【技术实现步骤摘要】
图像去雾方法、装置、电子设备及存储介质
[0001]本专利技术涉及图像处理
，尤其涉及一种图像去雾方法、装置、电子设备及存储介质。
技术介绍
[0002]雾霾是一种典型的大气现象，当灰尘等细颗粒物积聚在空气中时产生。这些粒子对光有很大的吸收和散射作用，从而减弱了景物反射的景物辐射，使其与散射光混淆。在这种条件下拍摄的图像或视频会产生严重的质量退化，影响后续的智能化分析，制约着系统的性能。
[0003]随着深度学习中半监督和无监督迁移学习的发展，目前，已有应用开发域自适应范式，或者利用CycleGAN的循环结构来提高深度模型的泛化能力，在特征域对雾霾图像的语义成分和雾霾成分进行分解/重构，实现域之间的迁移，完成图像去雾得到去雾图像。
[0004]但是，在对雾霾图像进行特征解耦时往往采用的是同构的单分支网络结构，对不同特性信息的缺乏区分处理，并且随着网络结构的加深，信息在学习的过程中不可避免会丢失。
技术实现思路
[0005]本专利技术提供一种图像去雾方法、装置、电子设备及存储介质，用以解决...
【技术保护点】
【技术特征摘要】
1.一种图像去雾方法，其特征在于，包括：确定待去雾图像；将所述待去雾图像输入至去雾模型中，得到所述去雾模型输出的去雾后的图像；所述去雾模型包括雾霾图像编码器和语义解码器；所述雾霾图像编码器用于提取并融合所述待去雾图像在两个不同层级的语义特征，得到雾霾图像语义特征；所述语义解码器用于基于所述雾霾图像语义特征得到去雾后的图像；所述去雾模型是基于不成对的雾霾样本图像和清晰样本图像训练得到。2.根据权利要求1所述的图像去雾方法，其特征在于，所述雾霾图像编码器包括浅层网络分支、深层网络分支和加权融合网络；所述雾霾图像语义特征的获取步骤如下：将所述浅层网络分支提取的所述待去雾图像的语义特征和所述深层网络分支提取的所述待去雾图像的语义特征进行融合，得到融合特征；基于所述加权融合网络，对所述融合特征进行通道级和像素级的加权特征融合，得到所述雾霾图像语义特征。3.根据权利要求2所述的图像去雾方法，其特征在于，所述浅层网络分支包括浅层第一卷积单元、浅层第二卷积单元、浅层第三卷积单元和浅层残差单元；所述深层网络分支包括深层第一卷积单元、深层第二卷积单元、深层第三卷积单元、深层第一残差单元、深层第二残差单元和深层第三残差单元；所述将所述浅层网络分支提取的所述待去雾图像的语义特征和所述深层网络分支提取的所述待去雾图像的语义特征进行融合，得到融合特征，包括：基于所述待去雾图像，应用所述浅层第一卷积单元，确定第一浅层特征，并应用所述深层第一卷积单元和所述深层第一残差单元，确定第一深层特征；基于所述第一浅层特征和所述第一深层特征，确定第一融合特征；基于所述第一融合特征，应用所述浅层第二卷积单元，确定第二浅层特征，并应用所述深层第二卷积单元和所述深层第二残差单元，确定第二深层特征；基于所述第二浅层特征和所述第二深层特征，确定第二融合特征；基于所述第二融合特征，应用所述浅层第三卷积单元，确定第三浅层特征，并应用所述深层第三卷积单元，确定第三深层特征；基于所述第三浅层特征和所述第三深层特征，确定第三融合特征；基于所述第三融合特征，应用所述浅层残差单元，确定第四浅层特征，并应用所述深层第三残差单元，确定第四深层特征；基于所述第四浅层特征和所述第四深层特征，确定所述融合特征。4.根据权利要求2所述的图像去雾方法，其特征在于，所述加权融合网络包括第一加权融合单元、第二加权融合单元、第三加权融合单元、第一通道级加权单元、第二通道级加权单元、第三通道加级权单元和像素级加权单元；所述第一加权融合单元、所述第二加权融合单元和所述第三加权融合单元均包括通道加权子单元和像素加权子单元；所述基于所述加权融合网络，对所述融合特征进行通道级和像素级的加权特征融合，得到所述雾霾图像语义特征，包括：基于所述融合特征，应用所述第一加权融合单元和所述第一通道级加权单元，确定第
一通道加权特征；基于所述第一通道加权特征，应用所述第二加权融合单元，确定第一加权融合特征；基于所述第一加权融合特征，应用所述第二通道级加权单元，确定第二通道级加权特征；基于所述第二通道加权特征，应用所述第三加权融合单元，确定第二加权融合特征；基于所述第二加权融合特征，应用所述第三通道级加权单元，确定第三通道级加权特征；基于所述第一加权融合特征、第二加权融合特征和所述第三通道加权特征，确定第四通道级加权特征；基于所述第四通道级加权特征，应用所述像素级加权单元，确定所述雾霾图像语义特征。5.根据权利要求1所述的图像去雾方法...
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。