沈先耿，楊 勇，劉曉陽(yáng)，王 鑫

（1.武警警官學(xué)院信息通信系，成都 610213；2.武警警官學(xué)院教研保障中心，成都 610213）

0 引言

無(wú)人機(jī)作為一種新型的作戰(zhàn)力量，已經(jīng)成為現(xiàn)代預(yù)警監(jiān)視裝備體系中的一個(gè)重要組成部分，在協(xié)同作戰(zhàn)、體系作戰(zhàn)、聯(lián)合作戰(zhàn)任務(wù)中發(fā)揮著重要的作用。其中，偵察無(wú)人機(jī)作為其中一個(gè)重要分支，在隱蔽偵察、預(yù)警探測(cè)等領(lǐng)域發(fā)揮著重要的作用。無(wú)人機(jī)在偵察過(guò)程中可能會(huì)受到各種惡劣天氣的影響，比如霧、雪、雨等。這些惡劣天氣在給無(wú)人機(jī)提供隱蔽的同時(shí)，也嚴(yán)重影響偵察無(wú)人機(jī)的視覺(jué)圖像系統(tǒng)，導(dǎo)致偵察圖像視覺(jué)效果明顯降低，對(duì)戰(zhàn)時(shí)決策與指揮產(chǎn)生不利影響。以下雨天為例，由于雨滴下落速度較快，且在空間上是隨機(jī)分布的，因此，在攝像頭的成像過(guò)程中，雨滴主要以雨線的形式在圖像中呈現(xiàn)。雨線會(huì)使偵察圖像的噪聲明顯增大，極大影響了偵察圖像的視覺(jué)效果，進(jìn)而影響目標(biāo)匹配、目標(biāo)識(shí)別和目標(biāo)追蹤的效果。

文獻(xiàn)［1］提出了一種基于形狀特征的去雨算法，該算法通過(guò)雨線的物理和亮度特性來(lái)去除雨線，但在大雨條件下，該算法無(wú)法檢測(cè)到雨線，導(dǎo)致算法失效。文獻(xiàn)［2］提出了一種基于雨滴亮度特征的去雨算法，該算法通過(guò)判斷圖像中的像素值是否超過(guò)閾值，來(lái)進(jìn)行雨線判斷。但當(dāng)雨線與背景顏色差異較大時(shí)，容易造成漏檢。文獻(xiàn)［3］提出了一種基于相位一致性和光流估計(jì)的雨線檢測(cè)方法，該方法效果較好，但過(guò)程較為繁瑣，實(shí)時(shí)性不強(qiáng)。文獻(xiàn)［4-6］提出了一種基于形態(tài)成分分析（MCA）的圖像去雨算法，該算法雖能夠有效去除雨線影響，但會(huì)造成部分圖像細(xì)節(jié)丟失，從而導(dǎo)致出現(xiàn)圖像模糊的問(wèn)題?；谝陨蠁?wèn)題，本文根據(jù)無(wú)人機(jī)偵察圖像的特點(diǎn)，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)偵察圖像去雨算法，該算法通過(guò)提取偵察圖像中相對(duì)平滑的純雨區(qū)域作為訓(xùn)練樣本輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，能夠有效提取圖像特征，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)圖像去雨。

1 圖像濾波

無(wú)人機(jī)在偵察過(guò)程中主要以低空航拍為主，因此，本文主要針對(duì)雨天無(wú)人機(jī)的航拍圖像進(jìn)行處理。文獻(xiàn)［7-9］指出，在視覺(jué)成像系統(tǒng)極短的曝光時(shí)間內(nèi)，雨滴在圖像上會(huì)表現(xiàn)為靜態(tài)的白點(diǎn)，且白點(diǎn)的亮度與背景無(wú)關(guān)。對(duì)曝光時(shí)間相對(duì)較長(zhǎng)的無(wú)人機(jī)偵察圖像來(lái)說(shuō)，雨滴在向下降落的過(guò)程中，會(huì)表現(xiàn)成為一條較亮的雨線，且呈現(xiàn)為白色，如圖1 所示。

文獻(xiàn)［10］指出，一幅有雨圖像可以看成雨線層圖像和背景圖像的線性疊加，偵察圖像去雨的本質(zhì)就是從含有雨線的圖像中分離出雨線，提高背景圖像的能見(jiàn)度?，F(xiàn)有的去雨方法依據(jù)以下模型［11］：

圖1 雨天無(wú)人機(jī)偵察圖像

其中，I 為有雨的偵察圖像，B 為背景層圖像，R 為雨線層圖像。本文采用雙邊濾波和引導(dǎo)濾波相結(jié)合的方法對(duì)圖像進(jìn)行濾波，將原始的偵察圖像分解為低頻子圖ILF（背景層）和含有雨線的高頻子圖IHF（雨線層）。由于濾波后的高頻子圖IHF亮度較低，不適宜觀察，本文對(duì)其進(jìn)行亮度增強(qiáng)，結(jié)果如圖2 所示。

圖2 低頻與高頻子圖

從圖2 可以看出，低頻子圖中不包含雨線等紋理信息，而高頻子圖中既包含雨線信息，也包含樹木、建筑物等紋理信息。圖像去雨是將高頻子圖中的雨線信息去除后與低頻子圖融合得到無(wú)雨圖像。

2 純雨區(qū)域提取

由于無(wú)人機(jī)偵察圖像中一般存在著較為復(fù)雜的紋理信息和相對(duì)平滑的天空、地面等區(qū)域，通過(guò)提取含有雨線的相對(duì)平滑區(qū)域，能夠更好地訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，提升去雨效果。由于在一幅照片中，雨線的下落傾斜角度基本一致，因此，本文利用雨線邊緣像素點(diǎn)的梯度方向θ（x，y）和梯度幅值Mag（x，y）來(lái)進(jìn)行統(tǒng)計(jì)分析，檢測(cè)高頻子圖中的純雨區(qū)域，則圖像中像素點(diǎn)的梯度方向和梯度幅值定義如下：

其中，x 表示圖像的橫坐標(biāo)，y 表示圖像的縱坐標(biāo)，g（x，y）表示圖像在（x，y）點(diǎn)的灰度值，圖3（a）為高頻子圖對(duì)應(yīng)的梯度幅值圖，可以看出，圖像的邊緣紋理和雨線邊緣的梯度幅值相對(duì)較大，而其他相對(duì)平滑的天空、地面等區(qū)域梯度幅值皆趨近于0。圖3（b）為雨線的梯度方向，雨線具有一定的寬度，對(duì)于雨線兩邊的像素點(diǎn)來(lái)說(shuō)，兩邊像素的梯度方向處在同一條直線上，但兩邊的梯度方向正好相反。因此，相差180°的梯度方向可以歸為相同的類別，需重新定義雨線的梯度方向：

3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練

為了能夠有效提取純雨區(qū)域的雨線特征，本文采用深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)雨線的檢測(cè)與去除，該卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［12-13］可以表示為：

其中，h（p）為卷積神經(jīng)網(wǎng)絡(luò)，P 為卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，為有雨高頻子圖像塊，Ji為對(duì)應(yīng)的無(wú)雨高頻子圖像塊。通過(guò)不斷訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，使得有雨高頻子圖像塊和無(wú)雨高頻子圖像塊Ji間的差值D（P）達(dá)到最小，則認(rèn)為該卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)訓(xùn)練到最優(yōu)，此時(shí)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)P' 為最優(yōu)網(wǎng)絡(luò)參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下頁(yè)圖4 所示。

由于在卷積神經(jīng)網(wǎng)絡(luò)不斷的訓(xùn)練過(guò)程中，需要大量有雨和無(wú)雨的無(wú)人機(jī)偵察圖像對(duì)，在現(xiàn)實(shí)中很難尋找到這些圖像對(duì)，因此，采用Photoshop 軟件對(duì)200 張無(wú)人機(jī)無(wú)雨偵察圖像進(jìn)行加雨操作。對(duì)每張無(wú)雨偵察圖像增加不同粗細(xì)和不同方向的雨線，制作成10 張，總計(jì)2 000 張的有雨偵察圖像集。將有雨和無(wú)雨訓(xùn)練集進(jìn)行濾波和純雨區(qū)域提取后，將高頻子圖像塊輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，以獲取最優(yōu)網(wǎng)絡(luò)參數(shù)。部分訓(xùn)練集樣本如圖5 所示。

文獻(xiàn)［14］指出，在卷積神經(jīng)網(wǎng)絡(luò)中，不同尺度的感受野能夠得到的特征信息是不同的。為了能夠提取更為豐富的圖像信息，提高訓(xùn)練過(guò)程中對(duì)非線性映射關(guān)系估計(jì)的準(zhǔn)確性，提升網(wǎng)絡(luò)的去雨能力。本文采用3 個(gè)不同尺度的感受野來(lái)聚合圖像上分散的信息，以學(xué)習(xí)雨線特征。膨脹卷積能夠使得感受野的大小以指數(shù)形式不斷增長(zhǎng)，同時(shí)也不會(huì)遺漏其覆蓋的區(qū)域，則膨脹卷積定義為：

其中，X0，X1，…，Xn-1為一系列圖像，k0，k1，…，kn-1為一系列大小為3×3 的濾波器，*2j為膨脹卷積。對(duì)于Xj+1中的某個(gè)元素p 來(lái)說(shuō)，其感受野定義為得到Xj+1（p）這個(gè)結(jié)果所需的X0里的全部元素。在這里，將3 個(gè)通道中兩個(gè)卷積層的膨脹因子分別設(shè)為（1，1）、（1，2）和（2，2），則得到的3 個(gè)特征圖像的感受野分別為：5×5、7×7 和9×9。然后在每次遞歸過(guò)程中，采用多維向量對(duì)3 個(gè)通道的高頻子圖像塊進(jìn)行特征表示，而后將3 個(gè)通道的特征向量進(jìn)行組合，得到樣本的高頻子圖像塊特征集合A。3 個(gè)通道之間的關(guān)系為：

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖5 部分訓(xùn)練集樣本圖像

其中，Wm1，Wm2為3 個(gè)通道中6 個(gè)不同卷積層的權(quán)重值，Bm1，Bm2為偏置項(xiàng)。3 個(gè)不同尺度感受野得到的特征集合A 總共包含n1張?zhí)卣鲌D像，而后利用該特征集合進(jìn)行無(wú)雨高頻子圖像塊的非線性映射估計(jì)。

采用大小為1×1 的卷積核與特征集合A 進(jìn)行卷積，得到有雨高頻子圖像塊特征與無(wú)雨高頻子圖像塊特征間的映射關(guān)系：

其中，W2為卷積權(quán)重，B2為偏置項(xiàng)，為無(wú)雨高頻子圖像塊特征。

4 無(wú)雨圖像重構(gòu)

將得到的無(wú)雨高頻子圖像塊特征進(jìn)行均值化，得到無(wú)雨的高頻子圖像塊：

圖6 無(wú)雨圖像

5 實(shí)驗(yàn)分析

為驗(yàn)證算法的有效性，將分別對(duì)小雨圖像和大雨圖像進(jìn)行試驗(yàn)。由于目前沒(méi)有無(wú)人機(jī)偵察圖像數(shù)據(jù)集，因此，本文選取rain100H 和rain100L 數(shù)據(jù)集進(jìn)行測(cè)試，兩數(shù)據(jù)集均為合成雨線數(shù)據(jù)集，且每張圖像大小均不同。rain100H 為大雨圖像數(shù)據(jù)集，rain100L 為小雨圖像數(shù)據(jù)集。兩數(shù)據(jù)集中的部分圖像均含有類似于天空、地面等紋理相對(duì)平滑的區(qū)域。本文從兩數(shù)據(jù)集中分別選取50 張，總計(jì)100 張樣本圖像進(jìn)行測(cè)試，部分測(cè)試圖像如下頁(yè)圖7 所示。

圖7 部分測(cè)試圖像

圖8 3 種算法的實(shí)驗(yàn)結(jié)果

分別采用MCA（Morphological Component Analysis）算法、DSC（Discriminative Sparse Coding）算法與本文算法進(jìn)行5 輪對(duì)比實(shí)驗(yàn)，每輪選取10 張大雨圖像和10 張小雨圖像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)的硬件平臺(tái)為Intel Core i5，2.3 GHz CPU，NVIDIA GeForce GTX 1050 Ti GPU，16 GB 內(nèi)存，軟件平臺(tái)為MATLAB 2016a，實(shí)驗(yàn)結(jié)果如圖8 和表1 所示。

從圖8 中可以看出，在大雨情況下，MCA 算法和DSC 算法的圖像去雨效果相對(duì)較差，均存在部分雨線。本文算法能夠充分利用純雨區(qū)域的雨線特征，去除圖像中的雨線，去雨效果較好。在小雨的情況下，3 種算法雖均能夠去除雨線影響，但MCA 算法和DSC 算法的細(xì)節(jié)紋理保持相對(duì)較差，圖像存在小部分失真。這是由于MCA 算法和DSC 算法只對(duì)樣本圖像中低水平特征信息進(jìn)行了應(yīng)用，導(dǎo)致了當(dāng)樣本圖像中存在與雨線同方向或者近似方向的紋理時(shí)，會(huì)使得兩種算法對(duì)非雨線紋理信息進(jìn)行錯(cuò)誤處理，造成圖像細(xì)節(jié)模糊。而本文算法通過(guò)對(duì)純雨區(qū)域進(jìn)行訓(xùn)練，能夠充分提取出雨線特征，并通過(guò)利用高層次的圖像特征信息，對(duì)雨線信息和非雨線信息進(jìn)行準(zhǔn)確區(qū)分，保留了原始圖像的特征信息。

表1 3 種算法的運(yùn)行時(shí)間

表1 為3 種不同算法在每輪實(shí)驗(yàn)中每張圖像上的平均運(yùn)行時(shí)間。從表1 中可以看出，本文算法的運(yùn)行時(shí)間遠(yuǎn)小于另外兩種算法，這主要是因?yàn)楸疚乃惴ㄊ窃贑affe 的MATLAB 接口上實(shí)現(xiàn)的，主要是在GPU 上運(yùn)行，而另外兩種算法是在CPU 上運(yùn)行，因此，本文算法的運(yùn)行效率更高。

為了進(jìn)一步證明所提算法對(duì)真實(shí)的雨天無(wú)人機(jī)偵察圖像去雨的有效性，本文利用3 種算法對(duì)真實(shí)的有雨圖像進(jìn)行測(cè)試，結(jié)果如圖9 所示。

圖9 真實(shí)有雨圖像實(shí)驗(yàn)結(jié)果

從圖9 中可以看出，本文算法在真實(shí)的有雨圖像中也能夠有效地去除雨線，增強(qiáng)圖像質(zhì)量。

峰值信噪比（PSNR）和結(jié)構(gòu)相似性（SSIM）是兩種使用較為廣泛的圖像評(píng)價(jià)參數(shù)，能夠有效反映出人對(duì)圖像的主觀感受。利用PSNR 和SSIM兩種參數(shù)對(duì)3 種算法的去雨圖像進(jìn)行分析比較，得到3 種算法的峰值信噪比和結(jié)構(gòu)相似性參數(shù)，如表2 所示。

表2 3 種算法的峰值信噪比和結(jié)構(gòu)相似性

從表2 中可以看出，本文算法在PSNR 和SSIM兩個(gè)參數(shù)上均高于MCA 算法和DSC 算法，說(shuō)明本文算法在有效去除雨線的同時(shí)，能夠較好地保留原始圖像信息，進(jìn)一步證明了本文算法的有效性。

6 結(jié)論

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)偵察圖像去雨算法，該算法主要有以下兩個(gè)方面的優(yōu)點(diǎn)：一是能夠根據(jù)雨天無(wú)人機(jī)偵察圖像的特點(diǎn)，提取紋理相對(duì)平滑的純雨區(qū)域進(jìn)行訓(xùn)練，解決了偵察圖像中其他細(xì)節(jié)紋理的干擾；二是通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)純雨區(qū)域進(jìn)行訓(xùn)練，能夠有效提取圖像的深層特征，提升去雨效果。對(duì)比實(shí)驗(yàn)表明，本文算法無(wú)論是在合成有雨圖像訓(xùn)練集還是真實(shí)有雨圖像中，均能夠有效去除雨線的影響，具有良好的去雨效果。