买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学

摘要：本发明提供了一种基于端到端神经网络的单幅图像去雨方法，包括如下步骤：S1、构建神经网络模型；S2、设计损失函数；S3、利用有雨图像和无雨图像对进行神经网络模型的训练，得到神经网络模型的模型参数；S4、在神经网络模型中导入步骤S3训练好的模型参数，输入有雨图像，在损失函数中加入基于对比感知的正则化约束项，输出无雨图像。本发明提出了一种基于端到端神经网络的单幅图像去雨方法，设计了一种融合图卷积网络和注意力卷积网络的基本模块，用于提取图像的全局和局部特征，并在损失函数中加入了基于对比感知的正则化约束项，取得了较好的去雨效果。

主权项：1.一种基于端到端神经网络的单幅图像去雨方法，其特征在于，包括如下步骤：S1、构建神经网络模型：由一个3×3卷积层、两个下采样层、若干个基本模块、两个可变卷积层、两个上采样层和一个3×3卷积层构成；S2、设计损失函数：由L1距离函数和对比感知的正则化约束项构成；S3、利用有雨图像和无雨图像对进行神经网络模型的训练，得到神经网络模型的模型参数；S4、在神经网络模型中导入步骤S3训练好的模型参数，输入有雨图像，输出得到无雨图像；所述基本模块由空间图卷积网络和注意力卷积网络组成，其输入特征Fin经过空间图卷积网络、若干个注意力卷积网络和一个通道图卷积网络提取全局特征和局部特征后，通过短连接将特征从低层网络引入高层网络，得到输出特征Fout；所述空间图卷积网络用于学习特征空间中像素间的关联关系，学习过程如下：1令输入特征为F∈RHW×C；其中，H和W分别表示特征高度和宽度，C表示通道数；2输入特征经过三个1×1的卷积层处理，其中后两个卷积层加入softmax激活函数防止数值不稳定，得到输出特征为：FsGCN＝Fin+AsGCNFsWsGCN；其中，Fs＝convFin,AsGCN为邻接矩阵，WsGCN为权重矩阵；所述通道图卷积网络用于学习特征图中通道级全局关联关系，学习过程如下：1令输入特征Fin∈RHW×C；其中，H和W分别表示特征高度和宽度，C表示通道数；2输入特征经过两个1×1的卷积层处理，得到输出特征为： 3利用softmax激活函数进行处理，得到输出特征为： 4Fc经过1×1空洞卷积层处理后与再经过3×3空洞卷积层处理，其中，空洞参数分别设置为DF＝1，DF＝3，得到Fd；5Fd与进行点乘，得到：6Fe经过一个1×1的卷积层处理之后，Fin相加得到最终输出：

全文数据：

权利要求：

百度查询： 南通大学 一种基于端到端神经网络的单幅图像去雨方法