(19)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 202210843808.0 (22)申请日 2022.07.18 (71)申请人 岚图汽车 科技有限公司 地址 430000 湖北省武汉市经济技 术开发 区人工智能科技园N栋研发楼3层 N3010号 (72)发明人 董倩妍　杨颖　占涛　张澳　 孙招宾　 (74)专利代理 机构 武汉智权专利代理事务所 (特殊普通 合伙) 42225 专利代理师 敖俊 (51)Int.Cl. G06T 5/00(2006.01) G06T 5/50(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于改进KPN网络图片去雨方法、 系统及存 储介质 (57)摘要 本发明提供一种基于改进KPN网络图片去雨 方法、 系统及存储介质， 方法包括以下步骤： 将预 处理后的图片输入至特征提取网络层中， 获取特 征提取后的输出图； 将特征提取后的输出图输入 至引入空间注 意力机制的普通卷积网络层中， 获 取预测核； 将获取的预测核输入至不同尺寸卷积 网络层中， 获取不同感受野特征的预测图； 将获 取的各预测图的特征加权求和， 并输入至深度可 分离卷积层中， 获取去雨增强图像。 本发明通过 基于改进KPN网络图片去雨方法， 通过基于改进 的KPN网络实现图像去雨处理， 引入了深度可分 离卷积， 大大减少了卷积神经网络的参数量和计 算复杂度； 引入了空间注意力机制， 提升了特征 图关键区域的特征表达， 有效提升了图像增强的 效果。 权利要求书2页 说明书9页 附图3页 CN 115311155 A 2022.11.08 CN 115311155 A 1.一种基于改进KPN网络图像去雨方法， 其特 征在于， 所述改进KPN网络包括特征提取网络层、 普通卷积网络层、 不同尺度 卷积网络层和深度 可分离卷积网络层； 所述基于改进KPN网络图像去雨方法包括以下步骤： 将预处理后的图片输入至特 征提取网络层中， 获取 特征提取后的输出图； 将特征提取后的输出图输入至引入空间注意力机制的普通卷积网络层中， 获取预测 核； 将获取的预测核输入至不同尺寸卷积网络层中， 获取不同感受野特 征的预测图； 将获取的各预测图的特征加权求和， 并输入至深度可分离卷积层中， 获取去雨增强图 像。 2.如权利要求1所述的改进KPN网络图像去雨方法， 其特征在于， 所述将预处理后的图 片输入至改进的KPN网络模型的特征提取网络层中， 获取特征提取网络层输出图的步骤包 括： 所述特征提取网络层包括第一网络子层、 第二网络子层、 第三网络子层和第 四网络子 层， 所述第一网络子层包括深度可分离卷积层， 所述第二网络子层包括均值池化层和深度 可分离卷积层， 所述第三网络子层包括双三次插值上采样层、 深度可分离卷积层和 修正线 性单元激活层， 所述第四网络 子层包括双三次插值上采样层； 通过第一网络子层的深度可分离卷积层对输入图进行卷积处理， 获取卷积处理后的特 征图； 通过所述第 二网络子层的所述均值池化层对卷积处理后的特征图均值进行池化处理、 深度可分离卷积层进行 卷积处理获取池化和卷积处 理后的特 征图； 通过所述第三网络子层的双三次插值上采样层对池化和卷积处理后的特征图进行插 值上采样处理、 深度可分离卷积层进行卷积处理和修正线性单元激活层进行修正激活处 理， 并与第二网络子层获取 的池化和卷积处理后的特征图进行通信连接， 获取特征提取层 输出图。 3.如权利要求2所述的改进KPN网络图像去雨方法， 其特征在于， 所述通过深度可分离 卷积层对输入图进行 卷积处理， 获取卷积处理后的特 征图的步骤 包括： 通过深度 可分离卷积层对输入图进行卷积处理， 所述深度 可分离卷积层包括深度 卷积 层和逐点卷积层； 通过深度卷积层对输入图进行 单一通道卷积运 算， 获取卷积运算后的特 征图； 通过逐点卷积对卷积运算后的特征图进行整合单个特征点位置上的所有通道信息完 成特征提取， 获取 卷积处理后的特 征图。 4.如权利要求2所述的基于改进KPN网络图像去雨方法， 其特征在于， 所述第二网络子 层和所述第三网络子层数量为多个， 所述通过所述第三网络子层的双三次插值上采样层对 池化和卷积处理后的特征图进 行插值上采样处理、 深度可分离卷积层进 行卷积处理和修正 线性单元激活层进行修正激活处理， 并与第二网络子层获取的池化和卷积处理后的特征图 进行残差连接， 获取 特征提取层输出图的步骤 包括： 通过所述第三网络子层的双三次插值上采样层对池化和卷积处理后的特征图进行插 值上采样处理、 深度可分离卷积层进行卷积处理和修正线性单元激活层进行修正激活处权　利　要　求　书 1/2 页 2 CN 115311155 A 2理， 获取修 正激活后的特 征图； 将各第三网络子层输出的修正激活后的特征图和各所述第二网络子层输出的卷积处 理后的特 征图进行残差连接， 获取残差连接后的特 征图为池化和卷积处 理后的特 征图。 5.如权利要求1所述的改进KPN网络图像去雨方法， 其特征在于， 所述将预处理后的图 片输入至改进的KPN网络模型的特征提取网络层中， 获取特征提取后的输出图的步骤之前， 还包括以下步骤： 调整输入图尺寸， 获取调整尺寸后的图片； 通过对调整尺寸后的图片进行 数据增强处 理， 获取预处理后的图片。 6.如权利要求5所述的改进KPN网络图像去雨方法， 其特征在于， 所述数据增强处理包 括但不限于以下操作： 随机旋转、 水平翻转和归一 化处理。 7.如权利要求1所述的改进KPN网络图像去雨方法， 其特征在于， 所述将特征提取后的 输出图输入至引入空间注意力机制的普通卷积网络层中， 获取预测核的步骤， 具体包括以 下步骤： 将特征提取后的输出图输入至引入空间注意力 机制的普通卷积网络层中， 对于所有通 道在二维平面上对特 征提取后的输出图学习得到 权重矩阵； 将权重矩阵附加在特 征提取后的输出图上， 获取 预测核。 8.一种基于改进KPN网络图像去雨系统， 其特 征在于， 所述改进KPN网络包括特征提取网络层、 普通卷积网络层、 不同尺度 卷积网络层和深度 可分离卷积网络层； 所述基于改进KPN网络图像去雨系统包括： 特征提取模块， 用于将预处理后的图片输入至改进的KPN网络模型的特征提取层中， 获 取特征提取后的输出图； 普通卷积模块， 与所述特征提取模块通信连接， 用于将特征提取后的输出图输入至引 入空间注意力机制的普通卷积网络层中， 获取预测核； 不同尺度卷积模块， 与所述普通卷积 模块通信连接， 用于将获取 的预测核输入至不同尺寸卷积网络层中， 获取不同感受野特征 的预测图； 深度可分离卷积模块， 与所述不同尺度卷积模块通信连接， 用于将获取的各预测图的 特征加权求和， 并输入至深度可分离卷积层中， 获取去雨增强图像。 9.一种基于改进KPN网络图像去雨设备， 其特征在于， 所述基于改进KPN网络图像去雨 设备包括处理器、 存储器、 以及 存储在所述存储器上并可被所述处理器执行的基于改进 KPN 网络图像去雨程序， 其中所述基于改进 KPN网络图像去雨程序被所述处理器执行时， 实现如 权利要求1至7中任一项所述的基于改进KPN网络图像去雨方法的步骤。 10.一种可读存储介质， 其特征在于， 所述可读存储介质上存储有基于改进KPN网络 图 像去雨程序， 其中所述基于改进KPN网络图像去雨程序被处理器执行时， 实现如权利要求1 至7中任一项所述的基于改进KPN网络图像去雨方法的步骤。权　利　要　求　书 2/2 页 3 CN 115311155 A 3