CN107133935A - 一种基于深度卷积神经网络的单图像精细去雨方法 - Google Patents
一种基于深度卷积神经网络的单图像精细去雨方法 Download PDFInfo
- Publication number
- CN107133935A CN107133935A CN201710377210.6A CN201710377210A CN107133935A CN 107133935 A CN107133935 A CN 107133935A CN 201710377210 A CN201710377210 A CN 201710377210A CN 107133935 A CN107133935 A CN 107133935A
- Authority
- CN
- China
- Prior art keywords
- rain
- network
- test
- layer
- initially
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 8
- 238000011387 Li's method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的单图像精细去雨方法,首先通过初始去雨网络对输入的雨图进行背景纹理结构的提取、非线性映射和雨线区域复原,最终得到初步清晰的无雨图像,然后将初步清晰无雨图像和原始图像同时输入到具有单个卷积层的精细去雨网络,从而恢复背景区域的更多细节,最终得到高清晰去雨图像,本方法通过采用caffe框架,对初始去雨网络和精细去雨网络进行训练,以准确得到每个卷积层的参数,并且对有雨图像进行精细去雨处理,与传统卷积神经网络去雨方法相比,能得到更高质量的无雨图像,并且本方法实用性强,可广泛使用多个场景。
Description
技术领域
本发明涉及一种计算机视觉技术领域,尤其是一种基于深度卷积神经网络的单图像精细去雨方法。
背景技术
图像去雨是计算机视觉系统的重要模块,特别是对基于图像的决策应用,例如安全监视和机器人导航,图像去雨作为重要的预处理步骤,即使在极端雨天的环境中拍摄图像时,也期望恢复雨图中目标对象的视觉细节。
虽然在过去十年中已经提出了许多用于视频去噪的方法,但是由于动态视觉和时间提示不可用,它们不能直接扩展到单图像去噪问题。
最近,在单图像去雨问题中取得了显著的进步,其中,Kang等人提出通过字典学习和稀疏编码来检测和分离雨分量的方法获得了较好的结果,但是它不能处理具有复杂背景信息的雨图像;最具代表性的Luo等人基于非线性图层混合模型,可以通过有区别的稀疏编码恢复图像的雨层去雨结果,但它趋向于模糊图像的背景;类似的问题也在Li等人的方法中出现,Li等人基于雨线的先验信息,构建出高斯混合模型(GMM),进而去除雨线,复原背景,这些现有技术的图像求解方法将雨图形成为线性模型,并恢复具有不同特征或先验的雨层,然而,这种方法不能适应真实场景,因为雨对图像的物理影响通常是复杂的。
发明内容
针对现有技术的不足,本发明提供一种基于深度卷积神经网络的单图像精细去雨方法,通过精细去雨网络对图像进行颜色和背景细节调整,从而得到更高质量的无雨图像。
本发明的技术方案为:一种基于深度卷积神经网络的单图像精细去雨方法,其特征在于,包括以下步骤:
S1)、构建由初始去雨网络和精细去雨网络组成的卷积神经网络架构,其中,初始去雨网络包括三个卷积层,精细去雨网络包括一个卷积层,每个网络的卷积层具有相应的权值Wi和偏置值Bi;
S2)、获取一组清晰无雨图像集dtrain,并且对无雨图像集dtrain进行人工加雨处理得到有雨图像集Itrain,并将得到的无雨图像集dtrain、有雨图像集Itrain作为训练图像集;
S3)、对训练图像集Itrain、dtrain进行格式处理,并基于Caffe框架下训练得到初始去雨网络不同滤波器大小的卷积层的权值Wi(i=1,2,3)和偏置值Bi(i=1,2,3);
S4)、将有雨图像集Itrain输入到初始去雨网络中,从而得到初步清晰无雨数据集ftrain,并对有雨图像集Itrain、无雨数据集ftrain进行格式处理,然后基于Caffe框架下训练得到精细去雨网络卷积层的权值Wi(i=4)和偏置值Bi(i=4);
S5)、将步骤S3)、S4)中训练好的权值Wi(i=1,2,3,4)和偏置值Bi(i=1,2,3,4)应用于步骤S1)中构建的卷积神经网络架构中,从而得到更新权值Wi和偏置值Bi后的卷积神经网络架构;
S6)、获取一幅需要去雨处理的有雨图像Itest,将图像输入步骤S5)中更新权值和偏置值的卷积神经网络架构中,首先输入训练好的初始去雨网络中,产生初步清晰无雨图像ftest,然后将需要去雨处理图像Itest与产生的初步清晰的无雨图像ftest输入精细去雨网络中,经过单层卷积层对初步清晰无雨图像ftest进行调整,从而生成高质量无雨图像dfinal。
上述技术方案中,步骤S1)中所述的卷积神经网络架构结构如下:
Fn(I)=I,(n=0);
Fn(I)=max(0,WnFn-1(I)+Bn),(n=1,2);
Fw(I)=WnFn-1(I)+Bn),(n=3);
F-1(I)=WnU+Bn,(n=4);
其中,n表示层数,n的变化范围为0~4,表示从底层到顶层,I为输入的图像,Wn、Bn分别表示第n的权值和偏置值,Fn(I)表示初始去雨网络第n层的输出,其采用ReLU激活函数,F-1(I)表示精细去雨网络的输出,U={F3(I),I}。
上述技术方案中,步骤S3)中,所述的格式处理包括分别从训练图像集中的有雨图像集和无雨图像集中随机选择k个有雨子图像和k个无雨子图像,
并通过训练得到初始去雨网络不同滤波器大小的卷积层的权值Wi(i=1,2,3)和偏置值Bi(i=1,2,3);
其中,m为训练图像集的数量,Ji表示第i个无雨子图像,Ii表示第i个有雨子图像。
上述技术方案中,步骤S4)中,将初步清晰无雨数据集ftrain中选择k个初步清晰无雨子图像,并通过训练得到精细去雨网络卷积层的权值Wi(i=4)和偏置值Bi(i=4);
其中,Ti表示第i个初步清晰无雨子图像。
上述技术方案中,步骤S6)中,将去雨图像Itest输入卷积神经网络架构中具体包括以下步骤:
S601)、将去雨图像Itest输入初始去雨网络的第一层卷积层中,从而提取去雨图像Itest的背景纹理结构,其中,第一层卷积层采用11×11滤波器,具体为:
F1(Itest)=max(0,W1Itest+B1),
其中,W1和B1为初始去雨网络的第一层卷积层的权值和偏置值;
S602)、将初始去雨网络的第一层卷积层输出的背景纹理结构信息输入初始去雨网络的第
二层卷积层进一步非线性映射,其中,第二层卷积层采用3×3滤波器,具体为:
F2(Itest)=max(0,W2F1(Itest)+B2),
其中,W2和B2为初始去雨网络的第二层卷积层的权值和偏置值;
S603)、通过初始去雨网络的第三层卷积对S602)中输出的结果进行雨线区域的复原,输出得到初步清晰无雨图像ftest,其中,第三层卷积层采用的滤波器大小为7×7,具体为:
ftest=F3(Itest)=W3F2(Itest)+B3),
其中,W3和B3为初始去雨网络的第三层卷积层的权值和偏置值;
S604)、将初步清晰无雨图像ftest和有雨图像Itest输入精细去雨网络中以恢复初步清晰无雨图像ftest中平滑背景区域的更多细节,并对初步清晰无雨图像ftest的色彩进行调整,最终生成高质量清晰无雨图像dfinal,其中,其采用的滤波器大小为5×5,具体为:
dfinal=F-1(Itest)=W4U+B4,
其中,W4和B4为精细去雨网络的权值和偏置值,U={ftest,Itest}。
本发明的有益效果为:1)、通过直接对无雨图像进行建模,取代了传统方法里对雨层建模的方法,不仅效率更高,而且复原后得到的无雨图像更为清晰;
2)、与简单的去雨神经网络相比,本方法具有更深度的单层卷积精细去雨网络,初步清晰无雨图通过与原始有雨图结合进行卷积运算,恢复了去雨后更多的背景细节,同时对图像色彩进行调整,从而获得更高质量的清晰无雨图;
3)、在卷积层上采用ReLU的激活函数,与其他激活函数相比,自动引入稀疏性,加速了收敛性,并且克服了梯度消失问题;
4)、与现有的图像去雨方法比较,本方法可以很好地恢复来自合成和现实世界雨图像的清晰的图像,在定性上能更多地恢复背景信息,从而提高了图像的视觉效果,在定量上,所引入的峰值信噪比(PNSR)和结构相似性(SSIM)两个指标均优于现有的技术,表明有雨图像的去雨效果性能更优越。
附图说明
图1为本发明卷积神经网络架构的结构图;
图2为本发明的流程示意图;
图3为本发明自然有雨图像与去雨结果的对比图。图中,从左至右依次为自然有雨图像、去雨后的效果图、去雨效果图的局部放大图;
图4为Luo方法自然有雨图像与去雨结果的对比图。图中,从左至右依次为自然有雨图像、去雨后的效果图、去雨效果图的局部放大图;
图5为Li方法自然有雨图像与去雨结果的对比图。图中,从左至右依次为自然有雨图像、去雨后的效果图、去雨效果图的局部放大图;
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1和图2所示,一种基于深度卷积神经网络的单图像精细去雨方法,其特征在于,包括以下步骤:
S1)、构建由初始去雨网络和精细去雨网络组成的卷积神经网络架构,其中,初始去雨网络包括三个卷积层,精细去雨网络包括一个卷积层,每个网络的卷积层具有相应的权重和偏置值Wi、Bi,所述的卷积神经网络架构为:
Fn(I)=I,(n=0);
Fn(I)=max(0,WnFn-1(I)+Bn),(n=1,2);
Fw(I)=WnFn-1(I)+Bn),(n=3);
F-1(I)=WnU+Bn,(n=4);
其中,n表示层数,n的变化范围为0~4,表示从底层到顶层,I为输入的图像,Wn、Bn分别表示第n的权值和偏置值,Fn(I)表示初始去雨网络第n层的输出,F-1(I)表示精细去雨网络的输出,U={F3(I),I};
