[发明专利]图像去雾方法、电子设备、存储介质和计算机程序产品

说明书

本发明提供一种图像去雾方法、电子设备、存储介质和计算机程序产品，方法包括获取待去雾的目标雾霾图像；将目标雾霾图像输入至去雾模型，对目标雾霾图像进行去雾处理，获得去雾模型输出的目标去雾图像，去雾模型是基于不成对的清晰图像和雾霾图像构成的训练图像集，对待训练模型进行无监督训练得到的，待训练模型包括用于进行加雾转换处理和去雾转换处理的多尺度注意力模块，及用于区分训练图像集的真实图像和多尺度注意力模块的生成图像的判别器。本发明的去雾模型是基于不成对的清晰图像和雾霾图像构成的训练图像集进行无监督训练得到的，从而避免成对图像训练集对去雾模型训练的限制，进而提高图像去雾的性能。

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雾方法、电子设备、存储介质和计算机程序产品。

背景技术

图像去雾作为一项重要的视觉增强技术受到了广泛的关注，其可以被应用于监控系统、无人机视觉导航系统、自动驾驶系统等。具体地，当通过图像或视频采集设备采集到的图像受到雨、雪和雾霾等恶劣天气的影响时，户外视觉系统很容易出现不稳定的问题，而雾霾作为一个复杂的图像退化因素，会严重降低图像的可见度，导致边缘、颜色和细节信息的损失。清晰的无雾图像是许多基于视觉的户外系统正常运行的先决条件，因此，单幅图像的去雾处理是非要有必要的。

目前，通过使用成对的图像进行监督训练来解决单幅图像的去雾问题。然而，在实践中，真实的雾霾图像以及对应的清晰图像是难以收集的，并且收集成本昂贵，因此无法获取大量的真实雾霾图像及对应的清晰图像进行神经网络的有监督训练。基于此，大部分基于学习的方法是以有监督的方式在合成数据集上进行训练的，而由于合成数据和真实数据之间的域差异，这些方法应用于真实图像时，去雾性能会显著地下降。

综上所述，如何提高对雾霾图像的去雾性能，是目前亟需解决的问题。

发明内容

本发明提供一种图像去雾方法、电子设备、存储介质和计算机程序产品，用以解决现有技术中成对图像训练集对去雾模型训练的限制，导致去雾性能下降的缺陷，实现通过不成对的清晰图像和雾霾图像构成的训练图像集进行无监督训练得到去雾模型。

本发明提供一种图像去雾方法，包括：

获取待去雾的目标雾霾图像；

将所述目标雾霾图像输入至去雾模型，对所述目标雾霾图像进行去雾处理，获得所述去雾模型输出的目标去雾图像，所述去雾模型是基于不成对的清晰图像和雾霾图像构成的训练图像集，对待训练模型进行无监督训练得到的，所述待训练模型包括用于进行加雾转换处理和去雾转换处理的多尺度注意力模块，及用于区分所述训练图像集的真实图像和所述多尺度注意力模块的生成图像的判别器。

根据本发明提供的一种图像去雾方法，所述去雾模型通过如下方法训练得到：

获取不成对的清晰图像训练样本和雾霾图像训练样本；

基于所述清晰图像训练样本、所述雾霾图像训练样本和预设损失函数，对搭建后的待训练模型进行模型训练，获得去雾模型，所述待训练模型包括用于进行加雾转换处理和去雾转换处理的多尺度注意力模块，及用于区分真实图像和生成图像的判别器，所述真实图像为所述清晰图像训练样本或所述雾霾图像训练样本，所述生成图像为所述多尺度注意力模块输出的生成图像。

根据本发明提供的一种图像去雾方法，所述基于所述清晰图像训练样本、所述雾霾图像训练样本和预设损失函数，对搭建后的待训练模型进行模型训练，获得去雾模型，包括：

基于搭建后的待训练模型的雾霾编码器，对所述雾霾图像训练样本进行特征提取，获得雾霾信息；

基于所述待训练模型的第一多尺度注意力模块和所述雾霾信息，对所述清晰图像训练样本进行加雾转换处理，获得第一加雾图像；

基于所述待训练模型的第一判别器和预设损失函数中的第一对抗损失函数，对所述第一加雾图像进行对抗损失计算，获得雾霾图像对应的第一对抗损失；