【技术实现步骤摘要】
本申请涉及数字图像处理，具体涉及一种端到端的图像去雾方法、装置及介质。
技术介绍
1、随着无人机技术的兴起与发展，通过无人机获取信息的应用越来越广泛，例如航拍、智慧农业、灾难救援、测绘、电力巡检等等。而在实际应用过程中，利用无人机获取图像的清晰度，成为上述应用时进行精准决策的关键。其中，无人机获取的图像信息极易受天气影响，特别是有雾、有霾的情形。由于大气中弥散着大量的空气颗粒，导致采集获取的图像信息具有对比度低、整体颜色偏灰暗，物体特征不明显、图像细节模糊等情形。针对此类情形，为了使最终呈现或最终用于决策的图像信息更加清晰，通常都会进行数字信息处理，诸如分类、检测、分割等等，即针对图像进行去雾处理。
2、现有技术中图像去雾处理一般采用四种算法实现：dehazenet算法、aodnet算法、gcanet算法以及griddehazenet算法。
3、dehazenet算法的网络模型分为四个模块。第一个模块为特征提取模块，第二个模块是多尺度映射模块，第三个模块使用局部最大值滤波替代最大池化，第四个模块是双边纠正线性单元。该模型鲁棒性较强，但是存在精度损失，通过dehazenet算法恢复的图像颜色失真，建筑物的颜色偏深，天空区域容易出现失真现象，颜色偏黄或偏黑，残留着一定的雾霾。
4、aod-net算法，利用卷积神经网络从带雾图像直接输出得到无雾图像的端到端模型，将大气散射模型中大气光值a和透射率t(x)统一成一个公式，通过网络模型找到公式内参数的关系，直接实现图像去雾。但其存在一些局限性，会导致在某
5、gcanet算法以端到端门控的方式对上下文聚合网络进行处理，采用了平滑扩张卷积技术，将网格化伪影予以最大程度消除，同时还利用门控子网实现对不同级别特征的有效融合，但其任然存在颜色失真和去雾不彻底的情况。
6、griddehazenet是一种端到端的卷积神经网络，由三个模块组成：预处理、主干和后处理。其不依赖于大气散射模型，更具有灵活性，可以高效的变换不同尺度的特征图像。但其处理后的图像仍然具有残留的雾度，并丢失太多的详细信息。其与其他网络相比，基于平滑扩张卷积的端到端无人机图像去雾网络有效的解决了由于大气光值估计不准确造成的颜色失真以及细节丢失等现象，提高了网络性能。
7、现有技术提供的图像去雾方法，大多面临去雾不彻底、图像失真等技术问题，导致最终获取的图像信息的质量不尽如意。
技术实现思路
1、本申请针对现有技术进行无人机获取图像去雾过程，存在去雾不彻底、图像失真、细节丢失等技术问题，提供了一种端到端的图像去雾方法、装置及介质，至少具备去雾较彻底、颜色失真小、细节丢失少等优点，使得无人机获取的图像经处理后，成像更加精准、可靠。
2、第一方面，本申请提供了一种端到端的图像去雾方法，包括以下步骤：
3、s10、以训练样本集的有雾图像作为输入，去雾图像作为输出，构建网络去雾模型；
4、s20、对有雾图像进行多尺度特征提取，获取第一特征图像；同时通过分辨率降低后的有雾图像进行下采样特征提取，获取第二特征图像；
5、s30、分别对第一特征图像和第二特征图像的多尺度特征与风格特征进行针对性强化；
6、s40、将强化后的第一特征图像和第二特征图像聚合，获取去雾图像；
7、s50、根据训练样本集的无雾图像，对去雾图像的去雾效果进行评测，优化网络去雾模型的参数，训练至网络去雾模型稳定；
8、s60、将获取的真实图像输入网络去雾模型，获取图像输出。
9、具体的，本申请的构思之一在于，分别通过对有雾图像的多尺度特征，及低分辨率的有雾图像的对风格特征进行提取，并针对性强化，然后对通过两种维度提取的特征图像进行聚合还原，使两个维度特征图像的相应特征相互补偿，解决因卷积神经网络层数加深，导致细节特征、颜色特征丢失的技术问题，使现有技术中图像去雾处理存在的图像失真、细节丢失及去雾不彻底的技术问题得到改善。
10、进一步的，所述风格特征为对方向、大小不敏感的全局特征，至少包括：颜色特征、背景特征、物体轮廓特征。
11、具体的，本申请的构思之一在于，利用低分辨率的有雾图像对方向、大小不敏感的全局特征进行提取，使下采样特征提取时，对全局特征的获取更有效，从而使下采样特征提取能够充分对多尺度特征提取的相应特征进行充分补偿，避免特征图像在神经网络多次卷积后全局特征的失真与丢失，提升最终去雾图像的准确度。
12、进一步的，在步骤s20中，所述下采样特征提取操作，至少包括以下步骤：
13、s21、根据信息输入，通过一个卷积层和三个残差密集块对输入图像的特征进行提取；
