[发明专利]基于卷积神经网络的单幅图像去雨方法

摘要

基于卷积神经网络的单幅图像去雨方法，涉及图像处理。包括如下步骤：1)通过screen blend model对干净的清晰图像人工加雨，形成相应的有雨图像，建立图像库；2)确定卷积神经网络系统结构；3)从步骤1)中取64×64大小的相应的有雨无雨图像块对，以有雨无雨图像块对作为训练样本进行训练；4)对单幅有雨图像重叠地取块，输入训练好的去雨的滤波系统中，得到相应的无雨图像块，将这些图像块加权平均，得到无雨图像。克服基于字典学习的单幅图像去雨方法耗时太长的问题，同时实现了去雨的同时保证背景图像的清晰度，输入有雨图像后，能快速得到无雨图像，满足嵌入式设备实时化处理的需求。

主权项

1.基于卷积神经网络的单幅图像去雨方法，其特征在于包括如下步骤：1)通过screen blend model对干净的清晰图像人工加雨，形成相应的有雨图像，建立图像库；2)确定卷积神经网络系统结构，所述卷积神经网络系统结构如下所示：F_W(I)＝Wⁿ*F^n‑1(I)+bⁿ,n＝3Fⁿ(I)＝σ(Wⁿ*F^n‑1(I)+bⁿ),n＝1,2Fⁿ(I)＝I,n＝0,式中，n表示第几层，n的变化范围为0～3，表示从底层到顶层，I表示输入图像，Fⁿ(I)表示第n层的输出，*表示网络连接卷积的方式，或者通常被称为权重分享；对于每个中间层进行一次卷积操作，Wⁿ在公式中表示相应n层所对应的卷积核，F^n‑1(I)表示在n‑1这一层的所有节点，即n层的输入，bⁿ为扰动向量，σ(·)是非线性的双曲正切函数，表达式为3)从步骤1)中取64×64大小的相应的有雨无雨图像块对，以有雨无雨图像块对作为训练样本进行训练，所述训练的过程包括前向传导过程、反向传导过程和卷积核更新过程；卷积神经网络系统中待确定参数有(W,b)＝(W⁽¹⁾,b⁽¹⁾,W⁽²⁾,b⁽²⁾,W⁽³⁾,b⁽³⁾)，在前向传导过程之前，对卷积核及扰动项进行初始化，随机初始化过程中令W的值服从以0为均值，以1为方差的正态分布，令b的值为0；4)对单幅有雨图像重叠地取块，输入训练好的去雨的滤波系统中，得到相应的无雨图像块，将这些图像块加权平均，得到无雨图像。