【技术实现步骤摘要】
基于曝光成像模型和模块化深度网络的图像去雨雪方法
[0001]本专利技术属于图像复原
,具体涉及一种基于曝光成像模型和模块化深度网络的图像去雨雪方法。
技术介绍
[0002]图像是视觉的基础,是计算机视觉系统完成环境自主感知和理解的数据之源。在室外非结构化的视觉感知系统中,恶劣天气(雨、雪、雾)会对背景物体成像形成遮挡和影响物体的成像特征,这就使得恶劣天气下拍摄的图像在视觉和信息上都出现了一定的退化,严重影响了室外机器人的许多高层视觉任务的鲁棒性和环境适应性,如语义分割、目标识别与跟踪、无人驾驶机器视觉感知与导航等,使视觉系统的可靠性难以满足实际要求。因此,恶劣天气条件下图像复原对提高机器视觉的鲁棒性和环境适应性具有重要的理论意义和应用价值。如何从恶劣天气下的大量视觉观测数据中恢复出清晰的图像数据,提高机器人对环境的自主感知和适应能力,已成为机器人、模式识别、计算机视觉等领域的研究热点。
[0003]雨雪图像技术通常是仅根据雨雪退化图像数据来复原清晰图像,在数学建模和求解上属于病态问题,即属于图像盲复原。由于缺乏足够的信息来唯一确定真实的清晰图像,通常需要对雨雪进行定性和定量分析形成先验约束条件,图像复原就是在满足这些约束条件的前提下求取真实图像在某种约束准则下的最佳估计值。恶劣天气下的图像复原已成为目前机器视觉及其应用中亟待突破的关键问题,其研究进展对于提高机器视觉方法及系统的鲁棒性和环境适应能力具有重要的理论意义和应用价值。目前该雨雪复原技术主要分为两类:基于先验信息的优化型复原方法和基于深度学习的 ...
【技术保护点】
【技术特征摘要】
1.一种基于曝光成像模型和模块化深度网络的图像去雨雪方法,其特征在于,包括以下步骤:步骤1,建立如下的非线性雨雪曝光成像模型:其中,I
rs
表示雨/雪图像强度,I
c
是干净背景图像,K表示雨/雪的平均辐照度,雨/雪图像强度I
rs
是干净背景图像I
c
、动态雨/雪图M和曝光时间T的非线性组合;步骤2,建立深度去雨雪网络,所述网络包括局部和全局U型雨雪检测子网络、收缩型曝光时间估计子网络和堆叠式多尺度残差雨雪去除子网络;步骤3,将雨/雪图像输入到局部和全局U型雨雪检测子网络,提取雨/雪图像的全局和局部性特征,估计出雨/雪条纹图;步骤4,将雨/雪图像输入到收缩型曝光时间估计子网络,将全局信息采样到单一变量值获得曝光时间估计值,然后将估计值上采样到与输入图像相同的尺寸以便进行损失估计;步骤5,将步骤3和步骤4获得的雨/雪条纹图和曝光时间,通过步骤1的非线性雨雪曝光成像模型获得初步复原的雨/雪图像;步骤6,将步骤4获得的初步复原的雨/雪图像输入到堆叠式多尺度残差雨雪去除子网络进一步去除不同程度的雨/雪遮挡,获得最终的精细化无雨/雪图像;步骤7,设定局部和全局U型雨雪检测子网络、收缩型曝光时间估计子网络和堆叠式多尺度残差雨雪去除子网络的损失函数,在损失函数约束下,通过在雨雪数据集上对各子网络进行阶梯型迭代训练学习网络模型参数,直至网络收敛;步骤8,在合成和真实雨/雪图像上对算法去除雨雪的有效性进行定量和定性的验证,并与典型算法进行对比。2.根据权利要求1所述的一种基于曝光成像模型和模块化深度网络的图像去雨雪方法,其特征在于:所述步骤1中非线性雨雪曝光成像模型建立的具体过程为:在曝光时间T期间,雨雪图像的强度I
rs
是静态雨条纹或雪花的强度R
s
与背景的强度R
b
的线性组合:其中τ表示雨条纹或雪花降落通过一个像素的时间,由于背景在曝光时间T内几乎是静止的,R
b
可以近似为一个常数,因此将上式重写为:在等式中,时间τ和雨/雪降落的速度相关,其不确定性直接导致雨雪成像结果的多样性;因此,静态的雨/雪随时间τ的积分可以被视为动态的雨/雪图M,它丰富了雨雪成像透明度的多样性,并引入了运动模糊;TR
b
是干净的背景图像I
c
;这样上述方程可以改写为:其中表示雨/雪的平均强度,代表动态雨/雪图M;为了使等式的每一项都具有一定的物理意义,进一步将等式改写为如下形式:
其中*表示逐元素乘,因为代表动态雨/雪图M,TR
b
是干净的背景图像I
c
,所以上面的等式被写为:由于雨/雪的平均辐照度是由雨/雪自身的特性决定的,因此可以近似为常数K;设k=KT,等式进一步写为:其中,I
rs
表示雨雪图像强度,I
c
是干净背景图像,K表示雨/雪的平均辐照度,在该雨雪模型中,雨/雪图像强度I
rs
是干净背景图像I
c
、动态雨/雪图M和曝光时间T的非线性组合。3.根据权利要求1所述的一种基于曝光成像模型和模块化深度网络的图像去雨雪方法,其特征在于:所述步骤2中局部和全局U型雨雪检测子网络为残差密集U型自编码器,包括由四阶段残差密集块和降采样层组成的编码器以及由全局局部注意力模块、四阶段残差密集块和上采样层组成的解码器;所述步骤2中收缩型曝光时间估计子网络由八阶段下采样操作和自适应池化层构成;所述步骤2中堆叠式多尺度残差雨雪去除子网络为两个以残差方式堆叠的并行残差多尺度块。4.根据权利要求3所述的一种基于曝光成像模型和模块化深度网络的图像去雨雪方法,其特征在于:所述编码器用于捕获上下文信息,例如密度、方向;所述解码器用于捕获低层信息,例如位置、透明度和边缘;所述全局局部注意力模块用于提取编码器的全局和局部语义特征,进一步提高网络的特征表示能力;所述残差密集块作为特征提取单元,以充分利用所有卷积层的特征,包含分层特征融合和残差学习,...
【专利技术属性】
技术研发人员:李鹏越,刘元铭,张金柱,王涛,
申请(专利权)人:太原理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。