[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

说明书

本发明公开了基于通道级注意力机制的编码‑解码网络的图像去雨方法，属于图像处理领域，基于通道级注意力机制的编码‑解码网络的图像去雨方法，包括两个网络，第一个网络称为A‑net，即注意力稠密网络(Attentive Dense Net)，第二个网络称为D‑net，即编码‑解码的去雨网络(De‑raining Encoder‑DecoderNet)，将A‑net和D‑net联合优化，得到基于通道级注意力机制的编码‑解码网络的图像去雨方法，它可以实现对不同颜色的通道c∈{r,g,b}的图像分别建立相应的A‑net和D‑net，分别处理，再利用编码‑解码网络实现去雨处理，同时通过利用DenseNet构建注意力图来实现基于像素点来考虑雨的分布，这对提升系统性能有很大帮助，最终以更小的计算量处理出更佳的去雨图像。

技术领域

本发明涉及图像处理领域，更具体地说，涉及基于通道级注意力机制的编码-解码网络的图像去雨方法。

背景技术

去雨指的是对于一张雨中的图片，去除画面中的雨滴，得到还原后的图片，与图片去雾、超分辨率等同属CV领域中图像处理的范畴。去雨作为一种偏向low level的图像处理，本质上是分离图片中的内容与叠加的雨滴模式，并加以去除。现有的图像去雨方法多是采用DerainNet的深度网络架构或采用JORDER在卷积神经网络基础上进行去雨处理。其具体技术方案如下：

1、DerainNet

在残差网络(ResNet)基础上构造深度细节网络(deep detail network)，旨在消除雨水影响。该方法是利用先验知识将图像中的高频分量和低频分量分离，将高频分量作为残差网络的输入，并利用残差网络的输出和原始图像求和，作为去除雨水影响的最后结果。

2、JORDER

在卷积神经网络基础上进行去雨处理，首先通过一个卷积层将输入图像转到特征空间去，再经过三个具有不同腐蚀因子网络相加，得到雨特征F，经过一个卷积网络得到R(雨条残差)。将F和R串接成[F,R]，再用一层卷积层得到S(雨条图像)，将F、R和S串接成[F,R,S]通过最后一层卷积计算得到B(清晰图像)。

上述方法中，忽略了{r,g,b}通道对去雨效果的影响。由于一幅图像中比较明亮的像素，经过常规的去雨效应之后不再保持同样的亮度，这是由于雨的密度分布模式随着颜色通道变化而发生改变，而这一点，正是之前研究去雨效应方法所忽略的一点。

发明内容

1.要解决的技术问题

针对现有技术中存在的问题，本发明的目的在于提供基于通道级注意力机制的编码-解码网络的图像去雨方法，它可以实现对不同颜色的通道c∈{r,g,b}的图像分别建立相应的A-net和D-net，分别处理，再利用编码-解码网络实现去雨处理，同时通过利用DenseNet构建注意力图来实现基于像素点来考虑雨的分布，这对提升系统性能有很大帮助，最终以更小的计算量处理出更佳的去雨图像。

2.技术方案

为解决上述问题，本发明采用如下的技术方案。

基于通道级注意力机制的编码-解码网络的图像去雨方法，包括两个网络，第一个网络称为A-net，即注意力稠密网络(Attentive Dense Net)，第二个网络称为D-net，即编码-解码的去雨网络(De-raining Encoder-DecoderNet)，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