[发明专利]一种基于人工智能的图像去雨方法

权利要求书

1.一种人工智能的图像去雨方法，其特征在于，包括：

获取有雨图像，并将其进行图像分层处理，获得有雨图像所对应的高频图像；

建立去雨网络模型：获取相同环境下无雨正常图像和经过分层处理后的高频有雨图像，提取该高频有雨图像和无雨图像两张图像的特征数据，并将提取的特征数据输入到网络训练模型中进行训练，输出高频有雨图像的无雨特征图像；所述去雨网络模型中用于对网络模型进行监督学习的损失函数包括：

式中:为网络第一支路中在对高频有雨图像分析时图像内容的损失函数，为网络第二支路中在对无雨图像分析时的无雨特征损失函数；

所述的表达式为：

式中：为第r层的权值，为输入有雨高频图像在第r层最终特征图上处的特征值，为随机生成的白噪声图像在第r层的最终特征图上处的特征值；

所述的表达式为：

式中：为第r层的无雨特征损失，为无雨特征损失模型参数，为第r层的权值，为输入的正常图像第r层的特征矩阵，为随机生成的白噪声图像第r层的特征矩阵，分别为特征图的长、宽、高；

完成去雨网络模型的训练；

将待处理的有雨图像所对应的高频图像输入所述训练好的去雨网络模型，输出高频去雨图像，将高频去雨图像与低频图像重构恢复，获得去雨图像。

2.根据权利要求1所述一种人工智能的图像去雨方法，其特征在于，所述去雨网络模型包括：第一编码器和第二编码器，所述第一编码器用于提取高频有雨图像的内容特征，所述第二编码器用于提取无雨图像中的无雨特征。

3.根据权利要求2所述一种人工智能的图像去雨方法，其特征在于，所述第一编码器和第二编码器中分别设置多个池化层和多个卷积层；

将去雨网络模型分为第一支路和第二支路两个支路，第一支路中第一编码器的卷积层用于提取有雨高频图像的内容特征；第二支路中第二编码器卷积层用于提取无雨正常图像的无雨特征。

4.根据权利要求3所述一种人工智能的图像去雨方法，其特征在于，所述卷积层提取的特征图的表达式为：

式中：N为第r层产生的特征图个数，为第r层卷积得到的第j个特征图，为卷积层第r层最终的特征图。

5.根据权利要求1所述一种人工智能的图像去雨方法，其特征在于，所述去雨网络模型还包括最终损失函数：

其中是各个损失函数的权重，为色调损失函数，为判定损失函数。