基于多尺度渐进融合的图像去雨方法.pdf

《基于多尺度渐进融合的图像去雨方法.pdf》由会员分享，可在线阅读，更多相关《基于多尺度渐进融合的图像去雨方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010211418.2 (22)申请日 2020.03.24 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 王中元江奎易鹏马佳义 韩镇 (74)专利代理机构 武汉科皓知识产权代理事务 所(特殊普通合伙) 42222 代理人 魏波 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多尺度渐进融合的图像去雨方法 (。

2、57)摘要 本发明公开了一种基于多尺度渐进融合的 图像去雨方法， 包括雨图像的金字塔分解， 雨条 纹的关联性学习， 多尺度特征的渐进融合和重 建。 在雨图像的金字塔分解过程中， 利用不同尺 度的高斯采样算子对原始雨图像进行采样分解； 在雨条纹的关联性学习过程中， 利用非局部网络 学习全局的纹理特征关联； 在多尺度特征的渐进 融合和重建过程中， 利用多尺度金字塔网络分别 处理对应尺度的特征， 同时渐进融合多尺度雨条 纹信息来辅助最高金字塔层的特征表达， 实现雨 条纹信息的多尺度融合， 重建残差雨图像， 再从 雨图像中减去残差图像， 得到无雨图像。 本发明 有效利用了同一尺度和不同尺度图像中雨条纹。

3、 的相关性， 更准确地建模雨条纹， 达到更好的去 雨效果。 权利要求书3页 说明书5页 附图2页 CN 111340738 A 2020.06.26 CN 111340738 A 1.一种基于多尺度渐进融合的图像去雨方法， 其特征在于， 包括以下步骤： 步骤1： 构建雨图像数据集， 包括训练数据和测试数据； 选取部分雨图像数据Y， 裁剪得 到NN大小的图像块， 作为训练样本； 其中， N为预设值； 步骤2： 分批次将步骤1中带雨图像块输入到卷积神经网络中， 在进行特征提取之前先 利用高斯采样算子对带雨图像块进行采样， 得到雨图像金字塔； 步骤3： 将获得的雨图像金字塔输入到非局部网络， 利用若。

4、干个非局部操作分别计算每 一个金字塔层输入图像的全局特征关联， 即计算所有像素对每一个像素的相关性， 获得相 关性矩阵f(xi， xj)， xi和xj分别表示位置i和位置j的特征； 步骤4： 将步骤3中学习得到的相关性矩阵用Softmax函数进行归一化， 赋值权重到0-1 之间， 获得对应位置的全局融合权重矩阵fsoftmax(xi， xj)； 步骤5： 利用非线性函数对所有位置的特征信息进行变换， 映射到嵌入空间， 得到全局 特征的嵌入表达， 其中， g(xj)表示位置j的嵌入表达； 步骤6： 将步骤4中得到的全局融合权重矩阵与步骤5中提取的所有位置的嵌入表达进 行矩阵乘法， 计算所有像素点。

5、对每一个参考像素点的关联特征； 步骤7： 将步骤6中得到的全局的关联特征通过卷积操作映射到原始空间， 并与原始输 入进行融合， 获得强化后的全局融合特征； 步骤8： 对每一个金字塔层的输入图像重复步骤3-7， 并将输出的特征信息输入到多尺 度金字塔网络； 步骤9： 将构建的多尺度金字塔网络， 用于带雨图像的多尺度金字塔分解、 雨条纹的关 联学习和多尺度特征的渐进融合和重建； 利用构建的多尺度金字塔网络分别处理对应尺度 的特征信息， 同时利用所有低分辨率金字塔层的输出和前一阶段的特征信息来引导当前金 字塔层的雨条纹表达； 通过迭代的采样和融合， 实现不同金字塔层间多尺度雨条纹信息的 协同表达； 。

6、步骤10： 将步骤7中得到的强化后的全局融合特征和步骤9得到的多尺度雨条纹信息的 协同表达特征利用步骤9中的多尺度渐进融和机制进行进一步的融合， 实现对原始雨图像 中雨条纹的同尺度和跨尺度协同表达， 并输出对应的残差雨图像； 通过从原始雨图像中减 去回归得到的残差雨图像， 输出干净的无雨图像； 步骤11： 通过最小化步骤10中输出的无雨图像和原始干净图像的余弦距离， 优化多尺 度金字塔网络， 实现对带雨图像中雨条纹的去除。 2.根据权利要求1所述的基于多尺度渐进融合的图像去雨方法， 其特征在于： 步骤2中， 通过不同尺度的高斯采样算子对带雨图像块进行多尺度采样， 得到雨图像金字塔， 具体利 用。

