[发明专利]图像去雾方法、装置、电子设备及介质

权利要求书

1.一种图像去雾方法，其特征在于，包括如下步骤：

对待处理图像进行预处理，得到预处理向量；

将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将所述至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；所述神经网络模型包括至少两个卷积层和至少一个最小池化层，所述目标向量和所述预处理向量的向量矩阵排列一致；所述至少两个中间向量包括：至少一个将所述预处理向量输入第一卷积层得到的第一向量，和至少一个将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值得到的第二向量；

对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量，对所述需激活的向量进行激活处理，得到去雾后的图像。

2.根据权利要求1所述的方法，其特征在于，所述对待处理图像进行预处理，得到预处理向量，包括：

将所述待处理图像对应的向量的每个向量数值除以预设数值，得到预处理向量。

3.根据权利要求2所述的方法，其特征在于，所述将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，包括：

将所述预处理向量输入所述神经网络模型的第一卷积层，进行卷积计算后得到第一向量，作为一个中间向量；

将所述第一向量直接输入最小池化层或再经过至少一个卷积层后得到的向量输入最小池化层，得到最小池化层的输出向量；

将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值，得到第二向量，作为一个中间向量。

4.根据权利要求3所述的方法，其特征在于，所述将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，还包括：

将所述第一向量和所述第二向量进行拼接，得到拼接后的向量，作为一个中间向量。

5.根据权利要求4所述的方法，其特征在于，所述将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，还包括：

依次进行至少一次如下拼接操作：将所述拼接后的向量和所述第二向量进行拼接，再次得到拼接后的向量，作为所述拼接后的向量；所述中间向量包括所有拼接后的向量。

6.根据权利要求2-5中任一项所述的方法，其特征在于，所述对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量，对所述需激活的向量进行激活处理，得到去雾后的图像，包括：

将所述目标向量和所述预处理向量的向量数值一一对应相乘，得到对应相乘后的向量；

将所述对应相乘后的向量和所述目标向量的向量数值一一对应相减，得到需激活的向量；

对所述需激活的向量进行激活，使得所述需激活的向量的每个向量数值为0或1，得到激活后的向量；

将所述激活后的向量乘以所述预设数值，得到所述去雾后的图像。

7.根据权利要求6所述的方法，其特征在于，所述对所述需激活的向量进行激活，使得所述需激活的向量的每个向量数值为0或1，得到激活后的向量，包括：

将所述需激活的向量的向量数值小于0的置为0，所述需激活的向量的向量数值大于1的置为1，得到激活后的向量。

8.一种图像去雾装置，其特征在于，包括：

预处理模块，用于对待处理图像进行预处理，得到预处理向量；

处理模块，用于将所述预处理向量输入神经网络模型的卷积层和最小池化层，得到至少两个中间向量，并将所述至少两个中间向量进行拼接后输入一个卷积层，得到目标向量；所述神经网络模型包括至少两个卷积层和至少一个最小池化层，所述目标向量和所述预处理向量的向量矩阵排列一致；所述至少两个中间向量包括：至少一个将所述预处理向量输入第一卷积层得到的第一向量，和至少一个将输入最小池化层的向量的每个向量数值对应减去所述最小池化层的输出向量的每个向量数值得到的第二向量；

激活处理模块，用于对所述目标向量和所述预处理向量进行一一对应计算得到需激活的向量，对所述需激活的向量进行激活处理，得到去雾后的图像。