基于深度细节加强网络模型的去雨方法研究

在有雨的天气下,摄像机捕获的雨天图像通常成像模糊不清,能见度降低,在很大程度上干扰了计算机自动检测、识别还有目标跟踪的能力。例如,在交通事故中的责任划分和警察对犯罪分子的跟踪定位上,因为雨线对重要地理位置摄像头的干扰,导致摄像头没有办法提供清晰的图像作为证据,就会产生不良的影响。基于残差ResNet能通过改变映射范围加强深度学习、把输入分为高频细节层和基础层、通过输入的直接映射到输出加强图像特征等操作构建网络:通过频域变换来分离图像使得操作目标进一步稀疏化,把图像分成高频部分和低频部分,因为雨线几乎只存在于高频部分,所以在这里笔者只对高频部分做去除雨线的操作。笔者用压缩惩罚Squeeze-and-Excitation(SE)网络层替换掉批量归一化层(BN),把Squeeze-and-Excitation(SE)网络层加入残差网络中,这样一来可以使算法操作的图像目标值域缩小,稀疏性增强。为了验证本文方法的有效性和可行性,本文在数据集上做了大量的实验,实验结果证明了本文实现的模型去除雨线效果良好,解决了雨线残留明显或背景模糊化的不足,在实验运行速度上也超过了很多单幅图像雨线去除的算法。