7、算式： InGattss(I， n)； 其中， Gattss()表示高斯采样算子， I表示雨图像输入样本， In表示用采样因子为n的 高斯采样算子获得的雨图像子样本。 3.根据权利要求1所述的基于多尺度渐进融合的图像去雨方法， 其特征在于： 步骤3中， 首先利用两个11卷积将位置i和位置j的特征映射到嵌入空间， 具体利用算式： (xi)Wxi； 权利要求书 1/3 页 2 CN 111340738 A 2 其中， W和表示11卷积核参数， xi和xj分别表示位置i和位置j的特征， (xi)和 分别为xi和xj的嵌入表达； 随后在嵌入空间计算参考位置i和所有位置j的特征相关性， 具体 利用算式：。

8、 其中， (xi)T表示 (xi)的转置， 并与作矩阵乘法， 得到相似性矩阵f(xi， xj)。 4.根据权利要求1所述的基于多尺度渐进融合的图像去雨方法， 其特征在于： 步骤4中， 利用Softmax函数对相似性矩阵进行归一化， 将全局融合权重值映射到0-1之间， 具体利用 算式： 其中， C(x)为归一化函数， 等同于fsoftmax(xi， xj)表示全局融合权重矩阵； 通过Softmax函数， 对学习得到的相关性矩阵进行归一化赋值， 使得每一个像素的全局融合 权重矩阵的值都在0-1之间， 即fsoftmax(xi， xj)。 5.根据权利要求1所述的基于多尺度渐进融合的图像去雨方法， 。

9、其特征在于： 步骤5中， 利用11卷积将对所有位置特征进行变换和嵌入表达， 具体利用算式： g(xj)Wgxj； 其中， Wg表示11卷积核参数， g(xj)表示为位置j的嵌入表达。 6.根据权利要求1所述的基于多尺度渐进融合的图像去雨方法， 其特征在于： 步骤6中， 将获得的全局融合权重矩阵fsoftmax(xi， xj)与所有位置的嵌入表达g(xj)进行矩阵乘法， 计 算所有位置对每一个位置特征的加权平均值y(xi)； 即与当前雨条纹相近的区域融合权重 尽量大， 差异大的区域的融合权重尽可能小， 具体利用算式： 其中， C(x)表示归一化函数。 7.根据权利要求1所述的基于多尺度渐进融合的。

10、图像去雨方法， 其特征在于： 步骤7中， 利用11卷积将全局的关联特征从嵌入空间转换到原始空间， 并与原始输入xi进行融合， 获得强化后的雨条纹表达z(xi)， 具体利用算式： z(xi)Wzy(xi)+xi； 其中， Wz表示转换卷积的参数。 8.根据权利要求1所述的基于多尺度渐进融合的图像去雨方法， 其特征在于： 步骤9中 构建的多尺度金字塔网络， 主要包含三部分： 带雨图像的多尺度金字塔分解， 雨条纹的关联 学习和多尺度特征的渐进融合和重建； 第一部分是将输入的带雨图像利用不同尺度的高斯 采样算子对原始雨图像进行采样分解， 随后用若干33的卷积分别从对应尺度的输入图像 中提取浅层特征。 。

11、第二部分利用非局部网络学习雨条纹的全局纹理特征关联， 主要包含三 个非局部模块， 每一个模块首先用两个11的卷积将位置i和j的特征映射到嵌入空间， 并 在嵌入空间计算参考位置i和所有位置j的特征相关性， 得到相似性矩阵f(xi， xj)； 随后将得 到的相关性矩阵用Softmax函数进行归一化， 赋值权重到0-1之间， 获得对应位置的全局融 权利要求书 2/3 页 3 CN 111340738 A 3 合权重矩阵fsoftmax(xi， xj)； 接着利用一个11的卷积对所有位置的特征信息进行变换， 映 射到嵌入空间， 得到全局特征的嵌入表达； 将全局融合权重矩阵与所有位置的嵌入表达进 行矩阵。