S2)、获取一组无雨图像集dtrain,然后采用Photoshop对无雨图像集dtrain进行人工加雨得到相应的有雨图像集Itrain,并将得到的有雨图像集Itrain、无雨图像集dtrain作为训练图像集,
本实施例主要是通过Google和Flickr获取75幅清晰的无雨图像作为无雨图像集dtrain;
S3)、对训练图像集Itrain、dtrain进行格式处理,从而分别从训练图像集中的有雨图像集Itrain和无雨图像集dtrain中随机选择k个有雨子图像和k个无雨子图像,并基于Caffe框架下训练得到初始去雨网络不同滤波器大小的卷积层的权值Wi(i=1,2,3)和偏置值Bi(i=1,2,3),具体为:
其中,m为训练图像集的数量,Ji表示第i个无雨子图像,Ii表示第i个有雨子图像,并且Caffe框架下进行学习率为0.001的1000000次迭代;
S4)、将有雨图像集Itrain输入到初始去雨网络中,从而得到初步清晰无雨数据集ftrain,并对有雨图像集Itrain、无雨数据集ftrain进行格式处理,从而从初步清晰无雨数据集ftrain中选择k个初步清晰无雨子图像,然后将k个初步清晰无雨子图像与k个有雨子图像基于Caffe框架下训练得到精细去雨网络卷积层的权值Wi(i=4)和偏置值Bi(i=4),具体为:
其中,Ti表示第i个初步清晰无雨子图像,并且Caffe框架下进行学习率为0.001的1000000次迭代;
S5)、将步骤S3)、S4)中训练好的权值Wi(i=1,2,3,4)和偏置值Bi(i=1,2,3,4)应用于步骤S1)中构建的卷积神经网络架构中,从而得到更新权值Wi和偏置值Bi后的卷积神经网络架构,从而通过权值和偏置值提取与雨相关的纹理结构特征以及进一步进行非线性映射;
S6)、获取一幅需要去雨处理的有雨图像Itest,将图像输入步骤S5)中更新权值和偏置值的卷积神经网络架构中,首先输入训练好的初始去雨网络中,产生初步清晰无雨图像ftest,然后将需要去雨处理图像Itest与产生的初步清晰的无雨图像ftest输入精细去雨网络中,经过单层卷积层对初步清晰无雨图像ftest进行调整,从而生成高质量无雨图像dfinal,如图3所示。
上述技术方案中,步骤S6)中,将去雨图像Itest输入卷积神经网络架构中具体包括以下步骤:
S601)、将去雨图像Itest输入初始去雨网络的第一层卷积层中,从而提取去雨图像Itest的背景纹理结构,其中,第一层卷积层采用11×11滤波器,具体为:
F1(Itest)=max(0,W1Itest+B1),
其中,W1和B1为初始去雨网络的第一层卷积层的权值和偏置值;
S602)、将初始去雨网络的第一层卷积层输出的背景纹理结构信息输入初始去雨网络的第
二层卷积层进一步非线性映射,其中,第二层卷积层采用3×3滤波器,具体为:
F2(Itest)=max(0,W2F1(Itest)+B2),
其中,W2和B2为初始去雨网络的第二层卷积层的权值和偏置值;
S603)、通过初始去雨网络的第三层卷积对S602)中输出的结果进行雨线区域的复原,输出得到初步清晰无雨图像ftest,其中,第三层卷积层采用的滤波器大小为7×7,具体为:
ftest=F3(Itest)=W3F2(Itest)+B3),
其中,W3和B3为初始去雨网络的第三层卷积层的权值和偏置值;
S604)、将初步清晰无雨图像ftest和有雨图像Itest输入精细去雨网络中以恢复初步清晰无雨图像ftest中平滑背景区域的更多细节,并对初步清晰无雨图像ftest的色彩进行调整,最终生成高质量清晰无雨图像dfinal,其中,其采用的滤波器大小为5×5,具体为:
dfinal=F-1(Itest)=W4U+B4,
其中,W4和B4为精细去雨网络的权值和偏置值,U={ftest,Itest}。
其中,图4和图5分别为Luo方法和Li方法去雨的效果图,通过与图3对比可知,本方法去雨的效果最好,与真实无雨效果图最为接近,在去除雨线的同时,恢复了去雨后更多的背景细节,同时对图像色彩进行调整,可以保持与原图像更接近的色彩,从而获得更高质量的清晰无雨图像,其中,结构相似性(SSIM)、峰值信噪比(PNSR)是用以衡量两张图像相似度的指标,其值越大,表示相似度越高,最大值为1,峰值信噪比(PNSR)值越大,表示处理后的图片与原图像越接近,其中,结构相似性(SSIM)、峰值信噪比(PNSR)的对比参见表1。
表1
Metric | Luo方法 | Li方法 | 本方法 |
PSNR | 28.95dB | 32.21dB | 33.02dB |
SSIM | 0.8836 | 0.9442 | 0.9470 |
主要通过与Luo方法和Li方法进行对比,从表1中可以看出,本方法的结构相似性
(SSIM)、峰值信噪比(PNSR)值均大于Luo方法和Li方法,表明本发明所提的算法皆取得了最大值,即得到了最好的去雨效果。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种基于深度卷积神经网络的单图像精细去雨方法,其特征在于,包括以下步骤:
S1)、构建由初始去雨网络和精细去雨网络组成的卷积神经网络架构,其中,初始去雨网络包括三个卷积层,精细去雨网络包括一个卷积层,每个网络的卷积层具有相应的权值Wi和偏置值Bi;
S2)、获取一组清晰无雨图像集dtrain,并且对无雨图像集dtrain进行人工加雨处理得到有雨图像集Itrain,并将得到的无雨图像集dtrain、有雨图像集Itrain作为训练图像集;
S3)、对训练图像集Itrain、dtrain进行格式处理,并基于Caffe框架下训练得到初始去雨网络不同滤波器大小的卷积层的权值Wi(i=1,2,3)和偏置值Bi(i=1,2,3);
S4)、将有雨图像集Itrain输入到初始去雨网络中,从而得到初步清晰无雨数据集ftrain,并对有雨图像集Itrain、初步清晰无雨数据集ftrain进行格式处理,然后基于Caffe框架下训练得到精细去雨网络卷积层的权值Wi(i=4)和偏置值Bi(i=4);
S5)、将步骤S3)、S4)中训练好的权值Wi(i=1,2,3,4)和偏置值Bi(i=1,2,3,4)应用于步骤S1)中构建的卷积神经网络架构中,从而得到更新权值Wi和偏置值Bi后的训练好的卷积神经网络架构;
S6)、获取一幅需要去雨处理的有雨图像Itest,将有雨图像Itest输入步骤S5)中更新权值和偏置值的训练好的卷积神经网络架构中,首先输入训练好的初始去雨网络中,产生初步清晰无雨图像ftest,然后将需要去雨处理的有雨图像Itest与产生的初步清晰的无雨图像ftest输入精细去雨网络中,经过单层卷积层对初步清晰无雨图像ftest进行调整,从而生成高质量的清晰的无雨图像dfinal。
2.根据权利要求1所述的一种基于深度卷积神经网络的单图像精细去雨方法,其特征在于:步骤S1)中所述的卷积神经网络架构结构如下:
Fn(I)=I,(n=0);
Fn(I)=max(0,WnFn-1(I)+Bn),(n=1,2);
Fw(I)=WnFn-1(I)+Bn),(n=3);
F-1(I)=WnU+Bn,(n=4);
其中,n表示层数,n的变化范围为0~4,表示从底层到顶层,I为输入的图像,Wn、Bn分别表示第n的权值和偏置值,Fn(I)表示初始去雨网络第n层的输出,其采用ReLU激活函数,F-1(I)表示精细去雨网络的输出,U={F3(I),I}。
3.根据权利要求1所述的一种基于深度卷积神经网络的单图像精细去雨方法,其特征在于:步骤S3)中,所述的格式处理主要为分别从训练图像集中的有雨图像集和无雨图像集中随机选择k个有雨子图像和k个无雨子图像,
然后通过训练得到初始去雨网络不同滤波器大小的卷积层的权值Wi(i=1,2,3)和偏置值Bi(i=1,2,3);
其中,m为训练图像集的数量,Ji表示第i个无雨子图像,Ii表示第i个有雨子图像。
4.根据权利要求1所述的一种基于深度卷积神经网络的单图像精细去雨方法,其特征在于:步骤S4)中,将初步清晰无雨数据集ftrain中选择k个初步清晰无雨子图像,并通过训练得到精细去雨网络卷积层的权值Wi(i=4)和偏置值Bi(i=4);
其中,Ti表示第i个初步清晰无雨子图像。
5.根据权利要求1所述的一种基于深度卷积神经网络的单图像精细去雨方法,其特征在于:步骤S6)中,将去雨图像Itest输入卷积神经网络架构中具体包括以下步骤:
S601)、将去雨图像Itest输入初始去雨网络的第一层卷积层中,从而提取去雨图像Itest的背景纹理结构,其中,第一层卷积层采用11×11滤波器,具体为:
F1(Itest)=max(0,W1Itest+B1),
其中,W1和B1为初始去雨网络的第一层卷积层的权值和偏置值;
S602)、将初始去雨网络的第一层卷积层输出的背景纹理结构信息输入初始去雨网络的第二层卷积层进一步非线性映射,其中,第二层卷积层采用3×3滤波器,具体为:
F2(Itest)=max(0,W2F1(Itest)+B2),
其中,W2和B2为初始去雨网络的第二层卷积层的权值和偏置值;
S603)、通过初始去雨网络的第三层卷积对S602)中输出的结果进行雨线区域的复原,输出得到初步清晰无雨图像ftest,其中,第三层卷积层采用的滤波器大小为7×7,具体为:
ftest=F3(Itest)=W3F2(Itest)+B3),
其中,W3和B3为初始去雨网络的第三层卷积层的权值和偏置值;
S604)、将初步清晰无雨图像ftest和有雨图像Itest输入精细去雨网络中以恢复初步清晰无雨图像ftest中平滑背景区域的更多细节,并对初步清晰无雨图像ftest的色彩进行调整,最终生成高质量清晰无雨图像dfinal,其中,其采用的滤波器大小为5×5,具体为:dfinal=F-1(Itest)=W4U+B4,
