[发明专利]图像去雾模型训练方法、去雾处理方法、装置及存储介质

说明书

本发明提供一种图像去雾模型训练方法、去雾处理方法、装置及存储介质，涉及图像处理技术领域。该方法包括：对样本低分辨率有雾图像进行去雾处理，得到低分辨率无雾特征；对样本低分辨率有雾图像进行特征提取，得到基础特征；对低分辨率无雾特征和基础特征进行重建处理，得到样本低分辨率有雾图像对应的高分辨率无雾图像；根据样本低分辨率有雾图像对应的样本低分辨率无雾图像和高分辨率无雾图像，对图像去雾模型进行参数训练。根据低分辨率无雾特征和基础特征重建得到的高分辨率无雾图像，对图像去雾模型进行参数训练；采用训练的图像去雾模型可以根据低分辨率有雾图像，输出高分辨率无雾图像，提高了去雾图像的分辨率，使得去雾图像更加清晰。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种图像去雾模型训练方法、去雾处理方法、装置及存储介质。

背景技术

随着计算机视觉技术的发展，计算机视觉应用范围也不断扩大，获得高质量图像信息可以提高计算机视觉技术准确率。随着深度学习技术的迅速发展，采用深度学习技术来增强图像质量也受到了广泛的欢迎。

相关技术中，通常采用基于先验信息的传统去雾算法或基于深度学习的去雾算法，对有雾图像进行处理得到去雾后的图像。

但是，相关技术中，采用上述算法处理得到的去雾图像，容易出现去雾后的图像分辨率较低、不清晰的问题。

发明内容

本发明的目的在于，针对上述现有技术中的不足，提供一种图像去雾模型训练方法、去雾处理方法、装置及存储介质，以便解决相关技术中，采用单图像去雾算法处理得到的去雾图像，容易出现去雾后的图像分辨率较低、不清晰的问题。

为实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本申请实施例提供一种图像去雾模型的训练方法，包括：

对样本低分辨率有雾图像进行去雾处理，得到低分辨率无雾特征；

对所述样本低分辨率有雾图像进行特征提取，得到基础特征；

对所述低分辨率无雾特征和所述基础特征进行重建处理，得到所述样本低分辨率有雾图像对应的高分辨率无雾图像；

根据所述样本低分辨率有雾图像对应的样本低分辨率无雾图像和所述高分辨率无雾图像，对所述图像去雾模型进行参数训练。

可选的，所述对样本低分辨率有雾图像进行去雾处理，得到低分辨率无雾特征，包括：

对所述样本低分辨率有雾图像进行编码处理，得到第一像素尺度的编码特征；

对所述第一像素尺度的编码特征进行编码处理，得到第二像素尺度的编码特征；

对所述第二像素尺度的编码特征进行解码处理，得到所述第二像素尺度的解码特征；

对所述第二像素尺度的解码特征和所述第一像素尺度的编码特征进行解码处理，得到所述第一像素尺度的解码特征；

对所述第一像素尺度的解码特征和所述样本低分辨率有雾图像进行像素相加，得到所述低分辨率无雾特征。

可选的，所述对所述第二像素尺度的编码特征进行解码处理，得到所述第二像素尺度的解码特征之前，所述方法还包括：

采用多个连续记忆残差块，依次对所述第二像素尺度的编码特征进行处理；

所述对所述第二像素尺度的特征进行解码处理，得到所述第二像素尺度的解码特征，包括：

对所述多个连续记忆残差块中最后一个连续记忆残差块处理后的编码特征进行解码处理，得到所述第二像素尺度的解码特征。

可选的，所述对所述低分辨率无雾特征和所述基础特征进行重建处理，得到所述样本低分辨率有雾图像对应的高分辨率无雾图像之前，所述方法还包括：