12、乘法， 计算所有像素点对每一个参考像素点的关联特征； 最后， 利用一个11卷积将 全局的关联特征嵌入。 第三部分主要是包括若干并行的多尺度注意力模块来处理多尺度的 雨条纹特征； 其中， 一个基础的通道注意力模块包括两个33的卷积， 用于强化特征表达， 另外两个11的卷积用于调整通道数， 并通过全局池化层和Sigmoid函数学习通道注意力 权重， 作用于强化特征实现雨条纹的精细化表达； 最后， 采用多个33的卷积， 并联合多尺 度渐进融和机制， 实现对全局融合特征和多尺度雨条纹信息的同尺度和跨尺度协同表达， 并输出对应的残差雨图像； 通过从原始雨图像中减去回归得到的残差雨图像， 输出得到干 净的。

13、无雨图像。 9.根据权利要求1所述的基于多尺度渐进融合的图像去雨方法， 其特征在于： 步骤9中， 利用所有低分辨率金字塔层的输出和前一阶段的特征信息来引导当前金字塔层的雨条纹 表达， 实现雨条纹信息的多尺度渐进融合， 具体利用算式： 其中， Gi-1， n和Gi， n分别表示第n层金字塔前一阶段和当前阶段的输出，表示所 有n-1层低分辨率金字塔的输出， F()为卷积函数。 10.根据权利要求1-9任意一项所述的基于多尺度渐进融合的图像去雨方法， 其特征在 于： 步骤11中， 使用基于Charbonnier损失函数来约束网络生成的无雨图像尽可能逼近干净 的样本图像， 实现多尺度渐进融合的单张图像。

14、雨去除方法的优化； Charbonnier损失函数作 为L1范数的一个变体， 通过加入了补偿项使训练过程更加稳定， 同时避免生成的结果过于 平滑； 具体利用算式： 其中， L( )argmin(x2+ 2)； 其中， L( )和 分别表示优化目标方程和参数， x表示生成的无雨图像与干净的样本图 像的残差， 其中补偿因子 10-3。 权利要求书 3/3 页 4 CN 111340738 A 4 一种基于多尺度渐进融合的图像去雨方法 技术领域 0001 本发明属于数字图像技术领域， 涉及一种图像去雨方法， 具体涉及一种基于多尺 度渐进融合的图像去雨方法。 背景技术 0002 雨天所获得的图像或视频。

15、数据遭受严重的降质， 极大影响图像或视频内容的质量 和可读性， 从而干扰下游的高层次计算机视觉任务的精度。 因此， 单张图像雨条纹移除是一 项改善图像视觉体验的基本处理， 也是许多计算机视觉任务(如分割、 检测、 跟踪、 识别、 分 类等等)的重要预处理步骤。 0003 由于深度学习， 特别是卷积神经网络(CNN)在图像处理领域取得了较好的成果， 近 年来， 基于深度学习的图像去雨方法被相继提出并得到了迅速发展。 2017年， Fu等最先构建 一个三层的CNN来同时评估雨条纹和进行图像去雨。 2018年， Zhang等通过考虑雨条纹的密 度信息， 提出了一个多任务的深度神经网络实现雨条纹密度的。

16、评估和移除。 2019年， Yang等 人提出了多阶段的循环神经网络， 通过阶段性的去雨实现图像的效果复原， 降低了去雨难 度。 0004 现有基于深度学习的单张图像去雨模型利用卷积神经网络， 直接学习带雨图像和 干净图像之间的差异。 这种方式虽然可以去除大部分的雨条纹， 但却没有考虑雨条纹的相 似性， 未能充分发掘雨图像中不同尺度雨条纹的相关信息。 由于对多尺度雨条纹信息的开 发利用不够， 对于复杂的降雨场景， 现有去雨方法不能产生理想的修复结果。 发明内容 0005 为了解决上述技术问题， 本发明提供了一种基于多尺度渐进融合的图像去雨方 法。 与早期基于深度学习的单尺度图像去雨方法相比， 。

17、该方法通过非局部网络来学习全局 特征的长程依赖性， 辅助目标雨条纹的建模； 同时利用多尺度金字塔网络实现不同尺度雨 条纹信息的提取和融合。 通过联合非局部网络和多尺度渐进融合机制， 实现多尺度雨条纹 的协同表达， 以取得理想的去雨效果。 0006 本发明所采用的技术方案是： 一种基于多尺度渐进融合的图像去雨方法， 其特征 在于， 包括以下步骤： 0007 步骤1： 构建雨图像数据集， 包括训练数据和测试数据； 选取部分雨图像数据Y， 裁 剪得到NN大小的图像块， 作为训练样本； 其中， N为预设值； 0008 步骤2： 分批次将步骤1中带雨图像块输入到卷积神经网络中， 在进行特征提取之 前先利。

