[发明专利]一种基于深度卷积神经网络的单图像精细去雨方法

权利要求书

1.一种基于深度卷积神经网络的单图像精细去雨方法，其特征在于，包括以下步骤：

S1)、构建由初始去雨网络和精细去雨网络组成的卷积神经网络架构，其中，初始去雨网络包括三个卷积层，精细去雨网络包括一个卷积层，每个网络的卷积层具有相应的权值W_i和偏置值B_i；

S2)、获取一组清晰无雨图像集d_train，并且对无雨图像集d_train进行人工加雨处理得到有雨图像集I_train，并将得到的无雨图像集d_train、有雨图像集I_train作为训练图像集；

S3)、对训练图像集I_train、d_train进行格式处理，并基于Caffe框架下训练得到初始去雨网络不同滤波器大小的卷积层的权值W_i(i＝1,2,3)和偏置值B_i(i＝1,2,3)；

S4)、将有雨图像集I_train输入到初始去雨网络中，从而得到初步清晰无雨数据集f_train，并对有雨图像集I_train、初步清晰无雨数据集f_train进行格式处理，然后基于Caffe框架下训练得到精细去雨网络卷积层的权值W_i(i＝4)和偏置值B_i(i＝4)；

S5)、将步骤S3)、S4)中训练好的权值W_i(i＝1,2,3,4)和偏置值B_i(i＝1,2,3,4)应用于步骤S1)中构建的卷积神经网络架构中，从而得到更新权值W_i和偏置值B_i后的训练好的卷积神经网络架构；

S6)、获取一幅需要去雨处理的有雨图像I_test，将有雨图像I_test输入步骤S5)中更新权值和偏置值的训练好的卷积神经网络架构中，首先输入训练好的初始去雨网络中，产生初步清晰无雨图像f_test，然后将需要去雨处理的有雨图像I_test与产生的初步清晰的无雨图像f_test输入精细去雨网络中，经过单层卷积层对初步清晰无雨图像f_test进行调整，从而生成高质量的清晰的无雨图像d_final。

2.根据权利要求1所述的一种基于深度卷积神经网络的单图像精细去雨方法，其特征在于：步骤S1)中所述的卷积神经网络架构结构如下：

F_n(I)＝I,(n＝0)；

F_n(I)＝max(0,W_nF_n-1(I)+B_n),(n＝1,2)；

F_w(I)＝W_nF_n-1(I)+B_n),(n＝3)；

F^-1(I)＝W_nU+B_n,(n＝4)；

其中，n表示层数，n的变化范围为0～4，表示从底层到顶层，I为输入的图像，W_n、B_n分别表示第n的权值和偏置值，F_n(I)表示初始去雨网络第n层的输出，其采用ReLU激活函数，F^-1(I)表示精细去雨网络的输出，U＝{F₃(I),I}。

3.根据权利要求1所述的一种基于深度卷积神经网络的单图像精细去雨方法，其特征在于：步骤S3)中，所述的格式处理主要为分别从训练图像集中的有雨图像集和无雨图像集中随机选择k个有雨子图像和k个无雨子图像，

然后通过训练得到初始去雨网络不同滤波器大小的卷积层的权值W_i(i＝1,2,3)和偏置值B_i(i＝1,2,3)；

其中，m为训练图像集的数量，J_i表示第i个无雨子图像，I_i表示第i个有雨子图像。