图像去雾方法、装置、电子设备及介质转让专利
申请号 : CN202010171900.8
文献号 : CN111369472B
文献日 : 2021-04-23
发明人 : 王诗吟
申请人 : 北京字节跳动网络技术有限公司
摘要 :
权利要求 :
1.一种图像去雾方法,其特征在于,包括如下步骤:对待处理图像进行预处理,得到预处理向量;
将所述预处理向量输入神经网络模型的卷积层和最小池化层,得到至少两个中间向量,并将所述至少两个中间向量进行拼接后输入一个卷积层,得到目标向量;所述神经网络模型包括至少两个卷积层和至少一个最小池化层,所述目标向量和所述预处理向量的向量矩阵排列一致;所述至少两个中间向量包括:至少一个将所述预处理向量输入第一卷积层得到的第一向量,和至少一个将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值得到的第二向量;
对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量,对所述需激活的向量进行激活处理,得到去雾后的图像。
2.根据权利要求1所述的方法,其特征在于,所述对待处理图像进行预处理,得到预处理向量,包括:
将所述待处理图像对应的向量的每个向量数值除以预设数值,得到预处理向量。
3.根据权利要求2所述的方法,其特征在于,所述将所述预处理向量输入神经网络模型的卷积层和最小池化层,得到至少两个中间向量,包括:将所述预处理向量输入所述神经网络模型的第一卷积层,进行卷积计算后得到第一向量,作为一个中间向量;
将所述第一向量直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层,得到最小池化层的输出向量;
将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值,得到第二向量,作为一个中间向量。
4.根据权利要求3所述的方法,其特征在于,所述将所述预处理向量输入神经网络模型的卷积层和最小池化层,得到至少两个中间向量,还包括:将所述第一向量和所述第二向量进行拼接,得到拼接后的向量,作为一个中间向量。
5.根据权利要求4所述的方法,其特征在于,所述将所述预处理向量输入神经网络模型的卷积层和最小池化层,得到至少两个中间向量,还包括:依次进行至少一次如下拼接操作:将所述拼接后的向量和所述第二向量进行拼接,再次得到拼接后的向量,作为所述拼接后的向量;所述中间向量包括所有拼接后的向量。
6.根据权利要求2‑5中任一项所述的方法,其特征在于,所述对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量,对所述需激活的向量进行激活处理,得到去雾后的图像,包括:
将所述目标向量和所述预处理向量的向量数值一一对应相乘,得到对应相乘后的向量;
将所述对应相乘后的向量和所述目标向量的向量数值一一对应相减,得到需激活的向量;
对所述需激活的向量进行激活,使得所述需激活的向量的每个向量数值为0或1,得到激活后的向量;
将所述激活后的向量乘以所述预设数值,得到所述去雾后的图像。
7.根据权利要求6所述的方法,其特征在于,所述对所述需激活的向量进行激活,使得所述需激活的向量的每个向量数值为0或1,得到激活后的向量,包括:将所述需激活的向量的向量数值小于0的置为0,所述需激活的向量的向量数值大于1的置为1,得到激活后的向量。
8.一种图像去雾装置,其特征在于,包括:预处理模块,用于对待处理图像进行预处理,得到预处理向量;
处理模块,用于将所述预处理向量输入神经网络模型的卷积层和最小池化层,得到至少两个中间向量,并将所述至少两个中间向量进行拼接后输入一个卷积层,得到目标向量;
所述神经网络模型包括至少两个卷积层和至少一个最小池化层,所述目标向量和所述预处理向量的向量矩阵排列一致;所述至少两个中间向量包括:至少一个将所述预处理向量输入第一卷积层得到的第一向量,和至少一个将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值得到的第二向量;
激活处理模块,用于对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量,对所述需激活的向量进行激活处理,得到去雾后的图像。
9.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行权利要求1至7中任一项所述的图像去雾方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现权利要求1至7中任一项所述的图像去雾方法。
说明书 :
图像去雾方法、装置、电子设备及介质
技术领域
背景技术
空气中的雾、霾和灰尘等所散射,因此最终到达相机的是被散射的光线。雾霾图像通常由直
接衰减和散射的大气光组成,直接衰减为相机接收到的物体表面反射衰减后的光照强度,
散射的大气光为相机接收到的经过散射作用的大气光。图像去雾算法凭借其广泛的应用价
值,逐渐成为军事、航天、交通和监控等方面的研究热点。
发明内容
至少两个卷积层和至少一个最小池化层,目标向量和预处理向量的向量相匹配;
网络模型包括至少两个卷积层和至少一个最小池化层,目标向量和预处理向量的向量相匹
配;
理器加载并执行以实现第一方面的图像去雾方法。
行处理,得到目标向量,再通过目标向量和预处理向量进行激活处理,得到去雾后的图像。
本公开采用神经网络模型对图形进行去雾,加入最小池化层的神经网络模型是融合了暗通
道原理,相当于加入了先验,使得通过训练的神经网络模型对图像的去雾更有效,提升了去