18、用高斯采样算子对带雨图像块进行采样， 得到雨图像金字塔； 0009 步骤3： 将获得的雨图像金字塔输入到非局部网络， 利用若干个非局部操作分别计 算每一个金字塔层输入图像的全局特征关联， 即计算所有像素对每一个像素的相关性， 获 得相关性矩阵f(xi,xj)， xi和xj分别表示位置i和位置j的特征； 0010 步骤4： 将步骤3中学习的得到的相关性矩阵用Softmax函数进行归一化， 赋值权重 说明书 1/5 页 5 CN 111340738 A 5 到0-1之间， 获得对应位置的全局融合权重矩阵fsoftmax(xi,xj)； 0011 步骤5： 利用非线性函数对所有位置的特征信息进行变换。

19、， 映射到嵌入空间， 得到 全局特征的嵌入表达， 其中， g(xj)表示位置j的嵌入表达； 0012 步骤6： 将步骤4中得到的全局融合权重矩阵与步骤5中提取的所有位置的嵌入表 达进行矩阵乘法， 计算所有像素点对每一个参考像素点的关联特征； 0013 步骤7： 将步骤6中得到的全局的关联特征通过卷积操作映射到原始空间， 并与原 始输入进行融合， 获得强化后的全局融合特征； 0014 步骤8： 对每一个金字塔层的输入图像重复步骤3-7， 并将输出的特征信息输入到 多尺度金字塔网络； 0015 步骤9： 将构建多尺度金字塔网络， 用于带雨图像的多尺度金字塔分解、 雨条纹的 关联学习和多尺度特征的渐。

20、进融合和重建； 利用构建的多尺度金字塔网络分别处理对应尺 度的特征信息， 同时利用所有低分辨率金字塔层的输出和前一阶段的特征信息来引导当前 金字塔层的雨条纹表达； 通过迭代的采样和融合， 实现不同金字塔层间多尺度雨条纹信息 的协同表达； 0016 步骤10： 将步骤7中得到的强化后的全局融合特征和步骤9得到的多尺度雨条纹信 息的协同表达特征利用步骤9中的多尺度渐进融和机制进行进一步的融合， 实现对原始雨 图像中雨条纹的同尺度和跨尺度协同表达， 并输出对应的残差雨图像； 通过从原始雨图像 中减去回归得到的残差雨图像， 输出干净的无雨图像； 0017 步骤11： 通过最小化步骤10中输出的无雨图像。

21、和原始干净图像的余弦距离， 优化 多尺度金字塔网络， 实现对带雨图像中雨条纹的去除。 0018 本发明公开了一种基于多尺度渐进融合的图像去雨方法， 包括雨图像的金字塔分 解， 雨条纹的关联性学习， 多尺度雨条纹信息的渐进融合和残差雨图像的重建。 本发明通过 联合非局部网络和多尺度金字塔网络， 发掘同一尺度和不同尺度图像中雨条纹的相关性， 因而对于雨条纹的建模更准确， 去雨效果更好。 附图说明 0019 图1本发明实施例的流程图； 0020 图2本发明实施例构建的多尺度金字塔网络结构图。 具体实施方式 0021 为了便于本领域普通技术人员理解和实施本发明， 下面结合附图及实施例对本发 明作进一步。

22、的详细描述， 应当理解， 此处所描述的实施示例仅用于说明和解释本发明， 并不 用于限定本发明。 0022 请见图1， 本发明提供的一种基于多尺度渐进融合的图像去雨方法， 包括以下步 骤： 0023 步骤1： 构建雨图像数据集， 包括训练数据和测试数据； 选取部分雨图像数据Y， 裁 剪得到NN大小的图像块， 作为训练样本； 其中， N为预设值； 0024 步骤2： 分批次将步骤1中带雨图像块输入到卷积神经网络中， 在进行特征提取之 前先利用高斯采样算子对带雨图像块进行采样， 得到雨图像金字塔； 说明书 2/5 页 6 CN 111340738 A 6 0025 本实施例中， 通过不同尺度的高斯采。

