[發明專利]圖像去霧方法、裝置及計算機可讀存儲介質

有效

• 申請號: 201711290984.1
• 申請日: 2017-12-08
• 公開（公告）號: CN107798669B
• 公開（公告）日: 2021-12-21
• 發明（設計）人: 張水發
• 申請（專利權）人: 北京小米移動軟件有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 林錦瀾

1.一種圖像去霧方法，其特征在于，所述方法包括：

獲取目標帶霧圖像，所述目標帶霧圖像為待去霧的圖像；

獲取去霧圖像訓練集，所述去霧圖像訓練集包括N個不帶霧樣本圖像和N個帶霧樣本圖像，所述N為大于或等于1的正整數；

基于生成網絡模型，對所述N個帶霧樣本圖像進行處理，得到N個去霧樣本圖像，基于判別網絡模型，對所述N個去霧樣本圖像和所述N個不帶霧樣本圖像進行處理，得到2N個概率值，所述生成網絡模型為對抗網絡模型中進行圖像去霧的網絡模型，所述判別網絡模型為所述對抗網絡模型中用于確定圖像去霧準確率的網絡模型，且所述判別網絡模型進行預設訓練次數訓練后，進行一次生成網絡模型的訓練；

將所述對抗網絡模型最初包括的判別網絡模型作為訓練對象，從2N個概率值中獲取預設數量的概率值，并基于獲取的預設數量的概率值和第一預設損失函數，確定預設數量個損失值；基于第一預設損失函數，對當前的訓練對象中的各個參數進行偏導運算，得到各個參數的偏導函數；基于預設數量個損失值和各個參數的偏導函數，確定各個參數的偏導值；采用隨機梯度下降法，基于各個參數的偏導值確定更新后的各個參數，基于更新后的各個參數更新當前的訓練對象；當訓練次數未達到預設訓練次數時，將更新后的判別網絡模型作為訓練對象，并返回從2N個概率值中獲取預設數量的概率值的步驟，直至訓練次數達到預設訓練次數時，完成對判別網絡模型的訓練；基于所述N個去霧樣本圖像和第二預設損失函數，對所述生成網絡模型進行訓練，得到訓練后的生成網絡模型，且每次從2N個概率值中獲取的預設數量的概率值都與之前獲取的概率值不完全相同；

從所述N個帶霧樣本圖像中選擇一個帶霧樣本圖像，基于所述訓練后的生成網絡模型，對選擇帶霧樣本圖像進行處理，得到選擇的帶霧樣本圖像對應的去霧樣本圖像；

基于所述訓練后的判別網絡模型，對選擇的帶霧樣本圖像對應的去霧樣本圖像進行處理，得到一個概率值；當得到的概率值不為預設概率時，將所述訓練后的生成網絡模型作為所述生成網絡模型，將所述訓練后的判別網絡模型作為所述判別網絡模型，并返回所述基于生成網絡模型，對所述N個帶霧樣本圖像進行處理，得到N個去霧樣本圖像的步驟，直至得到的概率值為所述預設概率時，將最終訓練得到的生成網絡模型確定為去霧網絡模型；

基于去霧網絡模型，對所述目標帶霧圖像進行去霧處理，所述去霧網絡模型為對對抗網絡模型進行訓練后得到。

2.如權利要求1所述的方法，其特征在于，所述第一預設損失函數如下：

其中，所述G表示所述生成網絡模型，所述D表示所述判別網絡模型，所述x表示所述N個不帶霧樣本圖像中任一不帶霧樣本圖像，所述D(x)為所述2N個概率值中的任一概率值，所述z表示所述N個帶霧樣本圖像中任一帶霧樣本圖像，所述G(z)表示所述N個去霧樣本圖像中任一去霧樣本圖像，所述x_ij表示所述任一不帶霧樣本圖像中坐標為(i，j)的像素點的灰度值，所述表示所述任一去霧樣本圖像中與坐標為(i，j)的像素點相鄰的像素點的灰度值。

3.如權利要求1或2所述的方法，其特征在于，所述第二預設損失函數如下：

其中，所述G表示所述生成網絡模型，所述z表示所述N個帶霧樣本圖像中任一帶霧樣本圖像，所述G(z)表示所述N個去霧樣本圖像中任一去霧樣本圖像，所述x_ij表示任一不帶霧樣本圖像中坐標為(i，j)的像素點的灰度值，所述表示所述任一去霧樣本圖像中與坐標為(i，j)的像素點相鄰的像素點的灰度值。

4.如權利要求1所述的方法，其特征在于，所述獲取去霧圖像訓練集，包括：

對目標不帶霧樣本圖像進行多次復制，得到所述N個不帶霧樣本圖像，所述目標不帶霧樣本圖像是指任一不帶霧圖像；

對所述N個不帶霧樣本圖像進行加霧處理，得到帶霧情況不同的所述N個帶霧樣本圖像；

將所述N個不帶霧樣本圖像和所述N個帶霧樣本圖像合并為所述去霧圖像訓練集。