摘要
本申请公开了一种基于空间变化率的分层权重重组的图像去雾方法、设备、介质及产品,涉及图像处理领域,该方法包括:构建图像去雾模型;获取目标有雾图像;将所述目标有雾图像输入至所述图像去雾模型,得到目标去雾图像。其中,所述图像去雾模型采用深度卷积神经网络提取输入图像的多尺度特征,采用输入图像的空间变化率对各尺度特征的权重进行自适应调整,采用残差学习的方式根据输入图像的多尺度特征和权重确定残差,并将输入图像与残差相加,得到输出图像。本申请可提供一种轻量级、实时性强、适应性高的图像去雾模型,实现在恶劣天气条件下的高效去雾处理。
技术关键词
图像去雾方法
图像去雾模型
有雾图像
深度卷积神经网络
残差学习
去雾图像
输出特征
分层
拉普拉斯
深度学习模型
特征提取模块
表达式
恶劣天气条件
处理器
样本
计算机程序产品
计算机设备
图像处理
系统为您推荐了相关专利信息
隧道结构变形监测
深度特征提取
结构光
照明结构
隧道内壁结构
BGA焊点
异常检测方法
检测网络模型
多头注意力机制
卷积模块
数据云端存储方法
鱿鱼
ModbusRTU协议
YOLO模型
深度卷积神经网络模型
车道线检测系统
车道线检测方法
深度残差学习网络
蒸馏
图片
地铁车厢
深度卷积神经网络
GCN模型
骨架特征
分析方法