23、样算子对带雨图像块进行多尺度采样， 得到 雨图像金字塔， 具体利用算式： 0026 InGauss(I,n)； 0027 其中， Gauss()表示高斯采样算子， I表示雨图像输入样本， In表示用采样因子为 n的高斯采样算子获得的雨图像子样本。 0028 为了获得不同尺度的雨图像子样本， 本方法采用高斯卷积对原始雨图像进行采 样， 分别获得下采样 2和 4的子样本， 与原始雨图像一起作为网络的输入。 0029 步骤3： 将获得的雨图像金字塔输入到非局部网络， 利用若干个非局部操作分别计 算每一个金字塔层输入图像的全局特征关联， 即计算所有像素对每一个像素的相关性， 获 得相关性矩阵f(xi,。

24、xj)， xi和xj分别表示位置i和位置j的特征； 0030 本实施例中， 首先利用两个11卷积将位置i和j的特征映射到嵌入空间， 具体利 用算式： 0031 0032其中， W和表示11卷积核参数， xi和xj分别表示位置i和位置j的特征， (xi)和 分别为xi和xj的嵌入表达； 随后在嵌入空间计算参考位置i和所有位置j的特征相关 性， 具体利用算式： 0033 0034其中， (xi)T表示 (xi)的转置， 并与作矩阵乘法， 得到相似性矩阵f(xi,xj)。 0035 步骤4： 将步骤3中学习的得到的相关性矩阵用Softmax函数进行归一化， 赋值权重 到0-1之间， 获得对应位置的全。

25、局融合权重矩阵fsoftmax(xi,xj)； 0036 本实施例中， 利用Softmax函数对相似性矩阵进行归一化， 将全局融合权重值映射 到0-1之间， 具体利用算式： 0037 0038其中， C(x)为归一化函数， 等同于fsoftmax(xi,xj)表示全局融合权重 矩阵； 通过Softmax函数， 对学习得到的相关性矩阵进行归一化赋值， 使得每一个像素的全 局融合权重矩阵的值都在0-1之间， 即fsoftmax(xi,xj)。 0039 步骤5： 利用非线性函数对所有位置的特征信息进行变换， 映射到嵌入空间， 得到 全局特征的嵌入表达， 其中， g(xj)表示位置j的嵌入表达； 0。

26、040 本实施例中， 利用11卷积将对所有位置特征进行信息变换和嵌入表达， 具体利 用算式： 0041 g(xj)Wgxj； 0042 其中， Wg表示11卷积核参数， g(xj)表示为位置j的嵌入表达。 0043 步骤6： 将步骤4中得到的全局融合权重矩阵与步骤5中提取的所有位置的嵌入表 达进行矩阵乘法， 计算所有像素点对每一个参考像素点的关联特征； 0044 本实施例中， 将获得的全局融合权重矩阵fsoftmax(xi,xj)与所有位置的嵌入表达g 说明书 3/5 页 7 CN 111340738 A 7 (xj)进行矩阵乘法， 计算所有位置对每一个位置特征的加权平均值y(xi)； 即与当。

27、前雨条纹 相近的区域融合权重尽量大， 差异大的区域的融合权重尽可能小， 具体利用算式： 0045 0046 其中， C(x)表示归一化函数. 0047 步骤7： 将步骤6中得到的全局的关联特征通过卷积操作映射到原始空间， 并与原 始输入进行融合， 获得强化后的全局融合特征； 0048 本实施例中， 利用11卷积将全局的关联特征从嵌入空间转换到原始空间， 并与 原始输入xi进行融合， 获得强化后的雨条纹表达z(xi)， 具体利用算式： 0049 z(xi)Wzy(xi)+xi； 0050 其中， Wz表示转换卷积的参数。 0051 步骤8： 对每一个金字塔层的输入图像重复步骤3-7， 并将输出的。

28、特征信息输入到 多尺度金字塔网络； 0052 步骤9： 将构建的多尺度金字塔网络分别处理对应尺度的特征信息， 同时利用所有 低分辨率金字塔层的输出和前一阶段的特征信息来引导当前金字塔层的雨条纹表达； 通过 迭代的采样和融合， 实现不同金字塔层间多尺度雨条纹信息的协同表达； 0053 请见图2， 本实施例构建的多尺度金字塔网络， 主要包含三部分： 带雨图像的多尺 度金字塔分解， 雨条纹的关联学习和多尺度特征的渐进融合和重建； 第一部分是将输入的 带雨图像利用不同尺度的高斯采样算子对原始雨图像进行采样分解， 随后用若干33的卷 积分别从对应尺度的输入图像中提取浅层特征。 第二部分利用非局部网络学习。

