CN112070701A - 图像生成方法、装置、设备和计算机可读介质 - Google Patents
图像生成方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112070701A CN112070701A CN202010934545.5A CN202010934545A CN112070701A CN 112070701 A CN112070701 A CN 112070701A CN 202010934545 A CN202010934545 A CN 202010934545A CN 112070701 A CN112070701 A CN 112070701A
- Authority
- CN
- China
- Prior art keywords
- image
- defogged
- image information
- reduced
- defogged image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了图像生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对原始图像进行下采样,得到缩小图像;基于上述缩小图像,生成至少一个去雾图像信息;基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。该实施方式因为通过对原始图像进行下采样后得到的缩小图像较原始图像包含更少的像素点,所以通过对上述缩小图像而不是直接对上述原始图像进行分析,提取去雾图像信息,减少了分析过程中的计算量,从而提高了去雾的速度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像生成方法、装置、设备和计算机可读介质。
背景技术
在众多图像处理技术中,有一种图像去雾技术,该技术希望恢复对比度低于预设阈值的原始图像的对比度,使原始图像变得清晰,以在视觉上呈现去雾的效果。现有的图像去雾技术往往需要进行大量计算,进而导致耗费的时间很长,去雾速度慢。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像生成方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种图像生成方法,该方法包括:对原始图像进行下采样,得到缩小图像;基于上述缩小图像,生成至少一个去雾图像信息;基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。
第二方面,本公开的一些实施例提供了一种图像生成装置,装置包括:下采样单元,被配置成对原始图像进行下采样,得到缩小图像;第一生成单元,被配置成基于上述缩小图像,生成至少一个去雾图像信息;第二生成单元,被配置成基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:因为通过对原始图像进行下采样后得到的缩小图像较原始图像包含更少的像素点,所以通过对上述缩小图像而不是直接对上述原始图像进行分析,提取去雾图像信息,减少了分析过程中的计算量,从而提高了去雾的速度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的图像生成方法的一个应用场景的示意图;
图2是根据本公开的图像生成方法的一些实施例的流程图;
图3是根据本公开的图像生成方法的另一些实施例的流程图;
图4是根据本公开的图像生成装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
图6示出了根据本公开的图像生成方法的一些实施例的下采样步骤的示意图。
图7示出了根据本公开的一些实施例的图像生成方法中生成去雾图像的步骤的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的图像生成方法的一个应用场景的示意图。
在图1所示的应用场景中,首先,计算设备101可以对原始图像102进行下采样,得到缩小图像103。在本应用场景中,上述原始图像包含3个通道,分别对应于红、蓝、绿三原色。对上述原始图像进行下采样的方法如附图标记106所示,上述原始图像的尺寸为4*4*3,对上述原始图像进行2倍下采样,得到尺寸为2*2*3的缩小图像。其中上述缩小图像中的每个像素点的像素值为上述原始图像中对应的2*2窗口中左上方像素点的像素值。之后,基于上述缩小图像103,生成至少一个去雾图像信息104。在本应用场景中,上述至少一个去雾图像信息104包含一个去雾图像信息。以及,上述去雾图像信息是用与上述缩小图像尺寸相同的矩阵进行表示的。最后,基于上述至少一个去雾图像信息104和上述缩小图像103,生成去雾图像105。在本应用场景中,上述执行主体将上述至少一个去雾图像信息104和上述缩小图像的矩阵形式107按照元素取平均值,得到平均结果108。之后,对上述平均结果108进行上采样,得到上述去雾图像的矩阵形式109,最后得到上述去雾图像105。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或电子设备组成的分布式集群,也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备101的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备101。
