本申请实施例提供了一种图像处理方法、图像处理装置、计算机设备和存储介质，属于人工智能技术领域。该方法包括：获取待处理的原始图像；获取预训练的循环去噪扩散概率模型，循环去噪扩散概率模型包括第一输入端口和第二输入端口，第一输入端口用于输入原始带雨图像，第二输入端口用于输入所述原始去雨图像；当原始图像为原始带雨图像，将原始带雨图像通过第一输入端口输入至循环去噪扩散概率模型进行图像去雨处理，得到目标去雨图像；当原始图像为原始去雨图像，将原始去雨图像通过第二输入端口输入至循环去噪扩散概率模型进行图像加雨处理，得到目标带雨图像。本申请实施例能够高效准确地完成图像去雨或加雨任务。能够高效准确地完成图像去雨或加雨任务。能够高效准确地完成图像去雨或加雨任务。
【技术实现步骤摘要】
图像处理方法、图像处理装置、计算机设备和存储介质
[0001]本申请涉及人工智能
，尤其涉及一种图像处理方法、图像处理装置、计算机设备和存储介质。
技术介绍
[0002]目前，图像去雨(Single Image Deraining，SID)是计算机视觉领域的一种图像去噪任务，现有的图像去雨的方法包括：(1)利用有监督模型将任务等价于一个线性叠加模型，即将目标下雨图像当作正常图像和雨条纹的叠加和，根据实际统计结果对正常图像和雨条纹施加先验信息限制，再对目标下雨图像进行求解。然而，现实生活和研究中对成对的匹配数据图像的获取存在一定的困难，从而导致有监督模型的任务难以实现，且假设的先验信息具有固定性质，则在不同场景下先验信息难以一直发挥作用。(2)利用无监督模型的生成对抗网络聚焦于空间的循环不变性，以挖掘数据特征信息，完成图像去雨任务。然而，由于没有成对的训练数据作为监督学习，生成对抗网络的训练稳定性较低，且由于下雨图像和正常图像之间具有显著的域差距，该模型结构难以稳定且高效地学习下雨图像输入到正常图像输出之间的潜在关系，从而降低了对图像去雨的准确率。因此，如何高效准确地实现图像去雨任务，成为了亟待解决的技术问题。
技术实现思路
[0003]本申请实施例的主要目的在于提出了一种图像处理方法、图像处理装置、计算机设备和存储介质，能够高效准确地实现图像去雨或加雨任务。
[0004]为实现上述目的，本申请实施例的第一方面提出了一种图像处理方法，所述方法包括：
[0005]获取待处理的原始图像，所述原始图像为原始带雨图像或原始去雨图像；
[0006]获取预训练的循环去噪扩散概率模型，所述循环去噪扩散概率模型包括第一输入端口和第二输入端口，所述第一输入端口用于输入所述原始带雨图像，所述第二输入端口用于输入所述原始去雨图像；
[0007]当所述原始图像为所述原始带雨图像，将所述原始带雨图像通过所述第一输入端口输入至所述循环去噪扩散概率模型进行图像去雨处理，得到目标去雨图像；
[0008]当所述原始图像为所述原始去雨图像，将所述原始去雨图像通过所述第二输入端口输入至所述循环去噪扩散概率模型进行图像加雨处理，得到目标带雨图像。
[0009]在一些实施例中，所述循环去噪扩散概率模型通过如下方法训练得到：
[0010]构建训练样本集，所述训练样本集包括带雨图像训练样本集和去雨图像训练样本集，所述带雨图像训练样本集包括多个原始带雨样本图像，所述去雨图像训练样本集包括多个原始去雨样本图像；
[0011]获取预设的原始去噪扩散概率模型，所述原始去噪扩散概率模型包括图像去雨子模型和图像带雨子模型，所述图像去雨子模型连接所述第一输入端口，所述图像带雨子模
型连接所述第二输入端口；
[0012]将所述原始带雨样本图像通过所述第一输入端口输入至所述图像去雨子模型进行图像去雨处理，得到第一去雨样本图像；
[0013]根据所述图像带雨子模型对所述第一去雨样本图像进行图像加雨处理，得到第一带雨样本图像；
[0014]根据所述原始带雨样本图像和所述第一带雨样本图像确定带雨损失值；
[0015]将所述原始去雨样本图像通过所述第二输入端口输入至所述图像带雨子模型进行图像加雨处理，得到第二带雨样本图像；
[0016]根据所述图像去雨子模型对所述第二带雨样本图像进行图像加雨处理，得到第二去雨样本图像；
[0017]根据所述原始去雨样本图像和所述第二去雨样本图像确定去雨损失值；
[0018]根据所述去雨损失值和所述带雨损失值确定循环损失值；
[0019]根据所述循环损失值对所述原始去噪扩散概率模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，以得到所述循环去噪扩散概率模型。
[0020]在一些实施例中，所述根据所述循环损失值对所述原始去噪扩散概率模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，以得到所述循环去噪扩散概率模型，包括：
[0021]根据所述原始带雨样本图像和所述第一去雨样本图像确定第一结构相似性损失值；
[0022]根据所述原始去雨样本图像和所述第二带雨样本图像确定第二结构相似性损失值；
[0023]根据所述第一结构相似性损失值和所述第二结构相似性损失值确定空间相似性损失值；
[0024]根据所述循环损失值和所述空间相似性损失值对所述原始去噪扩散概率模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，直至所述循环损失值和所述空间相似性损失值满足预设训练结束条件，以得到所述循环去噪扩散概率模型。
[0025]在一些实施例中，所述根据所述原始带雨样本图像和所述第一去雨样本图像确定第一结构相似性损失值，包括：
[0026]对所述原始带雨样本图像进行中心像素求解，得到第一样本像素矩阵；
[0027]根据所述第一样本像素矩阵和所述第一去雨样本图像确定第一结构相似性损失值。
[0028]在一些实施例中，所述根据所述原始去雨样本图像和所述第二带雨样本图像确定第二结构相似性损失值，包括：
[0029]对所述原始去雨样本图像进行中心像素求解，得到第二样本像素矩阵；
[0030]根据所述第二样本像素矩阵和所述第二带雨样本图像确定第二结构相似性损失值。
[0031]在一些实施例中，所述图像去雨处理包括第一扩散处理和第一去噪处理，所述当所述原始图像为所述原始带雨图像，将所述原始带雨图像通过所述第一输入端口输入至所述循环去噪扩散概率模型进行图像去雨处理，得到目标去雨图像，包括：
[0032]当所述原始图像为所述原始带雨图像，将所述原始带雨图像通过所述第一输入端口输入至所述循环去噪扩散概率模型进行所述第一扩散处理，得到第一扩散样本图像；
[0033]对所述第一扩散样本图像进行所述第一去噪处理，得到目标去雨图像。
[0034]在一些实施例中，所述图像加雨处理包括第二扩散处理和第二去噪处理，所述当所述原始图像为所述原始去雨图像，将所述原始去雨图像通过所述第二输入端口输入至所述循环去噪扩散概率模型进行图像加雨处理，得到目标带雨图像，包括：
[0035]当所述原始图像为所述原始去雨图像，将所述原始去雨图像通过所述第二输入端口输入至所述循环去噪扩散概率模型进行所述第二扩散处理，得到第二扩散样本图像；
[0036]对所述第二扩散样本图像进行所述第二去噪处理，得到目标带雨图像。
[0037]为实现上述目的，本申请实施例的第二方面提出了一种图像处理装置，所述装置包括：
[0038]图像获取模块，用于获取待处理的原始图像，所述原始图像为原始带雨图像或原始去雨图像；
[0039]模型获取模块，用于获取预训练的循环去噪扩散概率模型，所述循环去噪扩散概率模型包括第一输入端口和第二输入端口，所述第一输入端口用于输入所述原始带雨图像，所述第二输入端口用于输入所述原始去雨图像；
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：获取待处理的原始图像，所述原始图像为原始带雨图像或原始去雨图像；获取预训练的循环去噪扩散概率模型，所述循环去噪扩散概率模型包括第一输入端口和第二输入端口，所述第一输入端口用于输入所述原始带雨图像，所述第二输入端口用于输入所述原始去雨图像；当所述原始图像为所述原始带雨图像，将所述原始带雨图像通过所述第一输入端口输入至所述循环去噪扩散概率模型进行图像去雨处理，得到目标去雨图像；当所述原始图像为所述原始去雨图像，将所述原始去雨图像通过所述第二输入端口输入至所述循环去噪扩散概率模型进行图像加雨处理，得到目标带雨图像。2.根据权利要求1所述的方法，其特征在于，所述循环去噪扩散概率模型通过如下方法训练得到：构建训练样本集，所述训练样本集包括带雨图像训练样本集和去雨图像训练样本集，所述带雨图像训练样本集包括多个原始带雨样本图像，所述去雨图像训练样本集包括多个原始去雨样本图像；获取预设的原始去噪扩散概率模型，所述原始去噪扩散概率模型包括图像去雨子模型和图像带雨子模型，所述图像去雨子模型连接所述第一输入端口，所述图像带雨子模型连接所述第二输入端口；将所述原始带雨样本图像通过所述第一输入端口输入至所述图像去雨子模型进行图像去雨处理，得到第一去雨样本图像；根据所述图像带雨子模型对所述第一去雨样本图像进行图像加雨处理，得到第一带雨样本图像；根据所述原始带雨样本图像和所述第一带雨样本图像确定带雨损失值；将所述原始去雨样本图像通过所述第二输入端口输入至所述图像带雨子模型进行图像加雨处理，得到第二带雨样本图像；根据所述图像去雨子模型对所述第二带雨样本图像进行图像加雨处理，得到第二去雨样本图像；根据所述原始去雨样本图像和所述第二去雨样本图像确定去雨损失值；根据所述去雨损失值和所述带雨损失值确定循环损失值；根据所述循环损失值对所述原始去噪扩散概率模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，以得到所述循环去噪扩散概率模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述循环损失值对所述原始去噪扩散概率模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，以得到所述循环去噪扩散概率模型，包括：根据所述原始带雨样本图像和所述第一去雨样本图像确定第一结构相似性损失值；根据所述原始去雨样本图像和所述第二带雨样本图像确定第二结构相似性损失值；根据所述第一结构相似性损失值和所述第二结构相似性损失值确定空间相似性损失值；根据所述循环损失值和所述空间相似性损失值对所述原始去噪扩散概率模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，直至所述循环损失值和所
述空间相似性损失值满足预设训练结束条件，以得到所述循环去噪扩散概率模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述原始带雨样本图像和所述第一去雨样...
【专利技术属性】
技术研发人员：王健宗，李泽远，司世景，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
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。