买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中山大学申请的专利基于雨线特征重构的多维聚合网络的图像去雨方法与系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114549334B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110830479.1，技术领域涉及：G06T5/73；该发明授权基于雨线特征重构的多维聚合网络的图像去雨方法与系统是由周凡;梁松亮;林格;苏卓设计研发完成，并于2021-07-22向国家知识产权局提交的专利申请。

本基于雨线特征重构的多维聚合网络的图像去雨方法与系统在说明书摘要公布了：本发明公开了基于雨线特征重构的多维聚合网络的图像去雨方法与系统。包括：首先，从数据库中获取图像数据集，进行图像预处理，为所获取的图像加上雨线效果；其次，构建包括构建深域特征重构模块和广域特征重构等模块，构建基于雨线特征重构提取的多维聚合网络，输入为有雨图像，得到多维聚合特征，经过图像重建模块，输出为去雨图像；然后，进行网络训练，获到训练好的多维聚合网络；最后，将待处理的有雨图像输入训练好的基于雨线特征重构提取的多维聚合网络，输出去雨图像。本发明提出的多维聚合网络更为高效，其特征模块可学习到雨线复杂多变的形态提取图像中不同尺度的信息，可最大限度地保留图像细节，获得图像视觉效果更好。

本发明授权基于雨线特征重构的多维聚合网络的图像去雨方法与系统在权利要求书中公布了：1.基于雨线特征重构的多维聚合网络的图像去雨方法，其特征在于，所述方法包括： 从数据库中获取图像数据集，进行图像预处理，为所获取的图像加上雨线效果，并构建训练集和测试集； 构建深域特征重构模块和广域特征重构模块，输入待重构特征分别进行通道重构和空间重构，分别输出深域重构特征和广域重构特征； 构建雨线特征重构提取模块，由所述深域特征重构模块和所述广域特征重构模块组成，将所述深域重构特征和所述广域重构特征沿通道维度拼接，并进行卷积操作，得到中间特征； 构建多维特征聚合模块，对输入的所述中间特征进行多维聚合，输出聚合后的多维聚合特征； 构建基于雨线特征重构提取的多维聚合网络，由卷积块、所述雨线特征重构提取模块、所述多维特征聚合模块和图像重建模块组成，其输入为有雨图像，得到所述多维聚合特征，经过图像重建模块，输出为去雨图像； 利用所述训练集，使用多重损失训练所述基于雨线特征重构提取的多维聚合网络，并使用所述测试集进行测试验证，获得训练好的基于雨线特征重构提取的多维聚合网络； 将待处理的有雨图像输入所述训练好的基于雨线特征重构提取的多维聚合网络，输出去雨图像； 其中，所述构建雨线特征重构提取模块，由所述深域特征重构模块和所述广域特征重构模块组成，将所述深域重构特征和所述广域重构特征沿通道维度拼接，并进行卷积操作，得到中间特征，具体为： 构建雨线特征重构提取模块，该模块由所述深域特征重构模块和所述广域特征重构模块构成，并采用残差结构； 雨线特征重构提取模块输入为H×W×C维的特征，输出为H×W×C维的中间特征，模块的空洞卷积的扩张率为r，使用不同的扩张率获取图像不同尺度的特征信息； 输入的H×W×C维特征分别经过深域特征重构模块和广域特征重构模块进行特征重构，得到深域重构特征和广域重构特征； 将深域重构特征和广域重构特征沿通道维度拼接得到H×W×2×C维的特征，然后依次通过卷积核大小为3×3，扩张率为r的空洞卷积、ReLU层、批规范化层和卷积核大小为3×3，扩张率为r的空洞卷积，输出H×W×C维的特征，最后与输入的H×W×C维特征相加，输出中间特征； 其中，所述构建多维特征聚合模块，对输入的所述中间特征进行多维聚合，输出聚合后的多维聚合特征，具体为： 构建多维特征聚合模块，其输入为n个不同的H×W×C维中间特征，输出为经过多维聚合操作之后的H×W×n×C维的多维聚合特征； 对于每个输入的H×W×C维的中间特征先经过1×1卷积得到H×W×C维的特征，再经过平均池化操作得到1×1×C维的特征； 将这n个1×1×C维的特征沿通道拼接得到一个1×1×C维的特征，并依次通过全连接层、ReLU层、全连接层和sigmoid层，得到1×1×n维的特征权值，然后将该权值扩展为1×1×n×C维； 将一开始输入的n个H×W×C维特征沿通道拼接，得到H×W×n×C维的特征，将其与前面得到的特征权值相乘，并依次经过1×1卷积和ReLU层，输出H×W×n×C维的多维聚合特征； 其中，所述利用所述训练集，使用多重损失训练所述基于雨线特征重构提取的多维聚合网络，并使用所述测试集进行测试验证，获得训练好的基于雨线特征重构提取的多维聚合网络，具体为： 使用多重损失训练所述基于雨线特征重构提取的多维聚合网络，训练中使用的多重损失为像素级MSE损失、感知损失以及多层梯度损失的和； 使用所述训练集，采用Adam算法训练网络，每个批次输入40张图像，训练直至损失函数的结果达到收敛，训练中学习率初始设置为0.0001，在第100000轮衰减为0.00001，第150000轮衰减为0.000001； 多重损失函数表示如下： L＝LMSE+Lper+LMSG 其中LMSE代表像素级MSE损失，Lper代表感知损失，LMSG代表图像多层梯度损失； 多重损失中的像素级MSE损失函数表示如下： 其中M为训练数据总个数，Yi和Ygt,i分别为所述基于雨线特征重构提取的多维聚合网络输出的去雨图像和真实无雨图像，该损失直接衡量两张图像像素之间的差异性； 多重损失中的感知损失函数表示如下： 其中M为训练数据总个数，Yi和Ygt,i分别为所述基于雨线特征重构提取的多维聚合网络输出的去雨图像和真实无雨图像，FYi和FYgt,i是去雨图像和真实无雨图像分别经过预训练好的VGG16网络得到的结果，该损失衡量的是两幅图像视觉特征的差异性； 多重损失中的多层梯度损失函数表示如下： 其中： 为求梯度的算子，为Yi经过k次下采样得到的结果，为对真实无雨图像Ygt,i经过k次下采样得到的结果进行求梯度的计算，每次下采样用窗口为2，步长为2的平均池化操作，会得到原图的大小的下采样图，训练中取N＝2，该损失衡量的是两张图像之间梯度的差异，从而衡量其细节、纹理的差异； 使用所述测试集进行测试验证，获得训练好的基于雨线特征重构提取的多维聚合网络。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中山大学，其通讯地址为：510006 广东省广州市海珠区新港西路135号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。