[发明专利]一种基于字典训练和稀疏表示的合成雨图除雨方法

说明书

本发明公布了一种基于字典训练和稀疏表示的合成雨图除雨方法，通过改进应用于图像超分辨率重建的方法，使其应用于合成雨图的除雨恢复。在训练阶段运用一幅纯雨模板对一组无雨图像加雨，构造“有雨‑无雨”训练集并通过训练得到有雨字典和无雨字典；在测试阶段运用另一幅纯雨模板对测试无雨图像进行加雨得到测试合成雨图，基于有雨字典对其进行稀疏表示得到其稀疏表示系数。同样基于有雨字典得到第三幅不同的纯雨模板的稀疏表示系数，再将两个稀疏表示系数相减进一步去除表示系数中的涉雨成分。最后，将相减后的稀疏表示系数与训练出的无雨字典结合，得到测试合成雨图的最终除雨结果。本发明在对图像除雨的同时能够较好地保护图像中的细节信息。

技术领域

本发明属于数字图像处理领域，具体的涉及一种针对合成雨图的基于字典训练和稀疏表示的除雨方法。

背景技术

在当今信息化时代，户外视觉采集系统在交通安全、安防监控、遥感观测等领域应用广泛。所采集的高分辨率图像不仅给人们带来更好的视觉感受，也可以记录更多的场景信息。高分辨率图像的采集不仅会受到成像设备硬件的限制，还会受到外部采集环境的较大影响。当出现雨水等恶劣天气时，会使观测能见度显著降低，造成相机或传感器采集的图像质量退化，对图像信息的完整性及后续基于图像的活动带来不利影响，限制了户外计算机视觉系统工作的时间和空间范围。因而对所采集的有雨图像进行清晰化恢复具有重要的实践意义。

关于图像除雨的研究可大致分为两类：基于视频的图像除雨研究和基于单幅图像的除雨研究。近年来基于视频的图像除雨得到了广泛研究，因为其可利用时间序列图像提供的较充足信息，对雨滴的检测以及去除的难度相对较易。相较于视频图像除雨，单幅图像除雨在理论上属于病态问题而具有更大的挑战性，这方面较为成熟的技术方法比较鲜见。

发明内容

本发明主要基于Jianchao Yang等人在论文《Image Super-Resolut ion viaSparse Representation》和《Image Super-Resolution as Spars e Representation ofRaw Image Patches》中提出的基于稀疏表示的图像超分辨率重建方法。该方法通过建立“高分辨率-低分辨率”图像训练集，经过联合学习得到高分辨率字典和低分辨率字典，并假定同一模式下的高分辨率和低分辨率图像块的稀疏表示系数是相同的。当输入一幅低分辨率图像时，先对其进行特征提取和图像分块预处理，再基于低分辨率字典计算得出每个低分辨率图像块的稀疏表示系数，根据上述假定可运用该稀疏表示系数与高分辨率字典联合生成对应的高分辨率图像块。

为了忽略次要因素而抓住问题的根本，本发明针对单幅合成雨图提出了一种基于字典训练和稀疏表示的除雨方法。针对雨天成像时雨滴所造成的图像质量退化，本发明参考上述基于稀疏表示的图像超分辨率重建方法，但对其进行了针对性的改进，使其可以有效地应用于解决合成雨图的除雨问题。所做的改进包括：利用滤波加雨的方法，建立的训练集合是有雨图像集和对应的无雨图像集，而非超分辨率重建方法中由高分辨率图像集自动生成低分辨率图像集的方式；本发明创新地引入了纯雨模板并对其进行稀疏表示，进一步去除测试合成雨图的稀疏表示系数中可能存在的涉雨成分。从而提供了一种面向合成雨图的基于字典训练和稀疏表示的除雨方法。

本发明是这样实现的，在训练阶段，对一组清晰无雨图像用一幅纯雨模板进行加雨处理，得到一组合成有雨图像，从而建立“有雨-无雨”图像训练集合。通过训练充分学习两者之间的映射关系，得到关键的有雨字典和无雨字典。在测试阶段，对一幅测试无雨图像用另一幅纯雨模板进行加雨，得到测试合成雨图，再基于训练得到的有雨字典得到其稀疏表示系数。同时，基于该有雨字典对第三幅不同的纯雨模板进行稀疏表示以得到其稀疏表示系数，将两个稀疏表示系数相减，进一步去除测试合成雨图的稀疏表示系数中的涉雨成分，再结合训练得到的无雨字典进行基于稀疏表示的图像除雨恢复，得到测试合成雨图除雨后的最终图像。