[发明专利]图像去雾处理方法、装置及计算机设备

说明书

本申请提供了一种图像去雾处理方法、装置及计算机设备，在获取待处理有雾图像后，本申请将获取待处理有雾图像的对象边缘特征，将其与待处理有雾图像原有的通道结合，得到待去雾图像后，才将该待去雾图像输入去雾模型进行处理，以使得去雾模型在图像去雾处理过程中，还能够考虑到待去雾图像中的对象边缘特征，以保证输出去雾图像的清晰度；且由于模型中的SE网络结构中原有的全连接层替换成卷积层，压缩了网络参数，提高了图像去雾处理效率，且通过计算待去雾图像的多个维度的注意力权重，据此提升对图像去雾处理更多有用特征并抑制更多用处不大的特征，从而提升模型处理的准确率，进一步提高图像去雾效果及去雾处理效率。

技术领域

本申请主要涉及图像处理技术领域，更具体地说是涉及一种图像去雾处理方法、装置及计算机设备。

背景技术

雾霾是由空气中的灰尘和烟雾等小的漂浮颗粒产生的常见大气现象。在视频监控，远程感应，自动驾驶等应用场景下，若处于雾霾环境下进行图像采集，通常会因这些漂浮的颗粒对光的吸收和散射，使得采集到的图像为可见度底、色彩暗淡且对比度低的有雾图像，严重影响图像处理效果，甚至会导致无法满足应用场景的需求。

对此，现有技术通常是采用一种端到端网络DehazeNeT，或者是一种端到端门控上下文聚合网络GCANeT，实现有雾图像的处理；前者网络可以估计有雾图像的介质透射率，再通过大气散射模型恢复清晰图像。后者网络通过聚合上下文信息并融合不同级别的特征，预测目标干净图像(即去雾图像)和有雾图像之间的残留，具体实现对有雾图像的去雾处理，满足应用场景对图像的去雾要求。

然而，现有的图像去雾处理方式所达到的去雾效果有限，且由于训练网络的参数量较大，导致图像处理速度慢，降低了图像去雾处理效率。

发明内容

有鉴于此，为了提高图像去雾处理效率及效果，本申请提供了一种图像去雾处理方法，所述方法包括：

获取待处理有雾图像；

获取所述待处理有雾图像的对象边缘特征；

将所述对象边缘特征作为所述待处理有雾图像的新通道，得到具有特定数量通道的待去雾图像；

将所述待去雾图像输入去雾模型进行处理，输出所述待处理有雾图像对应的无雾图像；

其中，所述去雾模型是基于机器学习网络模型，对具有特定数量通道的样本有雾图像进行训练得到的，所述机器学习网络模型具有SE层网络结构，且所述SE层网络结构是利用卷积层，实现对所输入的待去雾图像的多个维度各自的注意力权重的计算。

在一些实施例中，所述去雾模型对所述待去雾图像的处理包括：

利用所述SE层网络结构中的卷积层，获取输入所述SE层网络结构的待去雾图像对应的各通道的图像特征的通道权重，以及各像素的像素权重。

在一些实施例中，所述利用所述SE层网络结构中的卷积层，获取输入所述SE网络的待去雾图像对应的各通道的图像特征的通道权重，以及各像素的像素权重，包括：

通过注意力机制，对获取的待去雾图像对应的各通道的图像特征进行卷积运算，得到各通道的图像特征对应的通道权重，以利用所述通道权重对所述各通道的图像特征进行加权运算；

通过注意力机制，对获取的待去雾图像的像素信息进行卷积运算，得到所述待去雾图像包含的不同像素的像素权重，以利用所述像素权重对获取的待去雾图像的像素进行加权运算。

在一些实施例中，所述机器学习网络模型至少还具有深度可分离卷积层、下采样网络、残差网络之中的多个组合，所述去雾模型对所述待去雾图像的处理还包括以下多种组合：

通过所述深度可分离卷积层，对输入的所述待去雾图像对应的各通道的图像特征进行扩展处理，输出扩展通道后对应的图像特征；