其中,W4和B4为精细去雨网络的权值和偏置值,U={ftest,Itest}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710377210.6A CN107133935B (zh) | 2017-05-25 | 2017-05-25 | 一种基于深度卷积神经网络的单图像精细去雨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710377210.6A CN107133935B (zh) | 2017-05-25 | 2017-05-25 | 一种基于深度卷积神经网络的单图像精细去雨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133935A true CN107133935A (zh) | 2017-09-05 |
CN107133935B CN107133935B (zh) | 2019-07-02 |
Family
ID=59732813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710377210.6A Active CN107133935B (zh) | 2017-05-25 | 2017-05-25 | 一种基于深度卷积神经网络的单图像精细去雨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133935B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
CN108520501A (zh) * | 2018-03-30 | 2018-09-11 | 西安交通大学 | 一种基于多尺度卷积稀疏编码的视频去雨雪方法 |
CN108537761A (zh) * | 2018-04-18 | 2018-09-14 | 广东工业大学 | 一种图像去雨模型的训练方法、装置及图像去雨方法 |
CN108648159A (zh) * | 2018-05-09 | 2018-10-12 | 华南师范大学 | 一种图像去雨方法及系统 |
CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
CN108900841A (zh) * | 2018-07-10 | 2018-11-27 | 中国科学技术大学 | 基于图像去雨算法的视频编码方法 |
CN109360155A (zh) * | 2018-08-17 | 2019-02-19 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
CN110310238A (zh) * | 2019-06-18 | 2019-10-08 | 华南农业大学 | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 |
CN110390654A (zh) * | 2019-07-29 | 2019-10-29 | 华侨大学 | 一种针对去雨图像的多级迭代协同表示的后处理方法 |
CN110517199A (zh) * | 2019-08-26 | 2019-11-29 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
CN110557521A (zh) * | 2018-05-30 | 2019-12-10 | 北京大学 | 视频去雨的方法、装置、设备及计算机可读存储介质 |
CN111127354A (zh) * | 2019-12-17 | 2020-05-08 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
CN111145112A (zh) * | 2019-12-18 | 2020-05-12 | 华东师范大学 | 一种基于残差对抗细化网络的两阶段图像去雨方法及系统 |
CN111861935A (zh) * | 2020-07-29 | 2020-10-30 | 天津大学 | 一种基于图像修复技术的去雨方法 |
CN112541880A (zh) * | 2020-12-07 | 2021-03-23 | 南昌航空大学 | 基于深度学习分支图像去雨系统及控制方法 |
TWI734598B (zh) * | 2020-08-26 | 2021-07-21 | 元智大學 | 影像雨紋去除方法 |
CN113450288A (zh) * | 2021-08-04 | 2021-09-28 | 广东工业大学 | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 |
CN114638768A (zh) * | 2022-05-19 | 2022-06-17 | 武汉大学 | 一种基于动态关联学习网络的图像去雨方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204499A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于卷积神经网络的单幅图像去雨方法 |
