[发明专利]基于通道级注意力机制的编码-解码网络的图像去雨方法

权利要求书

1.基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：包括两个网络，第一个网络称为A-net，即注意力稠密网络，第二个网络称为D-net，即编码-解码的去雨网络，将A-net和D-net联合优化，得到图像的去雨方法，其优化步骤如下：

S1、计算A-net网络对应每一个通道的注意力映射A_c如下：

R_c＝O_c-B_c

其中R_c(x)，表示像素x的对应残差，则根据残差图像对应像素点有没有雨，可以得到注意力图A_c如下公式所示：

c表示{r,g,b}三个通道的标号，x表示像素点标号；

则A-net的输入为O，输出为A_c；

S2、计算D-net中的编码-解码网络的输入：[A_c O_c]为串接关系，则D-net的输入为[A_cO_c]，输出为B_c；

S3、对参数集W₁和参数集W₂中滤波器参数按照[0,1]高斯分布随机生成参数的初始值W₁⁽⁰⁾和

S4、建立目标损失函数L：L＝L_A+L_D；

S5、在L损失函数最小化的基础上，利用随机梯度下降方法对参数进行优化；

S6、迭代更新，直到收敛。

2.根据权利要求1所述的基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：所述步骤S1中，A-Net网络的设计采用DenseNet网络结构，采用一个具有五层卷积网络的Block结构。

3.根据权利要求1或2所述的基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：所述步骤S1中，A-Net网络的Block内部，包含五个卷积层，且每一卷积层以一种前馈的方式连接到其他每一卷积层。

4.根据权利要求1或2所述的基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：所述步骤S1中，A-Net网络包含五个卷积层，且最后一层的卷积网络，用sigmod函数作为激活函数。

5.根据权利要求1所述的基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：所述步骤S2中，D-net网络结构包括卷积层和解卷积层，其中卷积层是多层的卷积网络构成编码器，解卷积层是对应的多层解卷积层的解码器，每一层卷积层和解卷积层对应。

6.根据权利要求1或5所述的基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：所述步骤S2中，D-net网络结构中，编码器的卷积滤波器大小保持3×3，卷积滤波器个数为128个/层，共15层；解码器的解卷积滤波器大小也是保持3×3，解卷积滤波器个数为128个/层，共15层。

7.根据权利要求1或5所述的基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：所述步骤S2中，D-net网络结构中，跳过卷积层和解卷积层之间的连接层，这样图像特征可以直接输入到解码器端，有助于更好恢复图像细节，同时，跳过连接层，可以更好的防止梯度消失，保证更快收敛。

8.根据权利要求1所述的基于通道级注意力机制的编码-解码网络的图像去雨方法，其特征在于：所述步骤S4中，目标损失函数中参数L_A的运算公式如下：

其中为在确定参数集W₁^(j)之后得到的A-net网络的输出，表示通道c对应的A-net所表示的函数映射，O_i表示第i幅图像，N为训练数据的个数。