【技术实现步骤摘要】
图像去雨方法、系统、终端及存储介质
本专利技术涉及图像处理及重建
，具体地，涉及一种基于递归残差空洞空间金字塔池网络的图像去雨方法、系统、终端及存储介质。
技术介绍
随着科学技术的发展，人类社会正进入信息化社会。图像因其信息量大、传输速度快，已经成为人类利用信息的重要来源。近年来，计算机视觉系统正广泛应用于社会的各个领域。在计算机视觉的许多算法中，如图像分割、目标识别、行为检测等，都需要利用图像中的有效信息来实现。然而，在气象条件不好的情况下，如下雨，会导致户外的成像系统采集到的图像出现对比度下降、图像模糊、颜色失真等现象，直接影响到图像特征的提取，从而导致计算机视觉算法如目标识别、行为检测等的准确率下降。图像去雨属于图像处理技术，即从雨图中恢复出无雨的图像。图像去雨对于户外视觉系统的稳定工作有着重要的应用。传统图像去雨算法，主要依赖雨条纹和背景场景的统计分析。这些算法都是通过在背景和雨层构建先验，然后使用成本函数优化。根据先验的提取方式，传统图像去雨算法主要分为稀疏编码算法和高斯混合模型。近年来，卷积...
【技术保护点】
1.一种图像去雨方法，其特征在于，包括：/n构建基于递归残差空洞空间金字塔池网络的图像去雨模型；/n构建训练样本集；/n采用所述训练样本集，对所述图像去雨模型进行训练，并利用自适应矩估计优化方法，通过混合损失函数对重建结果进行约束，得到无雨图像生成模型；/n将不同尺寸的雨图输入至所述无雨图像生成模型，得到对应的去雨图像。/n
【技术特征摘要】
1.一种图像去雨方法，其特征在于，包括：
构建基于递归残差空洞空间金字塔池网络的图像去雨模型；
构建训练样本集；
采用所述训练样本集，对所述图像去雨模型进行训练，并利用自适应矩估计优化方法，通过混合损失函数对重建结果进行约束，得到无雨图像生成模型；
将不同尺寸的雨图输入至所述无雨图像生成模型，得到对应的去雨图像。
2.根据权利要求1所述的图像去雨方法，其特征在于，所述构建基于递归残差空洞空间金字塔池网络的图像去雨模型，包括：
采用一个卷积块，构建初步特征提取层，用于提取输入图像特征；
采用一个长短期记忆卷积块，构建相关性连接层；
采用一个残差块，构建初步特征融合层，用于融合所述输入图像特征；
采用残差空洞空间金字塔池网络，构建多尺度特征提取层，通过不同扩张率的并行扩张卷积对融合后的输入图像特征进行特征提取、融合以及级联，得到多尺度特征；
采用一个残差块，构建多尺度特征融合层，用于融合所述多尺度特征；
采用一个卷积块，构建输出层，用于输出重建的无雨图像；
将所述初步特征提取层、相关性连接层、初步特征融合层、多尺度特征提取层、多尺度特征融合层和输出层依次连接，构成一个阶段的图像去雨重建模块；
将多个阶段的图像去雨重建模块依次连接，形成递归网络结构，并通过所述相关性连接层增加各阶段之间的相关性，多阶段之间共享网络参数，最终形成具有多阶段结构的基于递归残差空洞空间金字塔池网络的图像去雨模型。
3.根据权利要求1所述的图像去雨方法，其特征在于，所述构建训练样本集，包括：
采用图像增广方法，对训练图片进行变换，形成训练样本对；
对所述训练样本对进行裁剪，构建形成训练样本集。
4.根据权利要求3所述的图像去雨方法，其特征在于，所述图像增广方法采用翻转的方法，对训练图片进行翻转变换。
5.根据权利要求3所述的图像去雨方法，其特征在于，所述对所述训练样本对进行裁剪，包括：
将所述训练样本对中的图像裁成分辨率为100×100的图像块。
6.根据权利要求1所述的图像去雨方法，其特征在于，所述利用自适应矩估计优化方法，通过混合损失函数对重建结果进行约束，包括：
通过混合损失函数从结构和语义两个角度对重建的无雨图像进行约束，其中负结构相似度损失是从结构角度进行约束，感知损失是从语义角度进行约束，表示如下：
其中，λ为项系数，是负结...
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。