[发明专利]一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法

摘要

本发明涉及一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法，首先利用快速引导滤波将有雨图像分解为低频图层和高频图层；接着将高频图层输入到一个结合了压缩奖惩神经网络结构块、批归一化处理以及本方法提出的重用原始信息连接方式的神经网络中进行特征学习与提取，去除其中的雨线；最后将去除雨线之后的高频图层与原始的低频图层相加得到最终的去雨结果。本方法针对单幅有雨图像进行去雨，与现有的传统去雨方法、基于深度学习去雨方法相比，都能得到更高质量的无雨图像；并且本方法提出的网络是基于压缩奖惩神经网络的，而本方法提出的网络所使用的压缩奖惩结构块则可以很好地刻画特征通道之间的关系，从而提高网络的表达力，提升去雨效果。

主权项

1.一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法，其特征在于，包括以下步骤：S1)、构建一个重用原始信息的压缩奖惩神经网络架构，该压缩奖惩神经网络架构包含5层卷积层，并且每个卷积层都具有相应的权重W_i和偏置值b_i，其中前四层卷积层后均连接有一序列操作；S2)、获取有雨图像X和对应的无雨图像Y，对有雨图像X执行快速引导滤波得到其低频图层X_base，接着分别用有雨图像X和无雨图像Y减去该低频图层X_base，分别得到有雨图像的高频图层X_detail和无雨图像的高频图层Y_detail作为数据集；S3)、对数据集X_detail和Y_detail进行格式化处理，并基于Caffe框架训练网络中的参数；S4)、将训练好的网络参数提取并应用到步骤S1)中构建的网络中，从而提取图像特征、以及刻画各特征通道之间的关系，并调整数据分布，保证网络的非线性表达能力；S5)、对于一张有雨测试图像X^test，首先对其进行快速引导滤波得到低频图层然后用有雨图像减去低频图层得到高频图层S6)、将得到的测试图像的高频图层输入到网络中进行去雨，得到去雨后的高频图层然后加上测试图像的低频图层进而得到最终去雨后的图像。