CN103714517A - 视频去雨方法 - Google Patents
视频去雨方法 Download PDFInfo
- Publication number
- CN103714517A CN103714517A CN201310683489.2A CN201310683489A CN103714517A CN 103714517 A CN103714517 A CN 103714517A CN 201310683489 A CN201310683489 A CN 201310683489A CN 103714517 A CN103714517 A CN 103714517A
- Authority
- CN
- China
- Prior art keywords
- seed points
- video
- brightness
- pixel
- raindrop
- 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 Analysis (AREA)
Abstract
本发明提出一种视频去雨方法,包括如下步骤:S11、确定初始聚类中心;S12、运用K均值聚类方法找出所有帧的初步种子点,并记录雨滴聚类中心的亮度值和背景聚类中心的亮度值;S13、判断所述初步种子点几何位置周围预设范围中是否有其他种子点,如存在其他种子点,执行步骤S14,否则执行步骤S15;S14、若所述初步种子点的亮度大于所有所述其他种子点,则执行步骤S15,否则去除所述初步种子点,执行步骤S16;S15、保留所述初步种子点,执行步骤S16;S16、从所述初步种子点出发进行模糊生长;S17、用所述背景聚类中心的亮度值代替判定为雨滴的像素。所述视频去雨方法可以有效地减少现有技术中模糊生长种子点的漏检。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于K均值聚类理论选择模糊生长种子点的视频去雨方法。
背景技术
雨对视频图像成像有很大的影响,会造成视频图像成像的模糊和信息的覆盖,其直接结果是视频图像的清晰度下降,视频图像的数字化处理也会受此影响而性能下降。对受雨滴污染的视频图像进行修复处理有利于视频图像的进一步处理。而视频图像的目标检测、跟踪、识别或者分割技术在现代军事、交通以及安全监控等多个领域都得到广泛应用。
视频去雨技术从2003年提出到现在已经取得了长足的发展,各种基于不同数学物理模型的方法被学者们先后提出,雨滴去除的效果也逐渐被提高。基于模糊连接度的模糊生长法是其中一种较为新颖、有效的算法。
模糊生长去雨方法的原理主要如下:
两个像素c和d之间的模糊邻接关系定义为:
吸引子μk(c,d)可以显示两个像素c和d之间的相似性,其定义如下:
μk(c,d)=h(μa(c,d),f(c),f(d),c,d)
其中f(c)和f(d)可以用高斯函数表示,因此上式又可以改写成:
两个像素c和d之间的模糊连接度计算基于下式:
με(rcd)=min(μk(c1,cx),μk(c2,c3)…μk(cm-1,cm))
其中,rcd是一系列连通两个像素c与d的路径。
该方法分为以下两步:
1)选择进行模糊生长的种子点。
由于被雨滴覆盖的像素点的亮度值要高于背景,因此种子点像素的亮度要显著高于前一帧。首先,计算整个视频中每个像素帧间亮度差值,找出最大值;之后,将帧间亮度差值大于最大值1/3的像素点作为种子点。初始化所有像素点的模糊连接度;将种子点的模糊连接度初始化为1。
2)计算其8个相邻像素点的模糊连接度。
算法设定只扩张模糊连接度大于阈值T1的像素点,为防止过连接的问题,大于阈值T2(T2>T1)的像素点被排除在种子点考虑范围之外。这样直至没有像素点符合阈值要求时结束。找出所有雨滴像素之后,采用简单的在前后相邻帧取最小亮度值替代雨滴像素亮度的方法修复雨图。
但是,现有技术中,存在以下缺点:其一、帧间亮度差方法寻找种子点在处理被雨滴污染的视频时,假设雨势较小,同一个像素不会连续多帧被雨覆盖。因此,这种算法在雨势较大时就会造成种子点的漏检,这一点也可以从现有技术的处理结果得到体现。其二、由于选择种子点时将帧间亮度差的阈值选择为大于最大值的1/3,很多亮度不是特别大的雨线就难以探测出来。由于种子点无法全面检测出来,由此造成雨滴的大量漏检。
发明内容
针对上述问题,本发明的目的是提供提出一种基于K均值聚类理论选择模糊生长种子点的视频去雨方法,以减少现有技术中模糊生长种子点的漏检。
一种视频去雨方法,其包括如下步骤:
S11、确定初始聚类中心;
S12、运用K均值聚类方法找出所有帧的初步种子点,并记录雨滴聚类中心的亮度值和背景聚类中心的亮度值;
S13、判断所述初步种子点几何位置周围预设范围中是否有其他种子点,如存在其他种子点,执行步骤S14,否则执行步骤S15;
S14、若所述初步种子点的亮度大于所有所述其他种子点的亮度,则执行步骤S15,否则去除所述初步种子点,执行步骤S16;
S15、保留所述初步种子点,执行步骤S16;
S16、从所述初步种子点出发进行模糊生长;
S17、用所述背景聚类中心的亮度值代替判定为雨滴的像素。
本发明一较佳实施方式中,步骤S11之前,还包括:S10、读入视频。
本发明一较佳实施方式中,步骤S11中,所述初始聚类中心为所有帧中每个像素的最大值和最小值。
本发明一较佳实施方式中,所述预设范围为所述初步种子点几何位置周围的24个点。
相较于现有技术,本发明提供的视频去雨方法具有如下优点:其一、采用K均值聚类方法探测模糊生长种子点,能够避免遗漏背景较暗处的雨滴种子点。其二、采用K均值聚类方法探测模糊生长种子点,可以在同一个像素连续两帧被雨滴覆盖时仍然能够探测出雨滴。其三、将近邻种子点间亮度大小作为约束种子点个数的一个条件,可以有效减少冗余种子点的个数,从而大幅减小计算量。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举实施例,并配合附图,详细说明如下。
附图说明
图1为本发明一较佳实施例提供的视频去雨方法的流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
请参阅图1,本发明一较佳实施例提供一种视频去雨方法,其包括如下步骤:
S10、读入视频。
即读入需要进行去雨处理的视频,可以理解的是,所述视频包括多个帧,每个帧又包括多个像素。
S11、确定初始聚类中心。
本实施例中,所述初始聚类中心为所有帧中每个像素的最大值max和最小值min。可以理解的是,求出每个像素在所有帧中的最大值max和最小值min,即可确定为所述初始聚类中心。
S12、运用K均值聚类方法找出所有帧的初步种子点,并记录雨滴聚类中心的亮度值Ir和背景聚类中心的亮度值Ib。
K均值聚类方法是一种常见的将数据进行分类的方法,这种算法基于数据间欧几里得距离的大小将数据集合分为K类,每一类都有一个聚类中心。经典的K均值聚类方法的步骤如下:
1)、给定聚类数K。
2)、为每个数据类随机分配一个聚类中心。
3)、将数据按照与聚类中心的欧几里得距离最小划分到不同的数据类,并同时更新聚类中心值。
4)重复步骤3)直到聚类中心收敛。
可以理解的是,所述初步种子点即判定为雨滴类别的像素。本实施例中,运用K均值聚类方法时,以所述初始聚类中心作为每个像素的聚类中心,通过K均值聚类方法,即可找出所述初步种子点,即判定为雨滴类别的像素。
S13、判断所述初步种子点几何位置周围预设范围中是否有其他种子点,如存在其他种子点,执行步骤S14,否则执行步骤S15。
本实施例中,所述预设范围为所述初步种子点几何位置周围的24个点,即对所述初步种子点几何位置周围24个点进行判断。
具体地,如判断初步种子点x的几何位置周围(近邻)24个点中是否存在其他种子点。
S14、若所述初步种子点的亮度大于所有所述其他种子点的亮度,则执行步骤S15,否则去除所述初步种子点,执行步骤S16。
具体地,即去除初步种子点x。
S15、保留所述初步种子点,执行步骤S16。
具体地,即保留初步种子点x。
S16、从所述初步种子点出发进行模糊生长。
模糊生长的具体步骤可以参照本发明的背景技术。
S17、用所述背景聚类中心的亮度值Ib代替判定为雨滴的像素。
即去除判定为雨滴的像素,并以所述背景聚类中心的亮度值Ib进行代替。
相较于现有技术,本发明提供的视频去雨方法具有如下优点:其一、采用K均值聚类方法探测模糊生长种子点,能够避免遗漏背景较暗处的雨滴种子点。其二、采用K均值聚类方法探测模糊生长种子点,可以在同一个像素连续两帧被雨滴覆盖时仍然能够探测出雨滴。其三、将近邻种子点间亮度大小作为约束种子点个数的一个条件,可以有效减少冗余种子点的个数,从而大幅减小计算量。
以上所述,仅是本发明的实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (4)
1.一种视频去雨方法,其特征在于,包括如下步骤:
S11、确定初始聚类中心;
S12、运用K均值聚类方法找出所有帧的初步种子点,并记录雨滴聚类中心的亮度值和背景聚类中心的亮度值;
S13、判断所述初步种子点几何位置周围预设范围中是否有其他种子点,如存在其他种子点,执行步骤S14,否则执行步骤S15;
S14、若所述初步种子点的亮度大于所有所述其他种子点的亮度,则执行步骤S15,否则去除所述初步种子点,执行步骤S16;
S15、保留所述初步种子点,执行步骤S16;
S16、从所述初步种子点出发进行模糊生长;
S17、用所述背景聚类中心的亮度值代替判定为雨滴的像素。
2.如权利要求1所述的视频去雨方法,其特征在于,步骤S11之前,还包括:S10、读入视频。
3.如权利要求1所述的视频去雨方法,其特征在于,步骤S11中,所述初始聚类中心为所有帧中每个像素的最大值和最小值。
4.如权利要求1所述的视频去雨方法,其特征在于,所述预设范围为所述初步种子点几何位置周围的24个点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310683489.2A CN103714517B (zh) | 2013-12-12 | 2013-12-12 | 视频去雨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310683489.2A CN103714517B (zh) | 2013-12-12 | 2013-12-12 | 视频去雨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103714517A true CN103714517A (zh) | 2014-04-09 |
CN103714517B CN103714517B (zh) | 2017-01-11 |
Family
ID=50407461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310683489.2A Active CN103714517B (zh) | 2013-12-12 | 2013-12-12 | 视频去雨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103714517B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331865A (zh) * | 2014-10-22 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种基于朴素贝叶斯概率模型的视频雨滴检测与去除方法 |
CN105139358A (zh) * | 2015-08-28 | 2015-12-09 | 中国科学院深圳先进技术研究院 | 一种结合形态学和模糊c聚类的视频雨滴去除方法及其系统 |
CN105205791A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 一种基于高斯混合模型的视频雨滴去除方法及其系统 |
CN105335949A (zh) * | 2015-08-28 | 2016-02-17 | 中国科学院深圳先进技术研究院 | 一种视频图像去雨方法及系统 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1943515A (zh) * | 2005-08-22 | 2007-04-11 | 西门子公司 | 在数字图像数据中识别注有造影剂的血管的方法 |
CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
-
2013
- 2013-12-12 CN CN201310683489.2A patent/CN103714517B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1943515A (zh) * | 2005-08-22 | 2007-04-11 | 西门子公司 | 在数字图像数据中识别注有造影剂的血管的方法 |
CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
Non-Patent Citations (3)
Title |
---|
YIGANG SUN ET AL: "A Removal Algorithm of Rain and Snow from Images Based on Fuzzy Connectedness", 《COMPUTER APPLICATION AND SYSTEM MODELING(ICCASM),2010 INTERNATIONAL CONFERENCE ON》 * |
朱志超 等: "一种雨景视频图像的复原方法", 《合肥工业大学学报(自然科学版)》 * |
胡巍 等: "基于FCM的雨天视频图像复原", 《通信技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331865A (zh) * | 2014-10-22 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种基于朴素贝叶斯概率模型的视频雨滴检测与去除方法 |
CN105139358A (zh) * | 2015-08-28 | 2015-12-09 | 中国科学院深圳先进技术研究院 | 一种结合形态学和模糊c聚类的视频雨滴去除方法及其系统 |
CN105205791A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 一种基于高斯混合模型的视频雨滴去除方法及其系统 |
CN105335949A (zh) * | 2015-08-28 | 2016-02-17 | 中国科学院深圳先进技术研究院 | 一种视频图像去雨方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN103714517B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Learning context flexible attention model for long-term visual place recognition | |
EP3690707B1 (en) | Post-processing method and device for detecting lanes to plan drive path of autonomous vehicle by using segmentation score map and clustering map | |
CN103218621B (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
Ohgushi et al. | Road obstacle detection method based on an autoencoder with semantic segmentation | |
CN106570874B (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
CN103714517A (zh) | 视频去雨方法 | |
Li et al. | Road lane detection with gabor filters | |
CN104680508A (zh) | 卷积神经网络和基于卷积神经网络的目标物体检测方法 | |
CN103281477A (zh) | 基于多级别特征数据关联的多目标视觉跟踪方法 | |
CN110363160B (zh) | 一种多车道线识别方法及装置 | |
CN102411710A (zh) | 一种基于车脸特征的车辆类型识别方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN103413303A (zh) | 基于联合显著性的红外目标分割方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN107403451B (zh) | 自适应二值特征单目视觉里程计方法及计算机、机器人 | |
CN110659545B (zh) | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 | |
Mayr et al. | Self-supervised learning of the drivable area for autonomous vehicles | |
CN102129670A (zh) | 电影划痕损伤的检测修复方法 | |
CN103714518A (zh) | 视频去雨方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
Chougule et al. | An efficient encoder-decoder CNN architecture for reliable multilane detection in real time | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN116912184B (zh) | 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统 | |
CN105469088A (zh) | 一种适用于目标识别的物体预测区域优化方法 | |
CN103065302B (zh) | 一种基于离群数据挖掘的图像显著性检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |