一特征损失包括均方误差，所述第二特征损失包括对抗损失。


6.根据权利要求2...

【专利技术属性】
技术研发人员：唐健，潘国峰，陶昆，祝严刚，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：广东;44