雾效果。具体的,图像有雾时,暗通道存在大面积灰白情况,图像无雾时,暗通道大部分黑
色。经过大量实验,局部找最暗点进行均匀去雾有很好的效果,暗通道求每个像素RGB分量
最小值,存入一副和原始图像大小相同的灰度图中,再对这幅灰度图进行最小值滤波。暗通
道的像素值分布偏低,大部分的像素值趋近于零,满足暗通道先验知识,可以获得较好的复
原效果。在神经网络模型中加入最小池化层,最小池化层相当于暗通道处理,能够在图像局
部找到最暗点,可以获得有效的去雾效果,更加精确的去噪,从而还原图像。
得到计算参数再应用到大尺寸图像上,输入神经网络模型的图像变小,从而节省了计算量,
使得图像去雾的计算更简单。例如,一张普通的1280*960的图,基于原图像计算参数,计算
量很大,可以将原图像先缩小到256*256计算参数,再把参数应用到原图,可以节省很多计
算量,从而使得神经网络模型进行图像去雾的计算更简单。
附图说明
解附图是示意性的,原件和元素不一定按照比例绘制。
具体实施方式
里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的
是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
开的范围在此方面不受限制。
“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定
义将在下文描述中给出。
定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
0‑255,预设数值可以选择255,这样预处理向量的每个向量数值就处于0‑1之间。在实际预
处理中,可以根据图像的具体情况,选择合适的预设数值。
包括至少两个卷积层和至少一个最小池化层,目标向量和预处理向量相匹配。
min‑pool层,融合了暗通道去雾的思想,暗通道去雾更简单有效。
向量和预处理向量的向量数值一一对应计算。
需激活的向量的向量数值大于1的置为1,得到激活后的向量。
图的分辨率被缩小了255倍。因此,将激活后的向量乘以预设数值,得到与待处理图像匹配
的去雾后的图像;相当于是将激活后的向量放大至与待处理图像的大小相匹配,得到与待
处理图像的分辨率相匹配的去雾后的图像。其中,预设数值可以表示为图片的像素点,可以
取255。
用户在对一幅待处理图像进行去雾操作时,无法确定去雾处理时所需要的初始化的参数,
进而导致无法对待处理图像进行去雾处理。因此,本公开采用神经网络模型对图像进行处
理,可以利用多种不同场景的图像去训练,使得训练好的神经网络模型模型具有自适应性,
能够针对任一幅待处理图像进行去雾处理。
更有效,提升了去雾效果。具体的,图像有雾时,暗通道存在大面积灰白情况,图像无雾时,
暗通道大部分黑色。经过大量实验,局部找最暗点进行均匀去雾有很好的效果,暗通道求每
个像素RGB分量最小值,存入一副和原始图像大小相同的灰度图中,再对这幅灰度图进行最
小值滤波。暗通道的像素值分布偏低,大部分的像素值趋近于零,满足暗通道先验知识,可
以获得较好的复原效果。在神经网络模型中加入最小池化层,最小池化层相当于暗通道处
理,能够在图像局部找到最暗点,可以获得有效的去雾效果,更加精确的去噪,从而还原图
像。
RGB分量的最小值,存入至一幅与原始图像大小相同的灰度图中。一般地,从黑色至白色,对
应的灰度值从小至大,黑色对应的灰度值接近于零。而原始图像中有雾区中的像素在灰度
图中发白,即有雾像素的灰度值较大。暗通道处理还包括对这幅灰度图的每个局部区域进
行最小值滤波,保留局部区域中灰度值最小的像素,滤除其它灰度值的像素。暗通道处理这
种保留局部区域中灰度最小值或灰度最小值像素的功能,基本上可以由最小池化层来实
现。因此,加入最小池化层相当于融合了暗通道处理。本公开中通过最小池化层滤除灰度值
较大的像素,相当于滤除图像中有雾的像素,从而得到去雾后的图像,通过最小池化层提升
滤除有雾像素的几率,能够提升图像去雾的精度。
得到计算参数再应用到大尺寸图像上,输入神经网络模型的图像变小,从而节省了计算量,
使得图像去雾的计算更简单。例如,一张普通的1280*960的图,基于原图像计算参数,计算
量很大,可以将原图像先缩小到256*256计算参数,再把参数应用到原图,可以节省很多计
算量,从而使得神经网络模型进行图像去雾的计算更简单。
理步骤中的所有步骤标号附图中未示出,仅为了具体说明各个处理步骤。同时,在神经网络
模型框架图中,Conv表示卷积层,Conv1表示第一卷积层,Min‑pool表示最小池化层,‑表示
输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个向量数值,
elt minus表示输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的
每个向量数值得到的第二向量,+表示一个卷积层的输出向量与elt minus的第二向量进行
拼接处理。
以相当于滤波器,对图像进行处理,提取特征,卷积层可以为一层或多层,每个向量数值的
获取也是用过卷积层的卷积计算得到。
S102中,将至少两个中间向量进行拼接后输入一个卷积层,得到目标向量,即将第一向量和
第二向量拼接后的向量输入图3中的第三卷积层Conv3,并进行通道对齐。例如,当第一向量
和第二向量均为4*4的矩阵时,经过拼接可以变为一个4*8的矩阵。第三卷积层Conv3进行通
道对齐后输出的目标向量为4*4的矩阵,便于与预处理向量4*4的矩阵的数值可以一一对应
计算。
积计算,将目标向量和预处理向量通道对齐后,输出目标向量。
向量。
