本發(fā)明涉及計算機視覺領(lǐng)域，特別涉及圖像分解、圖像去噪、圖像增強，具有字典學習和低秩表示等的一種基于深度去噪自編碼器的單幅圖像去雨方法。

背景技術(shù)：

近年來，隨著計算機科學與技術(shù)的飛速發(fā)展，室外視覺系統(tǒng)被廣泛的應(yīng)用于交通監(jiān)控、駕駛輔助系統(tǒng)等領(lǐng)域。但是惡劣天氣，例如雨、雪、霧等，會導致拍攝得到的圖像對比度降低、圖像模糊、細節(jié)信息丟失，嚴重影響了戶外視覺系統(tǒng)的性能。其中，雨天作為生活中一種常見的惡劣天氣，對雨天中拍攝得到的圖像進行去雨等清晰化處理具有重要的現(xiàn)實意義和廣泛的應(yīng)用價值。

根據(jù)研究去雨的不同方法，可以把這些方法分為兩個方向：基于視頻的去雨方法和基于單幅圖像的去雨方法。其中，基于視頻的去雨方法通常需要大量連續(xù)幀的圖像信息。

garg和nayar提出了一種基于視頻檢測和去除雨痕跡的方法。他們通過雨滴的光學特性和時空相關(guān)特性檢測視頻中受雨影響的像素，這種方法需要多幀圖像信息并且在檢測雨痕跡時很耗時，在大雨情況下檢測效果較差。此后，很多研究工作將基于他們提出的方法，并且在視頻去雨中取得了較好的結(jié)果。

但是，當僅能提供單幅圖像時，比如由相機拍攝得到的圖片，基于視頻的方法就不適用了。相比于視頻去雨方法，單幅圖像沒有多幀圖像信息可以利用并且缺少時域信息，使其具有較大的難度。但是日常生活中，我們很多圖像都是單幅的，而非一系列視頻圖像。因此，對基于單幅圖像進行去雨研究就顯得很有必要且很有實際意義。

kang等人于2012年首先提出了基于稀疏表示單幅圖像的雨水去除方法。首先使用雙邊濾波器將圖像分解為低頻(lf)和高頻(hf)部分。將高頻(hf)部分圖像再分為許多小塊。然后通過字典學習和稀疏表示將高頻部分圖像分解成“雨的部分”和“幾何部分”。huang等[4]人又在字典學習中引入情景感知。2014年，huang等人在發(fā)表的文章中又利用相似性傳播對指定字典進行無監(jiān)督聚類。同年，sun等人提出利用結(jié)構(gòu)相似性的集群字典。但是，上述所提的方法有一些共同的不足之處:第一，單幅圖像最終的去雨效果嚴重依賴字典分類；第二點上述方法都要經(jīng)過一次濾波，濾波參數(shù)的大小直接影響到最后的重建效果，而傳統(tǒng)方法往往基于經(jīng)驗，對參數(shù)賦予固定值，無法根據(jù)圖像的具體情況進行調(diào)節(jié)。因此如何有效的將圖像分解成低頻與高頻成分是有重要意義的。

在之前的方法中，單幅圖像去雨的第一步主要采用濾波的方式進行，存在適應(yīng)性不強等問題。圖1所示的是現(xiàn)有方法的流程圖。因此，本專利提出使用深度去噪自編碼器的單幅圖像去雨方法。

近年來深度學習是機器學習領(lǐng)域中一個重要的分支領(lǐng)域。已經(jīng)證明，淺層結(jié)構(gòu)在解決很多簡單或者限制條件較多的問題上效果明顯，但是由于其建模能力有限，在遇到復雜問題時效果不佳。然而，深度結(jié)構(gòu)能從復雜的結(jié)構(gòu)中提取出豐富有效的信息。深度去噪自編碼器是根據(jù)自編碼器發(fā)展而來的。自編碼器是典型的無監(jiān)督學習算法，其結(jié)構(gòu)如圖2所示。它的輸入和輸出都是同一幅圖像，通過學習得到中間隱層的參數(shù)。但是由于這種編碼器的抗噪性能差，yoshuabengio等人在2008年提出了去噪自動編碼器，在輸入數(shù)據(jù)進入第一個隱層之前先對其添加隨機噪聲，然后將加噪后的數(shù)據(jù)進行編碼和解碼操作，并希望解碼出來的輸出信號能夠逼近原來的輸入信號，如圖3所示。隨著深度學習的火熱發(fā)展，人們提出了堆疊自編碼器，其目標仍然是使輸出信號與輸入信號相同。

