卷积神经网络的图像去雨硕士论文提纲

卷积神经网络的图像去雨硕士论文提纲--基于深度卷积神经网络的图像去雨方法及系统研究

摘要：在雨天，特别是在大雨、暴雨等极端雨天，户外计算机视觉系统采集的图像会产生严重的雾化模糊，影响其应用性能。利用图像处理技术，消除雨雾模糊的影响，提高计算机视觉系统图像图像的清晰度。近年来，图像处理和计算机视觉领域的研究热点是提高计算机视觉系统适应雨天的应用能力。本文研究了图像雨的深度学习方法。主要工作和成果如下：（1）针对现有图像雨深卷积神经网络方法存在明显的雨痕残留和局部细节丢失，提出了基于残差密集扩展卷积连接网络的图像雨法。整体框架由雨纹去除子网和图像增强子网组成，其中雨纹去除子网结构采用解码结构，以残差密集连接模块为核心。图像增强子网由多个具有相同结构的特征提取模块组成，具有不同扩张率的卷积算子，以确保能够充分提取不同感受野的特征信息，恢复更多的图像细节。实验结果表明，本方法可以有效地去除雨痕，恢复图像细节。与现有方法相比，PSNR在Rain100H合成数据集中增加了4.96dB，SSIM增加了0.20，获得了更好的视觉效果。（2）针对现有图像雨深度卷积网络方法运行时间长的问题，提出了基于注意力和上下文信息的图像雨去除方法。该方法采用编解码网络作为基本框架。为了提取不同层次的特征，编码网络可以通过聚合上下文特征来提取图像特征信息。为了增加通道特征之间的相关性，提高特征聚合的处理速度，可以在卷积计算机制中引入注意力。与对比方法相比，在512×512图像中，单个图像的平均处理时间缩短了0.2秒。(3)基于上述理论研究成果，Pycharam和Pyqt5设计了一个基于深度卷积网络的图像去雨原型系统，可根据需要选择性地去雨。

关键词：单幅图像去雨;卷积神经网络;编码解码网络;残差密集连接网络;注意力机制;

摘要

abstract

1 绪论

    1.1 研究背景及意义

    1.2 国内外研究现状

    1.3 本文主要工作及章节安排

        1.3.1 本文主要工作

        1.3.2 本文章节安排

2 基于残差密集扩张卷积连接网络的图像去雨方法

    2.1 问题的提出

    2.2 算法描述

        2.2.1 编码解码网络

        2.2.2 残差密集连接特征提取模块

        2.2.3 图像增强子网

        2.2.4 损失函数

    2.3 实验设计

        2.3.1 实验数据

        2.3.2 实验环境及设置

        2.3.3 评价指标

    2.4 实验结果及分析

        2.4.1 在合成数据集上的实验结果对比

        2.4.2 在真实雨天图像数据集上的对比

        2.4.3 测试时间对比

    2.5 消融实验

    2.6 本章小节

3 基于注意力及上下文信息聚合的图像去雨方法

    3.1 问题的提出

    3.2 算法描述

        3.2.1 上下文特征聚合模块

        3.2.2 注意力模块

        3.2.3 损失函数

    3.3 实验结果及分析

        3.3.1 实验设置

        3.3.2 在合成数据集上的实验结果对比

        3.3.3 在真实雨天图像数据集上的对比

        3.3.4 不同损失函数对比

        3.3.5 测试时间对比

    3.4 本章小节

4 图像去雨原型系统与实现

    4.1 系统需求分析

    4.2 系统模块设计

    4.3 系统实现

    4.4 系统运行环境

    4.5 本章小节

5 总结与展望

    5.1 总结

    5.2 展望

致谢

参考文献