图片的像素点)后得到去雾后的图片对应的向量。Self.relu表示对计算结果进行激活操作
(即将向量数值小于0的部分置为0,向量数值大于1的部分置为1,即输出结果介于0~1之
间)。x5表示为第五卷积层Conv5的输出向量,也就是目标向量;x表示待处理图像对应的预
处理向量,即输入至第一卷积层Conv1的图像对应的预处理向量。
量经过第二卷积层Conv2和第三卷积层Conv3后输入最小池化层。重复进行一次步骤A402的
拼接操作,即将第五卷积层Conv5的输出向量与elt minus的输出向量拼接后输入第六卷积
层Conv6。
对齐,得到目标向量。
经网络模型包括至少两个卷积层和至少一个最小池化层,目标向量和预处理向量的向量相
匹配;
直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层,得到最小池
化层的输出向量;将输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向
量的每个向量数值,得到第二向量,作为一个中间向量。
量;中间向量包括所有拼接后的向量。
量的向量数值一一对应相减,得到需激活的向量;对需激活的向量进行激活,使得需激活的
向量的每个向量数值为0或1,得到激活后的向量;将激活后的向量乘以预设数值,得到去雾
后的图像。进一步地,激活处理模块603用于将需激活的向量的向量数值小于0的置为0,需
激活的向量的向量数值大于1的置为1,得到激活后的向量。
相当于加入了先验,使得通过训练的神经网络模型对图像的去雾更有效,去雾效果更好。本
公开是将图像预处理后得到预处理向量输入神经网络模型,然后再将输出的目标向量和预
处理向量进行激活处理后得到待处理图像,即相当于可以先在小尺寸的图像上得到计算参
数再应用到大尺寸图像上,输入神经网络模型的图像变小,从而节省了计算量,使得图像去
雾的计算更简单。本公开采用神经网络模型对图像进行处理,可以利用多种不同场景的图
像去训练,使得训练好的神经网络模型模型具有自适应性,能够针对任一幅待处理图像进
行去雾处理。
方法。
(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示
出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
储装置708中的至少一项,具体如下所示:
存储器(RAM)707中的程序而执行各种适当的动作和处理。在RAM 707中,还存储有电子设备
700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 707通过总线704彼此相
连。输入/输出(I/O)接口705也连接至总线704。
动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置
709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具
有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以
替代地实施或具备更多或更少的装置。
读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这
样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装
置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开
实施例的方法中限定的上述功能。
限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计
算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便
携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储
器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、
或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程
序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本
公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其
中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于
电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存
储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于
由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的
程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述
的任意合适的组合。
以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网
(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网
络),以及任何当前已知或未来研发的网络。
量输入神经网络模型的卷积层和最小池化层,得到至少两个中间向量,并将至少两个中间
