基于卷積神經(jīng)網(wǎng)絡(luò)的單幅圖像去雨.pdf

1、受惡劣天氣的影響，室外視覺(jué)系統(tǒng)所獲得的圖像會(huì)劣化。雨是常見(jiàn)的惡劣天氣之一，目前國(guó)內(nèi)外關(guān)于去雨的問(wèn)題已有一些解決的方案，但大多關(guān)注于視頻去雨。由于該類方法是以豐富的時(shí)空相關(guān)信息為前提，因而并不適用于單幅圖像去雨。近年來(lái)，單幅圖像去雨的研究逐漸受到重視，然而現(xiàn)有方法需要在去雨效果和圖像清晰度之間折中且計(jì)算效率低下，難以滿足實(shí)際應(yīng)用需求。
　　為此，本文針對(duì)單幅圖像去雨，基于變分法和卷積神經(jīng)網(wǎng)絡(luò)提出三種新的單幅圖像去雨算法，主要研究?jī)?nèi)容

2、及成果如下:
　　1.提出基于梯度l0正則化的單幅圖像去雨算法。首先設(shè)計(jì)一個(gè)引導(dǎo)l0平滑濾波器實(shí)現(xiàn)初步去雨。該濾波器在保證輸出圖像與輸入圖像一致性的前提下，引入梯度l0正則項(xiàng)，使其根據(jù)引導(dǎo)圖像的梯度大小平滑輸出圖像。而后在該初步去雨圖像與有雨圖像間取最小值，得到無(wú)雨圖像。
　　2.提出基于梯度修正的單幅圖像去雨算法。該算法針對(duì)基于梯度l0正則化的單幅圖像去雨算法迭代過(guò)程中，引導(dǎo)圖像細(xì)節(jié)丟失的問(wèn)題，提出一個(gè)新的能量函數(shù)。該算法

3、認(rèn)為雨的信息基本包含在水平梯度中，因而求取水平梯度及垂直梯度后，運(yùn)用引導(dǎo)濾波平滑水平梯度圖，與垂直梯度相加，得到無(wú)雨的參考梯度圖像。再以此無(wú)雨梯度圖像作為先驗(yàn)，構(gòu)造新的能量函數(shù)。最終通過(guò)變分法求解得到去雨圖像。該算法保留了更多的背景信息。
　　3.提出基于卷積神經(jīng)網(wǎng)絡(luò)的單幅圖像去雨算法?，F(xiàn)有的單幅圖像去雨算法只能分析底層圖像較小鄰域內(nèi)的特征，在清晰度與去雨間折中。深度學(xué)習(xí)能模仿人的大腦皮層，從底層圖像中提取高層語(yǔ)義，并通過(guò)權(quán)重提取

4、相應(yīng)的特征，選取不同的形態(tài)成分。因而本文引入卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到一個(gè)適用于去雨的濾波系統(tǒng)。該系統(tǒng)可以實(shí)現(xiàn)有雨圖像到無(wú)雨圖像的端到端的非線性映射，在去雨和保持圖像清晰度方面達(dá)到了很好的綜合效果。
　　4.建立訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的圖像庫(kù)。為了實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，本文通過(guò)screen blend model對(duì)干凈的清晰圖像人工加雨，形成相應(yīng)的有雨圖像與無(wú)雨圖像對(duì)，建立了訓(xùn)練神經(jīng)網(wǎng)絡(luò)的圖像庫(kù)。相關(guān)實(shí)驗(yàn)表明，這種仿真獲得的訓(xùn)練庫(kù)訓(xùn)練所得