[发明专利]一种图像去雨方法及装置

权利要求书

1.一种图像去雨方法，其特征在于，包括：

获取带雨滴的待检测图像；

将所述待检测图像分离为高频分量图像和低频分量图像；

将所述高频分量图像输入至训练好的含残差结构的卷积神经网络，输出去雨图像，将所述去雨图像与所述待检测图像综合，得到无雨图像；

将所述无雨图像输入至训练好的含判别结构的卷积神经网络，输出所述无雨图像和所述待检测图像对应的无雨滴图像比较的类别，将所述类别输入至所述含残差结构的卷积神经网络，并更新所述含残差结构的卷积神经网络的参数，得到最终的无雨图像；

所述含残差结构的卷积神经网络包括顺序进行的第一卷积层、非线性激活函数层、第一池化层和反卷积层，所述含残差结构的卷积神经网络移除了BN层；所述含残差结构的卷积神经网络的训练集为所述高频分量图像与所述待检测图像对应的无雨滴图像，所述待检测图像对应的无雨滴图像由公开数据库采集或人工采集；

所述含残差结构的卷积神经网络的训练函数采用绝对值距离误差函数，所述含残差结构的卷积神经网络的训练函数为：

其中，D(p)为所述含残差结构的卷积神经网络的训练函数，p为所述含残差结构的卷积神经网络的网络参数，I_GT为所述待检测图像对应的无雨滴图像，I_RE为所述含残差结构的卷积神经网络输出的去雨图像，N为图片张数，i为图片数目。

2.根据权利要求1所述的一种图像去雨方法，其特征在于，所述含判别结构的卷积神经网络包括顺序进行的第二卷积层、第二池化层和全联接层。

3.根据权利要求1所述的一种图像去雨方法，其特征在于，所述含判别结构的卷积神经网络的训练函数为：

D(p₁)＝min[-log(D(I_GT)-log(1-D(I_RE)]

其中，D(p₁)为所述含判别结构的卷积神经网络的训练函数，p₁为所述含判别结构的网络参数，I_GT为所述待检测图像对应的无雨滴图像，I_RE为所述含残差结构的卷积神经网络输出的去雨图像。

4.根据权利要求1所述的一种图像去雨方法，其特征在于，所述含判别结构的卷积神经网络的训练集为所述含残差结构的神经网络输出的去雨图像和所述待检测图像对应的无雨滴图像。

5.根据权利要求1所述的一种图像去雨方法，其特征在于，所述含残差结构的卷积神经网络共有16阶层，所述含判别结构的卷积神经网络共有8阶层。

6.一种图像去雨装置，其特征在于，包括：

获取模块，用于获取带雨滴的待检测图像；

处理模块，用于将所述待检测图像分离为高频分量图像和低频分量图像，将所述高频分量图像输入至训练好的含残差结构的卷积神经网络，输出去雨图像，将所述去雨图像与所述待检测图像综合，得到无雨图像；

反馈模块，用于将所述无雨图像输入至训练好的含判别结构的卷积神经网络，输出所述无雨图像和所述待检测图像对应的无雨滴图像比较的类别，将所述类别输入至所述含残差结构的卷积神经网络，并更新所述含残差结构的卷积神经网络的参数，得到最终的无雨图像；

所述含残差结构的卷积神经网络包括顺序进行的第一卷积层、非线性激活函数层、第一池化层和反卷积层，所述含残差结构的卷积神经网络移除了BN层；所述含残差结构的卷积神经网络的训练集为所述高频分量图像与所述待检测图像对应的无雨滴图像，所述待检测图像对应的无雨滴图像由公开数据库采集或人工采集；

所述含残差结构的卷积神经网络的训练函数采用绝对值距离误差函数，所述含残差结构的卷积神经网络的训练函数为：

其中，D(p)为所述含残差结构的卷积神经网络的训练函数，p为所述含残差结构的卷积神经网络的网络参数，I_GT为所述待检测图像对应的无雨滴图像，I_RE为所述含残差结构的卷积神经网络输出的去雨图像，N为图片张数，i为图片数目。