[發明專利]一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法

在審

• 申請號: 201610705681.0
• 申請日: 2016-08-22
• 公開（公告）號: CN106971377A
• 公開（公告）日: 2017-07-21
• 發明（設計）人: 鄧君坪;吳曉良;崔維成
• 申請（專利權）人: 上海海洋大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 上海精晟知識產權代理有限公司31253
• 代理人: 馮子玲

技術領域

本發明涉及計算機視覺領域，特別涉及一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法。

背景技術

近年來，隨著計算機科學與技術的飛速發展，室外視覺系統被廣泛的應用于交通監控、駕駛輔助系統等領域。但是惡劣天氣，例如雨、雪、霧等，會導致拍攝得到的圖像對比度降低、圖像模糊、細節信息丟失，嚴重影響了戶外視覺系統的性能。其中，雨天作為生活中一種常見的惡劣天氣，對雨天中拍攝得到的圖像進行去雨等清晰化處理具有重要的現實意義和廣泛的應用價值。

根據研究去雨的不同方法，可以把這些方法分為兩個方向：基于視頻的去雨方法和基于單幅圖像的去雨方法。其中，基于視頻的去雨方法通常需要大量連續幀的圖像信息。

Garg和Nayar[1-2]提出了一種基于視頻檢測和去除雨痕跡的方法。他們通過雨滴的光學特性和時空相關特性檢測視頻中受雨影響的像素，這種方法需要多幀圖像信息并且在檢測雨痕跡時很耗時，在大雨情況下檢測效果較差。此后，很多研究工作將基于他們提出的方法，并且在視頻去雨中取得了較好的結果。

但是，當僅能提供單幅圖像時，比如由相機拍攝得到的圖片，基于視頻的方法就不適用了。相比于視頻去雨方法，單幅圖像沒有多幀圖像信息可以利用并且缺少時域信息，使其具有較大的難度。但是日常生活中，我們很多圖像都是單幅的，而非一系列視頻圖像。因此，對基于單幅圖像進行去雨研究就顯得很有必要且很有實際意義。

Kang等人[3]于2012年首先提出了基于稀疏表示單幅圖像的雨水去除方法。首先使用雙邊濾波器將圖像分解為低頻(LF)和高頻(HF)部分。將高頻(HF)部分圖像再分為許多小塊。然后通過字典學習和稀疏表示將高頻部分圖像分解成“雨的部分”和“幾何部分”。Huang等[4]人又在字典學習中引入情景感知。2014年，Huang等人[5]在發表的文章中又利用相似性傳播對指定字典進行無監督聚類。同年，Sun等人[6]提出利用結構相似性的集群字典。但是，上述所提的方法有一些共同的不足之處:第一，單幅圖像最終的去雨效果嚴重依賴字典分類；第二點上述方法都要經過一次濾波，濾波參數的大小直接影響到最后的重建效果，而傳統方法往往基于經驗，對參數賦予固定值，無法根據圖像的具體情況進行調節。因此如何有效的將圖像分解成低頻與高頻成分是有重要意義的。

如圖1所示，現有的利用稀疏表示的單幅圖像去雨方法，單幅圖像去雨的第一步主要采用濾波的方式進行，存在適應性不強等問題。

發明內容

本發明是為了解決上述問題而進行的，目的在于提供一種魯棒性強，適用范圍廣的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法。

本發明提供的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，具有這樣的特征，包括以下步驟：步驟一，輸入含雨圖像，先將含雨圖像分解成8×8的圖像小塊，取以圖像小塊中心為原點，4個像素偏移的8個圖像小塊共同組成輸入矩陣，對輸入矩陣進行稀疏與低秩矩陣分解，低秩矩陣作為第低頻成分，稀疏矩陣作為高頻成分；

步驟二，將高頻成分分為若干互有重疊的高頻子塊，通過字典學習方法學習出一個字典,再將字典根據HOG特征分成雨部分字典和幾何部分字典；以及

步驟三，當得到雨部分字典和幾何部分字典后，將高頻圖像分為若干無重疊的圖像子塊，每一個圖像子塊都會被表示成幾何成分和雨成分，再將幾何成分和雨成分中的幾何部分相加，合并成為去雨后的輸出圖像。

本發明提供的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，還具有這樣的特征：其中，稀疏與低秩矩陣分解的目標函數為：

D表示一組輸入數據，Z表示低秩矩陣，E表示稀疏矩陣。

本發明提供的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，還具有這樣的特征：其中，每一個含雨的高頻子塊與其周圍的高頻子塊組成輸入數據，分解出的低秩矩陣作為低頻成分，而稀疏矩陣作為高頻成分，在得到高頻成分之后，再進行字典學習算法。

本發明提供的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，還具有這樣的特征：其中，HOG的基本思想是，通常局部對象外觀和形狀可以通過局部強度的梯度來表示，無需精確地知道相應的梯度。

本發明提供的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，還具有這樣的特征：其中，HOG的基本思想是，通常局部對象外觀和形狀可以通過邊緣位置來表示，無需精確地知道相應的邊緣位置。