【技術實現步驟摘要】
本專利技術涉及計算機視覺，尤其涉及一種輕量級圖像去霧方法、模型、介質和系統。
技術介紹
1、隨著深度學習技術的發展，智能監控和無人機巡檢等視覺系統變得日益普遍。這些系統依賴于高質量的視覺輸入以實現準確的圖像分析和決策支持。然而，在霧霾天氣下，圖像的清晰度和對比度顯著降低，嚴重影響視覺系統的性能。圖像去霧方法旨在去除圖像中的霧霾，復原出具有清晰的高質量圖像。
2、現有的圖像去霧方法大多通過增加模型的復雜度來提升模型的去霧性能，往往需要大量的計算資源，難以滿足實時處理或資源受限環境的需求。
技術實現思路
1、為了解決上述問題，本專利技術的目的是提供一種輕量級圖像去霧方法、模型、介質和系統，可以減少模型的復雜度，節約計算資源。
2、一方面，本專利技術提供了一種輕量級圖像去霧方法，包括以下步驟：
3、獲取有霧圖像，提取所述有霧圖像的圖像特征；
4、將所述圖像特征分別輸入至少三個不同的無霧圖像預測模型，得到至少三個初始無霧圖像；至少三個無霧圖像預測模型的模型參數不同；
5、根據所述圖像特征分別生成每一初始無霧圖像的權重圖；
6、根據所述權重圖對所述初始無霧圖像進行加權求和，生成最終的無霧圖像。
7、可選地，所述提取所述有霧圖像的圖像特征，具體包括：
8、提取所述有霧圖像若干個尺度的圖像特征；
9、對所有尺度的圖像特征進行融合，得到所述有霧圖像的圖像特征。
10、可選地，至少
11、將所述圖像特征輸入至少兩個所述第一類型的無霧圖像預測模型，得到每一個所述第一類型的無霧圖像預測模型輸出的第一類型的初始無霧圖像；至少兩個所述第一類型的無霧圖像預測模型的模型參數不同；
12、將所述圖像特征輸入至少一個所述第二類型的無霧圖像預測模型，得到每一個所述第二類型的無霧圖像預測模型輸出的第二類型的初始無霧圖像；所述第一類型的初始無霧圖像與所述第二類型的無霧圖像預測模型的模型結構不同。
13、可選地，所述將所述圖像特征輸入至少兩個所述第一類型的無霧圖像預測模型，得到每一個所述第一類型的無霧圖像預測模型輸出的第一類型的初始無霧圖像，具體包括：
14、將所述圖像特征分別輸入至少兩個所述第一類型的無霧圖像預測模型，通過每一個所述第一類型的無霧圖像預測模型單獨對所述圖像特征進行第一特征提取，得到若干第一提取特征；將若干所述第一提取特征進行堆疊，得到第一堆疊特征圖；根據所述第一堆疊特征圖和所述圖像特征，得到每一個所述第一類型的無霧圖像預測模型輸出的第一類型的初始無霧圖像。
15、可選地，所述將所述圖像特征輸入至少一個第二類型的無霧圖像預測模型，得到每一個第二類型的無霧圖像預測模型輸出的第二類型的初始無霧圖像，具體包括：
16、將所述圖像特征輸入至少一個第二類型的無霧圖像預測模型，通過每一個所述第二類型的無霧圖像預測模型單獨提取所述圖像特征的殘差，根據所述殘差與所述有霧圖像，得到每一個第二類型的無霧圖像預測模型輸出的第二類型的初始無霧圖像。
17、可選地，至少三個不同的無霧圖像預測模型通過以下方法訓練得到：
18、獲取有霧樣本圖像和有霧樣本圖像對應的無霧標簽圖像，提取所述有霧樣本圖像的圖像樣本特征；
19、將所述圖像樣本特征分別輸入至少三個無霧圖像預測初始模型，得到至少三個初始無霧樣本圖像；
20、根據所述圖像樣本特征分別生成每一初始無霧樣本圖像的權重樣本圖；根據所述權重樣本圖對所述初始無霧樣本圖像進行加權求和，生成最終的無霧樣本圖像；
21、根據初始無霧樣本圖像、無霧標簽圖像和/或最終的無霧樣本圖像更新無霧圖像預測初始模型的參數，直至滿足預設要求，得到至少三個訓練好的無霧圖像預測模型。
22、可選地，至少三個不同的無霧圖像預測模型包括至少兩個第一類型的無霧圖像預測模型和至少一個第二類型的無霧圖像預測模型，至少兩個所述第一類型的無霧圖像預測模型包括至少一個第一損失的初始無霧圖像預測模型和至少一個第二損失的初始無霧圖像預測模型；所述根據初始無霧樣本圖像、無霧標簽圖像和/或最終的無霧樣本圖像更新無霧圖像預測初始模型的參數，具體包括：
23、若接收到第一指令，根據無霧樣本圖像和無霧標簽圖像生成第一損失函數，利用第一損失函數更新無霧圖像預測初始模型的參數；所述第一指令用于表征得到第一損失的初始無霧圖像預測模型或第二類型的無霧圖像預測模型；
24、若接收到第二指令，根據無霧樣本圖像和無霧標簽圖像生成第一損失函數，根據最終的無霧樣本圖像生成第二損失函數，利用第一損失函數和第二損失函數更新無霧圖像預測初始模型的參數；所述第二指令用于表征得到第二損失的初始無霧圖像預測模型。
