[發(fā)明專利]一種細(xì)節(jié)引導(dǎo)的單張圖像去雨方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110932911.8
• 申請(qǐng)日: 2021-08-13
• 公開(kāi)（公告）號(hào): CN113658071A
• 公開(kāi)（公告）日: 2021-11-16
• 發(fā)明（設(shè)計(jì)）人: 鄭超兵;伍世虔;徐正勤
• 申請(qǐng)（專利權(quán)）人: 武漢維斯克科技有限公司
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06T5/20
• 代理公司: 北京盛凡智榮知識(shí)產(chǎn)權(quán)代理有限公司 11616
• 代理人: 朱學(xué)繪

1.一種細(xì)節(jié)引導(dǎo)的單張圖像去雨方法，其特征在于，包括以下步驟：

步驟一：使用加權(quán)引導(dǎo)濾波器等保邊濾波器對(duì)圖像進(jìn)行分解，一張含有雨滴圖像中，雨滴與噪聲屬于高頻信息；首先，使用加權(quán)引導(dǎo)濾波器將圖像分解為基礎(chǔ)層圖像I_b和細(xì)節(jié)層圖像I_e，雨滴和噪聲存在于細(xì)節(jié)層圖像中，把原始圖像I分解為細(xì)節(jié)層圖像I_b和基礎(chǔ)層圖像I_e；

步驟二：雨滴檢測(cè)網(wǎng)絡(luò)的設(shè)計(jì)：通道注意力模塊和空間注意力模塊，雨滴檢測(cè)過(guò)程中每個(gè)通道的特征圖對(duì)雨滴檢測(cè)貢獻(xiàn)是不一致，同時(shí)每一個(gè)像素點(diǎn)對(duì)雨滴檢測(cè)貢獻(xiàn)也是不一致的，通過(guò)采用雙注意力策略壓縮無(wú)用信息，同時(shí)用獲取的高頻信息特征來(lái)引導(dǎo)雨滴的學(xué)習(xí)，使得網(wǎng)路訓(xùn)練過(guò)程中更加關(guān)注細(xì)節(jié)雨滴、噪聲細(xì)節(jié)信息，使得網(wǎng)絡(luò)更加的高效；

步驟三：損失函數(shù)的設(shè)計(jì)，其中O表述雨天圖像，O_T表述無(wú)雨圖像，f(·)表述深度學(xué)習(xí)去雨的模型感函數(shù)。

2.根據(jù)權(quán)利要求1所述的一種細(xì)節(jié)引導(dǎo)的單張圖像去雨方法，其特征在于，所述步驟一中，變換可表示為:

I(p)＝I_b(p)+I_e(p) (1)

其中I_b(p)表示基礎(chǔ)層圖像，I_e(p)表示細(xì)節(jié)層圖像，p表示像素點(diǎn)坐標(biāo)，噪聲和雨滴等信息主要包含于細(xì)節(jié)層圖像I_e中，假設(shè)a_p和b_p分別表示W(wǎng)GIF的系數(shù)，即a_p和b_p可通過(guò)如下公式獲取：

μ_I,ρ(p)和分別是在圖像I中以p為中點(diǎn)，ρ為半徑的窗體Ω的均值和方差，Γ_Y(p)可以通過(guò)下面公式獲取:

Y是圖像I的亮度分量，Y＝max{I_r,I_g,I_b}，I_r,I_g,I_b分別是I對(duì)應(yīng)點(diǎn)是R,G,B值，因此I_b可以表示為：

3.根據(jù)權(quán)利要求1所述的一種細(xì)節(jié)引導(dǎo)的單張圖像去雨方法，其特征在于，在步驟三中，去雨的模型可以表述表示為：

L＝w_rL_r+w_gL_g+L_f (9)

其中w_r，w_g分別表示重構(gòu)誤差L_r，梯度誤差L_g的權(quán)值，L_f表示感知誤差。其中重構(gòu)誤差L_r可以表示為：

其中N表示樣本的數(shù)量，梯度誤差L_g表示為：

感知損失函數(shù)L_f表示為：

表示VGG網(wǎng)絡(luò)學(xué)習(xí)出的特征表示模型的函數(shù)，W₁,H₁分別描述VGG網(wǎng)絡(luò)模型輸出的特征圖的長(zhǎng)和寬。