[发明专利]一种基于循环密集神经网络的单幅图像去雨方法和系统

说明书

本发明公开了一种基于循环密集神经网络的单幅图像去雨方法和系统，包括长短记忆网络模块、密集网络模块、子网络模块、循环密集神经模块和去雨网络模块，通过构建密集网络模型，提取雨纹信息，并与长短记忆网络模型串联，得到子网络模型，对雨图进行做差处理，得到清晰雨图，反复循环迭代所述子网络模型，得到循环密集神经网络，将雨图输入到所述循环密集神经网络模型中，利用损失函数计算去所述循环密集神经网络模型的损失，并根据计算出的模型损失，更新网络模型，使网络误差最终收敛至最优范围内，得到最佳去雨网络模型，提高去除单独图像中重度雨的处理效果，得到清晰背景图像。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于循环密集神经网络的单幅图像去雨方法和系统。

背景技术

当进行户外工作时，下雨会使光的强度会变暗，雨丝会降低能见度。尤其是下大雨的时候，天气复杂多变使得背景场景模糊不清，雨丝等噪声分布不均匀，这将严重影响许多计算机视觉系统的准确性，现有的去雨算法大致可以分为基于视频的方法和单幅图像的方法，而单幅图像去雨较困难，一些传统的优化方法提出用分离的方式把雨丝和背景图从雨图中提取出来，从而达到最终去除雨纹的图像，在去除轻度雨纹取得了良好的性能，但在重度雨中由于其雨水密度大且分布不均匀的特点，处理效果不好，导致背景模糊。

发明内容

本发明的目的在于提供一种基于循环密集神经网络的单幅图像去雨方法和系统，提高去除单独图像中重度雨的处理效果，得到清晰背景图像。

为实现上述目的，第一方面，本发明提供了一种基于循环密集神经网络的单幅图像去雨方法，包括：

构建密集网络模型，提取雨纹信息；

构建子网络模型，对雨图进行做差处理，得到清晰雨图；

反复循环迭代所述子网络模型，得到循环密集神经网络；

利用损失函数进行训练，得到最佳去雨网络模型。

其中，所述构建密集网络模型，提取雨纹信息，包括：

利用密集网络，构建一个密集网络模型，提取并融合雨纹信息，将每一层的雨纹信息输入输出联系起来，并进行非线性变换。

其中，所述构建子网络模型，对雨图进行做差处理，得到清晰雨图，包括：

将所述密集网络模型与长短记忆网络模型串联，得到子网络模型，获取雨图，并输入所述子网络模型中进行做差处理，得到清晰雨图。

其中，所述构建子网络模型，对雨图进行做差处理，得到清晰雨图，还包括：

将雨图通过输入层进入所述子网络模型，经过卷积操作输入到长短记忆层，所述长短记忆层输出雨纹信息到密集网络层，所述雨图与所述密集网络层的输出信息在残差输出层做残差处理，得到清晰雨图。

其中，所述反复循环迭代所述子网络模型，得到循环密集神经网络模型，包括：

将所述子网络模型进行多次反复循环迭代，得到循环密集神经网络模型，其中，每次迭代前，都将雨图与上一次迭代后的所述长短记忆层获得的去雨纹信息进行连接，再进行下一次迭代。

其中，所述利用损失函数进行训练，得到最佳去雨网络模型，包括：

将雨图输入到所述循环密集神经网络模型中，获取清晰背景图的参数，利用损失函数计算去所述循环密集神经网络模型的损失，并根据计算出的模型损失，更新网络模型，使网络误差最终收敛至设定范围内，得到最佳去雨网络模型。

第二方面，本发明还提供一种基于循环密集神经网络的单幅图像去雨系统，所述基于循环密集神经网络的单幅图像去雨系统包括长短记忆网络模块、密集网络模块、子网络模块、循环密集神经模块和去雨网络模块，所述长短记忆网络模块、所述密集网络模块、所述子网络模块、所述循环密集神经模块和所述去雨网络模块依次线性连接，