[发明专利]去雾效果可调节的图像增强方法

说明书

本公开的实施例公开了去雾效果可调节的图像增强方法，包括：获取光强度小于预设阈值的雾图像，将雾图像输入雾图像条件编码器，通过多层卷积神经网络，得到条件特征图集合；从高斯空间以预设的标准差采样出长、宽为雾图像八分之一，通道数为雾图像八倍的噪声特征图；将噪声特征图输入流网络包括的第一可逆流层网络包括的分离层，以生成第一特征图；基于子网络集合、第一特征图和条件特征图集合，生成第二特征图；将第二特征图输入图像转换网络，以生成第三特征图；基于第二可逆流层网络集合、条件特征图集合和第三特征图，生成去雾图像。该实施方式提高了图像去雾的准确性，广泛应用于摄影、公共安全、自动驾驶等领域的计算机视觉系统。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及去雾效果可调节的图像增强方法。

背景技术

对于一幅带雾的输入图像，去雾效果可调节的图像增强方法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。该方法与传统的去雾方法不同，对于一张带雾图像，可以通过采样噪声生成不同的去雾结果，由此可以实现灵活的雾图像增强，选择效果最好的去雾结果。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。

针对单幅图像去雾，较早的没有利用深度学习的方法往往具有明显的不足。这些非深度学习方法以先验为基础，有的方法依赖于物理散射模型通过估计大气光与传输图来去雾，但是由一张雾图像估计大气光和传输图是一个不适定问题，估计结果往往不准确。有一些方法通过利用图像的统计学特征来去除图像中的雾。虽然他们有一定的效果，但是对很多真实世界场景都不适用。除此之外，其他的基于深度学习的数据驱动方法也有明显的不足，这些方法都学习给定雾图像与对应清晰图像之间的一一映射，这与去雾问题的不适定性相违背，且这些方法对于一张雾图像只能给出一个确定的输出，缺少多样性。

根据发明公开的方法属于一种去雾效果可调节的图像增强方法，相比上述传统的图像去雾方法，具有三个有益的特点：1)本发明通过学习雾图像与清晰图像之间的条件分布关系可以建模良好的一对多关系，大大提升了模型在该任务上的表现，达到目前已知最优性能；2)对于一张给定的图像，我们的方法可以生成多种去雾结果，增加了生成结果的多样性，满足更多样的需求；3)通过大规模数据集下条件分布关系的学习，我们的方法可以大大提高模型的泛化能力，该方法在真实世界数据上同样表现良好；4)本方法提出的注意力可逆流层可以被应用于其他基于归一化流的方法中。

发明内容

根据上述实际需求和关键问题，本公开的目的在于：提出一种单幅图像去雾方法，给定光强度小于一定预设阈值的带雾图像，去除图像中的雾霾得到对应的清晰图像。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的去雾效果可调节的图像增强方法的一些实施例的流程图；

图2是本公开的可逆流层网络的示意图；

图3是本公开的流网络的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。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。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。