CN106504204A (zh) * | 2016-10-12 | 2017-03-15 | 天津大学 | 一种基于稀疏表示的单幅图像去雨方法 |
-
2017
- 2017-05-25 CN CN201710377210.6A patent/CN107133935B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204499A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于卷积神经网络的单幅图像去雨方法 |
CN106504204A (zh) * | 2016-10-12 | 2017-03-15 | 天津大学 | 一种基于稀疏表示的单幅图像去雨方法 |
Non-Patent Citations (2)
Title |
---|
XUEYANG FU, JIABIN HUANG,ET.AL.: """Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal", 《IEEE TRANSACTIONS ON IMAGE PROCESSING,》 * |
麦嘉铭,王美华,梁云,蔡瑞初: "特征学习的单幅图像去雾算法", 《中国图象图形学报》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909556B (zh) * | 2017-11-27 | 2021-11-23 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
CN108520501A (zh) * | 2018-03-30 | 2018-09-11 | 西安交通大学 | 一种基于多尺度卷积稀疏编码的视频去雨雪方法 |
CN108537761A (zh) * | 2018-04-18 | 2018-09-14 | 广东工业大学 | 一种图像去雨模型的训练方法、装置及图像去雨方法 |
CN108648159A (zh) * | 2018-05-09 | 2018-10-12 | 华南师范大学 | 一种图像去雨方法及系统 |
CN108648159B (zh) * | 2018-05-09 | 2022-02-11 | 华南师范大学 | 一种图像去雨方法及系统 |
CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
CN110557521B (zh) * | 2018-05-30 | 2020-12-04 | 北京大学 | 视频去雨的方法、装置、设备及计算机可读存储介质 |
CN110557521A (zh) * | 2018-05-30 | 2019-12-10 | 北京大学 | 视频去雨的方法、装置、设备及计算机可读存储介质 |
CN108900841B (zh) * | 2018-07-10 | 2020-01-03 | 中国科学技术大学 | 基于图像去雨算法的视频编码方法 |
CN108900841A (zh) * | 2018-07-10 | 2018-11-27 | 中国科学技术大学 | 基于图像去雨算法的视频编码方法 |
CN109360155B (zh) * | 2018-08-17 | 2020-10-13 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
CN109360155A (zh) * | 2018-08-17 | 2019-02-19 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
CN110310238A (zh) * | 2019-06-18 | 2019-10-08 | 华南农业大学 | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 |
CN110390654A (zh) * | 2019-07-29 | 2019-10-29 | 华侨大学 | 一种针对去雨图像的多级迭代协同表示的后处理方法 |
CN110390654B (zh) * | 2019-07-29 | 2022-11-01 | 华侨大学 | 一种针对去雨图像的多级迭代协同表示的后处理方法 |
CN110517199A (zh) * | 2019-08-26 | 2019-11-29 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
CN110517199B (zh) * | 2019-08-26 | 2022-03-08 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
CN111127354A (zh) * | 2019-12-17 | 2020-05-08 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
CN111145112B (zh) * | 2019-12-18 | 2023-05-12 | 华东师范大学 | 一种基于残差对抗细化网络的两阶段图像去雨方法及系统 |
CN111145112A (zh) * | 2019-12-18 | 2020-05-12 | 华东师范大学 | 一种基于残差对抗细化网络的两阶段图像去雨方法及系统 |
CN111861935B (zh) * | 2020-07-29 | 2022-06-03 | 天津大学 | 一种基于图像修复技术的去雨方法 |
CN111861935A (zh) * | 2020-07-29 | 2020-10-30 | 天津大学 | 一种基于图像修复技术的去雨方法 |
TWI734598B (zh) * | 2020-08-26 | 2021-07-21 | 元智大學 | 影像雨紋去除方法 |
CN112541880A (zh) * | 2020-12-07 | 2021-03-23 | 南昌航空大学 | 基于深度学习分支图像去雨系统及控制方法 |
CN113450288B (zh) * | 2021-08-04 | 2022-09-06 | 广东工业大学 | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 |
CN113450288A (zh) * | 2021-08-04 | 2021-09-28 | 广东工业大学 | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 |
CN114638768A (zh) * | 2022-05-19 | 2022-06-17 | 武汉大学 | 一种基于动态关联学习网络的图像去雨方法、系统及设备 |
CN114638768B (zh) * | 2022-05-19 | 2022-08-09 | 武汉大学 | 一种基于动态关联学习网络的图像去雨方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107133935B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133935B (zh) | 一种基于深度卷积神经网络的单图像精细去雨方法 | |
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
WO2021184891A1 (zh) | 遥感影像地物分类方法及系统 | |
CN108510485B (zh) | 一种基于卷积神经网络的无参照图像质量评估方法 | |
CN107492070B (zh) | 一种双通道卷积神经网络的单图像超分辨率计算方法 | |
CN111784602B (zh) | 一种生成对抗网络用于图像修复的方法 | |
CN105574827B (zh) | 一种图像去雾的方法、装置 | |
CN110363716A (zh) | 一种基于条件生成对抗网络复合降质图像高质量重建方法 | |
CN106204499A (zh) | 基于卷积神经网络的单幅图像去雨方法 | |
CN110097519A (zh) | 基于深度学习的双监督图像去雾方法、系统、介质和设备 | |
CN109087273A (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
Tang et al. | Single image dehazing via lightweight multi-scale networks | |
CN112365414B (zh) | 一种基于双路残差卷积神经网络的图像去雾方法 | |
CN106296567B (zh) | 一种基于稀疏表示的多层次图像风格的转换方法及装置 | |
CN113344806A (zh) | 一种基于全局特征融合注意力网络的图像去雾方法与系统 | |
CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
CN110717921B (zh) | 改进型编码解码结构的全卷积神经网络语义分割方法 | |
CN110458085A (zh) | 基于注意力增强三维时空表征学习的视频行为识别方法 | |
CN116152120A (zh) | 一种融合高低频特征信息的低光图像增强方法及装置 | |
CN107730453A (zh) | 图像质量提升方法 | |
CN114331831A (zh) | 一种轻量化的单张图像超分辨率重建方法 | |
CN108876728B (zh) | 基于残差学习的单幅图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |