【技术实现步骤摘要】
一种图像增强方法及相关设备
[0001]本专利技术涉及图像处理
，尤其涉及一种图像增强方法及相关设备。
技术介绍
[0002]随着图像处理技术和计算机视觉技术的快速发展，计算机视觉系统的应用越来越广泛，但是在户外遇到恶劣天气，如雾，沙尘，雨，雪等天气时，恶劣天气会对获取的图像会产生遮挡，使得所拍摄图像的视觉效果和数据质量比较差劲，导致计算机视觉处理算法的性能下降。因此，亟需一种可以消除恶劣天气对获取的图像产生的遮挡，还原图像本身信息的技术手段。
技术实现思路
[0003]本专利技术的主要目的在于提供一种图像增强方法及相关设备，旨在解决目前在户外所拍摄图像受到恶劣天气影响导致视觉效果和数据质量较差的问题。
[0004]第一方面，本专利技术提供一种图像增强方法，所述图像增强方法包括：
[0005]将有遮挡的预处理图像输入图像增强网络模型中；
[0006]通过所述图像增强网络模型中的多个编码层和深度自注意力变换神经网络模块提取所述有遮挡的预处理图像的特征图像；
[0007]通过...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种图像增强方法，其特征在于，所述图像增强方法包括：将有遮挡的预处理图像输入图像增强网络模型中；通过所述图像增强网络模型中的多个编码层和深度自注意力变换神经网络模块提取所述有遮挡的预处理图像的特征图像；通过多个解码层的上采样模块和残差可变形卷积模块将所述特征图像进行解码还原，得到无遮挡的增强图像，其中，残差可变形卷积模块包括两层连续的高斯误差线性单元激活函数、层归一化以及可变形卷积神经网络。2.如权利要求1所述的图像增强方法，其特征在于，所述通过所述图像增强网络模型中的多个编码层和深度自注意力变换神经网络模块提取所述有遮挡的预处理图像的特征图像的步骤，包括：通过所述图像增强网络模型中的第一编码层的卷积神经网络得到所述有遮挡的预处理图像的特征图像E1；特征图像E1经过第一编码层的下采样模块得到特征图像F1；特征图像F1经过第二编码层的卷积自注意力编码模块，得到特征图像E2；特征图像E2经过第二编码层的下采样模块，得到特征图像F2；特征图像F2经过第三编码层的卷积自注意力编码模块，得到特征图像E3；特征图像E3经过第三编码层的下采样模块，得到特征图像F3；特征图像F3经过第四编码层的卷积自注意力编码模块，得到特征图像E4；特征图像E4经过第四编码层的下采样模块，得到特征图像F4；特征图像F4经过深度自注意力变换神经网络模块，得到特征图像F5。3.如权利要求2所述的图像增强方法，其特征在于，所述将所述通过多个解码层的上采样模块和残差可变形卷积模块将所述特征图像进行解码还原，得到无遮挡的增强图像的步骤，包括：将特征图像F5输入第一解码层，经过第一解码层的上采样模块，得到特征图像M4；将特征图像M4与特征图像E4相加，得到特征图像D4；特征图像D4经过第一解码层的残差可变形卷积模块，得到特征图像F6；特征图像F6经过第二解码层的上采样模块，得到特征图像M3；将特征图像M3与特征图像E3相加，得到特征图像D3；特征图像D3经过第二解码层的残差可变形卷积模块，得到特征图像F7；特征图像F7经过第三解码层的上采样模块，得到特征图像M2；将特征图像M2与特征图像E2相加，得到特征图像D2；特征图像D2经过的第三解码层的残差可变形卷积模块，得到特征图像F8；特征图像F8经过第四解码层的上采样模块，得到特征图像M1；特征图像M1经过第四解码层的残差可变形卷积模块，得到无遮挡的增强图像。4.如权利要求1所述的图像增强方法，其特征在于，所述残差可变形卷积模块具体公式为：ResidualDeform(F
i
)＝GELU(LN(DCN(GELU(LN(DCN(F
i
))))))其中，ResidualDeform代表残差可变形卷积模块，GELU表示高斯误差线性单元激活函数，LN表示层归一化，DCN表示可变形卷积神经网络，F
i
表示第i张特征图像。
5.如权利要求1所述的图像增强方法，其特征在于，所述可变形卷积神经网络具体公式为：其中，DCN表示可变形卷积神经网络，p为第i张特征图像F
i
技术研发人员：刘会凯，张澳，朱玟谦，熊盛武，
申请(专利权)人：岚图汽车科技有限公司，
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。