[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

摘要

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。

主权项

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。