[发明专利]一种图像去雨方法及系统

说明书

本发明涉及一种图像去雨方法及系统，包括步骤S1：构建图像训练数据库；其中，图像训练数据库中包括多对无雨‑有雨‑纯雨纹图像对；步骤S2：根据图像训练数据库中的无雨‑有雨‑纯雨纹图像对，构建用于去雨的孪生卷积网络结构；步骤S3：将待去雨图像进行滤波处理，获取待去雨图像的高频信息和低频信息；步骤S4：将待去雨图像的高频信息输入到用于去雨的孪生卷积网络结构中，得到对应的无雨图像的高频信息；再将获得的无雨图像的高频信息加上有雨图像的低频信息，得到对应的无雨图像。通过无雨‑有雨‑纯雨纹图像对构建孪生卷积网络结构，简化了运算，构建处理速度快，实时性高，而且通过构建孪生卷积网络结构可获得清晰的无雨图像，鲁棒性高。

技术领域

本发明涉及图像处理领域，特别是涉及一种图像去雨方法及系统。

背景技术

随着现代信息技术的快速发展，人们希望获取更加清晰的图像，为此，通常需要去除图像中的雨纹。

传统的图像去雨方法，主要采用基于稀疏字典学习的方法，这种方法的核心是从合成的雨图库中学习获得一个目标雨纹稀疏字典，通过该目标雨纹稀疏字典来区分雨纹和背景图像。但是，这种方法需要不断引入新的目标特征来增加字典分类的区分度，增加了算法的复杂度，运算耗时长，实时性低。

发明内容

基于此，本发明的目的在于，提供一种图像去雨方法，其具有简化运算，构建处理速度快、实时性高的优点。

一种图像去雨方法，包括如下步骤：

步骤S1：构建图像训练数据库；其中，图像训练数据库中包括多对无雨-有雨-纯雨纹图像对；

步骤S2：根据图像训练数据库中的无雨-有雨-纯雨纹图像对，构建用于去雨的孪生卷积网络结构；

步骤S3：将待去雨图像进行滤波处理，获取待去雨图像的高频信息和低频信息；

步骤S4：将待去雨图像的高频信息输入到用于去雨的孪生卷积网络结构中，得到对应的无雨图像的高频信息；再将获得的无雨图像的高频信息加上有雨图像的低频信息，得到对应的无雨图像；

所述用于去雨的孪生卷积网络结构包括用于检测雨纹的第一层网络结构和用于去除雨纹的第二层网络结构；

所述构建用于去雨的孪生卷积网络结构包括如下步骤：

步骤S21：将图像训练数据库中的每张图像均进行滤波处理，获取每张图像中的高频信息；

步骤S22：初始化第一层网络结构、第二层网络结构的网络参数、第一层网络结构的训练次数和第二层网络结构的训练次数、以及用于去雨的孪生卷积网络结构的构建次数；

步骤S23：以无雨-有雨-纯雨纹图像对作为一组训练样本，将该组训练样本中有雨图像的高频信息作为输入信息输入到第一层网络结构中，以输出纯雨纹图像的高频信息，且将第一层网络结构的训练次数增加1；

步骤S24：判断第一层网络结构的训练次数是否满足第一设定条件，若满足，则继续步骤S25，以训练第二层网络结构；否则，反向传播更新第一层网络结构中的网络参数，并取下一组训练样本，回到步骤S23，以继续训练第一层网络结构；

步骤S25：以无雨-有雨-纯雨纹图像对作为一组训练样本，将该组训练样本中有雨图像的高频信息作为输入信息输入到第一层网络结构中，以输出纯雨纹图像的高频信息；再将第一层网络结构输出的纯雨纹图像的高频信息输入到第二层网络结构中，以输出无雨图像的高频信息；且将第二层网络结构的训练次数增加1；

步骤S26：判断第二层网络结构的训练次数是否满足第二设定条件，若满足，则判定完成一次用于去雨的孪生卷积网络结构的构建，且将用于去雨的孪生卷积网络结构的构建次数增加1，继续步骤S27；否则，反向传播更新第二层网络结构中的网络参数，并取下一组训练样本，回到步骤S25，以继续训练第二层网络结构；