[发明专利]全景图像去雾方法与装置

说明书

本公开的实施例公开了全景图像去雾方法和装置。该方法的一具体实施方式包括：给定光强度小于预设阈值的全景图像，经过条带敏感卷积方法，对全景图像进行卷积处理以生成第一特征图序列集；将第一特征图序列集中序号相同的特征图相加以生成第二特征图序列，得到第一特征图序列集中每个特征图序列对应的第三特征向量；基于第三特征向量集合，对第一特征图序列集进行加权并求和处理以生成第三特征图序列；将第三特征图序列输入到深度估计模块，得到深度图；将全景图像、深度图与第一特征图序列集输入到除雾模块，得到除雾后的全景图像。该实施方式有效地提高了除雾结果的准确性，对全景图像进行除雾且生成准确度较高的结果。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及全景图像去雾方法和装置。

背景技术

对于一幅带雾的全景输入图像，全景图像去雾方法与装置的目标是对图像进行一系列处理，除去图像中的雾，还原图像的无雾状态，该任务可以看作是图像增强的一个子领域。该方法针对的图像为全景图像，与传统的平面图不同，本发明的去雾算法与传统的去雾算法相比对全景图像更有针对性。全景图像的去雾工作对很多下游视觉任务都有重要意义，例如雾天的目标检测、语义分割等。同时，对于无人驾驶、日常摄影等场景也有重要意义。

针对图像去雾任务，现有的除雾算法几乎都围绕平面图开展工作。许多基于深度学习的方法，现有方法在传统平面图象的去雾工作上都达到了不错的效果但是在全景图像上的去雾表现却不能使人满意。

然而，当采用上述方式进行全景图像去雾时，经常会存在如下技术问题：

针对全景图像处理，之前的卷积方法都有明显的不足，现有卷积方法对灵活度较差，引入人工先验知识的限制过大。现有方法在保留了所有尺度卷积的特征图，该方法相比本发明计算量过大，效率低。现有方法应用在全景图像卷积上可以动态选择卷积核的感受野，但是该方法最后对特征在通道级别上进行融合，该方法对特征选择灵活性的限制过大，特征只能在通道级别上进行融合就导致精度的降低。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了全景图像去雾方法和装置，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种全景图像去雾方法，该方法包括：给定光强度小于预设阈值的全景图像，经过条带敏感卷积方法，对全景图像进行卷积处理以生成第一特征图序列集；将第一特征图序列集中序号相同的特征图相加以生成第二特征图序列，将第二特征图序列进行全局平均池化以生成第一特征向量，将第一特征向量输入到至少一个全连接层，得到第一特征图序列集中每个特征图序列对应的第三特征向量；基于第三特征向量集合，对第一特征图序列集进行加权并求和处理以生成第三特征图序列；将第三特征图序列输入到深度估计模块，得到深度图；将全景图像、深度图与第一特征图序列集输入到除雾模块，得到除雾后的全景图像。

第二方面，本公开的一些实施例提供了一种全景图像去雾装置，装置包括：卷积处理单元，被配置成给定光强度小于预设阈值的全景图像，经过条带敏感卷积方法，对全景图像进行卷积处理以生成第一特征图序列集；第一输入单元，被配置成将第一特征图序列集中序号相同的特征图相加以生成第二特征图序列，将第二特征图序列进行全局平均池化以生成第一特征向量，将第一特征向量输入到至少一个全连接层，得到第一特征图序列集中每个特征图序列对应的第三特征向量；求和处理单元，被配置成基于第三特征向量集合，对第一特征图序列集进行加权并求和处理以生成第三特征图序列；第二输入单元，被配置成将第三特征图序列输入到深度估计模块，得到深度图；第三输入单元，被配置成将全景图像、深度图与第一特征图序列集输入到除雾模块，得到除雾后的全景图像。