【技术实现步骤摘要】
基于选择性注意力机制的图像去雾和去雨算法
本专利技术涉及图像复原
，特别是一种基于选择性注意力机制的图像去雾和去雨算法。
技术介绍
雨和雾霾在我们的日常生活中越来越普遍。在朦胧多雨的天气中拍摄的图像通常能见度和对比度都相对低。然而，各种视觉任务，如图像分类、语义分割和目标检测，都需要清晰的图像作为输入。雾霾和雨带使这些任务无法很好的完成。由于降雨图像中雨带的方向和密度以及带雾图像中雾的深度和大气光照是不均匀的，因此图像去叠和去噪是不适定问题。鉴于此，对图像去雾和去雨的研究具有重要意义。传统的去雾、去雨算法大多根据物理模型来恢复最终的清晰图像，但这些方法在复杂的真实环境中仍会丢失大量的细节，近年来，深度学习方法不断被应用到图像复原领域，效果超越了传统方法，但目前的深度学习方法大多依赖于物理模型并且忽视了注意力机制的应用，恢复图片的效果不尽人意。
技术实现思路
针对现有图像去雾去雨方法中，依赖于物理模型以及复原效果不够好的情况下，本专利技术提供一种基于选择性注意力机制的图像去雾和去雨算法，
【技术保护点】
1.一种基于选择性注意力机制的图像去雾和去雨算法，其特征在于，包括扩充训练样本、在训练集上训练网络、对测试图片进行去雾/去雨，具体步骤如下：/n步骤A：去雾数据集采用RESIDE数据集，去雨数据集采用Rain100H和Rain100L数据集，将数据集中训练集中一部分图片作为验证集，将训练集中剩下的图片进行裁剪，截取，旋转操作，对原有数据集进行扩充，生成一个更大的数据集；/n步骤B:搭建去雾/去雨网络，使用步骤A中生成的数据集作为网络的输入，输出为复原后的清晰图像，初始权重采用xavier初始化，损失函数采用L1损失和结构相似性联合损失函数进行训练，观察训练集和验证集的训练情...
【技术特征摘要】
1.一种基于选择性注意力机制的图像去雾和去雨算法，其特征在于，包括扩充训练样本、在训练集上训练网络、对测试图片进行去雾/去雨，具体步骤如下：
步骤A：去雾数据集采用RESIDE数据集，去雨数据集采用Rain100H和Rain100L数据集，将数据集中训练集中一部分图片作为验证集，将训练集中剩下的图片进行裁剪，截取，旋转操作，对原有数据集进行扩充，生成一个更大的数据集；
步骤B:搭建去雾/去雨网络，使用步骤A中生成的数据集作为网络的输入，输出为复原后的清晰图像，初始权重采用xavier初始化，损失函数采用L1损失和结构相似性联合损失函数进行训练，观察训练集和验证集的训练情况，得到训练好的网络权重；
步骤C:将测试集图片作为步骤B中训练好网络的输入，得到去雨或去雾后的图像。
2.根据权利要求1所述的基于选择性注意力机制的图像去雾和去雨算法，其特征在于，所述步骤A具体包括以子步骤：
步骤A01.去雾数据集采用RESIDE室内数据集，去雨数据集采用Rain100H和Rain100L数据集，将数据集的训练集中一部分图片作为验证集；
步骤A02.将剩下的训练集进行裁剪，截取，旋转操作进行对原有数据集进行扩充，使去雾和去雨数据集中图片大小分别为640*460和100*100。
3.根据权利要求1所述的基于选择性注意力机制的图像去雾和去雨算法，其特征在于，所述步骤B具体包括以下步骤：
步骤B01.去雾先要对图片进行一次下采样后进行提取特征，而去雨直接在原图上进行提取特征；
步骤B02.得到预处理的特征图之后，两种方法都经过若干个选择性注意力模块进行特征提取，具体操作如下：
先将输入分两个支路进行通道注意力和空间注意力两个模块处理，将处理过后的特征图FCW和FSC进行横向连接得到UF：
UF＝(Fcw,Fsc)(1)
将拼接后的特征图UF经过一个GlobalAveragePooling2d得到64维特征SF，然后依次经过输入通道为64，输出通道为8的1×1卷积层C1，非线性激活层Relu层,输入通道为8，输出通道为32的1×1卷积层C2，以及通过一个softmax层得到两个权值ac和bc，公式如下：
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。