kaiyun官方注册
您所在的位置: 首页> 其他> 设计应用> 基于深度密集连接控制网络的单幅图像去雨
基于深度密集连接控制网络的单幅图像去雨
2020年电子技术应用第12期
李 蔚,安鹤男,刘 佳,涂志伟,张昌林
深圳大学 电子与信息工程学院,广东 深圳518061
摘要:雨线造成的图像质量退化严重影响图像有效应用及计算机视觉算法,因此图像去雨十分必要。目前主流的深度学习去雨方法仅对单一尺寸的雨线有效,并且存在雨线去除不完全、模糊背景等问题。针对以上难点,提出了基于深度密集连接控制网络的单幅图像去雨算法。通过引入多尺度特征网络加强对不同尺寸雨线的提取能力,引入注意力机制模块提升对有雨区域的关注度,引入密集连接控制网络以完整表示雨线特征。实验表明,该方法在合成数据集以及真实数据集对比主流去雨方法效果均有提升。
中图分类号:TP183
文献标识码:A
DOI:10.16157/j.issn.0258-7998.200400
中文引用格式:李蔚,安鹤男,刘佳,等. 基于深度密集连接控制网络的单幅图像去雨[J].电子技术应用,2020,46(12):48-52.
英文引用格式:Li Wei,An Henan,Liu Jia,et al. Deep controlled dense connection network for single image deraining[J]. Applica-
tion of Electronic Technique,2020,46(12):48-52.
Deep controlled dense connection network for single image deraining
Li Wei,An Henan,Liu Jia,Tu Zhiwei,Zhang Changlin
College of Electronics and Information Engineering,Shenzhen University,Shenzhen 518061,China
Abstract:Image quality degradation caused by rain streaks seriously affects the effective application of image and computer vision algorithm, so image deraining is very necessary. At present, mainstream deraining methods based on deep learning are only effective for single size rain streaks, and there are problems such as incomplete rain streaks removal and fuzzy background. Aiming at these difficulties, a single image deraining algorithm based on deep controlled dense connection network is presented. Through the introduction of multi-scale block, the ability to extract rain streaks of different sizes was enhanced. And attention mechanism module was injected to pay more attention to raining areas. What is more, controlled dense connection block was also introduced to fully represent the rain streaks characteristics. Experiments show that the proposed method outperforms some mainstream methods both on the synthetic dataset and the real dataset.
Key words :single image deraining;deep learning;convolution neural network;dense connection

0 引言

在雨天所采集的图像数据往往伴随着明显的质量退化,这对目标检测、目标跟踪等视觉算法造成极大影响。因此,去雨算法成为了当下研究热点之一。

相比于传统的图像处理方法,深度学习在去雨效果上已经有了长足进步,但还是不能很好地解决完整去除雨线的同时不丢失原有细节信息这一问题。由于雨线的大小、形状不尽相同,单一的网络结构可能只对某一尺度的雨线敏感,这将导致去雨后图片仍有雨线残留,去雨效果不佳。而且图像中往往包含大量细节信息,如条纹、图案等,网络无法准确区分特征是否属于背景细节,导致这些“伪雨线”被去除,图像丢失有效内容。这将极大影响图像去雨质量。

针对以上难点,本研究提出了基于深度密集连接控制网络的图像去雨算法。该网络通过卷积模块之间的密集连接融合不同层次的细节特征,能够充分提取雨线信息。基于特征约束的思想,将控制特性引入到网络中,控制不同阶段特征的表达程度,从而更好地模拟雨线映射,取得理想的去雨效果。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003252




作者信息:

李 蔚,安鹤男,刘 佳,涂志伟,张昌林

(深圳大学 电子与信息工程学院,广东 深圳518061)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map