[发明专利]基于深度卷积神经网络单图像去雨方法、系统和存储介质

权利要求书

1.一种基于深度卷积神经网络单图像去雨方法，其特征在于，所述方法包括以下步骤：

获取含有大量干净无雨图像和对应的合成雨图像作为一个样本对的训练图像集；

构建网络模型，所述网络模型包括雨层分离子网络和细节修复子网络；

将所述训练图像集进行预处理，得到预处理训练集，输入所述网络模型中进行训练，获得训练好的去雨网络模型；

将需要去雨图像输入训练好的去雨网络模型中，获得去雨图像；

所述雨层分离子网络由两个卷积层、一个残差块和七个引入通道注意力的空洞卷积模块构成，用于分离雨层及初步重建背景层；

所述细节修复子网络由两个卷积层、一个残差块和五个引入注意力的多尺度特征融合模块构成，用于修复移除雨层后背景层丢失的细节；

所述将所述训练图像集进行预处理，得到预处理训练集，输入所述网络模型中进行训练，获得训练好的去雨网络模型，具体为：

对训练图像集进行预处理，然后将雨图像输入雨层分离子网络，得到分离的雨层图像和初步重建的背景层图像，表示如下，

R_i＝RainNet(O_i),

其中O_i表示训练图像集中的第i张雨图像，RainNet(·)为雨层分离子网络，R_i为从第i张雨图像中分离出来的雨层图像，为初步重建出来的背景层图像；

选择损失函数为MSE损失函数，以最小化此损失函数为训练目标，损失函数表达式如下，

其中，θ_r为雨层分离子网络的网络参数，B_i为O_i所对应的干净图像；

通过雨层图像生成雨纹位置信息的注意力映射，其表示如下，

其中A_i为根据第i张雨层图像生成的注意力映射，σ(·)表示Sigmoid激活函数，所述Sigmoid激活函数将特征图的每个像素点的值映射到(0,1)的区间，形成注意力权重，其公式定义如下，

其中，x为Sigmoid激活函数的输入；

与初步重建的背景层 图像一同输入细节修复子网络，可表示如下，

其中为对应第i张雨图像生成的无雨图像，DetailNet(·)为细节修复子网络，Cat[·]为通道维度的拼接操作；

选择的损失函数为Charbonnier损失函数，以最小化此损失函数为训练目标，损失函数表达式如下，

其中θ_d为细节修复子网络的网络参数，ε为使数值稳定的极小常量，设置为10^-3，因此整个网络模型的损失函数可表示为

Loss_total＝λ₁Loss₁+λ₂Loss₂

其中λ₁，λ₂为调节两部分损失函数的权重系数。

2.根据权利要求1所述的一种基于深度卷积神经网络单图像去雨方法，其特征在于，所述雨层分离子网络具体为：

所述雨层分离子网络的浅层由一个卷积层和一个残差块组成，用于初步得到输入雨图的浅层特征表示F_shallow，表示为，

F_shallow＝Res(Conv_3x3(O))

其中，Res(·)为标准残差块，Conv_3x3(·)则是卷积核大小为3的卷积层，O为雨图像，然后级联七个相同的引入通道注意力的空洞卷积模块，所述空洞卷积模块由三个卷积核大小为3，空洞分别为1，3，5的空洞卷积层，一个卷积核大小为1的卷积层和一个通道注意力加权操作模块组成，表示为，

DCCA＝

SE(Conv_1x1(Cat[Conv_K3D1(F),Conv_K3D3(F),Conv_K3D5(F)])),

其中F为输入的特征图，Conv_KxDy(·)为卷积核K的大小为x,空洞D的大小为y的卷积层，Cat[·]为通道维度的拼接操作，SE为通道注意力加权操作模块。