[发明专利]一种基于人工智能的图像去雨方法

说明书

本发明涉及图像去噪领域，具体涉及一种基于人工智能的图像去雨方法，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；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，输出对应的去雨图像。通过上述图像去雨方法可以有效降低系统计算量，提高图像去雨效果。

技术领域

本发明涉及图像去噪领域，具体涉及一种基于人工智能的图像去雨方法。

背景技术

图像的处理和分析影响着人们生活工作中的多个领域，对于室外图片的采集，由于外界环境因素、天气因素等影响，难免会导致所采集的图像出现大量的噪声以及模糊等现象，同时当阴雨天气时，相机采集的图像数据会出现雨点、雨雾等非需要数据会引起图像的可见度、对比度降低。图像的质量会直接影响后续基于计算机视觉的检测分析结果，因此，图像的去雨操作对于计算机视觉领域而言至关重要。

图像去雨的主要目的是保证在不丢失细节信息，顺利修复图片中特征层次信息，还原图片对比度的同时，避免引入额外的信息对图像的研究造成新的干扰。现有图像去雨方法得到的图像存在去雨精度不够、对比还原度低等问题。

发明内容

为了克服上述现有技术的缺点，本发明提供一种通过人工智能方式以及神经网络模型对图像进一步分析，以实现图像的去雨效果。

本发明提供了一种人工智能的图像去雨方法，包括以下步骤：

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；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，输出对应的去雨图像。

所述去雨网络模型包括：第一编码器和第二编码器，其中第一编码器用于提取高频有雨图像的内容特征，第二编码器用于提取无雨图像中的无雨特征。

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。

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。

所述去雨网络模型还包括用于对网络模型进行监督学习的损失函数：

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；

其中的表达式为：

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；

其中的表达式为：