Resumen

La lluvia causará la oclusión y el desenfoque de objetos de fondo y objetivo y afectará el efecto visual de la imagen y el análisis de imagen subsiguiente. Ante el problema de la eliminación insuficiente de la lluvia en el algoritmo actual de eliminación de lluvia, con el fin de mejorar la precisión del algoritmo de visión por computadora en el proceso de eliminación de la lluvia, este documento propone un marco de trabajo de múltiples etapas basado en la restauración progresiva combinada con una red neuronal recurrente y tecnología de complementariedad de características para eliminar las manchas de lluvia de imágenes individuales. En primer lugar, se adapta la subred codificador-decodificador para aprender información a múltiples escalas y extraer características de lluvia más ricas. En segundo lugar, la imagen restaurada de resolución original por el decodificador se utiliza para preservar detalles refinados de la imagen. Finalmente, utilizamos la información efectiva de la etapa anterior para guiar la eliminación de la lluvia de la siguiente etapa mediante la red neuronal recurrente. Los resultados experimentales finales muestran que una red de complementariedad de características de múltiples etapas funciona bien tanto en conjuntos de datos sintéticos lluviosos como en conjuntos de datos lluviosos del mundo real, puede eliminar la lluvia de forma más completa, preservar más detalles de fondo y lograr mejores efectos visuales en comparación con algunos métodos populares de eliminación de lluvia de imágenes individuales.

• Materias:Sensores Algoritmo genético Controlador difuso Planificación de ruta
• Subjects:sensors Genetic algorithm Fuzzy controller Path planning
• Palabras claves:Lluvia; Eliminación; Algoritmo; Red neuronal; Complementariedad de características; Imagen
• Keywords:Rain; Removal; Algorithm; Neural network; Feature complementarity; Image