[发明专利]一种基于卷积神经网络的无人机单幅图像去雨方法

权利要求书

1.一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，包括以下步骤：

S1,通过引导滤波器将有雨图像分离成低频背景图像和高频雨线图像；

S2,利用一个多尺度的CNN卷积神经网络对低频背景图像和高频雨线图像进行分通道的特征提取；

S3,通过通道域注意力机制对多尺度的CNN卷积神经网络提取出的特征图重新分配权重；

S4,通过一个全连接层对多个通道的特征图进行拼接，构建出有雨图像和去雨图像之间的映射关系；

S5,分别输出高、低频的去雨图像；

S6,融合高、低频去雨图像，输出完整的去雨图像。

2.根据权利要求1所述的一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，步骤S1中通过引导滤波器将有雨图像分离成低频背景图像和高频雨线图像的具体实现方法为：

S11，开始并载入有雨图像；

S12，我们将图像看成是一个二维函数，由于无法写出解析式，我们假设该函数在二维窗口下满足线性关系如下：

其中，q是输出图像的像素值，I是输入图像的像素值，i和k是图像像素位置，a和b是系数。

S13，对S12式子两边取梯度，可以得到：

S14，求出S12中线性函数的系数，通过线性回归是输出值p与真实值之间的差距最小，即满足下式：

S15,S14中p只能是待滤波图像，∈用于防止a过大，通过最小二乘法，我们可以求出：

S16，由以上公上推导，计算出引导滤波后的高低频有雨图像。

3.根据权利要求1所述的一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，步骤S2中利用一个多尺度的CNN卷积神经网络对低频背景图像和高频雨线图像进行分通道的特征提取过程如下：

S21，搭建特征提取所用的卷积神经网络；

S22，S21提到的CNN卷积神经网络分为两个通道，分别处理低频背景图像和高频雨线图像；

S23，S22中的CNN卷积神经网络每个通道分别通过三个尺度的卷积核进行特征提取；

S24，S23中的卷积核大小分别为3x3、5x5和7x7。

4.根据权利要求1所述的一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，步骤S3中通过通道域注意力机制对多尺度的CNN卷积神经网络提取出的特征图重新分配权重其具体实现如下：

S31，针对步骤S2中生成的卷积神经网络特征提取图，分别使用平均值池化和最大值池化进行处理，分别生成1 x 1 x C的特征向量；

z_maxP＝max(u_c(i，j)) (6)

S32，S31中生成的特征向量，通过一个激励函数来激活每个通道的权重，激励函数如下：

s＝σ(W₂δ(W₁z)) (7)

其中，σ为sigmoid激活函数，δ为Relu函数，学习W1、W2两个权重。

S33，通过S22生成的两个一维激励权重相加后取平均值，生成最终的一维激励权重；

S34，通过S33生成的最终一维激励权重乘以最初的卷积神经网络提取的特征向量，就可以得到注意力机制处理后的特征图；

。

5.根据权利要求1所述的一种基于卷积神经网络的无人机单幅图像去雨方法，其特征在于，步骤S4中通过一个全连接层对多个通道的特征图进行拼接，构建出有雨图像和去雨图像之间的映射关系的具体实现方法为:

S41，搭建一个全连接层；

S42，将三个尺度通道提取出的特征向量输入全连接层；

S43，得到拼接后的组合特征向量。