[發明專利]一種基于循環密集神經網絡的單幅圖像去雨方法和系統

有效

• 申請號: 201911076892.2
• 申請日: 2019-11-06
• 公開（公告）號: CN110838095B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 夏海英;藍洋;黎海生;宋樹祥;吳玲玉
• 申請（專利權）人: 廣西師范大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 石燕妮

本發明公開了一種基于循環密集神經網絡的單幅圖像去雨方法和系統，包括長短記憶網絡模塊、密集網絡模塊、子網絡模塊、循環密集神經模塊和去雨網絡模塊，通過構建密集網絡模型，提取雨紋信息，并與長短記憶網絡模型串聯，得到子網絡模型，對雨圖進行做差處理，得到清晰雨圖，反復循環迭代所述子網絡模型，得到循環密集神經網絡，將雨圖輸入到所述循環密集神經網絡模型中，利用損失函數計算去所述循環密集神經網絡模型的損失，并根據計算出的模型損失，更新網絡模型，使網絡誤差最終收斂至最優范圍內，得到最佳去雨網絡模型，提高去除單獨圖像中重度雨的處理效果，得到清晰背景圖像。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于循環密集神經網絡的單幅圖像去雨方法和系統。

背景技術

當進行戶外工作時，下雨會使光的強度會變暗，雨絲會降低能見度。尤其是下大雨的時候，天氣復雜多變使得背景場景模糊不清，雨絲等噪聲分布不均勻，這將嚴重影響許多計算機視覺系統的準確性，現有的去雨算法大致可以分為基于視頻的方法和單幅圖像的方法，而單幅圖像去雨較困難，一些傳統的優化方法提出用分離的方式把雨絲和背景圖從雨圖中提取出來，從而達到最終去除雨紋的圖像，在去除輕度雨紋取得了良好的性能，但在重度雨中由于其雨水密度大且分布不均勻的特點，處理效果不好，導致背景模糊。

發明內容

本發明的目的在于提供一種基于循環密集神經網絡的單幅圖像去雨方法和系統，提高去除單獨圖像中重度雨的處理效果，得到清晰背景圖像。

為實現上述目的，第一方面，本發明提供了一種基于循環密集神經網絡的單幅圖像去雨方法，包括：

構建密集網絡模型，提取雨紋信息；

構建子網絡模型，對雨圖進行做差處理，得到清晰雨圖；

反復循環迭代所述子網絡模型，得到循環密集神經網絡；

利用損失函數進行訓練，得到最佳去雨網絡模型。

其中，所述構建密集網絡模型，提取雨紋信息，包括：

利用密集網絡，構建一個密集網絡模型，提取并融合雨紋信息，將每一層的雨紋信息輸入輸出聯系起來，并進行非線性變換。

其中，所述構建子網絡模型，對雨圖進行做差處理，得到清晰雨圖，包括：

將所述密集網絡模型與長短記憶網絡模型串聯，得到子網絡模型，獲取雨圖，并輸入所述子網絡模型中進行做差處理，得到清晰雨圖。

其中，所述構建子網絡模型，對雨圖進行做差處理，得到清晰雨圖，還包括：

將雨圖通過輸入層進入所述子網絡模型，經過卷積操作輸入到長短記憶層，所述長短記憶層輸出雨紋信息到密集網絡層，所述雨圖與所述密集網絡層的輸出信息在殘差輸出層做殘差處理，得到清晰雨圖。

其中，所述反復循環迭代所述子網絡模型，得到循環密集神經網絡模型，包括：

將所述子網絡模型進行多次反復循環迭代，得到循環密集神經網絡模型，其中，每次迭代前，都將雨圖與上一次迭代后的所述長短記憶層獲得的去雨紋信息進行連接，再進行下一次迭代。

其中，所述利用損失函數進行訓練，得到最佳去雨網絡模型，包括：

將雨圖輸入到所述循環密集神經網絡模型中，獲取清晰背景圖的參數，利用損失函數計算去所述循環密集神經網絡模型的損失，并根據計算出的模型損失，更新網絡模型，使網絡誤差最終收斂至設定范圍內，得到最佳去雨網絡模型。

第二方面，本發明還提供一種基于循環密集神經網絡的單幅圖像去雨系統，所述基于循環密集神經網絡的單幅圖像去雨系統包括長短記憶網絡模塊、密集網絡模塊、子網絡模塊、循環密集神經模塊和去雨網絡模塊，所述長短記憶網絡模塊、所述密集網絡模塊、所述子網絡模塊、所述循環密集神經模塊和所述去雨網絡模塊依次線性連接，