[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

说明书

本发明公开了一种基于深度卷积神经网络的单图像精细去雨方法，首先通过初始去雨网络对输入的雨图进行背景纹理结构的提取、非线性映射和雨线区域复原，最终得到初步清晰的无雨图像，然后将初步清晰无雨图像和原始图像同时输入到具有单个卷积层的精细去雨网络，从而恢复背景区域的更多细节，最终得到高清晰去雨图像，本方法通过采用caffe框架，对初始去雨网络和精细去雨网络进行训练，以准确得到每个卷积层的参数，并且对有雨图像进行精细去雨处理，与传统卷积神经网络去雨方法相比，能得到更高质量的无雨图像，并且本方法实用性强，可广泛使用多个场景。

技术领域

本发明涉及一种计算机视觉技术领域，尤其是一种基于深度卷积神经网络的单图像精细去雨方法。

背景技术

图像去雨是计算机视觉系统的重要模块，特别是对基于图像的决策应用，例如安全监视和机器人导航，图像去雨作为重要的预处理步骤，即使在极端雨天的环境中拍摄图像时，也期望恢复雨图中目标对象的视觉细节。

虽然在过去十年中已经提出了许多用于视频去噪的方法，但是由于动态视觉和时间提示不可用，它们不能直接扩展到单图像去噪问题。

最近，在单图像去雨问题中取得了显著的进步，其中，Kang等人提出通过字典学习和稀疏编码来检测和分离雨分量的方法获得了较好的结果，但是它不能处理具有复杂背景信息的雨图像；最具代表性的Luo等人基于非线性图层混合模型，可以通过有区别的稀疏编码恢复图像的雨层去雨结果，但它趋向于模糊图像的背景；类似的问题也在Li等人的方法中出现，Li等人基于雨线的先验信息，构建出高斯混合模型(GMM)，进而去除雨线，复原背景，这些现有技术的图像求解方法将雨图形成为线性模型，并恢复具有不同特征或先验的雨层，然而，这种方法不能适应真实场景，因为雨对图像的物理影响通常是复杂的。

发明内容

针对现有技术的不足，本发明提供一种基于深度卷积神经网络的单图像精细去雨方法，通过精细去雨网络对图像进行颜色和背景细节调整，从而得到更高质量的无雨图像。

本发明的技术方案为：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、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后的卷积神经网络架构；