The invention discloses a training method and device, a rain removing method, a terminal device and a storage medium, relating to the field of image processing. The training method includes: reading a rain image block on a rain image; taking the rain image block as a feature image, successively obtaining the rain image block corresponding to the feature image through the channel lifting module, the global information attention module, the rain layer attention module and the channel recovery module in the rain removal cycle neural network model; taking the rain image block as the feature image Subtracting the rain picture block, the rain picture block corresponding to the rain picture block is obtained; the rain picture block is input to the rain cycle neural network model as the feature image again until the rain in the rain picture block is removed. The rain removing cycle neural network model of the invention trains the input picture block with rain to improve the recognition ability of rain.
【技术实现步骤摘要】
训练方法及装置、去雨方法、终端设备、存储介质
本专利技术涉及图像处理领域，尤其涉及一种训练方法及装置、去雨方法、终端设备、存储介质。
技术介绍
随着计算机技术的发展，各种各样的计算机视觉算法已经渗透到日常生活中的方方面面。例如：自动驾驶汽车检测前方路况的语义分割算法、部署于户外的天网摄像头上，用于追踪逃犯的人脸识别算法、部署于户外交通监控探头上的车牌号识别算法等。这些算法的正常运行对维护道路安全，保持社会稳定起着至关重要的作用。然而，在下雨时，雨水带来的雨滴及雨雾对空气能见度造成严重影响，使得大部分部署于户外的计算机视觉算法的识别准确率大大降低甚至失效。针对上述问题，许多优秀的基于算法的图像去雨方法被提出，如高斯滤波法、导向滤波法及低秩表示法等。随着计算机科学的发展及计算机计算能力的提升，近期有许多基于深度学习的图像去雨方法被提出。然而，基于惯性思维的限制，现有的图像去雨方法，都是输入带雨水的图像，直接输出去雨的图像，其本质上是对整个图像进行训练，而不是对雨水进行单独训练，虽然也能得到去雨图像，但是去...
【技术保护点】
1.一种去雨循环神经网络模型的训练方法，其特征在于，包括：/n读取一张带雨图像上的带雨图片块；/n将所述带雨图片块作为特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块；/n将所述雨水图片块对应的特征图像减去所述雨水图片块，得到所述带雨图片块对应的去雨图片块；/n将所述去雨图片块作为特征图像再次输入至去雨循环神经网络模型，直至得到的所述去雨图片块中的雨水被去除，完成了使用一张带雨图片块对所述去雨循环神经网络模型的训练。/n
【技术特征摘要】
1.一种去雨循环神经网络模型的训练方法，其特征在于，包括：
读取一张带雨图像上的带雨图片块；
将所述带雨图片块作为特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块；
将所述雨水图片块对应的特征图像减去所述雨水图片块，得到所述带雨图片块对应的去雨图片块；
将所述去雨图片块作为特征图像再次输入至去雨循环神经网络模型，直至得到的所述去雨图片块中的雨水被去除，完成了使用一张带雨图片块对所述去雨循环神经网络模型的训练。
2.如权利要求1所述的去雨循环神经网络模型的训练方法，其特征在于，所述特征图像通过去雨循环神经网络模型中的通道提升模块的过程包括：
所述特征图像通过所述通道提升模块的第一卷积层，得到通道数量变为第一预设通道的第一特征图像；
所述第一特征图像通过所述通道提升模块的第二卷积层，得到通道数量变为第二预设通道的第二特征图像；
所述第二特征图像通过所述通道提升模块的第三卷积层，得到通道数量变为第三预设通道的第三特征图像；
其中，所述第一预设通道＜第二预设通道＜第三预设通道。
3.如权利要求1所述的去雨循环神经网络模型的训练方法，其特征在于，所述特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块中通过全局信息注意力模块的过程包括：
将所述特征图像通过所述通道提升模块后得到的第三特征图像输入至所述全局信息注意力模块中的三个并行的具有自由移动项的卷积层，分别得到三个移动项特征图像；
将所述三个移动项特征图像进行拼接，得到全局信息特征图像。
4.如权利要求3所述的去雨循环神经网络模型的训练方法，其特征在于，所述移动项特征图像中一个卷积单元的公式为：
其中，F(p0)为移动项特征图像中一个卷积单元，Gi为第i个具有自由移动项的卷积层的取样范围，w(pn)为pn的参数，p0为F(p0)对应的前一层第三特征图像上取样范围的中心点，pn为Gi中的一个位置，dn为pn对应的自由移动项，dn∈Gi。
5.如权利要求1所述的去雨循环神经网络模型的训练方法，其特征在于，所述特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块中通过雨层注意力模块的过程包括：
将所述特征图像依次通过所述去雨循环神经网络模型中的通道提升模块、全局信息注意力模块得到的全局信息特征图像输入所述雨层注意力模块；
根据所述全局信息特征图像计算出与其通道数量相等的权重向量；
将所述权重向量上的每个数与所述全局信息特征图像上对应的通道上的卷积单元相乘，得...
【专利技术属性】
技术研发人员：陈春东，但宇豪，杜渂，黄继风，王聚全，雷霆，邱祥平，彭明喜，周赵云，陈健，杨博，刘冉东，王月，王孟轩，张胜，韩国令，
申请(专利权)人：迪爱斯信息技术股份有限公司，
类型：发明
国别省市：上海;31
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。