基于卷积神经网络的上下文聚合残差单幅图像去雨方法技术

基于卷积神经网络的上下文聚合残差单幅图像去雨方法，包括以下具体步骤，步骤1：预处理图像；步骤2：构建卷积神经网络模型；步骤3：采用步骤1得到的预处理后的图像对步骤2得到的卷积神经网络模型进行训练，得到去雨卷积神经网络模型，利用损失函数对去雨卷积神经网络模型进行约束，然后反向传播进行参数更新，得到训练好的去雨网络模型；步骤4：将待处理有雨的图像输入所述训练好的去雨网络模型中，最终输出去雨后的图像。由于使用构建卷积神经网络模型，获得更加明细的特征，获得更加丰富的细节，并且实施起来比较简单，图像去雨效果好。

【技术实现步骤摘要】
基于卷积神经网络的上下文聚合残差单幅图像去雨方法
本专利技术涉及图像处理
，涉及基于卷积神经网络的上下文聚合残差单幅图像去雨方法。
技术介绍
随着科学技术的迅猛发展，人类社会正在进入信息化社会，计算机的应用日益广泛，图像处理技术对各领域的发展越来越重要。据统计，人类在获取外界信息时，其中来自视觉的占到70％以上，图像信息成为人类获取信息的主要手段。随着社会的进步和经济的发展，人类视觉已远远不能满足日常生活的某些领域对信息处理的需求。尤其是近年来，随着图像处理技术和计算机视觉技术[1]的快速发展，使得越来越多的计算机视觉系统应用于众多的科学和工程领域。其中，计算机视觉广泛应用于智能交通、军事国防、民航等诸多领域。但是随着视觉系统在户外的广泛应用，遇到恶劣天气所拍摄图像的视觉效果和数据质量差劲。计算机视觉系统使用受到户外恶劣天气的影响，主要表现为恶劣天气获取的图像会产生干扰和降质，导致计算机视觉处理算法的性能下降，例如目标跟踪，目标检测，图片检索等等。同时，恶劣天气对人类的视觉也存在巨大的挑战，例如，雨雾天气中驾驶，能见度低和下落的雨本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，包括以下具体步骤，/n步骤1：预处理图像；/n步骤2：构建卷积神经网络模型；/n步骤3：采用步骤1得到的预处理后的图像对步骤2得到的卷积神经网络模型进行训练，得到去雨卷积神经网络模型，利用损失函数对去雨卷积神经网络模型进行约束，然后反向传播进行参数更新，得到训练好的去雨网络模型；/n步骤4：将待处理有雨的图像输入所述训练好的去雨网络模型中，最终输出去雨后的图像。/n

【技术特征摘要】
1.基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，包括以下具体步骤，
步骤1：预处理图像；
步骤2：构建卷积神经网络模型；
步骤3：采用步骤1得到的预处理后的图像对步骤2得到的卷积神经网络模型进行训练，得到去雨卷积神经网络模型，利用损失函数对去雨卷积神经网络模型进行约束，然后反向传播进行参数更新，得到训练好的去雨网络模型；
步骤4：将待处理有雨的图像输入所述训练好的去雨网络模型中，最终输出去雨后的图像。


2.如权利要求1所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述步骤2中构建卷积神经网络模型，具体地为：
一编码器网络，编码器输入所述预处理图像，逐层提取图像的浅层特征，得到编码器提取特征后，编码器进行下采样处理，经过上下文聚合模块DCA_Block模块处理，得到编码器输出特征，再通过跳跃连接组合到融合网络中；
一解码器网络，用于融合所述融合网络中的编码器输出特征，解码器进行上采样处理，经过上下文聚合模块DCA_Block模块处理后，与所述编码器输出特征的数据通过跳跃连接方式进行叠加融合后，构成端到端编解码卷积神经网络模型。


3.如权利要求1所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述步骤2中构建卷积神经网络模型，具体包括以下步骤：
S1，输入预处理后的图像经过第一个卷积层处理输出特征O1，输出特征O1经过第二个卷积层处理输出特征O2；
S2，将输出特征O2经过上下文聚合模块DCA_Block模块输出特征O3；
S3，输出特征O3经过下采样卷积层进行第一次下采样处理后，得到输出特征O4；
S4，输出特征O4经过上下文聚合模块DCA_Block模块输出特征O5；
S5，输出特征O5经过下采样卷积层进行第二次下采样处理后，得到输出特征O6；
S6，输出特征O6经过上下文聚合模块DCA_Block模块输出特征O7；
S7，输出特征O7依次经过三个由跳跃连接组成的卷积残差块进行处理后，得到输出特征O10；
S8，输出特征O10经过上下文聚合模块DCA_Block模块输出特征...

【专利技术属性】
技术研发人员：石争浩，高蒙蒙，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61