基于卷積神經(jīng)網(wǎng)絡的單幅圖像去雨.pdf

1、受惡劣天氣的影響，室外視覺系統(tǒng)所獲得的圖像會劣化。雨是常見的惡劣天氣之一，目前國內外關于去雨的問題已有一些解決的方案，但大多關注于視頻去雨。由于該類方法是以豐富的時空相關信息為前提，因而并不適用于單幅圖像去雨。近年來，單幅圖像去雨的研究逐漸受到重視，然而現(xiàn)有方法需要在去雨效果和圖像清晰度之間折中且計算效率低下，難以滿足實際應用需求。
　　為此，本文針對單幅圖像去雨，基于變分法和卷積神經(jīng)網(wǎng)絡提出三種新的單幅圖像去雨算法，主要研究內容

2、及成果如下:
　　1.提出基于梯度l0正則化的單幅圖像去雨算法。首先設計一個引導l0平滑濾波器實現(xiàn)初步去雨。該濾波器在保證輸出圖像與輸入圖像一致性的前提下，引入梯度l0正則項，使其根據(jù)引導圖像的梯度大小平滑輸出圖像。而后在該初步去雨圖像與有雨圖像間取最小值，得到無雨圖像。
　　2.提出基于梯度修正的單幅圖像去雨算法。該算法針對基于梯度l0正則化的單幅圖像去雨算法迭代過程中，引導圖像細節(jié)丟失的問題，提出一個新的能量函數(shù)。該算法

3、認為雨的信息基本包含在水平梯度中，因而求取水平梯度及垂直梯度后，運用引導濾波平滑水平梯度圖，與垂直梯度相加，得到無雨的參考梯度圖像。再以此無雨梯度圖像作為先驗，構造新的能量函數(shù)。最終通過變分法求解得到去雨圖像。該算法保留了更多的背景信息。
　　3.提出基于卷積神經(jīng)網(wǎng)絡的單幅圖像去雨算法?，F(xiàn)有的單幅圖像去雨算法只能分析底層圖像較小鄰域內的特征，在清晰度與去雨間折中。深度學習能模仿人的大腦皮層，從底層圖像中提取高層語義，并通過權重提取

4、相應的特征，選取不同的形態(tài)成分。因而本文引入卷積神經(jīng)網(wǎng)絡，訓練得到一個適用于去雨的濾波系統(tǒng)。該系統(tǒng)可以實現(xiàn)有雨圖像到無雨圖像的端到端的非線性映射，在去雨和保持圖像清晰度方面達到了很好的綜合效果。
　　4.建立訓練卷積神經(jīng)網(wǎng)絡的圖像庫。為了實現(xiàn)卷積神經(jīng)網(wǎng)絡的訓練，本文通過screen blend model對干凈的清晰圖像人工加雨，形成相應的有雨圖像與無雨圖像對，建立了訓練神經(jīng)網(wǎng)絡的圖像庫。相關實驗表明，這種仿真獲得的訓練庫訓練所得