一种基于深度学习的图像去雾方法、装置、设备和介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的图像去雾方法、装置、设备和介质，基于深度学习网络构建端对端的图像去雾模型，所述图像去雾模型包括包含编码器、特征融合模块和解码器，所述特征融合模块用于将所述编码器提取图像的低频信息和高频信息进行融合，通过特征跳跃链接方式由所述解码器输出；通过监控设备采集雾天模糊图像作为数据集，将所述数据集输入到所述图像去雾模型中进行训练；将获取的雾天图像输入到训练后的图像去雾模型中，得到去雾图像输出。能够高效、快速地实现图像去雾，提升图像的清晰度。清晰度。清晰度。

【技术实现步骤摘要】
一种基于深度学习的图像去雾方法、装置、设备和介质


[0001]本专利技术涉及计算机图像处理
，尤其涉及基于深度学习的图像去雾方法、装置、设备和介质。

技术介绍

[0002]图像已成为人们信息化生活的重要组成部分，日常记录分享、实时监控系统、目标追踪系统、卫星遥感技术都离不开图像的获取，图像质量也严重影响这些功能的实施。但受到气候、环境污染等因素的影响，当大气中的空气气压低，风力较小时，气流就会流动缓慢或者不流动，使得空气中水滴、灰尘等悬浮颗粒聚集，形成了雾或雾霾。光线在传输过程中，由于受到雾或雾霾反射、折射、吸收等作用的影响，导致图像对比度下降，细节信息丢失，严重影响图像成像质量。因此，急需提出一种快速的、有效的、便于实现的图像去雾方法，恢复图像的清晰度、可视性。

技术实现思路

[0003]为解决上述技术问题，本专利技术提供一种基于深度学习的图像去雾方法、装置、设备和介质，能够高效、快速地实现图像去雾，提升图像的清晰度。
[0004]本专利技术实施例提供一种基于深度学习的图像去雾方法，所述方法包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像去雾方法，其特征在于，所述方法包括：基于深度学习网络构建端对端的图像去雾模型，所述图像去雾模型包括包含编码器、特征融合模块和解码器，所述特征融合模块用于将所述编码器提取图像的低频信息和高频信息进行融合，通过特征跳跃链接方式由所述解码器输出；通过监控设备采集雾天模糊图像作为数据集，将所述数据集输入到所述图像去雾模型中进行训练；将获取的雾天图像输入到训练后的图像去雾模型中，得到去雾图像输出。2.如权利要求1所述的基于深度学习的图像去雾方法，其特征在于，所述方法还包括：获取无雾清晰图像，并通过预建的大气退化模型对获取的无雾清晰图像进行加雾；将加雾后的雾天图像添加到所述数据集中；所述大气退化模型具体为：I(x)＝(x)t(x)+A(1
‑
t())；其中，I(x)为输入的无雾清晰图像中位置x处的像素值，J(x)为输出的雾天图像中位置x处的像素值，β表示大气散射系数；d代表像素点景深；A为全局大气光，介质透射率t(x)＝e
‑
βd(x)
，d(x)为景深。3.如权利要求1所述的基于深度学习的图像去雾方法，其特征在于，所述编码器包括若干个降采样卷积模组；每个降采样卷积模组包括卷积层、归一化层和激活层，每一降采样卷积模组包括对应的特征层；每一个降采样卷积模组设定卷积核大小为3，特征通道之间倍数为2，控制stride参数为2。4.如权利要求1所述的基于深度学习的图像去雾方法，其特征在于，所述解码器中包括若干个上采样卷积模组，所述解码器中采样卷积模组数量与所述编码器中降采样卷积模组数量相同；每个上采样卷积模组包括一个卷积层和pixelshuffle层；所述解码器还包括tanh算子，将特征图复原至模型输入的原图分辨率。5.如权利要求1所述的基于深度学习的图像去雾方法，其特征在于，所述特征融合模块用于对所述编码器中特征层FD
M
的高层特征通过反卷积进行上采样，并与所述编码器中上一特征层进行元素求和操作，并通过一个卷积操作与所述解码器中特征层FU
M
进行相加，获取清晰的图像。6.如权利要...

【专利技术属性】
技术研发人员：徐清侠，李斌，
申请(专利权)人：广州新巧物联科技有限公司，
类型：发明
国别省市：