本發(fā)明涉及計算機視覺領(lǐng)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(shù)：
：近年來，隨著計算機科學(xué)與技術(shù)的飛速發(fā)展，室外視覺系統(tǒng)被廣泛的應(yīng)用于交通監(jiān)控、駕駛輔助系統(tǒng)等領(lǐng)域。但是惡劣天氣，例如雨、雪、霧等，會導(dǎo)致拍攝得到的圖像對比度降低、圖像模糊、細節(jié)信息丟失，嚴重影響了戶外視覺系統(tǒng)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(xiàn)實意義和廣泛的應(yīng)用價值。根據(jù)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(xù)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(xué)特性和時空相關(guān)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(jié)果。但是，當(dāng)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(xué)習(xí)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(xué)習(xí)中引入情景感知。2014年，huang等人[5]在發(fā)表的文章中又利用相似性傳播對指定字典進行無監(jiān)督聚類。同年，sun等人[6]提出利用結(jié)構(gòu)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(jīng)過一次濾波，濾波參數(shù)的大小直接影響到最后的重建效果，而傳統(tǒng)方法往往基于經(jīng)驗，對參數(shù)賦予固定值，無法根據(jù)圖像的具體情況進行調(diào)節(jié)。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(xiàn)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(yīng)性不強等問題。技術(shù)實現(xiàn)要素：本發(fā)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(fā)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(xué)習(xí)方法學(xué)習(xí)出一個字典,再將字典根據(jù)hog特征分成雨部分字典和幾何部分字典；以及步驟三，當(dāng)?shù)玫接瓴糠肿值浜蛶缀尾糠肿值浜?，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(fā)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(shù)為：d表示一組輸入數(shù)據(jù)，z表示低秩矩陣，e表示稀疏矩陣。本發(fā)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(shù)據(jù)，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(xué)習(xí)算法。本發(fā)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(yīng)的梯度。本發(fā)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(yīng)的邊緣位置。本發(fā)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，將高頻成分分成若干個單元，將每個單元的像素點的局部一維hog方向疊加，將所有單元的hog方向值組合，用來表示高頻成分的hog特征。本發(fā)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，將高頻成分分成若干個單元，將每個單元的像素點的邊緣方向值疊加，將所有單元的hog方向值組合，用來表示高頻成分的hog特征。發(fā)明作用和效果根據(jù)本發(fā)明所涉及一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，實現(xiàn)了單幅圖像的去雨操作，無需額外的數(shù)據(jù)用于預(yù)訓(xùn)練；整個過程實現(xiàn)了自動化處理，無需人工干預(yù)；本專利提出的方法想比之前的方法能夠更好的保留圖像的細節(jié)信息。而且具有很好的延展性。附圖說明圖1是現(xiàn)有的利用稀疏表示的單幅圖像去雨方法的流程圖；圖2是本發(fā)明在實施例中的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法的流程圖；以及圖3顯示了在通過濾波以后重建圖像與通過稀疏與低秩矩陣分解的結(jié)果。具體實施方式以下參照附圖及實施例對本發(fā)明所涉及的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法作詳細的描述。實施例圖2是本發(fā)明在實施例中的一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法的流程圖。如圖2所示，一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，具有以下步驟：步驟一：給定輸入含雨圖像i，先將含雨圖像分解成8×8的圖像小塊，對于任意一個圖像小塊而言，再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，然后每個原始小塊在低秩矩陣中對應(yīng)的部分相當(dāng)于第低頻成分，稀疏矩陣中對應(yīng)的部分相當(dāng)于高頻成分，進入步驟二。稀疏與低秩矩陣分解的主要目的在于將給定的目標分解成一個稀疏矩陣和一個低秩矩陣。低秩矩陣只要保留目標間的相似成分，稀疏矩陣主要表示目標間的差異部分。其中，稀疏與低秩矩陣分解的目標函數(shù)為：d表示一組輸入數(shù)據(jù)，z表示低秩矩陣，e表示稀疏矩陣。每一個含雨的高頻子塊與其周圍的高頻子塊組成輸入數(shù)據(jù)，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(xué)習(xí)算法。步驟二，得到的含雨圖像的高頻成分后，先將高頻成分分為若干互有重疊的高頻子塊。然后通過字典學(xué)習(xí)方法學(xué)習(xí)出一個字典,再將字典根據(jù)hog特征分成雨部分字典和幾何部分字典，進入步驟三。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或邊緣位置來表示，無需精確地知道相應(yīng)的梯度或邊緣位置。將高頻成分分成若干個單元，將每個單元的像素點的局部一維hog方向疊加，將所有單元的hog方向或邊緣方向值組合，用來表示高頻成分的hog特征。步驟三，當(dāng)?shù)玫接瓴糠肿值浜蛶缀尾糠肿值浜?，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。下面是本專利所提出的方法與已有方法的一些性能比較。實驗結(jié)果證明了本專利所提方法的有效性。在我們的實驗中，我們利用人工合成的圖片來評價所提出的方法和現(xiàn)有的方法。在這里我們只比較了僅通過濾波和稀疏與低秩矩陣分解的結(jié)果，并未加字典學(xué)習(xí)部分。如圖3所述，(a)是原始圖像；(b)是濾波的結(jié)果；(c)是稀疏與低秩矩陣分解的結(jié)果。圖3顯示了在通過濾波以后重建圖像與通過稀疏與低秩矩陣分解的結(jié)果，我們可以看出，通過稀疏與低秩矩陣分解得到的結(jié)果更加清晰。選用的評價指標為：特征相似度(fsim)，相似度(sim)。這些方法的值介于0和1之間，值越大表示性能越好。通過下表，我們的方法相比之前的方法具有更高的值。這表示所提出的方法能夠更好的恢復(fù)原圖像。fsimsr_sim濾波0.9650.956稀疏與低秩矩陣分解0.9880.974表1.已有方法與所提出方法的性能比較表實施例的作用與效果根據(jù)本實施例所涉及一種基于稀疏與低秩矩陣分解的單幅圖像去雨方法，實現(xiàn)了單幅圖像的去雨操作，無需額外的數(shù)據(jù)用于預(yù)訓(xùn)練；整個過程實現(xiàn)了自動化處理，無需人工干預(yù)；本專利提出的方法想比之前的方法能夠更好的保留圖像的細節(jié)信息。而且具有很好的延展性。上述實施方式為本發(fā)明的優(yōu)選案例，并不用來限制本發(fā)明的保護范圍。當(dāng)前第1頁12