【技术实现步骤摘要】
子带网络桥接的半监督图像去雨方法及装置
本专利技术属于图像处理、增强领域,尤其涉及一种子带网络桥接的半监督图像去雨方法及装置。
技术介绍
深度学习去雨时代始于2017年。Yang等人构建一个联合雨痕检测和去除的网络,可以处理大雨,重叠的雨痕和雨雾。该网络可以通过预测二元掩模来检测雨水的位置,并采用递归框架来去除雨痕,逐步清除雨雾。该方法在下大雨的情况下取得了良好的效果。但是,方法可能会错误地去除垂直纹理并造成曝光不足。同年,Fu等人尝试通过构建深层细节网络去除雨痕。该网络仅将高频细节作为输入,并预测雨痕和干净的无雨图像。该工作表明,移除网络输入中的背景信息有利于网络训练。继Yang和Fu等人的工作,在后续工作中,许多基于卷积神经网络的方法被提出。这些方法采用了更高级的网络结构,并嵌入了与雨相关的新先验,在定量和定性分析中都取得了更好的结果。但是,由于这些方法受全监督学习范式的局限(即使用合成雨图),在处理训练过程中从未见过的真实降雨场景时,可能会失效。
技术实现思路
针对上述问题和相关方法的不足,本专利技术提出了一种子带网络桥接的半监督图像去雨方法及装置。整体框架如图1所示,该方法构建了一种有效的特征表征——基于学习的子带表示,连接监督学习和非监督学习,实现高效的深度学习半监督去雨。模型的监督学习部分充分利用成对数据和基于信号保真度的损失度量,学习雨痕去除与细节修正过程。半监督学习部分则利用非成对数据和对抗学习,学习图像质量增强过程,提升图像的能见度和舒适度。本专利技术采用 ...
【技术保护点】
1.一种子带网络桥接的半监督图像去雨方法,其步骤包括:/n1)基于若干样本无雨图像及生成的雨痕与雨雾,生成若干雨天图像y,构建成对图像数据集,并搜集不同质量的样本图像,获取各样本图像的图像质量标签,构建非成对图像质量数据集;/n2)构建图像去雨模型,并利用成对图像数据集与非成对图像质量数据集对图像去雨模型进行训练,得到训练后的图像去雨模型;/n其中图像去雨模型包括一个用以学习雨天图像y或复原图像中子带信号的迭代子带学习网络与一个用以对子带信号进行重组生成复原图像的迭代子带重建网络;利用成对图像数据集对迭代子带学习网络进行训练,利用成对图像数据集与训练后的质量评估网络对迭代子带重建网络进行训练;/n通过以下策略构建迭代子带学习网络:/nA)构建若干类似U-Net的深层网络,作为子网络;/nB)每个子网络以雨天图像y与上一次循环的复原结果
【技术特征摘要】
1.一种子带网络桥接的半监督图像去雨方法,其步骤包括:
1)基于若干样本无雨图像及生成的雨痕与雨雾,生成若干雨天图像y,构建成对图像数据集,并搜集不同质量的样本图像,获取各样本图像的图像质量标签,构建非成对图像质量数据集;
2)构建图像去雨模型,并利用成对图像数据集与非成对图像质量数据集对图像去雨模型进行训练,得到训练后的图像去雨模型;
其中图像去雨模型包括一个用以学习雨天图像y或复原图像中子带信号的迭代子带学习网络与一个用以对子带信号进行重组生成复原图像的迭代子带重建网络;利用成对图像数据集对迭代子带学习网络进行训练,利用成对图像数据集与训练后的质量评估网络对迭代子带重建网络进行训练;
通过以下策略构建迭代子带学习网络:
A)构建若干类似U-Net的深层网络,作为子网络;
B)每个子网络以雨天图像y与上一次循环的复原结果级联作为输入,并将雨天图像y与复原结果级联映射到特征空间,然后通过若干卷积层进行特征变换;
C)在中间层中,首先通过有步长的卷积和反卷积对特征的空间分辨率进行下采样,然后再上采样;
D)使用跳跃连接将各子网络相同空间分辨率的浅层与深层特征连接;
通过以下策略构建迭代子带重建网络:
a)构建若干类似U-Net的深层网络,作为子网络;
b)使用跳跃连接将各子网络相同空间分辨率的浅层与深层特征连接;
所述训练后的质量评估网络利用非成对雨天图像质量数据集训练得到;质量评估网络的结构包括:一个将最后一层替换为具有n个单元全连接层的VGG16网络和一个softmax层,其中n为图像质量标签的种类数量;
3)将待处理图像输入训练后的图像去雨模型,得到去雨后的图像。
2.如权利要求1所述的方法,其特征在于,生成雨痕与雨雾的方法包括:使用雨痕外观模型。
3.如权利要求2所述的方法,其特征在于,雨雾的参数包括:透光率和背景光。
4.如权利要求1所述的方法,其特征在于,雨天图像y=x(1-t)+tα+s,其中x为样本无雨图像,s为雨痕,t为...
【专利技术属性】
技术研发人员:刘家瑛,杨文瀚,胡煜章,郭宗明,
申请(专利权)人:北京大学,
类型:发明
国别省市:北京;11
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。