25、另一方面，本專利技術提供一種一種輕量級圖像去霧模型，包括特征提取模塊、多模型預測模塊、權重圖生成模塊和最終預測模塊：其中，
26、所述特征提取模塊，用于獲取有霧圖像，提取所述有霧圖像的圖像特征；
27、所述多模型預測模塊，用于將所述圖像特征分別輸入至少三個不同的無霧圖像預測模型，得到至少三個初始無霧圖像；至少三個無霧圖像預測模型的模型參數不同；
28、所述權重圖生成模塊，用于根據所述圖像特征分別生成每一初始無霧圖像的權重圖；
29、所述最終預測模塊，用于根據所述權重圖對所述初始無霧圖像進行加權求和，生成最終的無霧圖像。
30、另一方面，本專利技術提供一種計算機可讀存儲介質，其中存儲有處理器可執行的程序，所述處理器可執行的程序在由處理器執行時用于執行前面所述的輕量級圖像去霧方法。
31、另一方面，本專利技術提供一種輕量級圖像去霧系統，包括：
32、至少一個處理器；
33、至少一個存儲器，用于存儲至少一個程序；
34、當所述至少一個程序被所述至少一個處理器執行，使得所述至少一個處理器實現如前面所述的輕量級圖像去霧方法。
35、實施本專利技術包括以下有益效果：本專利技術通過獲取有霧圖像，提取有霧圖像的圖像特征，將圖像特征分別輸入若干個不同的無霧圖像預測模型，得到若干初始無霧圖像，若干個無霧圖像預測模型的模型參數不同，根據圖像特征分別生成每一初始無霧圖像的權重圖，根據所有的權重圖對初始無霧圖像進行加權求和，生成最終的無霧圖像，通過多個不同的無霧圖像預測模型共享提取的圖像特征，并且，利用多個不同的無霧圖像預測模型來預測無霧圖像，采用權重圖預測的方式，將多個不同的無霧圖像預測模型得到的無霧圖像進行加權融合，可以適應地處理各種復雜的有霧環境，減少模型的復雜度，節約計算資源，可快速且準確地對圖像中的霧霾進行去除，提升圖像的視覺效本文檔來自技高網...
【技術保護點】
1.一種輕量級圖像去霧方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述提取所述有霧圖像的圖像特征，具體包括：
3.根據權利要求1所述的方法，其特征在于，至少三個不同的所述無霧圖像預測模型包括至少兩個第一類型的無霧圖像預測模型和至少一個第二類型的無霧圖像預測模型；所述將所述圖像特征分別輸入至少三個不同的無霧圖像預測模型，得到至少三個初始無霧圖像，具體包括：
4.根據權利要求3所述的方法，其特征在于，所述將所述圖像特征輸入至少兩個所述第一類型的無霧圖像預測模型，得到每一個所述第一類型的無霧圖像預測模型輸出的第一類型的初始無霧圖像，具體包括：
5.根據權利要求3所述的方法，其特征在于，所述將所述圖像特征輸入至少一個第二類型的無霧圖像預測模型，得到每一個第二類型的無霧圖像預測模型輸出的第二類型的初始無霧圖像，具體包括：
6.根據權利要求1-5任一項所述的方法，其特征在于，至少三個不同的無霧圖像預測模型通過以下方法訓練得到：
7.根據權利要求6所述的方法，其特征在于，至少三個不同的無霧圖
8.一種輕量級圖像去霧模型，其特征在于，包括特征提取模塊、多模型預測模塊、權重圖生成模塊和最終預測模塊：其中，
9.一種計算機可讀存儲介質，其中存儲有處理器可執行的程序，其特征在于，所述處理器可執行的程序在由處理器執行時用于執行如權利要求1-7任一項所述的方法。
10.一種輕量級圖像去霧系統，其特征在于，包括：
...【技術特征摘要】
1.一種輕量級圖像去霧方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述提取所述有霧圖像的圖像特征，具體包括：
3.根據權利要求1所述的方法，其特征在于，至少三個不同的所述無霧圖像預測模型包括至少兩個第一類型的無霧圖像預測模型和至少一個第二類型的無霧圖像預測模型；所述將所述圖像特征分別輸入至少三個不同的無霧圖像預測模型，得到至少三個初始無霧圖像，具體包括：
4.根據權利要求3所述的方法，其特征在于，所述將所述圖像特征輸入至少兩個所述第一類型的無霧圖像預測模型，得到每一個所述第一類型的無霧圖像預測模型輸出的第一類型的初始無霧圖像，具體包括：
5.根據權利要求3所述的方法，其特征在于，所述將所述圖像特征輸入至少一個第二類型的無霧圖像預測模型，得到每一個第二類型的無霧圖像預測模型輸出的第二類型的初始無霧圖像，具體包括：
6.根據權利要...
【專利技術屬性】
技術研發人員：祖世杰，
申請(專利權)人：中國電信股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。