【图像去雨】基于尺度感知的多阶段循环网络单幅图像去雨附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

一、核心问题与解决方案

雨图像的本质挑战：

• 多尺度雨纹共存

  ：不同大小雨条纹 (大条纹遮挡大区域，小条纹稀疏分布) 相互重叠，特征混杂

• 雨雾效应

  ：雨滴散射导致的整体对比度降低，使背景细节模糊

• 密集雨纹

  ：在暴雨或场景深度变化大时，传统单阶段方法难以处理高密度叠加的雨条纹

核心思想：

• 设计并行子网络专门处理特定尺度雨条纹，避免不同尺度特征相互干扰

• 采用多阶段递进处理，逐次剥离不同层次雨纹，解决单次去除不彻底问题

• 引入循环迭代机制，在每个尺度内对雨纹预测进行多次优化，提升精度

二、网络架构详解

2.1 整体框架

网络由三大核心组件构成：

组件	功能	特点
DenseNet 骨干	提取通用图像特征，不使用下采样 (去除 transition 层)	保持分辨率，增强特征传递，避免信息丢失
尺度感知并行子网络	每组负责特定尺度雨条纹强度图估计	并行处理不同尺度雨纹，减少类别内竞争
多阶段循环结构	前阶段输出作为后阶段输入，逐次细化	渐进式雨纹剥离，解决残留和暗条纹问题

2.2 尺度感知机制 (核心创新)

将雨条纹按面积分为三类：

• 小尺度：(0, 60] 像素 ²，对应远处细小雨丝

• 中尺度：(60, 300] 像素 ²，常见雨条纹

• 大尺度：(300, 600] 像素 ²，近景粗大雨条

并行子网络设计：

• 每个子网络采用带残差连接的循环卷积层，对特定尺度雨纹敏感

• 不同尺度子网络共享 DenseNet 提取的特征，但独立预测各自雨纹图

• 大尺度子网络采用更大感受野，适应稀疏但覆盖广的粗条纹特性

2.3 多阶段循环流程

阶段内处理：

1. DenseNet 提取特征图 F

2. 并行子网络分别估计各尺度雨纹图 R₁, R₂, R₃

3. 合并雨纹图: R = R₁ + R₂ + R₃

4. 初步去雨: T = O - R (O 为输入雨图)

阶段间传递：

• 将 T 和原始特征 F 一起送入下一阶段

• 后续阶段专注于去除残留雨纹和修正暗条纹

• 每个阶段的循环模块迭代 4 次，逐步优化雨纹估计

⛳️ 运行结果

📣 部分代码

bw = size(im, 2);

for str_index = num_of_strtype

clean_final = double(im);

st_final = zeros(bh, bw, 3);

str_file_list = dir([streak_root, '*.png']);

stage_st_final = zeros(bh,bw,3);

% dense

for i = 1:32

strnum = randi(length(str_file_list));

st = imread([streak_root, str_file_list(strnum).name]);

st = st(4:end, :,:);

st = rotate_and_crop(st, deg);

st = imresize(st, 4);

newst = zeros(size(st));

bwst = imbinarize(rgb2gray(st));

mask = bwareafilt(bwst, [0, 500]);

for c = 1:3

temp = st(:,:,c);

%temp(mask==0) = 0;

temp = temp.*uint8(mask);

newst(:,:,c) = imgaussfilt(temp, 1);

end

newst = imresize(newst, 0.25);

sh = size(newst, 1);

sw = size(newst, 2);

row = randi(sh - bh);

col = randi(sw - bw);

newst = newst(row:row+bh-1, col:col+bw-1, :);

tr = rand() * 0.4 + 0.4;

clean_final = clean_final + double(newst) * tr;

st_final = st_final + double(newst)*tr;

stage_st_final = stage_st_final + double(newst)*tr;

end

% write dense streak

imwrite(uint8(stage_st_final), sprintf('out/str%s-type%d-dense.png', filename, str_index));

disp('dense'); disp(mean(stage_st_final(:)))

% write dense streak file into file list

fprintf(dense_list_stats, sprintf('../../data/MultiRain/clean_set/BSD300-GaussianBlur/str%s-type%d-dense.png\n', filename, str_index));

% ========================== MIDDLE ===============================

stage_st_final = zeros(bh,bw,3);

for i = 1:2

strnum = randi(length(str_file_list));

st = imread([streak_root, str_file_list(strnum).name]);

st = st(4:end, :,:);

st = rotate_and_crop(st, deg);

st = imresize(st, 4);

newst = zeros(size(st));

bwst = imbinarize(rgb2gray(st));

mask = bwareafilt(bwst, [2000, 5000]);

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码