一种基于卷积神经网络的无人机单幅图像去雨方法技术

本发明专利技术公开了一种基于卷积神经网络的无人机单幅图像去雨方法，首先，通过引导滤波器将有雨图像分离成低频背景图像和高频雨线图像；然后，利用一个多尺度的CNN卷积神经网络对低频背景图像和高频雨线图像进行分通道的特征提取；接着，通过通道域注意力机制对多尺度的CNN卷积神经网络提取出的特征图重新分配权重；然后，通过一个全连接层对多个通道的特征图进行拼接，构建出有雨图像和去雨图像之间的映射关系；最后，分别输出高、低频的去雨图像，将二者融合输出完整的去雨图像。本发明专利技术具有高效去除无人机飞行过程中拍摄到雨天图像上雨线的特点。线的特点。线的特点。

【技术实现步骤摘要】
一种基于卷积神经网络的无人机单幅图像去雨方法


[0001]本专利技术涉及计算机视觉
，更具体地，涉及一种基于卷积神经网络的无人机单幅图像去雨方法。

技术介绍

[0002]无人机在当今社会运用十分广泛，无论是军用的无人侦察机或者靶机，还是民用的航拍、农业、植保、快递运输、灾难救援、电力巡检、救灾、影视拍摄等等领域的应用，都大大拓展了无人机应用领域，而不论是侦查还是自身导航都需要借助于足够清晰的图像帮助，然而无人机执行任务的过程中很容易遇到恶劣天气环境的影响，比如雨雪天气，就会获取到效果较差的视觉图像，不仅影响观察还容易影响自身的视觉导航系统，因此一个有效的无人机有雨图像去雨算法至关重要。

技术实现思路

[0003]本专利技术提出一种基于卷积神经网络的无人机单幅图像去雨方法，可以有效去除无人机获取的单幅有雨图像，算法执行速度快，去雨效果好，具有很好的应用效果。
[0004]本专利技术的一种基于卷积神经网络的无人机单幅图像去雨方法，包括以下步骤：
[0005]S1,通过引导滤波器将有雨图像分离成低频背景图像和高频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，包括以下步骤：S1,通过引导滤波器将有雨图像分离成低频背景图像和高频雨线图像；S2,利用一个多尺度的CNN卷积神经网络对低频背景图像和高频雨线图像进行分通道的特征提取；S3,通过通道域注意力机制对多尺度的CNN卷积神经网络提取出的特征图重新分配权重；S4,通过一个全连接层对多个通道的特征图进行拼接，构建出有雨图像和去雨图像之间的映射关系；S5,分别输出高、低频的去雨图像；S6,融合高、低频去雨图像，输出完整的去雨图像。2.根据权利要求1所述的一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，步骤S1中通过引导滤波器将有雨图像分离成低频背景图像和高频雨线图像的具体实现方法为：S11，开始并载入有雨图像；S12，我们将图像看成是一个二维函数，由于无法写出解析式，我们假设该函数在二维窗口下满足线性关系如下：其中，q是输出图像的像素值，I是输入图像的像素值，i和k是图像像素位置，a和b是系数。S13，对S12式子两边取梯度，可以得到：S14，求出S12中线性函数的系数，通过线性回归是输出值p与真实值之间的差距最小，即满足下式：S15,S14中p只能是待滤波图像，∈用于防止a过大，通过最小二乘法，我们可以求出：S15,S14中p只能是待滤波图像，∈用于防止a过大，通过最小二乘法，我们可以求出：S16，由以上公上推导，计算出引导滤波后的高低频有雨图像。3.根据权利要求1所述的一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，步骤S2中利用一个多尺度的CNN卷积神经网络对低频背景图像和高频雨线图像进行分通道的特征提取过程如下：S21，搭建特征提取所用的卷积神经网络；S22，S21提到的CNN卷积神经网络分为两个通道，分别处理低频背景图像和高频雨线图像；S23，S22中的CNN卷积神经网络每个通道分别通过三个尺度的卷积核进行特征提取；
S24，S23中的卷积核大小分别为3x3、5x5和7x7。4.根据权利要求1...

【专利技术属性】
技术研发人员：孔镜如，周四望，
申请(专利权)人：湖南大学，
类型：发明
国别省市：