技術(shù)實現(xiàn)要素：

本發(fā)明是為了解決上述問題而進行的，目的在于提供一種魯棒性強，適用范圍廣的一種基于深度去噪自編碼器的單幅圖像去雨方法。

本發(fā)明提供的一種基于深度去噪自編碼器的單幅圖像去雨方法，具有這樣的特征，包括以下步驟：

第一步：制作訓練數(shù)據(jù)；

第二步：深度去噪自編碼器的訓練；以及

第三步：去雨部分。

本發(fā)明提供的一種基于深度去噪自編碼器的單幅圖像去雨方法，還具有這樣的特征：其中，步驟一，首先收集大量的不含有雨滴的圖片，然后根據(jù)雨滴的模型，通過軟件將雨滴添加在原始圖像上，合成后的圖像作為輸入圖像，原始圖像作為訓練輸出部分。

本發(fā)明提供的一種基于深度去噪自編碼器的單幅圖像去雨方法，還具有這樣的特征：其中，步驟二，將訓練圖像分成圖像塊，訓練過程中采用逐層訓練方式。

本發(fā)明提供的一種基于深度去噪自編碼器的單幅圖像去雨方法，還具有這樣的特征：其中，圖像塊的大小為64×64。

本發(fā)明提供的一種基于深度去噪自編碼器的單幅圖像去雨方法，還具有這樣的特征：其中，逐層訓練方式為，先訓練輸入層和第一個隱層，然后第一個隱層再作為輸入和第二個隱層作為一個子網(wǎng)絡(luò)進行訓練，最后再通過反饋算法進行調(diào)節(jié)，直到收斂為止。

本發(fā)明提供的一種基于深度去噪自編碼器的單幅圖像去雨方法，還具有這樣的特征：其中，步驟三，輸入一副帶雨圖像，將帶雨圖像分成無重疊的子塊，然后將每個子塊進行去雨操作，最后再將這些子塊重新拼接成輸出圖像。

本發(fā)明提供的一種基于深度去噪自編碼器的單幅圖像去雨方法，還具有這樣的特征：其中，子塊大小都為64×64。

發(fā)明作用和效果

根據(jù)本發(fā)明所涉及一種基于深度去噪自編碼器的單幅圖像去雨方法，實現(xiàn)了單幅圖像的去雨操作，由于在去雨的過程中無需訓練字典等過程，在去雨處理的速度上會有明顯的提高；整個去雨的過程實現(xiàn)了自動化處理，無需人工干預；本專利提出的方法想比之前的方法能夠更好的保留圖像的細節(jié)信息，而且具有很好的延展性。

附圖說明

圖1是現(xiàn)有的利用稀疏表示的單幅圖像去雨方法的流程圖；

圖2是現(xiàn)有的自編碼器的流程圖；

圖3是現(xiàn)有的噪自編碼器的流程圖；以及

圖4是本發(fā)明在實施例中的一種基于深度去噪自編碼器的單幅圖像去雨方法的流程圖。

具體實施方式

以下參照附圖及實施例對本發(fā)明所涉及的一種基于深度去噪自編碼器的單幅圖像去雨方法作詳細的描述。

實施例

圖4是本發(fā)明在實施例中的一種基于深度去噪自編碼器的單幅圖像去雨方法的流程圖。

如圖4所示，一種基于深度去噪自編碼器的單幅圖像去雨方法，具有以下步驟：

第一步：制作訓練數(shù)據(jù)，進入步驟二。首先收集大量的不含有雨滴的圖片，然后根據(jù)雨滴的模型，通過軟件將雨滴添加在原始圖像上，合成后的圖像作為輸入圖像，原始圖像作為訓練輸出部分。

第二步：深度去噪自編碼器的訓練，進入步驟三。將訓練圖像分成大小為64×64的圖像塊。訓練過程中采用逐層訓練方式，逐層訓練方式為，先訓練輸入層和第一個隱層，然后第一個隱層再作為輸入和第二個隱層作為一個子網(wǎng)絡(luò)進行訓練，最后再通過反饋算法進行調(diào)節(jié)，直到收斂為止。

第三步：去雨部分。輸入一副帶雨圖像，將帶雨圖像分成無重疊的大小為64×64的子塊，然后將每個子塊進行去雨操作，最后再將這些子塊重新拼接成輸出圖像。

實施例的作用與效果

根據(jù)本實施例所涉及一種基于深度去噪自編碼器的單幅圖像去雨方法，實現(xiàn)了單幅圖像的去雨操作，由于在去雨的過程中無需訓練字典等過程，在去雨處理的速度上會有明顯的提高；整個去雨的過程實現(xiàn)了自動化處理，無需人工干預；本專利提出的方法想比之前的方法能夠更好的保留圖像的細節(jié)信息，而且具有很好的延展性。

上述實施方式為本發(fā)明的優(yōu)選案例，并不用來限制本發(fā)明的保護范圍。