一种基于稀疏与低秩矩阵分解的单幅图像去雨方法技术

本发明专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，具有这样的特征，包括以下步骤：步骤一，输入含雨图像，先将含雨图像分解成8×8的图像小块，取以图像小块中心为原点，4个像素偏移的8个图像小块共同组成输入矩阵，对输入矩阵进行稀疏与低秩矩阵分解，低秩矩阵作为第低频成分，稀疏矩阵作为高频成分；步骤二，将高频成分分为若干互有重叠的高频子块，通过字典学习方法学习出一个字典,再将字典根据HOG特征分成雨部分字典和几何部分字典；步骤三，当得到雨部分字典和几何部分字典后，将高频图像分为若干无重叠的图像子块，每一个图像子块都会被表示成几何成分和雨成分，再将几何成分和雨成分中的几何部分相加，合并成为去雨后的输出图像。

【技术实现步骤摘要】
一种基于稀疏与低秩矩阵分解的单幅图像去雨方法
本专利技术涉及计算机视觉领域，特别涉及一种基于稀疏与低秩矩阵分解的单幅图像去雨方法。
技术介绍
近年来，随着计算机科学与技术的飞速发展，室外视觉系统被广泛的应用于交通监控、驾驶辅助系统等领域。但是恶劣天气，例如雨、雪、雾等，会导致拍摄得到的图像对比度降低、图像模糊、细节信息丢失，严重影响了户外视觉系统的性能。其中，雨天作为生活中一种常见的恶劣天气，对雨天中拍摄得到的图像进行去雨等清晰化处理具有重要的现实意义和广泛的应用价值。根据研究去雨的不同方法，可以把这些方法分为两个方向：基于视频的去雨方法和基于单幅图像的去雨方法。其中，基于视频的去雨方法通常需要大量连续帧的图像信息。Garg和Nayar[1-2]提出了一种基于视频检测和去除雨痕迹的方法。他们通过雨滴的光学特性和时空相关特性检测视频中受雨影响的像素，这种方法需要多帧图像信息并且在检测雨痕迹时很耗时，在大雨情况下检测效果较差。此后，很多研究工作将基于他们提出的方法，并且在视频去雨中取得了较好的结果。但是，当仅能提供单幅图像时，比如由相机拍摄得到的图片，基于视频的方法就不适用了。相比于视频去雨方法，单幅图像没有多帧图像信息可以利用并且缺少时域信息，使其具有较大的难度。但是日常生活中，我们很多图像都是单幅的，而非一系列视频图像。因此，对基于单幅图像进行去雨研究就显得很有必要且很有实际意义。Kang等人[3]于2012年首先提出了基于稀疏表示单幅图像的雨水去除方法。首先使用双边滤波器将图像分解为低频(LF)和高频(HF)部分。将高频(HF)部分图像再分为许多小块。然后通过字典学习和稀疏表示将高频部分图像分解成“雨的部分”和“几何部分”。Huang等[4]人又在字典学习中引入情景感知。2014年，Huang等人[5]在发表的文章中又利用相似性传播对指定字典进行无监督聚类。同年，Sun等人[6]提出利用结构相似性的集群字典。但是，上述所提的方法有一些共同的不足之处:第一，单幅图像最终的去雨效果严重依赖字典分类；第二点上述方法都要经过一次滤波，滤波参数的大小直接影响到最后的重建效果，而传统方法往往基于经验，对参数赋予固定值，无法根据图像的具体情况进行调节。因此如何有效的将图像分解成低频与高频成分是有重要意义的。如图1所示，现有的利用稀疏表示的单幅图像去雨方法，单幅图像去雨的第一步主要采用滤波的方式进行，存在适应性不强等问题。
技术实现思路
本专利技术是为了解决上述问题而进行的，目的在于提供一种鲁棒性强，适用范围广的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法。本专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，具有这样的特征，包括以下步骤：步骤一，输入含雨图像，先将含雨图像分解成8×8的图像小块，取以图像小块中心为原点，4个像素偏移的8个图像小块共同组成输入矩阵，对输入矩阵进行稀疏与低秩矩阵分解，低秩矩阵作为第低频成分，稀疏矩阵作为高频成分；步骤二，将高频成分分为若干互有重叠的高频子块，通过字典学习方法学习出一个字典,再将字典根据HOG特征分成雨部分字典和几何部分字典；以及步骤三，当得到雨部分字典和几何部分字典后，将高频图像分为若干无重叠的图像子块，每一个图像子块都会被表示成几何成分和雨成分，再将几何成分和雨成分中的几何部分相加，合并成为去雨后的输出图像。本专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，还具有这样的特征：其中，稀疏与低秩矩阵分解的目标函数为：D表示一组输入数据，Z表示低秩矩阵，E表示稀疏矩阵。本专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，还具有这样的特征：其中，每一个含雨的高频子块与其周围的高频子块组成输入数据，分解出的低秩矩阵作为低频成分，而稀疏矩阵作为高频成分，在得到高频成分之后，再进行字典学习算法。本专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，还具有这样的特征：其中，HOG的基本思想是，通常局部对象外观和形状可以通过局部强度的梯度来表示，无需精确地知道相应的梯度。本专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，还具有这样的特征：其中，HOG的基本思想是，通常局部对象外观和形状可以通过边缘位置来表示，无需精确地知道相应的边缘位置。本专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，还具有这样的特征：其中，将高频成分分成若干个单元，将每个单元的像素点的局部一维HOG方向叠加，将所有单元的HOG方向值组合，用来表示高频成分的HOG特征。本专利技术提供的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，还具有这样的特征：其中，将高频成分分成若干个单元，将每个单元的像素点的边缘方向值叠加，将所有单元的HOG方向值组合，用来表示高频成分的HOG特征。专利技术作用和效果根据本专利技术所涉及一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，实现了单幅图像的去雨操作，无需额外的数据用于预训练；整个过程实现了自动化处理，无需人工干预；本专利提出的方法想比之前的方法能够更好的保留图像的细节信息。而且具有很好的延展性。附图说明图1是现有的利用稀疏表示的单幅图像去雨方法的流程图；图2是本专利技术在实施例中的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法的流程图；以及图3显示了在通过滤波以后重建图像与通过稀疏与低秩矩阵分解的结果。具体实施方式以下参照附图及实施例对本专利技术所涉及的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法作详细的描述。实施例图2是本专利技术在实施例中的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法的流程图。如图2所示，一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，具有以下步骤：步骤一：给定输入含雨图像I，先将含雨图像分解成8×8的图像小块，对于任意一个图像小块而言，再取以图像小块中心为原点，4个像素偏移的8个图像小块共同组成输入矩阵，对输入矩阵进行稀疏与低秩矩阵分解，然后每个原始小块在低秩矩阵中对应的部分相当于第低频成分，稀疏矩阵中对应的部分相当于高频成分，进入步骤二。稀疏与低秩矩阵分解的主要目的在于将给定的目标分解成一个稀疏矩阵和一个低秩矩阵。低秩矩阵只要保留目标间的相似成分，稀疏矩阵主要表示目标间的差异部分。其中，稀疏与低秩矩阵分解的目标函数为：D表示一组输入数据，Z表示低秩矩阵，E表示稀疏矩阵。每一个含雨的高频子块与其周围的高频子块组成输入数据，分解出的低秩矩阵作为低频成分，而稀疏矩阵作为高频成分，在得到高频成分之后，再进行字典学习算法。步骤二，得到的含雨图像的高频成分后，先将高频成分分为若干互有重叠的高频子块。然后通过字典学习方法学习出一个字典,再将字典根据HOG特征分成雨部分字典和几何部分字典，进入步骤三。其中，HOG的基本思想是，通常局部对象外观和形状可以通过局部强度的梯度或边缘位置来表示，无需精确地知道相应的梯度或边缘位置。将高频成分分成若干个单元，将每个单元的像素点的局部一维HOG方向叠加，将所有单元的HOG方向或边缘方向值组合，用来表示高频成分的HOG特征。步骤三，当得到雨部分字典和几何部分字典后，将高频图像分为若干无重叠的图像子块，每一个图像子块都会被表示成几何成分和雨成分，再将几何成分和雨成分中的几何部分相加，合并成为去雨后的输出图像。下面是本专利所提出的方法本文档来自技高网...

【技术保护点】
一种基于稀疏与低秩矩阵分解的单幅图像去雨方法,其特征在于，包括以下步骤：步骤一，输入含雨图像，先将所述含雨图像分解成8×8的图像小块，取以所述图像小块中心为原点，4个像素偏移的8个所述图像小块共同组成输入矩阵，对所述输入矩阵进行稀疏与低秩矩阵分解，低秩矩阵作为第低频成分，稀疏矩阵作为高频成分；步骤二，将所述高频成分分为若干互有重叠的高频子块，通过字典学习方法学习出一个字典,再将所述字典根据HOG特征分成雨字典和几何部分字典；以及步骤三，当得到所述雨字典和所述几何部分字典后，将高频图像分为若干无重叠的图像子块，每一个所述图像子块都会被表示成几何成分和雨成分，再将所述几何成分和所述雨成分中的几何部分相加，合并成为去雨后的输出图像。

【技术特征摘要】
1.一种基于稀疏与低秩矩阵分解的单幅图像去雨方法,其特征在于，包括以下步骤：步骤一，输入含雨图像，先将所述含雨图像分解成8×8的图像小块，取以所述图像小块中心为原点，4个像素偏移的8个所述图像小块共同组成输入矩阵，对所述输入矩阵进行稀疏与低秩矩阵分解，低秩矩阵作为第低频成分，稀疏矩阵作为高频成分；步骤二，将所述高频成分分为若干互有重叠的高频子块，通过字典学习方法学习出一个字典,再将所述字典根据HOG特征分成雨字典和几何部分字典；以及步骤三，当得到所述雨字典和所述几何部分字典后，将高频图像分为若干无重叠的图像子块，每一个所述图像子块都会被表示成几何成分和雨成分，再将所述几何成分和所述雨成分中的几何部分相加，合并成为去雨后的输出图像。2.根据权利要求1所述的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，其特征在于：其中，所述稀疏与低秩矩阵分解的目标函数为：D表示一组输入数据，Z表示低秩矩阵，E表示稀疏矩阵。3.根据权利要求2所述的一种基于稀疏与低秩矩阵分解的单幅图像去雨方法，其特征在于：其中，每一个含...

【专利技术属性】
技术研发人员：邓君坪，吴晓良，崔维成，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：上海,31