CN103337061A - 一种基于多次引导滤波的图像去雨雪方法 - Google Patents
一种基于多次引导滤波的图像去雨雪方法 Download PDFInfo
- Publication number
- CN103337061A CN103337061A CN2013103016986A CN201310301698A CN103337061A CN 103337061 A CN103337061 A CN 103337061A CN 2013103016986 A CN2013103016986 A CN 2013103016986A CN 201310301698 A CN201310301698 A CN 201310301698A CN 103337061 A CN103337061 A CN 103337061A
- Authority
- CN
- China
- Prior art keywords
- image
- low frequency
- frequency part
- rain
- recovery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于多次引导滤波的图像去雨雪方法,涉及图像处理。提供可改善雨天、雪天条件下所摄取图像的视觉效果,提高视觉算法准确性的一种基于多次引导滤波的图像去雨雪方法。1)以图像本身为引导图像,对有雨或有雪的图像进行引导滤波,得到高频和低频部分;2)以边缘增强的低频部分为引导图像,对高频部分进行引导滤波后,加上低频部分得到恢复图像;3)在得到的恢复图像和输入图像取最小值,得到清晰的恢复图像;4)在清晰恢复图像和恢复图像取权衡,得到清晰度和去除效果较好的最终恢复图像。建立在模糊的雨线或雪花和背景边缘的区别的基础上,实现单一图像的去除雨和雪。
Description
技术领域
本发明涉及图像处理,尤其是涉及一种基于多次引导滤波的图像去雨雪方法。
背景技术
对雨天或者雪天拍摄的照片,通常在背景图片中叠加一些明亮的雨线或者雪花,这些雨线和雪花不仅影响了我们的视觉效果,而且还会降低一些计算机视觉算法的性能效果,例如物体识别,跟踪,图像检索等等。去雨雪在视频监控,城市交通,图像的检索有着很好的应用。
在计算机视觉领域中,视频中的去雨雪已经取得了很好的效果,但是在背景中有运动的物体,有些算法效果较差。单一图像去雨雪方法较少,Yu-Hsiang Fu等(Yu-Hsiang Fu,Li-WeiKang,Chia-Wen Lin,and Chiou-Ting Hsu,“SINGLE-FRAME-BASED RAIN REMOVAL VIAIMAGE DECOMPOSITION+”,in Proc.IEEE Int.Conf.Acoustics,Speech&Signal Processing,May2011,Prague,Czech Republic,pp.1453-1456)提出基于稀疏编码和字典学习的雨线去除的方法,该方法虽然能很好去除雨,但不能去雪,算法也相对复杂;Jing Xu等(Jing Xu,Wei Zhao,Peng Liu&Xianglong Tang,“An Improved Guidance Image Based Method to Remove Rain andSnow in a Single Image”,CCSE Computer and Information Science Journal,2012,vol.5,no.3,pp.49-55)提出基于雨雪成像模型同样用到引导滤波的去雨雪方法,虽然算法简单,但是去除效果较差,也很模糊。
发明内容
本发明的目的在于提供可改善雨天、雪天条件下所摄取图像的视觉效果,提高视觉算法准确性的一种基于多次引导滤波的图像去雨雪方法。
本发明包括以下步骤:
1)以图像本身为引导图像,对有雨或有雪的图像进行引导滤波,得到高频和低频部分;
2)以边缘增强的低频部分为引导图像,对高频部分进行引导滤波后,加上低频部分得到恢复图像;
3)在得到的恢复图像和输入图像取最小值,得到清晰的恢复图像;
4)在清晰恢复图像和恢复图像取权衡,得到清晰度和去除效果较好的最终恢复图像。
在步骤1)中,所述有雨或有雪的图像的数学模型为:
Iin=Ib+Ir
观测图像Iin可以分解成两个部分:
一个部分称之为背景图像:Ib;
另一个部分称之为雨线(雪花)图像:Ir;
所述以图像本身为引导图像,对有雨或有雪的图像进行引导滤波,得到高频和低频部分的具体方法可为:
将所要处理的观测图像Iin作为guided filter的参考图像,同时作为guided filter输入图像进行guided filter处理,得到图像的低频部分ILF,将输入图像减去低频图像得到高频部分IHF:
在步骤2)中,所述以边缘增强的低频部分为引导图像,对高频部分进行引导滤波后,加上低频部分得到恢复图像的具体方法可为:
对低频部分ILF进行边缘增强,即将低频图像的梯度乘以一个系数加上低频图像,得到增强后的低频图像。再把增强后的低频图像作为参考图像,对高频部分进行guided filter处理,处理的结果加上低频部分,得到最初的恢复图像:
在步骤3)中,所述在得到的恢复图像和输入图像取最小值,得到清晰的恢复图像的具体方法可为:
在输入图像和最初恢复的图像取最小值,即将图像每一像素点在rgb三通道的值分别进行比较,取最小值构成清晰的恢复图像:
Icr=min(Iin,Ir)
其中:min表示在Ir和Iin中取最小值,Icr为清晰的恢复图像。
在步骤4)中,所述在清晰恢复图像和恢复图像取权衡,得到清晰度和去除效果较好的最终恢复图像的具体方法可为:
在清晰的恢复结果和最初的恢复结果加权求和,即把最初恢复图像乘以一个系数,把1减去这个系数的结果再乘以清晰的恢复图像,再把这两部分加起来,得到一个精确的参考图像,再将这一个参考图像作为guided filter的引导图像,对清晰的图像进行guided filter,得到最终的恢复图像:
Iref=βIr+(1-β)Icr
其中:β表示权衡的权重系数(在去雨中取0.8,在去雪中取0.5);Iref取权衡得到的参考图像;表示以Iref为参考图像对Iref进行guided filter处理,Irr为最终的恢复图像。
本发明提出了一种单一图像去雨雪的方法,不仅算法简单,而且相比Jing Xu的方法,去除雨雪的效果更好,清晰度也更好。
本发明提供一种基于多次引导滤波(引导滤波:Guided Filter)的图像中雨和雪去除的方法。该方法能够去除图像中的雨线和雪斑,主要是基于雨线和雪斑形成的边缘或者小块的亮度比周围背景亮度高的特性。实验结果证明本发明的方法能够很好的去除雨和雪。本发明提供的方法包括:
A、在亮度中分析模糊的雨雪和清晰背景边缘的区别。
B、求取低频部分过程中,雨雪和背景边缘的变化以及变化的区别,进行雨雪图像恢复。
C、根据清晰边缘的变化和引导滤波的影响,对恢复图像的清晰化。
D、在清晰度和去除效果中取权衡。
本发明建立在模糊的雨线或雪花和背景边缘的区别的基础上,实现单一图像的去除雨和雪。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的去雨雪过程简化的步骤。
图3是本发明实施例的去雨结果。在图3中,a为原图,b为清晰的恢复图像,c为最终恢复的图像。
图4是本发明实施例的去雪结果。在图4中,a为原图,b为清晰的恢复图像,c为最终恢复的图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下实施例将结合附图对本发明作进一步的说明:
图1是本发明方法具体实施的流程图,描述了从图像输入到结果输出中的每一个步骤,箭头的方向表明了实施的方向和依赖关系,方框中内容表明过程中实施方法,同时也给出了中间结果(没有加框的文字)。图2则是这些步骤的简化过程,方框中内容是产生的中间结果。参见图1和2,去雨雪的实现方法主要有四个步骤:
步骤1:求取图像的低频部分和高频部分:
由于雨滴和雪花的大小和速度,一般以雨线和雪花的形式显示在图像中,从直观上看,雨线和雪花的亮度高,呈现白色,以边缘或者小块的形式显示在图像中。因为以边缘和小块的形式显示,所以我们认为雨线和雪花处在高频部分,低频部分是没有雨和雪。先对输入的图像Iin以本身为参考图像进行guided filter处理求取低频部分ILF,用输入图像Iin减去低频部分ILF得到高频部分IHF(如下表达式)(整个步骤如图1和图2从输入图像到高频和低频部分的过程):
IHF=Iin-ILF
其中,guided filter的数学模型为:
其中,Ii为引导图像,pi代表输入图像,qi为输出图像,ωk为滤波窗口,ε是正则化系数用于约束ak的值。
最终确定(ak,bk)的解为:
其中:
步骤2:求取最初的恢复图像:
因为雨和雪的亮度较高,雨线或雪花的像素都比周围场景的大,在低频中会消失。而背景存在的边缘中有些边缘的像素都比周围场景的低,经过guided filter的低频处理,这些像素值低的边缘的值就会变大。而另一些背景边缘,周围的像素有些比它低,有些比它高,这些边缘在低频中能保存下来,只是稍微的平滑。当然也有些边缘像雨和雪一样,经过guided filter处理,因为雨或雪一般比较模糊,适应的调整guided filter参数,能保留一些类似于雨或雪的边缘,同样这些边缘变得平滑。所以要对低频部分进行边缘增强,增强的方式如下表达式(是ILF的梯度),其中我们常用ω=0.1,I'LF是增强后的低频部分:
再以增强后低频部分I'LF为参考图像,高频部分IHF作为输入图像,再次进行guided filter处理得到没有雨或雪的高频部分I'HF。再将没有雨或雪的高频部分加上低频部分。得到最初的恢复图像Ir(整个步骤如图1和图2从高低频部分到最初恢复图像的过程):
Ir=I′HF+ILF
步骤3:求取清晰的恢复图像:
由于像素值低的边缘在guided filter处理的后,像素值会变大,但是这种边缘不是雨和雪,并不希望改变这种边缘,另一方面,guided filter通过平滑去除雨雪的边缘,同样会使雨或雪的周围像素变高,同样不希望改变雨雪旁边的背景。通过对输入图像Iin和最初的恢复图像取最小值(min)得到清晰的恢复结果Icr(整个步骤如图1从最初恢复图像到清晰恢复图像的过程):
Icr=min(Iin,Ir)
步骤4:求取最终的恢复图像:
清晰的恢复图像由于取了最小值,雨和雪的部分没有用背景信息替代,有些地方,仍留下不平滑的白色痕迹。恢复的图像虽然清晰度好,但去除效果较差。为了解决不平滑的痕迹,在清晰图像和最初的恢复图像进行加权求和(权重系数为β,去雨中常用0.8,去雪中常用0.5),得到另一参考图像Iref,用清晰的恢复图像作为guided filter的输入图像,进行又一次的guided filter处理,得到最终的结果Irr(整个步骤如图1从清晰恢复图像到最终恢复图像的过程):
Iref=βIr+(1-β)Icr
图3和4是本发明的去雨结果和去雪的结果,从输入图像和结果对比中明显看到,清晰恢复图像虽然不模糊,但去除的地方有些白斑,去除效果不是很好,最终恢复的图像有一点模糊,但去除效果很好。
本发明的创新点包括,首次采用guided filter对高频部分进行去雨雪和基于多次guidedfilter的高低频去雨雪,并在此基础上得到了去雨雪后的恢复图像,而且基于边缘的特性进一步对恢复图像的清晰化,之后还在清晰度和去除效果取权衡,得到最终的恢复图像。
Claims (5)
1.一种基于多次引导滤波的图像去雨雪方法,其特征在于包括以下步骤:
1)以图像本身为引导图像,对有雨或有雪的图像进行引导滤波,得到高频和低频部分;
2)以边缘增强的低频部分为引导图像,对高频部分进行引导滤波后,加上低频部分得到恢复图像;
3)在得到的恢复图像和输入图像取最小值,得到清晰的恢复图像;
4)在清晰恢复图像和恢复图像取权衡,得到清晰度和去除效果较好的最终恢复图像。
2.如权利要求1所述一种基于多次引导滤波的图像去雨雪方法,其特征在于在步骤1)中,所述有雨或有雪的图像的数学模型为:
Iin=Ib+Ir
观测图像Iin分解成两部分:
一部分称之为背景图像:Ib;
另一部分称之为雨线(雪花)图像:Ir;
所述以图像本身为引导图像,对有雨或有雪的图像进行引导滤波,得到高频和低频部分的具体方法为:
将所要处理的观测图像Iin作为guided filter的参考图像,同时作为guided filter输入图像进行guided filter处理,得到图像的低频部分ILF,将输入图像减去低频图像得到高频部分IHF:
4.如权利要求1所述一种基于多次引导滤波的图像去雨雪方法,其特征在于在步骤3)中,所述在得到的恢复图像和输入图像取最小值,得到清晰的恢复图像的具体方法为:
在输入图像和最初恢复的图像取最小值,即将图像每一像素点在rgb三通道的值分别进行比较,取最小值构成清晰的恢复图像:
Icr=min(Iin,Ir)
其中:min表示在Ir和Iin中取最小值,Icr为清晰的恢复图像。
5.如权利要求1所述一种基于多次引导滤波的图像去雨雪方法,其特征在于在步骤4)中,所述在清晰恢复图像和恢复图像取权衡,得到清晰度和去除效果较好的最终恢复图像的具体方法为:
在清晰的恢复结果和最初的恢复结果加权求和,即把最初恢复图像乘以一个系数,把1减去这个系数的结果再乘以清晰的恢复图像,再把这两部分加起来,得到一个精确的参考图像,再将这一个参考图像作为guided filter的引导图像,对清晰的图像进行guided filter,得到最终的恢复图像:
Iref=βIr+(1-β)Icr
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310301698.6A CN103337061B (zh) | 2013-07-18 | 2013-07-18 | 一种基于多次引导滤波的图像去雨雪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310301698.6A CN103337061B (zh) | 2013-07-18 | 2013-07-18 | 一种基于多次引导滤波的图像去雨雪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103337061A true CN103337061A (zh) | 2013-10-02 |
CN103337061B CN103337061B (zh) | 2016-02-17 |
Family
ID=49245211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310301698.6A Active CN103337061B (zh) | 2013-07-18 | 2013-07-18 | 一种基于多次引导滤波的图像去雨雪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103337061B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700070A (zh) * | 2013-12-12 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 一种基于雨势尺度的视频雨滴去除算法 |
CN103729828A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院深圳先进技术研究院 | 视频去雨方法 |
CN104318525A (zh) * | 2014-10-17 | 2015-01-28 | 合肥工业大学 | 基于空间引导滤波的图像细节增强方法 |
CN104537622A (zh) * | 2014-12-31 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 单幅图像中去除雨滴影响的方法和系统 |
CN103700070B (zh) * | 2013-12-12 | 2016-11-30 | 中国科学院深圳先进技术研究院 | 一种基于雨势尺度的视频雨滴去除算法 |
CN106548176A (zh) * | 2016-11-18 | 2017-03-29 | 安徽大学 | 基于自适应引导滤波的指静脉图像增强方法 |
CN106971377A (zh) * | 2016-08-22 | 2017-07-21 | 上海海洋大学 | 一种基于稀疏与低秩矩阵分解的单幅图像去雨方法 |
CN107909548A (zh) * | 2017-05-09 | 2018-04-13 | 西安交通大学 | 一种基于噪声建模的视频去雨方法 |
WO2019157966A1 (zh) * | 2018-02-13 | 2019-08-22 | 腾讯科技(深圳)有限公司 | 图像增强方法、数据处理设备及存储介质 |
CN110517199A (zh) * | 2019-08-26 | 2019-11-29 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
CN110751612A (zh) * | 2019-11-05 | 2020-02-04 | 哈尔滨理工大学 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
CN111275627A (zh) * | 2019-02-27 | 2020-06-12 | 中国科学院沈阳自动化研究所 | 一种基于雪模型和深度学习融合的图像去雪算法 |
CN111353954A (zh) * | 2020-02-20 | 2020-06-30 | 新疆大学 | 视频图像的处理方法、装置及电子设备 |
CN113053044A (zh) * | 2020-11-17 | 2021-06-29 | 泰州芯源半导体科技有限公司 | 应用大数据服务的现场计价平台 |
TWI780884B (zh) * | 2021-08-31 | 2022-10-11 | 國立中正大學 | 單圖像除雨方法及其系統 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020920A (zh) * | 2013-01-10 | 2013-04-03 | 厦门大学 | 一种低照度图像增强方法 |
-
2013
- 2013-07-18 CN CN201310301698.6A patent/CN103337061B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020920A (zh) * | 2013-01-10 | 2013-04-03 | 厦门大学 | 一种低照度图像增强方法 |
Non-Patent Citations (2)
Title |
---|
DUAN-YU CHEN等: "Visual depth guided image rain streaks removal via sparse coding", 《INTELLIGENT SIGNAL PROCESSING AND COMMUNICATIONS SYSTEMS (ISPACS), 2012 INTERNATIONAL》, 7 November 2012 (2012-11-07), pages 151 - 156 * |
郝伟: "基于降雪模型的图像轮廓提取方法研究", 《万方学位论文数据库》, 2 November 2012 (2012-11-02), pages 1 - 60 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729828A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院深圳先进技术研究院 | 视频去雨方法 |
CN103729828B (zh) * | 2013-12-12 | 2016-06-29 | 中国科学院深圳先进技术研究院 | 视频去雨方法 |
CN103700070B (zh) * | 2013-12-12 | 2016-11-30 | 中国科学院深圳先进技术研究院 | 一种基于雨势尺度的视频雨滴去除算法 |
CN103700070A (zh) * | 2013-12-12 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 一种基于雨势尺度的视频雨滴去除算法 |
CN104318525A (zh) * | 2014-10-17 | 2015-01-28 | 合肥工业大学 | 基于空间引导滤波的图像细节增强方法 |
CN104318525B (zh) * | 2014-10-17 | 2017-02-15 | 合肥工业大学 | 基于空间引导滤波的图像细节增强方法 |
CN104537622A (zh) * | 2014-12-31 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 单幅图像中去除雨滴影响的方法和系统 |
CN106971377A (zh) * | 2016-08-22 | 2017-07-21 | 上海海洋大学 | 一种基于稀疏与低秩矩阵分解的单幅图像去雨方法 |
CN106548176B (zh) * | 2016-11-18 | 2020-01-24 | 安徽大学 | 基于自适应引导滤波的指静脉图像增强方法 |
CN106548176A (zh) * | 2016-11-18 | 2017-03-29 | 安徽大学 | 基于自适应引导滤波的指静脉图像增强方法 |
CN107909548A (zh) * | 2017-05-09 | 2018-04-13 | 西安交通大学 | 一种基于噪声建模的视频去雨方法 |
CN107909548B (zh) * | 2017-05-09 | 2020-05-15 | 西安交通大学 | 一种基于噪声建模的视频去雨方法 |
WO2019157966A1 (zh) * | 2018-02-13 | 2019-08-22 | 腾讯科技(深圳)有限公司 | 图像增强方法、数据处理设备及存储介质 |
US11263727B2 (en) | 2018-02-13 | 2022-03-01 | Tencent Technology (Shenzhen) Company Ltd | Image enhancement method, data processing device, and storage medium |
CN111275627A (zh) * | 2019-02-27 | 2020-06-12 | 中国科学院沈阳自动化研究所 | 一种基于雪模型和深度学习融合的图像去雪算法 |
CN111275627B (zh) * | 2019-02-27 | 2023-04-11 | 中国科学院沈阳自动化研究所 | 一种基于雪模型和深度学习融合的图像去雪算法 |
CN110517199A (zh) * | 2019-08-26 | 2019-11-29 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
CN110517199B (zh) * | 2019-08-26 | 2022-03-08 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
CN110751612A (zh) * | 2019-11-05 | 2020-02-04 | 哈尔滨理工大学 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
CN111353954A (zh) * | 2020-02-20 | 2020-06-30 | 新疆大学 | 视频图像的处理方法、装置及电子设备 |
CN113053044A (zh) * | 2020-11-17 | 2021-06-29 | 泰州芯源半导体科技有限公司 | 应用大数据服务的现场计价平台 |
TWI780884B (zh) * | 2021-08-31 | 2022-10-11 | 國立中正大學 | 單圖像除雨方法及其系統 |
Also Published As
Publication number | Publication date |
---|---|
CN103337061B (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103337061A (zh) | 一种基于多次引导滤波的图像去雨雪方法 | |
CN105184743B (zh) | 一种基于非线性导向滤波的图像增强方法 | |
CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
Hassan et al. | Real-time image dehazing by superpixels segmentation and guidance filter | |
CN107798670B (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
CN103686194A (zh) | 基于非局部均值的视频去噪方法和装置 | |
CN105913392A (zh) | 复杂环境下退化图像综合质量提升方法 | |
CN111652812A (zh) | 基于选择性注意力机制的图像去雾和去雨算法 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN102665034A (zh) | 一种针对摄像机采集视频的夜间效果去除方法 | |
CN104050637A (zh) | 基于两次引导滤波的快速图像去雾方法 | |
CN107146209A (zh) | 一种基于梯度域的单幅图像去雾方法 | |
CN105701783A (zh) | 一种基于环境光模型的单幅图像去雾方法及装置 | |
CN110796616A (zh) | 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN116188308A (zh) | 一种联合空域频域双判别器的生成对抗去云雾方法 | |
CN110400270B (zh) | 一种利用图像分解和多重校正融合的车牌去雾方法 | |
CN111626943B (zh) | 基于一阶前向后向算法的全变分图像去噪方法 | |
CN110111268B (zh) | 基于暗通道和模糊宽度学习的单幅图像去雨方法及装置 | |
Jia et al. | A wavelet-based approach to improve foggy image clarity | |
CN112734675B (zh) | 一种基于金字塔模型和非局部增强密集块的图像去雨方法 | |
CN111161196A (zh) | 一种输电线路航拍图像自适应增强方法 | |
CN112508828A (zh) | 一种基于稀疏表示和引导滤波的多聚焦图像融合方法 | |
CN110544216A (zh) | 基于深度学习的视频去雾系统 | |
CN115731447A (zh) | 基于注意力机制蒸馏的解压缩图像目标检测方法及系统 | |
Goswami et al. | A hybrid approach for visibility enhancement in foggy image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |