基于自监督学习的图像去雾方法、装置、设备及介质与流程

1.本技术属于图像处理技术领域，尤其涉及一种基于自监督学习的图像去雾方法、装置、设备及介质。


背景技术：

2.随着计算机视觉技术的广泛普及与应用，需要对大量的图像数据进行分析和处理，而现实中图像数据的采集环境容易受到天气等因素干扰，例如有雾天气下，在室外场景中捕获的图像经常受可见性差，对比度降低，表面晕染和颜色偏移的影响。由灰尘，雾气和烟雾等气溶胶引起的雾霾的存在给图像增加了复杂的、非线性的和数据相关的噪声，使得雾霾去除成为极具挑战性的图像恢复和增强问题。在很多应用场景中，如自动驾驶，雾霾的存在，会遮盖车辆摄像头，导致采集的数据质量严重退化，影响智能驾驶系统进一步决策。因此对图像进行有效去雾，恢复出高质量的无雾图像，就成了很多计算机系统和应用场景的重要过程，各种图像去雾模型也随之应运而生。
3.但是，这些图像去雾模型在投入实际使用前，都需要利用大量的图像数据(即无雾图像和含雾图像组成的图像对)进行训练，而这大量的图像数据通常由人工收集并完成人工标注，从而造成去雾的效率低。


技术实现要素：

4.本技术实施例提供了一种基于自监督学习的图像去雾方法、装置、设备及介质，可以解决图像去雾的效率低的问题。
5.第一方面，本技术实施例提供了一种基于自监督学习的图像去雾方法，包括：
6.获取多张清晰无雾图像；
7.分别针对每张清晰无雾图像，利用大气散射模型分别按照预设的多个图像处理角度对清晰无雾图像进行处理，得到清晰无雾图像的多张有雾图像；其中，多个图像处理角度与多张有雾图像一一对应；
8.分别针对每张有雾图像，将有雾图像以及有雾图像对应的清晰无雾图像作为一图像对，得到多个图像对；
9.利用多个图像对对图像去雾模型进行训练，得到训练后的图像去雾模型；
10.利用训练后的图像去雾模型对待去雾图像进行去雾处理。
11.可选的，大气散射模型的传输图为：
[0012][0013]
其中，t(x)表示大气散射模型的传输图，x表示清晰无雾图像中像素的位置，k表示消散系数，k的取值范围为2至4，t0(x)表示初始化的传输图，p表示调整系数，p的取值范围为1至1.6，d表示偏置系数，d的取值范围为0至0.15。
[0014]
可选的，在利用大气散射模型按照预设的图像处理角度对清晰无雾图像进行处理
之前，图像去雾方法还包括：
[0015]
利用随机函数从消散系数的取值范围中选取一数值作为消散系数的取值；
[0016]
利用随机函数从调整系数的取值范围中选取一数值作为调整系数的取值；
[0017]
利用随机函数从偏置系数的取值范围中选取一数值作为偏置系数的取值。
[0018]
可选的，大气散射模型中大气光值的取值范围为0.6至1。
[0019]
可选的，在利用大气散射模型按照预设的图像处理角度对清晰无雾图像进行处理之前，图像去雾方法还包括：
[0020]
利用随机函数从大气光值的取值范围中选取一数值作为大气光值的取值。
[0021]
可选的，多个图像处理角度包括：从清晰无雾图像的底部至顶部、从清晰无雾图像的顶部至底部、从清晰无雾图像的左侧至右侧、从清晰无雾图像的右侧至左侧、从清晰无雾图像的左下角至右上角、从清晰无雾图像的右上角至左下角、从清晰无雾图像的左上角至右下角，以及从清晰无雾图像的右下角至左上角。
[0022]
第二方面，本技术实施例提供了一种基于自监督学习的图像去雾装置，包括：
[0023]
获取模块，用于获取多张清晰无雾图像；
[0024]
处理模块，用于分别针对每张清晰无雾图像，利用大气散射模型分别按照预设的多个图像处理角度对清晰无雾图像进行处理，得到清晰无雾图像的多张有雾图像；其中，多个图像处理角度与多张有雾图像一一对应；
[0025]
数据集模块，用于分别针对每张有雾图像，将有雾图像以及有雾图像对应的清晰无雾图像作为一图像对，得到多个图像对；
[0026]
训练模块，用于利用多个图像对对图像去雾模型进行训练，得到训练后的图像去雾模型；
[0027]
去雾模块，用于利用训练后的图像去雾模型对待去雾图像进行去雾处理。
[0028]
第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的图像去雾方法。
[0029]
第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的图像去雾方法。
[0030]
本技术的上述方案有如下的有益效果：
[0031]
在本技术的实施例中，通过利用大气散射模型对多张清晰无雾图像进行处理，得到每张清晰无雾图像的有雾图像，并将清晰无雾图像以及对应的有雾图像作为图像对，然后利用这些图像对对图像去雾模型进行训练，最终利用训练后的图像去雾模型对待去雾图像进行去雾处理。其中，由于在对图像去雾模型进行训练时，不需要输入带人工标签信息的配对图像，仅通过清晰无雾图像本身便可完成对图像去雾模型的训练，从而大大缩短了图像去雾模型的训练周期，进而大大提高了图像去雾的效率。
[0032]
此外，由于在利用大气散射模型对清晰无雾图像进行处理时，从多个图像处理角度对清晰无雾图像进行处理，从而使得清晰无雾图像对应的多张有雾图像能模拟任意的雾分布，进而使得对图像去雾模型进行训练的数据集中雾的分布更加均衡、多样化，能够增加图像去雾模型的鲁棒性，提升图像去雾的效果。
[0033]
本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0034]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]
图1为本技术一实施例提供的基于自监督学习的图像去雾方法的流程图；
[0036]
图2为本技术一实施例提供的大气散射模型的优化曲线图；
[0037]
图3为本技术一实例中通过大气散射模型得到的有雾图像的示意图；
[0038]
图4为本技术一实例中不同图像去雾方法的结果对比图；
[0039]
图5为本技术一实施例提供的图像去雾装置的结构示意图；
[0040]
图6为本技术一实施例提供的终端设备的结构示意图。
具体实施方式
[0041]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0042]
应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0043]
还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0044]
如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0045]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0046]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0047]
目前图像去雾模型在投入实际使用前，都需要利用大量的图像数据进行训练，而这大量的图像数据通常由人工完成标注，从而造成去雾的效率低。
[0048]
针对上述问题，本技术实施例提供了一种基于自监督学习的图像去雾方法，该图像去雾方法通过利用大气散射模型对多张清晰无雾图像进行处理，得到每张清晰无雾图像的有雾图像，并将清晰无雾图像以及对应的有雾图像作为图像对，然后利用这些图像对对
图像去雾模型进行训练，最终利用训练后的图像去雾模型对待去雾图像进行去雾处理。其中，由于在对图像去雾模型进行训练时，不需要输入带人工标签信息的配对图像，仅通过清晰无雾图像本身便可完成对图像去雾模型的训练，从而大大缩短了图像去雾模型的训练周期，进而大大提高了图像去雾的效率。
[0049]
此外，由于在利用大气散射模型对清晰无雾图像进行处理时，从多个图像处理角度对清晰无雾图像进行处理，从而使得清晰无雾图像对应的多张有雾图像能模拟任意的雾分布，进而使得对图像去雾模型进行训练的数据集中雾的分布更加均衡、多样化，能够增加图像去雾模型的鲁棒性，提升图像去雾的效果。
[0050]
下面结合具体实施例对本技术提供的基于自监督学习的图像去雾方法进行示例性的说明。
[0051]
本技术实施例提供了一种基于自监督学习的图像去雾方法，该方法可以由终端设备执行，也可以由应用于终端设备中的装置(比如芯片)来执行，下述实施例以该方法由终端设备执行为例。作为一种示例，该终端设备可以是平板，服务器或者笔记本电脑等，本技术实施例对此不做限定。
[0052]
如图1所示，本技术实施例提供的基于自监督学习的图像去雾方法包括如下步骤：
[0053]
步骤11，获取多张清晰无雾图像。
[0054]
在本技术的一些实施例中，上述清晰无雾图像的背景可以为灰色背景，即，该清晰无雾图像对应的天气为阴天，从而使得后续为该清晰无雾图像添加的雾与背景较为协调，不突兀。
[0055]
具体的，在本技术的一些实施例中，可通过爬虫技术从互联网上获得上述清晰无雾图像。
[0056]
作为一个可选的示例，上述清晰无雾图像的数量可以为5000张。
[0057]
步骤12，分别针对每张清晰无雾图像，利用大气散射模型分别按照预设的多个图像处理角度对清晰无雾图像进行处理，得到清晰无雾图像的多张有雾图像。
[0058]
其中，上述多个图像处理角度与多张有雾图像一一对应，即，每一个图像处理角度对应一张有雾图像。
[0059]
在本技术的一些实施例中，对于步骤11中的每张清晰无雾图像，均需利用大气散射模型对该清晰无雾图像进行多次处理，得到该清晰无雾图像的多张有雾图像。具体的，大气散射模型每次对该清晰无雾图像进行处理前，需先确定对该清晰无雾图像进行处理的图像处理角度，以确保大气散射模型能从多个图像处理角度对清晰无雾图像进行处理，得到多角度、多分布的多张的有雾图像。
[0060]
需要说明的是，上述多个图像处理角度可以是预先根据实际情况设置的。且从上述得到有雾图像的过程可知，在本技术的一些实施例中，不需要借助深度扫描设备，也不需借助已有的深度估计网络，便能高效、简便地得到接近真实的有雾图像。
[0061]
步骤13，分别针对每张有雾图像，将有雾图像以及有雾图像对应的清晰无雾图像作为一图像对，得到多个图像对。
[0062]
在本技术的一些实施例中，将有雾图像以及对应的清晰无雾图像作为一图像对，是为了便于后续对图像去雾模型进行训练。
[0063]
步骤14，利用多个图像对对图像去雾模型进行训练，得到训练后的图像去雾模型。
[0064]
在本技术的一些实施例中，上述图像去雾模型可以为常用的深度去雾网络。具体的，在本技术的一些实施例中，在训练过程中，可以以输入的图像对的清晰无雾图像为参考图像，以基于深度去雾网络得到的去雾图像为复原图像，计算复原图像与参考图像像素之间的平均绝对误差，通过优化复原图像与参考图像之间的误差，使深度去雾模网络得到的复原图像更接近于参考图像，当复原图像与参考图像的差距稳定在一个较小的范围内时，图像去雾模型的训练停止，得到训练后的图像去雾模型。
[0065]
需要说明的是，由于以多个图像对为训练数据集对图像去雾模型进行训练的过程，与常用的深度去雾网络的训练过程相同，因此在此，不对训练过程的具体步骤进行过多赘述。
[0066]
需要指出的是，在本技术的一些实施例中，只需要输入清晰无雾图像便可生成对应的有雾图像，因此有雾图像的生成过程是一个自生成过程。同时由于图像去雾模型的训练过程只需要输入清晰无雾图像，无需借助任何额外信息，因此该训练过程是以自监督的方式进行的。
[0067]
步骤15，利用训练后的图像去雾模型对待去雾图像进行去雾处理。
[0068]
值得一提的是，在本技术的一些实施例中，由于在对图像去雾模型进行训练时，不需要输入带人工标签信息的配对图像，仅通过清晰无雾图像本身便可完成对图像去雾模型的训练，从而大大缩短了图像去雾模型的训练周期，进而大大提高了图像去雾的效率。
[0069]
此外，由于在利用大气散射模型对清晰无雾图像进行处理时，从多个图像处理角度对清晰无雾图像进行处理，从而使得清晰无雾图像对应的多张有雾图像能模拟任意的雾分布，进而使得对图像去雾模型进行训练的数据集中雾的分布更加均衡、多样化，能够增加图像去雾模型的鲁棒性，提升图像去雾的效果，获得高质量的去雾图像。
[0070]
下面结合具体实施例对大气散射模型进行示例性的说明。
[0071]
在本技术的一些实施例中，上述大气散射模型为：i(x)＝j(x)t(x) a(1-t(x)，i(x)表示大气散射模型，j(x)表示目标反射光，t(x)表示大气散射模型的传输图，a表示大气光值。
[0072]
在本技术的一些实施例中，上述上述大气散射模型主要用于生成有雾图像。需要说明的是，由于上述大气散射模型为常用的大气散射模型，因此在本技术的实施例中，不对该大气散射模型的原理进行过多赘述。
[0073]
需要指出的是，在本技术的一些实施例中，上述大气散射模型中大气光值a的取值范围为0.6至1。此外，在自然环境中，可能不同的风速都足以改变空气中雾的分布，因此自然环境中雾密度的分布千变万化。基于此，本技术实施例对上述t(x)进行了优化，优化后的其中，x表示清晰无雾图像中像素的位置，k表示消散系数，k的取值范围为2至4，t0(x)表示初始化的传输图(在本技术的一些实施例中，初始化的传输图的像素值可以为1)，p表示调整系数，p的取值范围为1至1.6，d表示偏置系数，d的取值范围为0至0.15。
[0074]
需要说明的是，k、p、d不同的取值，影响最终生成的有雾图像中的雾颜色、雾密度分布。即，调整k、p、d的取值，可以调整有雾图像中的雾颜色和雾密度分布。如图2所示，k、p、d取不同值时，有雾图像中雾密度分布不同。其中，图2中纵轴表示有雾图像中雾的浓度，横
轴表示有雾图像中的不同位置(如横坐标0表示的是有雾图像的最底端，横坐标1表示的是有雾图像的最顶端)，曲线a为k＝4、p＝1、d＝0时，传输图t(x)的优化曲线；曲线b为k＝2、p＝1.2、d＝0.15时，传输图t(x)的优化曲线，传输图t(x)的优化曲线；曲线c为k＝3、p＝1.3、d＝0.15时，传输图t(x)的优化曲线；曲线d为k＝4、p＝1.4、d＝0.15时，传输图t(x)的优化曲线；曲线e为k＝4、p＝1.5、d＝0.05时，传输图t(x)的优化曲线。
[0075]
在本技术的一些实施例中，关于a、k、p、d的取值，可在确定对清晰无雾图像进行处理的图像处理角度后，利用随机函数从规定数值范围内产生对应的取值，从而使最终生成的有雾图像中的雾密度分布连续、不存在空洞，更加接近真实的有雾图像，进而有助于提升图像去雾模型的训练准确度，提升图像去雾模型的去雾性能。
[0076]
具体的，在本技术的一些实施例中，可利用随机函数从消散系数的取值范围中选取一数值作为消散系数的取值；利用随机函数从调整系数的取值范围中选取一数值作为调整系数的取值；利用随机函数从偏置系数的取值范围中选取一数值作为偏置系数的取值；利用随机函数从大气光值的取值范围中选取一数值作为大气光值的取值。
[0077]
下面结合具体实施例对图像处理角度进行示例性的说明。
[0078]
一般来说，人感知雾的浓度与场景深度有关。具体的，场景深度距离越远，人感知雾的浓度越大，因此，雾的浓度能够给人带来场景深度的感知。当用相机拍摄有雾图像时，图像下半部场景一般离镜头较近，上半部分场景离镜头更远，而大多数有雾图像中下半部分雾浓度淡，上半部分雾浓度深，因此，雾的浓度在图像与人的视觉感知是一致的，即雾浓度在图像中与场景深度息息相关。
[0079]
而对于清晰无雾图像，并不知道图像中场景分布情况，即哪个位置的图像是近场景，哪个位置的图像是远场景。因此，在本技术的实施例中，使用多角度(即多个图像处理角度)的方式模拟任意的雾分布，这样，对于任意场景的清晰无雾图像，都能合成多角度分布的有雾图像，同时对于图像去雾模型的训练，不仅仅增大了训练的数据数量，也使整个数据集中雾的分布更加均衡，多样化，从而增加了图像去雾模型的鲁棒性。
[0080]
其中，在本技术的一些实施例中，上述图像处理角度可以理解为对清晰无雾图像中像素的处理顺序，如先处清晰无雾图像底部的像素后处理清晰无雾图像顶部的像素、先处理清晰无雾图像左侧的像素后处理清晰无雾图像右侧的像素。
[0081]
具体的，上述多个图像处理角度包括：从清晰无雾图像的底部至清晰无雾图像的顶部、从清晰无雾图像的顶部至清晰无雾图像的底部、从清晰无雾图像的左侧至清晰无雾图像的右侧、从清晰无雾图像的右侧至清晰无雾图像的左侧、从清晰无雾图像的左下角至清晰无雾图像的右上角、从清晰无雾图像的右上角至清晰无雾图像的左下角、从清晰无雾图像的左上角至清晰无雾图像的右下角、从清晰无雾图像的右下角至清晰无雾图像的左上角，以及从清晰无雾图像的中心至清晰无雾图像边缘等。
[0082]
值得一提的是，通过从多个图像处理角度对清晰无雾图像进行处理，得到对应的多张不同角度的有雾图像，从而使有图像去雾模型的训练数据集更加丰富，有助于提升图像去雾模型的训练准确度，提升图像去雾模型的去雾性能。
[0083]
可以理解的是，为了得到雾均匀分布的有雾图像，进一步丰富训练数据集中的有雾图像，上述多个图像处理角度还可以包括：随机处理清晰无雾图像中的各像素，从而使最终生成的有雾图像中的雾均匀分布。
[0084]
在此以一具体实例对不同图像处理角度得到的有雾图像进行示例性说明。在该实例中，清晰无雾图像如图3中的a所示，按照从清晰无雾图像的底部至清晰无雾图像的顶部处理得到的有雾图像如图3中的b所示、按照从清晰无雾图像的顶部至清晰无雾图像的底部处理得到的有雾图像如图3中的c所示、按照从清晰无雾图像的右侧至清晰无雾图像的左侧处理得到的有雾图像如图3中的d所示、按照从清晰无雾图像的左侧至清晰无雾图像的右侧处理得到的有雾图像如图3中的e所示、按照从清晰无雾图像的右下角至清晰无雾图像的左上角处理得到的有雾图像如图3中的f所示、按照从清晰无雾图像的左上角至清晰无雾图像的右下角处理得到的有雾图像如图3中的g所示、按照从清晰无雾图像的右上角至清晰无雾图像的左下角处理得到的有雾图像如图3中的h所示、按照从清晰无雾图像的左下角至清晰无雾图像的右上角处理得到的有雾图像如图3中的i所示、随机处理清晰无雾图像中的各像素得到的有雾图像如图3中的j所示。
[0085]
下面结合具体实例对上述图像去雾方法进行示例性的说明。
[0086]
在该实例中，图像去雾模型为已有的两个深度去雾网络，分别为：具有密集特征融合的多尺度增强去雾网络(msbdn，multi-scale boosted dehazing network with dense feature fusion)和gridnet。在此分别利用msbdn、本技术的图像去雾方法(该方法中的图像去雾模型为msbdn)、gridnet以及本技术的图像去雾方法(该方法中的图像去雾模型为gridnet)对图4中a所示的有雾图像进行去雾处理。其中，经msbdn处理后的图像如图4中b所示，经本技术的图像去雾方法(该方法中的图像去雾模型为msbdn)处理后的图像如图4中c所示，经gridnet处理后的图像如图4中d所示，经本技术的图像去雾方法(该方法中的图像去雾模型为gridnet)处理后的图像如图4中e所示。
[0087]
在该实例中，还使用峰值信噪比(psnr)和结构相似性(ssim)对本技术实施例的图像去雾方法的效果进行说明，psnr是使用最普遍、最广泛的评估图像质量的客观质量评估方法，其数值越大说明输出图像的质量越好，ssim是一种衡量两幅图像相似度的指标，能更好地表示视觉上的感知，其数值越大说明输出图与真实图越接近，图像质量效果越好。其中，msbdn、本技术的图像去雾方法(该方法中的图像去雾模型为msbdn)、gridnet以及本技术的图像去雾方法(该方法中的图像去雾模型为gridnet)的psnr和ssim的值如表1所示。需要说明的是，表1中msbdn 自监督表示本技术的图像去雾方法(该方法中的图像去雾模型为msbdn)，gridnet 自监督表示本技术的图像去雾方法(该方法中的图像去雾模型为gridnet)。
[0088]
去雾方法psnrssimmsbdn11.910.4786msbdn 自监督13.410.5824gridnet13.130.6020gridnet 自监督16.290.6688
[0089]
表1
[0090]
从图4和表1可知，本技术实施例所提供的图像去雾方法的去雾效果明显优于msbdn、gridnet方法的去雾效果。
[0091]
下面结合具体实施例对本技术提供的基于自监督学习的图像去雾装置进行示例性的说明。
[0092]
如图5所示，本技术的实施例提供了一种基于自监督学习的图像去雾装置，该图像去雾装置500包括：
[0093]
获取模块501，用于获取多张清晰无雾图像；
[0094]
处理模块502，用于分别针对每张清晰无雾图像，利用大气散射模型分别按照预设的多个图像处理角度对清晰无雾图像进行处理，得到清晰无雾图像的多张有雾图像；其中，多个图像处理角度与多张有雾图像一一对应；
[0095]
数据集模块503，用于分别针对每张有雾图像，将有雾图像以及有雾图像对应的清晰无雾图像作为一图像对，得到多个图像对；
[0096]
训练模块504，用于利用多个图像对对图像去雾模型进行训练，得到训练后的图像去雾模型；
[0097]
去雾模块505，用于利用训练后的图像去雾模型对待去雾图像进行去雾处理。
[0098]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0099]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0100]
如图6所示，本技术的实施例提供了一种终端设备，如图6所示，该实施例的终端设备d10包括：至少一个处理器d100(图6中仅示出一个处理器)、存储器d101以及存储在所述存储器d101中并可在所述至少一个处理器d100上运行的计算机程序d102，所述处理器d100执行所述计算机程序d102时实现上述任意各个方法实施例中的步骤。
[0101]
具体的，所述处理器d100执行所述计算机程序d102时，通过利用大气散射模型对多张清晰无雾图像进行处理，得到每张清晰无雾图像的有雾图像，并将清晰无雾图像以及对应的有雾图像作为图像对，然后利用这些图像对对图像去雾模型进行训练，最终利用训练后的图像去雾模型对待去雾图像进行去雾处理。其中，由于在对图像去雾模型进行训练时，不需要输入带人工标签信息的配对图像，仅通过清晰无雾图像本身便可完成对图像去雾模型的训练，从而大大缩短了图像去雾模型的训练周期，进而大大提高了图像去雾的效率。
[0102]
所称处理器d100可以是中央处理单元(cpu，central processing unit)，该处理器d100还可以是其他通用处理器、数字信号处理器(dsp，digital signal processor)、专用集成电路(asic，application specific integrated circuit)、现成可编程门阵列(fpga，field-programmable gatearray)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0103]
所述存储器d101在一些实施例中可以是所述终端设备d10的内部存储单元，例如终端设备d10的硬盘或内存。所述存储器d101在另一些实施例中也可以是所述终端设备d10的外部存储设备，例如所述终端设备d10上配备的插接式硬盘，智能存储卡(smc，smart media card)，安全数字(sd，secure digital)卡，闪存卡(flash card)等。进一步地，所述存储器d101还可以既包括所述终端设备d10的内部存储单元也包括外部存储设备。所述存储器d101用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器d101还可以用于暂时地存储已经输出或者将要输出的数据。
[0104]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0105]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0106]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0107]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
[0108]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到图像去雾装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，randomaccess memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0109]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0110]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0111]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0112]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0113]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。