[发明专利]一种适用于电力设备机巡图像去雨滴的方法及系统

说明书

本发明涉及一种适用于电力设备机巡图像去雨滴的方法及系统，具体包括以下步骤：构建生成对抗网络，包括生成网络与判别网络；在训练阶段，利用生成网络和判别网络之间的相互博弈，在注意力图的引导下使生成网络生成符合条件的去雨滴图像；在使用阶段，将包含雨滴的图像输入训练好的生成器中，得到去雨滴图像。

技术领域

本发明涉及电力工程技术领域，特别是一种适用于电力设备机巡图像去雨滴的方法及系统。

背景技术

无人机巡检图像是无人机巡检中最重要的信息载体，通过对机巡图像的目标检测和故障定位可以达到智能化巡检的目的。无人机在野外巡线的过程中有时摄像头上会有雨滴存在，雨滴会覆盖背景图像中目标物体信息，降低图像质量。雨滴使得电力设备成像时吸收了更广泛的环境光线，这些折射光线与目标物体反射光线叠加造成了图像的退化。另外无人机巡线拍照时相机应该聚焦在电力设备上，而雨滴的存在会影响相机的聚焦使得图像背景虚化，图像细节信息损失严重，对含雨滴机巡图像的后续操作会异常困难。因此雨滴的存在会导致拍摄的机巡图像质量参差不齐，从而会对图像信息提取和利用造成影响，使得目标检测的准确性和可靠性降低。

单幅图像去雨滴是图像处理领域中一项极其复杂的技术，国内外开展相关技术研究的时间不太久现有方法不多，大致可以分为传统去雨滴方法和基于CNN网络的去雨滴方法，传统去雨滴方法又分为基于滤波的方法和基于字典学习加稀疏编码的方法，其中滤波法包括引导滤波法、改进引导滤波法、多次引导滤波法、LO平滑滤波法、非均值滤波法等。滤波法生成的去雨滴图像较为模糊，且存在部分雨滴无法去除的问题。2013年，卷积神经网络首次用于图像去雨滴，构建一个包含有雨滴/无雨滴图像对的样本库，利用步长为1的滑动窗口对相应图像进行分割，然后利用对应图像块之间的均方误差进行网络训练，最终获得能够去雨滴的卷积神经网络模型。

通过对现有图像去雨滴方法进行研究发现，目前传统的去雨滴方法大多是基于模型去雨滴，利用传统的模型分别描述雨滴、雨线和背景图像，通过相应的优化算法一步步迭代优化去除雨滴。传统方法对于雨滴密集的图像处理效果很差，被雨滴覆盖区域的背景图像不能精细修复。而基于卷积神经网络的去雨滴方法能够充分提取图像的特征信息，利用此方法实现图像去雨滴的效果明显优于传统方法。但随着网络深度的增加，网络容易出现过拟合现象，去雨滴效果很难有进一步的提高。

发明内容

有鉴于此，本发明的目的是提出一种适用于电力设备机巡图像去雨滴的方法及系统，使得得到的去雨滴图像更加接近真实图像。

本发明采用以下方案实现：一种适用于电力设备机巡图像去雨滴的方法，具体包括以下步骤：

构建生成对抗网络，包括生成网络与判别网络；

在训练阶段，利用生成网络和判别网络之间的相互博弈，在注意力图的引导下使生成网络生成符合条件的去雨滴图像；

在使用阶段，将包含雨滴的图像输入训练好的生成器中，得到去雨滴图像。

进一步地，所述生成对抗网络的整体损失函数为：

式中，G代表生成网络，D代表判别网络，I是含雨滴图像，R是不含雨滴的真实样本，G(I)是去雨滴后的图像，E_{R Pclean}表示在不含雨滴图像中的图像细节损失量，E_{I Praindrop}表示在含雨滴图像中的图像细节损失量。

进一步地，生成网络的输入是背景场景完全相同的图像对，包含一张含雨滴的图像和一张不含雨滴的图像，输出为去雨滴图像；所述生成网络包含注意力循环网络和上下文自动编码器；

所述注意力循环网络包括一个以上的循环网络，通过循环迭代的方式生成注意力图，注意力图含雨滴图像中雨滴的位置信息，引导上下文自动编码器重点关注雨滴及其周围区域；