14、s22、残差密集块采用级联设计，并通过残差密集块的最后一个卷积层对各特征进行融合，获取信息输出。
15、具体的，对各残差密集块进行级联的方式，可使各残差密集块提取的特征被连接起来，使深层感受野更大，从而使得下采样特征提取过程中对全局特征的提取更加全面。同时，通过对应输出通道数的卷积块可对每一残差密集块的各特征进行有效利用，有助于整个残差结构的网络收敛。
16、在一些实施例，在步骤s30中，所述针对性强化，至少包括以下步骤：
17、s31、根据每一信息输入，分别通过内核大小不同的卷积核对各特征进行卷积，获取第三特征图像和第四特征图像；
18、s32、将第三特征图像和第四特征图像全局平均池化，得到各向量信息；
19、s33、根据c×1×1的向量包含的各特征的重要程度，配置不同的第一权重；
20、s34、以第一权重值，对各特征线性变换，复原其c维特征，获取信息输出。
21、具体的，本申请的又一构思在于，通过第一权重的配置，可针对性的对两个维度提取的特征图像进行区别强化，使两个维度的需求特征得到不同程度的强化，从而保证特征图像中各特征的失真率和丢失率最小。
22、值得说明的是，所述第一权重的配置根据提取方式的不同存在差别，在多尺度特征提取过程中，其第一权重针对非全局特征的权重配置较高；在下采样特征提取中，其第一权重针对全局特征的权重配置较高。
23、进一步的，在步骤s34之后，还包括以下步骤：
24、s35、根据信息输入，对复原的c维复原进行归一化处理，获取第二权重；
25、s36、以第二权重值，对经过处理后的第三特征图像和第四特征图像乘积操作，获取信息输出。
26、具体的，第二权重的设置，用于根据输入的有雾图像的类型，对图像中需要强调的特征进行强化，用于提升本申请在实际使用过程中的适用性。
27、在一些实施例，所述多尺度特征提取采用了平滑扩展卷积块；
2本文档来自技高网...
【技术保护点】
1.一种端到端的图像去雾方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种端到端的图像去雾方法，其特征在于，所述风格特征为对方向、大小不敏感的全局特征，至少包括：颜色特征、背景特征、物体轮廓特征。
3.如权利要求2所述一种端到端的图像去雾方法，其特征在于，在步骤S20中，所述下采样特征提取操作，至少包括以下步骤：
4.如权利要求1所述一种端到端的图像去雾方法，其特征在于，在步骤S30中，所述针对性强化，至少包括以下步骤：
5.如权利要求4所述一种端到端的图像去雾方法，其特征在于，在步骤S34之后，还包括以下步骤：
6.如权利要求1所述一种端到端的图像去雾方法，其特征在于，在步骤S20中，所述多尺度特征提取采用了平滑扩展卷积块；
7.如权利要求1所述一种端到端的图像去雾方法，其特征在于，在步骤S20中，在对有雾图像进行多尺度特征提取之前，包括：
8.如权利要求1所述一种端到端的图像去雾方法，其特征在于，在步骤S50中，还包括：通过公式LT＝α1L1+α2Lp，对所述网络去雾模型的各参数进行优
9.一种端到端的图像去雾装置，其特征在于，实现如权利要求1-8任一项所述一种端到端的图像去雾方法，包括：
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，当计算机程序在处理器上运行时，实现如权利要求1-8任一项所述一种端到端的图像去雾方法。
...【技术特征摘要】
1.一种端到端的图像去雾方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种端到端的图像去雾方法，其特征在于，所述风格特征为对方向、大小不敏感的全局特征，至少包括：颜色特征、背景特征、物体轮廓特征。
3.如权利要求2所述一种端到端的图像去雾方法，其特征在于，在步骤s20中，所述下采样特征提取操作，至少包括以下步骤：
4.如权利要求1所述一种端到端的图像去雾方法，其特征在于，在步骤s30中，所述针对性强化，至少包括以下步骤：
5.如权利要求4所述一种端到端的图像去雾方法，其特征在于，在步骤s34之后，还包括以下步骤：
6.如权利要求1所述一种端到端的图像去雾方法，其特征在于，在...
【专利技术属性】
技术研发人员：王娟，陈关海，汪胜，杨豪，曹烨，胡书尧，武明虎，刘敏，叶永钢，张则涛，
申请(专利权)人：湖北工业大学，
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。