[发明专利]一种图像去雨方法、装置、可读存储介质及终端设备

说明书

本发明涉及图像处理技术领域，尤其涉及一种图像去雨方法、装置、可读存储介质及终端设备。本发明提供的方法包括：获取带雨图像；将带雨图像输入至训练完成的生成对抗网络模型，得到生成对抗网络模型输出的带雨图像去雨后的清晰图像；其中，生成对抗网络模型包括设置为对抗式训练的生成模型与判别模型，生成模型为利用从第二图像中提取的特征对第一图像进行特征监督训练所得到的全卷积网络模型，第一图像为第一训练带雨图像，第二图像为与第一训练带雨图像对应的第一训练清晰图像，以通过清晰图像的特征监督来进行生成对抗网络模型的训练，从而优化生成对抗网络模型的特征提取功能，提高对图像原有纹理特征的提取准确性，提高图像的去雨效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像去雨方法、装置、计算机可读存储介质及终端设备。

背景技术

随着图像处理技术的快速发展，基于图像分析的目标检测识别广泛应用于各种领域，如自动驾驶、目标检索等领域，但在下雨天气中，图像中的目标容易被雨滴遮挡，易造成图像成像模糊和信息覆盖，从而影响目标检测识别，因此需对带雨的图像进行去雨处理。

目前，通常通过字典学习、非局部均值滤波、低秩矩阵分解、高斯混合模型等方法来进行去雨处理，这些方法均是通过特征分离来进行去雨处理，而这些方法在特征分离时常常会去除图像原有的纹理信息，导致过平滑的背景，造成去雨效果差。

发明内容

本发明实施例提供了一种图像去雨方法、装置、计算机可读存储介质及终端设备，能够在较好地保留图像纹理信息的基础上对图像进行去雨处理，提高图像的去雨效果。

本发明实施例的第一方面，提供了一种图像去雨方法，包括：

获取带雨图像；

将所述带雨图像输入至训练完成的生成对抗网络模型，得到所述生成对抗网络模型输出的所述带雨图像去雨后的清晰图像；

其中，所述生成对抗网络模型包括设置为对抗式训练的生成模型与判别模型，所述生成模型为利用从第二图像中提取的特征对第一图像进行特征监督训练所得到的全卷积网络模型，所述第一图像为第一训练带雨图像，所述第二图像为与所述第一训练带雨图像对应的第一训练清晰图像。

进一步地，所述生成模型包括卷积层和反卷积层，所述生成模型通过下述步骤训练得到：

获取训练样本对，每一所述训练样本对包括第二训练带雨图像以及与所述第二训练带雨图像对应的第二训练清晰图像；

将所述训练样本对输入至初始的生成模型，在所述生成模型的卷积层中获取所述第二训练带雨图像对应的第一特征图和所述第二训练清晰图像对应的第二特征图；

根据所述第一特征图和所述第二特征图计算特征监督的正则化损失；

在所述反卷积层中根据所述第一特征图进行图像重构，得到所述初始的生成模型输出的生成图像；

计算所述生成图像与所述第二训练清晰图像之间的像素损失；

将所述生成图像输入至所述判别模型，得到所述判别模型输出的判别结果；

根据所述正则化损失、所述像素损失和所述判别结果确定所述生成模型本轮训练的训练误差；

若所述训练误差满足预设条件，则确定所述生成模型训练完成；

若所述训练误差不满足所述预设条件，则调整所述生成模型的模型参数，并将模型参数调整后的生成模型确定为初始的生成模型，返回执行将所述训练样本对输入至初始的生成模型的步骤以及后续步骤。

优选地，所述根据所述第一特征图和所述第二特征图计算特征监督的正则化损失，包括：

根据下述公式计算所述正则化损失：