向量进行拼接后输入一个卷积层,得到目标向量;神经网络模型包括至少两个卷积层和至
少一个最小池化层,目标向量和预处理向量的向量相匹配;对目标向量和预处理向量进行
激活处理,得到去雾后的图像。。
从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,
接收到的网际协议地址指示内容分发网络中的边缘节点。
Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语
言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立
的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或
服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包
括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利
用因特网服务提供商来通过因特网连接)。
表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用
于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标
注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上
可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注
意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执
行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令
的组合来实现。
限定。
用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等
等。
读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电
子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合
适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计
算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM
或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD‑ROM)、光学储存设备、磁储存设备、或
上述内容的任何合适组合。
述图像去雾方法。
雾效果更好。本公开是将图像预处理后得到预处理向量输入神经网络模型,然后再将输出
的目标向量和预处理向量进行激活处理后得到待处理图像,即相当于可以先在小尺寸的图
像上得到计算参数再应用到大尺寸图像上,输入神经网络模型的图像变小,从而节省了计
算量,使得图像去雾的计算更简单。同时,本公开神经网络模型可以利用多种不同场景的图
像去训练,使得训练好的神经网络模型模型具有自适应性,能够针对任一幅待处理图像进
行去雾处理。
处理器加载并执行前述方法实施例中相应内容。与现有技术相比,本公开首先对待处理的
图像进行预处理,得到预处理向量,采用神经网络模型对预处理向量进行处理,得到目标向
量。再通过目标向量和预处理向量进行激活处理,得到去雾后的图像。本公开采用暗通道去
雾的思路,在神经网络模型中加入最小池化层,结合卷积层和最小池化层对图像向量进行
处理,然后进一步将神经网络模型输出的目标向量和预处理向量进行激活和计算,得到去
雾后的图像,使得图像去雾更简单有效。同时,本公开神经网络模型可以利用多种不同场景
的图像去训练,使得训练好的神经网络模型模型具有自适应性,能够针对任一幅待处理图
像进行去雾处理。
至少两个卷积层和至少一个最小池化层,目标向量和预处理向量相匹配;
网络模型包括至少两个卷积层和至少一个最小池化层,目标向量和预处理向量的向量相匹
配;
最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层,得到最小池化层的输
出向量;将输入最小池化层的向量的每个向量数值对应减去最小池化层的输出向量的每个
向量数值,得到第二向量,作为一个中间向量。
间向量包括所有拼接后的向量。
量数值一一对应相减,得到需激活的向量;对需激活的向量进行激活,使得需激活的向量的
每个向量数值为0或1,得到激活后的向量;将激活后的向量乘以预设数值,得到去雾后的图
像。
代码集或指令集由处理器加载并执行以实现实现方法实施例所示的图像去雾方法。
方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行
任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功
能的技术特征进行互相替换而形成的技术方案。
的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公
开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实
施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的
子组合的方式实现在多个实施例中。
面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。