![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于多分辨率深层网络的图像去雨方法研究.pdf
《基于多分辨率深层网络的图像去雨方法研究.pdf》由会员分享,可在线阅读,更多相关《基于多分辨率深层网络的图像去雨方法研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、Microcomputer Applications Vol.39,No.8,2023文章编号:10 0 7-7 57 X(2 0 2 3)0 8-0 2 0 1-0 4开发应用基于多分辨率深层网络的图像去雨方法研究微型电脑应用2 0 2 3年第39 卷第8 期廖建敏1,李丽红,义翔3(1.广西机械工业研究院有限责任公司,广西,南宁530 0 0 7;2.桂林理工大学南宁分校,计算机与应用系,广西,南宁530 0 0 1;3.广西桂鹿高速公路有限公司,广西,南宁530 0 0 2 2)摘要:雨天条件下视频监测图像中含有雨滴,使得输变配电设备监测目标的细节信息模糊,降低了目标的辨识度,影响了视频
2、监测的性能。针对雨滴导致的视频监测图像退化问题,提出了一种基于深层神经网络的多分辨率模型。首先,利用先验信息,采用小波滤波提取表征图像高频分量的雨滴模糊特征图,将模型聚焦于雨滴信息,从而有效抑制图像中的背景干扰。其次,借鉴HRNet网络多分辨率提取多阶特征结构,构建多分辨率深层神经网络融合底层和高层特征,有效丰富网络的信息表征能力。最后,采用强化学习方法,调节模型多分辨率分支数,优化模型去雨性能。在合成及真实世界的雨天图像集上,对所提出的方法进行了实验验证,实验结果表明本文方法较其他方法具有更好的去雨效果。关键词:小波滤波;深层神经网络;强化学习方法;图像处理中图分类号:TP391文献标志码:
3、AResearch on Image Rain Removal MethodBased on Multi-resolution Deep NetworkLIAO Jianmin,LI Lihong,YI Xiang(1.Guangxi Machinery Industry Research Institute Co.,Ltd.,Nanning 530007,China;2.Department of Computer Applications,Guilin University of Technology at Nanning,Nanning 530o01,China;3.Guangxi Gu
4、ilu Expressway Co.,Ltd.,Nanning 530022,China)Abstract:Under rainy weather,the video monitoring image contains raindrops,it blurs the detailed information of the monito-ring target,reduces the recognition of the target,and affects the performance of video monitoring.Aiming at the problem ofvideo moni
5、toring image degradation caused by raindrops,this paper proposes a multi-resolution model architecture based ondeep neural networks.Using the prior information,the wavelet filtering is used to extract the fuzzy feature maps of raindropsthat characterizes the high-frequency components of the image,wh
6、ich renders the model to focus on the raindrop informationand effectively suppress the background interference in the image.Learning from the multi-branch extraction structure of themulti-resolution feature of HRNet,a multi-resolution deep neural network is built to fuse the bottom and high-level fe
7、atures,and effectively enrich the information representation capabilities of the network.Reinforcement learning method is used to ad-just the number of multi-resolution branches of the model to optimize the network performance.On the synthetic and real-worldrainy day image sets,the method proposed i
