基于深度学习的单幅图像去雨算法研究

发布时间：2021-08-24 06:02

　　单幅图像去雨的目的是去除含雨图像中的雨线,恢复出清晰的无雨图像。而已有的单幅图像去雨算法存在残留雨线,丢失背景细节信息等问题。近年来,深度学习在很多图像处理和计算机视觉任务中取得了显著效果。为了提高图像去雨算法的性能,该文将深度学习的方法应用于单幅图像去雨问题并展开研究,具体研究内容如下:首先,提出基于多项式网络的单幅图像去雨算法。先设计PolyInception模块,再利用该模块进一步构建出单幅图像去雨网络结构,以端到端的方式实现有雨图像和清晰图像间的非线性映射。PolyInception模块由Inception残差单元的不同多项式组合构成,这种多项式组合方法可以增加网络结构的多样性,使网络性能得到提升。实验结果表明,该文提出的算法能够去除含雨图像中不同方向和密度的雨线,并保留图像背景信息。其次,为进一步提高单幅图像去雨算法的性能,该文结合稠密连接的思想,设计基于稠密网络的单幅图像去雨网络结构。稠密连接的结构可以加强特征在网络中的传播,解决深层网络在训练过程中的梯度消失问题,并利用扩张卷积增大去雨网络的感受野。实验结果表明,该方法提高了图像去雨的效果,使复原图像具有更好的视觉质量。最... 

【文章来源】：燕山大学河北省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

基于图像分解和字典学习的单幅图像去雨算法流程图

图 2-2 DerainNet 网络结构图中，det ailI 是输入的细节层图像，1W 和1b 分别为该层的权重和偏置， 代表卷积， σ ( )表示激活函数，这里采用的激活函数为 ReLU(Rectified Linear Units)[32]。网络的第二层为非线性映射层，采用 512 个大小为1 × 1的卷积核，得到第二层出为：( ) ( ( ))2 det ail 2 1 det ail2f I =σ W fI +b (2中，2W 和2b 分别为第二层的权重和偏置。网络的最后一层采用 3 个8 × 8的卷积核重建去雨后的细节层图像：( ) ( )3 det ail 3 2 det ail3f I =W fI +b (2中，3W 和3b 分别为第三层的权重和偏置。最后将输出的细节层图像和保留的基础层图像相加就可得到复原图像：( )base 3 detail=O I +fI (2算法还通过图像增强技术分别对基础层图像和去雨后的细节层图像分别进行后

a) 残差单元 b) Inception 残差单元图 3-1 残差单元和 Inception 残差单元on 残差单元集合了残差结构和 Inception 结构的优点，但是存在的问题比较浅，一般只包括 2 到 4 个卷积层，而通过增加该单元的使用数量络的表达能力，作用不明显。ang 等人将方程中多项式的思想引入到网络结构的设计中，利用 Inc的多项式组合来构建 PolyInception 模块，它是一类模块的总称。将 元的残差部分表示为F ，由图 3-1 可知，这样一个 Inception 残差单元( I + F ) x = x +F( x )I 为 shortcut 通路， x为输入。在该式的基础上增加一个一次项，如式以构造出一阶 PolyInception，称之为2-way，结构如图 3-2 中 a)所示。( I + F + G ) x = x + F ( x ) +G( x )

【参考文献】：
期刊论文
[1]一种视频雨滴检测与消除的方法[J]. 董蓉,李勃,陈启美.  自动化学报. 2013(07)
[2]基于FCM的雨天视频图像复原[J]. 胡巍,何小海,崔煜.  通信技术. 2012(03)
[3]视频图像中雨滴检测与去除方法研究[J]. 张颖翔,陈强,刘允才.  微型电脑应用. 2007(12)



本文编号：3359424