29、雨条纹的全 局纹理特征关联， 主要包含三个非局部模块， 每一个模块首先用两个11的卷积将位置i和 j的特征映射到嵌入空间， 并在嵌入空间计算参考位置i和所有位置j的特征相关性， 得到相 似性矩阵f(xi,xj)； 随后将得到的相关性矩阵用Softmax函数进行归一化， 赋值权重到0-1之 间， 获得对应位置的全局融合权重矩阵fsoftmax(xi,xj)； 接着利用一个11的卷积对所有位 置的特征信息进行变换， 映射到嵌入空间， 得到全局特征的嵌入表达； 将全局融合权重矩阵 与所有位置的嵌入表达进行矩阵乘法， 计算所有像素点对每一个参考像素点的关联特征； 最后， 利用一个11卷积将全局的关联特。

30、征嵌入。 第三部分主要是包括若干并行的多尺度 注意力模块来处理多尺度的雨条纹特征； 其中， 一个基础的通道注意力模块包括两个33 的卷积， 用于强化特征表达， 另外两个11的卷积用于调整通道数， 并通过全局池化层和 Sigmoid函数学习通道注意力权重， 作用于强化特征实现雨条纹的精细化表达； 最后， 采用 多个33的卷积， 并联合多尺度渐进融和机制， 实现对全局融合特征和多尺度雨条纹信息 的同尺度和跨尺度协同表达， 并输出对应的残差雨图像； 通过从原始雨图像中减去回归得 到的残差雨图像， 输出得到干净的无雨图像。 0054 本实施例中， 利用所有低分辨率金字塔层的输出和前一阶段的特征信息来引。

31、导当 前金字塔层的雨条纹表达， 实现雨条纹信息的多尺度渐进融合， 具体利用算式： 0055 0056其中， Gi-1,n和Gi,n分别表示第n层金字塔前一阶段和当前阶段的输出，表 说明书 4/5 页 8 CN 111340738 A 8 示所有n-1层低分辨率金字塔的输出， F()为卷积函数。 0057 同时， 为了强化对输入信息的提取， 本实例采用通道注意力模块作为基础单元， 通 过学习特定尺度的雨条纹信息， 引导多尺度信息的精细融合。 通道注意力模块通过学习通 道融合权重， 能够引导网络专注于最具信息量的特定尺度特征， 合理分配计算资源， 实现更 高效的多尺度融合和协同表达。 0058 步。

32、骤10： 将步骤7中得到的强化后的全局融合特征和步骤9得到的多尺度雨条纹信 息的协同表达特征利用步骤9中的多尺度渐进融和机制进行进一步的融合， 实现对原始雨 图像中雨条纹的同尺度和跨尺度协同表达， 并输出对应的残差雨图像； 通过从原始雨图像 中减去回归得到的残差雨图像， 输出干净的无雨图像； 0059 步骤11： 通过最小化步骤10中输出的无雨图像和原始干净图像的余弦距离， 优化 多尺度金字塔网络， 实现对带雨图像中雨条纹的去除。 0060 本实施例中， 使用基于Charbonnier损失函数来约束网络生成的无雨图像尽可能 逼近干净的样本图像， 实现多尺度渐进融合的单张图像雨去除方法的优化； 。

33、Charbonnier损 失函数作为L1范数的一个变体， 通过加入了补偿项使训练过程更加稳定， 同时避免生成的 结果过于平滑； 0061 具体利用算式： 其中， 0062 L( )argmin(x2+ 2)； 0063 其中， L( )和 分别表示本实施例的优化目标方程和参数， x表示生成的无雨图像 与干净的样本图像的残差， 其中补偿因子 10-3。 0064 本方法能够在降低计算消耗的同时， 保证图像雨条纹移除的效果。 0065 应当理解的是， 上述针对较佳实施例的描述较为详细， 并不能因此而认为是对本 发明专利保护范围的限制， 本领域的普通技术人员在本发明的启示下， 在不脱离本发明权 利要求所保护的范围情况下， 还可以做出替换或变形， 均落入本发明的保护范围之内， 本发 明的请求保护范围应以所附权利要求为准。 说明书 5/5 页 9 CN 111340738 A 9 图1 说明书附图 1/2 页 10 CN 111340738 A 10 图2 说明书附图 2/2 页 11 CN 111340738 A 11 。