8、n this paper has been experimentally verified.The experimental results show thatthe method has better rain removal effect than other methods.Key words:wavelet filtering;deep neural network;reinforcement learning method;image processing当物体的纹理和结构与雨纹相似时,传统的机器学习很0引言难提取目标物体的特征信息。文献 1-2 采用了深度学习对近年来,随着企业快速
9、持续健康发展,企业管理结构不图像去雨,取得了较好的图像去雨效果。然而,上述深度网断优化。视频监控系统通过安装在不同地点的摄像机,将现络去雨算法侧重于提取图像深层特征,未聚焦于雨滴信息的场的视频及时传送到监控室,提高了管理监督效率,有效降提取,同时没有考虑多分辨率网络结构对雨滴特征提取的影低管理成本费用。然而,雨天拍摄的输变配电设备图像集中响。面对未知输入数据的情况下,强化学习可以根据任务目包含了大量的雨纹,降低了图像的清晰度,可能会引起图像标学习最优的决策方式,模型灵活性高。文献 3-5采用了处理任务性能的降低。因此,如何从图像或视频中有效去除深度强化学习,优化模型学习结果。强化学习的出现克服
10、了雨纹具有重要的实践应用价值。模型泛化能力的不足,目前尚未存在采用强化学习优化模型作者简介:廖建敏(197 7 一),男,硕士,高级工程师,研究方向为图像处理、智能控制;李丽红(197 9一),女,硕士,讲师,研究方向为计算机科学与技术、图形图像处理;义翔(197 5一),男,本科,信息系统项目管理师,研究方向为信息安全。201Microcomputer Applications Vol.39,No.8,2023图像去雨效果的方法。针对现有图像去雨算法提取的雨滴信息特征单一,本文提出了一种基于深层神经网络的多分辨率模型架构用于去除图像中的雨纹,获得了更好的去雨效果。1多分辨率深度网络本文提出了
11、一种基于多分辨率网络结构的图像去雨方多分辨率滤波层一网络结构输入雨滴模糊特征图图1基于深度学习的图像去雨网络架构1.1滤波层为了提高模型图像去雨的性能,本文采用小波变换用于压缩输入数据的映射范围,以提升网络训练速度,同时可以去除背景干扰,改善图像去雨结果。设输人雨天图像表示X=(X R,X G,X B),X R 表示输入图像的R通道信息,XG表示输入图像的G通道信息,XB表示输入图像的B通道信息。图像X,的尺寸大小为MXN,将图像X,iE R,G,B经小波变换分割成4个不同频率的子图像。设H和E分别表示滤波器H和E的共轭算子,k表示小波分解层数,则水平和垂直方向的低频子图像公式 6 表示为LL
12、(m1 n)=LLS.HJeolms HM其中=1,;m=1水平方向的低频和垂直方向的高频子图像表示为LH()(m2 n2)=LLSb.HJolms EM其中,m22水平方向的高频和垂直方向的低频子图像表示为HL()(m na)=LL(Sw).Eeclmn HM其中ms=1,学n:=N2k+12-1水平和垂直方向的高频子图像表示为HH()(m4,n)=LL(Sb.EJolumms EM其中,m42分解的层数,其值为1,2,3,当k=1时,式(1)式(4)等号右侧的LL()表示未分解的原始图像。则输入图像的分解结果如图2 所示。本文选取三通道的HL子图像,经归一化合成雨滴模糊图。由图3可知,雨天
13、图像集经滤波层输出雨滴模糊特征图与雨天图像集相比,雨滴模糊特征图的像素值明显降低。1.2雨滴层映射为了提高模型去雨效果,本文采用多个分支提取不同抽象程度的高阶特征,可以有效丰富网络的表达能力。图4给开发应用法,如图1所示。面向雨天图像集,通过滤波层获取雨滴模糊特征图,用多分辨率网络结构提取雨滴模糊特征图中的雨滴信息特征图与输入图像合成,获取输变配电设备的去雨图像。采用强化学习根据输入数据评价模型的去雨价值,优化模型参数。由于我们无法获取雨天图像对应的无雨图像集,因此本文通过无雨图像集合成雨天图像集,用于训练网络模型。多分辨率分支数调节去雨价值满足预测价值计算雨滴信息特征图05010015000
14、501001500050100(1)1500,2。050100(2)150MNNMNN+1,2k-T;n4=2k微型电脑应用2 0 2 3年第39 卷第8 期050100150100200100150100200(a)R通道05010015010020010015001000(3)5010015000(4)501002-,k 表示小波1500出了模型HRNetL7的去雨效果,本文对该模型进行了改进,以适用于图像去雨的回归问题。由图4(b)可以看出,原始的HRNet结构去除雨滴信息不彻底。图4(c)检测目标的颜色和结构轮廓能通过简单的残差信息保留且雨滴信息去除效果较好。本文提出的雨滴多分辨率网络
15、结构较原HRNet网络具有更低的训练速度和误差。202输出0100050000502000(b)G通道050100150100200100150100200(c)B通道图2 小波分解图20010020010020010020001000500200100200Microcomputer Applications Vol.39,No.8,2023-0.30.2(e)雨滴模糊特征图(f)雨滴R通道的直方图图3特征图数值的稀疏性开发应用10012F8010608F640F4F2000.10(a)原图(b)原图R通道的直方图3025201510501-0.4微型电脑应用2 0 2 3年第39 卷第8
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 分辨率 深层 网络 图像 方法 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。