继续参考图2,示出了根据本公开的图像生成方法的一些实施例的流程200。该图像生成方法,包括以下步骤:
步骤201,对原始图像进行下采样,得到缩小图像。
在一些实施例中,上述原始图像可以是对比度小于预设阈值的任意图像。例如,可以是图像生成方法执行主体中存储的对比度小于预设阈值的图像。再如,还可以是网络中公开的对比度小于预设阈值的图像。
进一步参考图6,图6示出了根据本公开的图像生成方法的一些实施例的下采样步骤的示意图。如图6所示,在一些实施例中,上述对原始图像进行下采样可以是在上述原始图像的尺寸为h*w*c的基础上,其中h为上述原始图像的高度、w为上述原始图像的宽度、c为上述原始图像的通道数。对上述原始图像进行s倍下采样,其中s可以是h和w的任意公约数,得到每个通道的尺寸为(h/s)*(w/s)*c的缩小图像。其中上述缩小图像中的每个像素点的像素值为上述原始图像中对应的s*s窗口中包含元素的平均值取整后的数值。
步骤202,基于上述缩小图像,生成至少一个去雾图像信息。
在一些实施例中,上述执行主体可以通过将上述缩小图像输入到线上图像去雾工具或者图像去雾软件中,得到至少一个去雾图像信息。
在一些实施例中的一些可选的实现方式中,上述执行主体还可以通过将上述缩小图像输入到图像去雾网络中,得到至少一个去雾图像信息。
在一些实施例中,上述去雾图像信息为矩阵形式。其中,矩阵在长、宽、高方向上的尺寸分别对应上述缩小图像在长、宽方向上的尺寸和通道数。矩阵中元素的值表征上述缩小图像去雾后的像素值。
在一些实施例中,上述图像去雾网络可以是任意将输入图像进行去雾得到去雾图像的网络。作为示例,上述图像去雾网络可以包括但不限于GCANet(Gated ContextAggregation Network,门控上下文聚合网络)、DehazeNet(去雾网络)、域自适应图像去雾网络、Gated Fusion Network(门限融合网络)等。
在一些实施例的一些可选的实现方式中,上述图像去雾网络可以包括第一图像去雾网络和第二图像去雾网络。在此基础上,上述执行主体可以首先将上述缩小图像输入到上述第一图像去雾网络中,得到第一去雾图像信息。之后,将上述第一去雾图像信息输入到上述第二图像去雾网络中,得到第二去雾图像信息。最后,将上述第一去雾图像信息和上述第二去雾图像信息确定为上述至少一个去雾图像信息。
在一些实施例中,上述第一图像去雾网络或上述第二图像去雾网络可以是任意将输入图像进行去雾得到去雾图像的网络。作为示例,上述图像去雾网络可以包括但不限于GCANet(Gated Context Aggregation Network,门控上下文聚合网络)、DehazeNet(去雾网络)、域自适应图像去雾网络、Gated Fusion Network(门限融合网络)等。
步骤203,基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。
在一些实施例中,如图1中由附图标记107和附图标记104所指示的内容得到附图标记108所指示的内容,进一步得到附图标记109所指示的内容的步骤。上述执行主体可以将上述至少一个去雾图像信息中的每个去雾图像信息和上述缩小图像的矩阵形式按照元素取平均值,得到平均结果。之后,对上述平均结果进行上采样,得到去雾图像。
在一些实施例的一些可选的实现方式中,进一步参考图7,图7示出了根据本公开的一些实施例的图像生成方法中生成去雾图像的步骤的示意图。如图7所示,计算设备701可以将上述至少一个去雾图像信息702中的每个去雾图像信息,和上述缩小图像的矩阵形式703按照元素相加,得到相加结果704。在本实施例中,上述至少一个去雾图像信息包含一个去雾图像信息。之后,对上述相加结果704进行卷积,得到卷积结果706。在本实施例中,如附图标记705所示,卷积矩阵为1*1矩阵,元素大小为1/2。最后对上述卷积结果706进行上采样,得到去雾图像707。
在一些实施例中,上述缩小图像中的元素为上述缩小图像中的每个像素在每个通道中的值。
本公开的一些实施例提供的方法因为通过对原始图像进行下采样后得到的缩小图像较原始图像包含更少的像素点,所以通过对上述缩小图像而不是直接对上述原始图像进行分析,提取去雾图像信息,减少了分析过程中的计算量,从而提高了去雾的速度。
进一步参考图3,其示出了图像生成方法的另一些实施例的流程300。该图像生成方法的流程300,包括以下步骤:
步骤301,对原始图像进行下采样,得到缩小图像。
在一些实施例中,步骤301的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201,在此不再赘述。
步骤302,将上述缩小图像输入到上述第一图像去雾网络中,得到第一去雾图像信息。
在一些实施例中,上述第一图像去雾网络可以是任意将输入图像进行去雾得到去雾图像的网络。作为示例,上述图像去雾网络可以包括但不限于GCANet(Gated ContextAggregation Network,门控上下文聚合网络)、DehazeNet(去雾网络)、域自适应图像去雾网络、Gated Fusion Network(门限融合网络)等。
在一些实施例中,上述第一去雾图像信息为矩阵形式。其中,矩阵在长、宽、高方向上的尺寸分别对应上述缩小图像在长、宽方向上的尺寸和通道数。矩阵中元素的值表征上述缩小图像去雾后的像素值。
步骤303,将上述第一去雾图像信息输入到上述第二图像去雾网络中,得到第二去雾图像信息。
在一些实施例中,上述第二图像去雾网络可以是任意将输入图像进行去雾得到去雾图像的网络。作为示例,上述图像去雾网络可以包括但不限于GCANet(Gated ContextAggregation Network,门控上下文聚合网络)、DehazeNet(去雾网络)、域自适应图像去雾网络、Gated Fusion Network(门限融合网络)等。
在一些实施例中,上述第二去雾图像信息为矩阵形式。其中,矩阵在长、宽、高方向上的尺寸分别对应上述缩小图像在长、宽方向上的尺寸和通道数。矩阵中元素的值表征上述缩小图像去雾后的像素值。
步骤304,将上述第一去雾图像信息和上述第二去雾图像信息确定为上述至少一个去雾图像信息。
步骤305,将上述至少一个去雾图像信息中的第一去雾图像信息、第二去雾图像信息和上述缩小图像的矩阵形式按照元素相加,得到相加结果。
在一些实施例中,上述缩小图像中的元素为上述缩小图像中的每个像素在每个通道中的值。
步骤306,对上述相加结果进行上采样,得到去雾图像。
在一些实施例中,上述执行主体可以使用任意上采样算法,对上述原始图像进行上采样。作为示例,上述上采样算法可以包括但不限于以下算法:最邻近插值法、双线性插值法、双三次插值法、基于边缘的图像插值算法和基于区域的图像插值算法等。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的图像生成方法的流程300体现了生成至少一个去雾信息和生成去雾图像的步骤。由此,这些实施例描述的方案通过生成第一去雾图像信息后再基于上述第一去雾图像信息生成第二去雾图像信息,多次累积生成去雾图像信息,从而提取出更多的、更精确的去雾图像信息,进一步使图像去雾效果更好。以及,通过上采样生成去雾图像,可以使图像去雾快速进行后恢复为原始尺寸。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种图像生成装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的图像生成装置400包括:下采样单元401、第一生成单元402和第二生成单元403。其中,下采样单元401,被配置成对原始图像进行下采样,得到缩小图像;第一生成单元402,被配置成基于上述缩小图像,生成至少一个去雾图像信息;第二生成单元403,被配置成基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。
在一些实施例的可选实现方式中,第一生成单元进一步被配置成:将上述缩小图像输入到图像去雾网络中,得到上述至少一个去雾图像信息。
在一些实施例的可选实现方式中,图像去雾网络包括:第一图像去雾网络和第二图像去雾网络;以及,第一生成单元进一步被配置成:将上述缩小图像输入到上述第一图像去雾网络中,得到第一去雾图像信息;将上述第一去雾图像信息输入到上述第二图像去雾网络中,得到第二去雾图像信息;将上述第一去雾图像信息和上述第二去雾图像信息确定为上述至少一个去雾图像信息。
在一些实施例的可选实现方式中,第二生成单元进一步被配置成:将上述至少一个去雾图像信息中的第一去雾图像信息、第二去雾图像信息和上述缩小图像的矩阵形式按照元素相加,得到相加结果;对上述相加结果进行卷积,得到卷积结果;对上述卷积结果进行上采样,得到上述去雾图像。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器或终端设备)500的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对原始图像进行下采样,得到缩小图像;基于上述缩小图像,生成至少一个去雾图像信息;基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括下采样单元、第一生成单元和第二生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第二生成单元还可以被描述为“生成去雾图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种图像生成方法,包括:对原始图像进行下采样,得到缩小图像;基于上述缩小图像,生成至少一个去雾图像信息;基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。
根据本公开的一个或多个实施例,基于上述缩小图像,生成至少一个去雾图像信息,包括:将上述缩小图像输入到图像去雾网络中,得到上述至少一个去雾图像信息。
根据本公开的一个或多个实施例,图像去雾网络包括:第一图像去雾网络和第二图像去雾网络;以及,上述将上述缩小图像输入到图像去雾网络中,得到上述至少一个去雾图像信息,包括:将上述缩小图像输入到上述第一图像去雾网络中,得到第一去雾图像信息;将上述第一去雾图像信息输入到上述第二图像去雾网络中,得到第二去雾图像信息;将上述第一去雾图像信息和上述第二去雾图像信息确定为上述至少一个去雾图像信息。
根据本公开的一个或多个实施例,基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像,包括:将上述至少一个去雾图像信息中的第一去雾图像信息、第二去雾图像信息和上述缩小图像的矩阵形式按照元素相加,得到相加结果;对上述相加结果进行卷积,得到卷积结果;对上述卷积结果进行上采样,得到上述去雾图像。
根据本公开的一个或多个实施例,提供了一种图像生成装置,包括:下采样单元,被配置成对原始图像进行下采样,得到缩小图像;第一生成单元,被配置成基于上述缩小图像,生成至少一个去雾图像信息;第二生成单元,被配置成基于上述至少一个去雾图像信息和上述缩小图像,生成去雾图像。
根据本公开的一个或多个实施例,第一生成单元进一步被配置成:将上述缩小图像输入到图像去雾网络中,得到上述至少一个去雾图像信息。
根据本公开的一个或多个实施例,图像去雾网络包括:第一图像去雾网络和第二图像去雾网络;以及,第一生成单元进一步被配置成:将上述缩小图像输入到上述第一图像去雾网络中,得到第一去雾图像信息;将上述第一去雾图像信息输入到上述第二图像去雾网络中,得到第二去雾图像信息;将上述第一去雾图像信息和上述第二去雾图像信息确定为上述至少一个去雾图像信息。
根据本公开的一个或多个实施例,第二生成单元进一步被配置成:将上述至少一个去雾图像信息中的第一去雾图像信息、第二去雾图像信息和上述缩小图像的矩阵形式按照元素相加,得到相加结果;对上述相加结果进行卷积,得到卷积结果;对上述卷积结果进行上采样,得到上述去雾图像。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种图像生成方法,包括:
对原始图像进行下采样,得到缩小图像;
基于所述缩小图像,生成至少一个去雾图像信息;
基于所述至少一个去雾图像信息和所述缩小图像,生成去雾图像。
2.根据权利要求1所述的方法,其中,所述基于所述缩小图像,生成至少一个去雾图像信息,包括:
将所述缩小图像输入到图像去雾网络中,得到所述至少一个去雾图像信息。
3.根据权利要求2所述的方法,其中,所述图像去雾网络包括:第一图像去雾网络和第二图像去雾网络;以及
所述将所述缩小图像输入到图像去雾网络中,得到所述至少一个去雾图像信息,包括:
将所述缩小图像输入到所述第一图像去雾网络中,得到第一去雾图像信息;
将所述第一去雾图像信息输入到所述第二图像去雾网络中,得到第二去雾图像信息;
将所述第一去雾图像信息和所述第二去雾图像信息确定为所述至少一个去雾图像信息。
4.根据权利要求3所述的方法,其中,所述基于所述至少一个去雾图像信息和所述缩小图像,生成去雾图像,包括:
将所述至少一个去雾图像信息中的第一去雾图像信息、第二去雾图像信息和所述缩小图像的矩阵形式按照元素相加,得到相加结果;
对所述相加结果进行卷积,得到卷积结果;
对所述卷积结果进行上采样,得到所述去雾图像。
5.一种图像生成装置,包括:
下采样单元,被配置成对原始图像进行下采样,得到缩小图像;
第一生成单元,被配置成基于所述缩小图像,生成至少一个去雾图像信息;
第二生成单元,被配置成基于所述至少一个去雾图像信息和所述缩小图像,生成去雾图像。
6.根据权利要求5所述的装置,其中,第一生成单元进一步被配置成:
将所述缩小图像输入到图像去雾网络中,得到所述至少一个去雾图像信息。
7.根据权利要求6所述的装置,其中,所述图像去雾网络包括:第一图像去雾网络和第二图像去雾网络;以及
第一生成单元进一步被配置成:
将所述缩小图像输入到所述第一图像去雾网络中,得到第一去雾图像信息;
将所述第一去雾图像信息输入到所述第二图像去雾网络中,得到第二去雾图像信息;
将所述第一去雾图像信息和所述第二去雾图像信息确定为所述至少一个去雾图像信息。
8.根据权利要求7所述的装置,第二生成单元进一步被配置成:
将所述至少一个去雾图像信息中的第一去雾图像信息、第二去雾图像信息和所述缩小图像的矩阵形式按照元素相加,得到相加结果;
对所述相加结果进行卷积,得到卷积结果;
对所述卷积结果进行上采样,得到所述去雾图像。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934545.5A CN112070701A (zh) | 2020-09-08 | 2020-09-08 | 图像生成方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934545.5A CN112070701A (zh) | 2020-09-08 | 2020-09-08 | 图像生成方法、装置、设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070701A true CN112070701A (zh) | 2020-12-11 |
Family
ID=73664277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934545.5A Pending CN112070701A (zh) | 2020-09-08 | 2020-09-08 | 图像生成方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070701A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091310A (zh) * | 2014-06-24 | 2014-10-08 | 三星电子(中国)研发中心 | 一种图像去雾方法和装置 |
CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
CN110060210A (zh) * | 2018-01-19 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 图像处理方法及相关装置 |
CN111340718A (zh) * | 2020-01-22 | 2020-06-26 | 华南理工大学 | 一种基于渐进式导向强监督神经网络的图像去雾方法 |
CN111523493A (zh) * | 2020-04-27 | 2020-08-11 | 东南数字经济发展研究院 | 一种针对雾天影像的目标检测算法 |
-
2020
- 2020-09-08 CN CN202010934545.5A patent/CN112070701A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091310A (zh) * | 2014-06-24 | 2014-10-08 | 三星电子(中国)研发中心 | 一种图像去雾方法和装置 |
CN110060210A (zh) * | 2018-01-19 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 图像处理方法及相关装置 |
CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
CN111340718A (zh) * | 2020-01-22 | 2020-06-26 | 华南理工大学 | 一种基于渐进式导向强监督神经网络的图像去雾方法 |
CN111523493A (zh) * | 2020-04-27 | 2020-08-11 | 东南数字经济发展研究院 | 一种针对雾天影像的目标检测算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN111459364B (zh) | 图标更新方法、装置和电子设备 | |
CN113191726A (zh) | 任务详情界面展示方法、装置、设备和计算机可读介质 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN115600629B (zh) | 车辆信息二维码生成方法、电子设备和计算机可读介质 | |
CN111757100B (zh) | 相机运动变化量的确定方法、装置、电子设备和介质 | |
CN110852946A (zh) | 图片展示方法、装置和电子设备 | |
CN110795196A (zh) | 窗口显示方法、装置、终端及存储介质 | |
CN110310293B (zh) | 人体图像分割方法及设备 | |
CN115063335A (zh) | 特效图的生成方法、装置、设备及存储介质 | |
CN111461965B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN111258582B (zh) | 一种窗口渲染方法、装置、计算机设备及存储介质 | |
CN112241744A (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
WO2023179291A1 (zh) | 图像修复方法、装置、设备、介质及产品 | |
CN110633595B (zh) | 一种利用双线性插值的目标检测方法和装置 | |
CN111756953A (zh) | 视频处理方法、装置、设备和计算机可读介质 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN112764629B (zh) | 增强现实界面展示方法、装置、设备和计算机可读介质 | |
CN112070701A (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
CN112215774B (zh) | 模型训练和图像去雾方法、装置、设备和计算机可读介质 | |
CN114066722A (zh) | 用于获取图像的方法、装置和电子设备 | |
CN112215789B (zh) | 图像去雾方法、装置、设备和计算机可读介质 | |
CN110825480A (zh) | 图片的展示方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |