基于卷积神经网络的单幅图像去雨方法技术

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。

【技术实现步骤摘要】

本专利技术涉及图像处理，具体是涉及一种基于卷积神经网络的单幅图像去雨方法。
技术介绍
现有的单幅图像去雨方法，主要分为基于字典学习的方法和运用引导滤波等滤波器通过滤波的方法。基于字典学习的方法认为雨线及背景边缘是属于不同的结构，它们应该通过不同的字典进行表示，以此来区分该边缘是否属于雨线进行去雨。但在现实生活中，雨线与某些背景边缘的方向颜色等特性有时会产生重叠。该类方法随后在字典分离步骤中，虽然通过不断引入新的特征来增加字典分类的区分度，在一定程度上将准确率提高了，但同时算法的复杂度也相应地提高，实时性降低，耗时较长，很难应用于实际工程中。运用引导滤波等滤波器进行去雨，相当于将去雨问题回归到去噪问题。现在虽然已经有许多的保边滤波器，如常用的双边滤波器、引导滤波等。但是对于直接去雨这个任务来说，传统的滤波器都不能达到理想的效果。因为它们只能考虑到较小的局部邻域信息。而在较小的局部窗口内，雨线和边缘的结构区分度不够高，更容易相似，因此不能很好地区分它们，处理结果常在清晰度与去雨间折中，无法在去除雨线的同时很好地保留背景图像的信息。中国专利CN104299200A公开一种彩色增强的单幅图本文档来自技高网...

【技术保护点】
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；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。

【技术特征摘要】
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；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。2.如权利要求1所述基于卷积神经网络的单幅图像去雨方法，其特征在于在步骤2)中，所述卷积神经网络系统结构如下所示：FW(I)＝Wn*Fn-1(I)+bn, n＝3Fn(I)＝σ(Wn*Fn-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，Fn-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.如权利要求1所述基于卷积神经网络的单幅图像去雨方法，其特征在于在步骤3)中，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...

【专利技术属性】
技术研发人员：丁兴号，傅雪阳，陈丽琴，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35