基于卷积神经网络的视频图像去雨方法技术
【技术实现步骤摘要】
基于卷积神经网络的视频图像去雨方法
本专利技术属于图像处理、计算机视觉
，具体讲,涉及基于卷积神经网络的视频图像去雨方法。
技术介绍
随着计算机科学技术的迅猛发展以及图像处理技术的日趋成熟，计算机视觉系统由于其精确、快速、可靠而且能直观、实时、全面反映被监测对象，及时获得大量丰富且高分辨率的图像信息等优点，尤其在某些不易人类直接观察的场合，可以解决观测难的问题，而被广泛的应用到各个领域。然而，在雨天气条件下获取的室外视频图像会受到天气环境的不利影响。雨线会模糊获取的户外视频图像，使图像丢失原有的细节信息和特征信息，并且使图像视觉效果下降，这极大地限制和影响了计算机视觉系统效用的发挥。为了去除视频图像中雨线的影响，研究人员进行了广泛的研究，将视频图像去雨分为了两个步骤：雨线检测和雨线去除。雨线检测就是在视频图像中检测出雨线影响像素的位置，通常会利用视频图像的帧间信息和雨线特征。帧间信息是指雨线会增大影响像素的亮度，通过计算相邻两帧图像的差值图可以确定雨线的位置。但是，视频中往往会包含非雨的运动物体，这会干扰雨线的检测，需要通过雨线特征对雨线和运动物体进行区分。...
【技术保护点】
一种基于卷积神经网络的视频图像去雨方法，其特征是，首先选择几帧连续图像，提取每帧图像的亮度分量以及对应的图像高频成分，然后将高频成分图像输入构建和训练好的卷积神经网络，随后得到经过卷积神经网络处理后的高频非雨成分图像，最后将非雨成分图像与保留的低频成分综合得到去雨后的视频图像，其中卷积神经网络具体关系为：
【技术特征摘要】
1.一种基于卷积神经网络的视频图像去雨方法，其特征是，首先选择几帧连续图像，提取每帧图像的亮度分量以及对应的图像高频成分，然后将高频成分图像输入构建和训练好的卷积神经网络，随后得到经过卷积神经网络处理后的高频非雨成分图像，最后将非雨成分图像与保留的低频成分综合得到去雨后的视频图像，其中卷积神经网络具体关系为：式中，hP(·)表示卷积神经网络，P表示网络参数，I表示原始的有雨图像，J表示无雨图像，通过训练卷积神经网络，使得D(P)的值达到最小，得到最优参数值P*，进而得到去雨图像2.如权利要求1所述的基于卷积神经网络的视频图像去雨方法，其特征是，具体地，首先将需要处理的视频进行分帧处理，即将视频分成一组图像序列，以便之后选择连续几帧图像输入网络进行处理；对图像序列中的每帧图像进行颜色空间转换，由RGB颜色空间转换到YCbCr空间，得到亮度分量Y，蓝色差分量Cb和红色差分量Cr，Y分量进行后续的去雨处理，Cb、Cr分量留待最后的图像合成应用；将图像Y分量首先分为两层，一层为图像Y分量的低频成分，为图像内容的大体轮廓；另一层为图像Y分量的高频成分，包括图像中的雨线和边缘纹理，如下式所示：I＝Ibase+Idetail式中，Ibase表示图像Y分量的低频成分，Idetail表示图像Y分量的高频成分，将Idetail输入卷积神经网络进行进一步处理。3.如权利要求1所述的基于卷积神经网络的视频图像去雨方法，其特征是，卷积神经网络处理的具体步骤如下：同时将连续三帧图像的亮度分量高频成分输入图像，利用卷积神经网络三组并行的卷积层对输入图像进行特征提取，并将提取到的特征加以综合，使得时域特征融入其中，并行的三组卷积层之后均接有ReLU激励层，计算关系为：F1i(I)＝max(0,W1i*Ii+B1i)式中，i表示图像的帧数，Ii表示输入的图像，W1i表示卷积层的权重，B1i表示卷积层的偏置值，将得到的特征整合，得到的整体特征集合为：F1(I)＝{F1i(I)|i＝1,2,3}特征集合包含每帧图像中雨线的特征和图像帧间的时域特征，后续步骤根据这些得到的特征实现雨线的去除；非线性映射关系估计：通过对有雨图像特征的提取，得到了n1张特征图像，将n1张有雨特征图像根据映射关系转化为n2张去雨特征图像，可以看作是用n2个不同的滤波器对n1张特征图像进行卷积得到的结果，选择1×1尺寸大小的卷积核，利用一个卷积层来...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。