CN109064419A - 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 - Google Patents
一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 Download PDFInfo
- Publication number
- CN109064419A CN109064419A CN201810763705.7A CN201810763705A CN109064419A CN 109064419 A CN109064419 A CN 109064419A CN 201810763705 A CN201810763705 A CN 201810763705A CN 109064419 A CN109064419 A CN 109064419A
- Authority
- CN
- China
- Prior art keywords
- rain
- image
- levels
- detail
- wls
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001914 filtration Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000574 ganglionic effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于WLS滤波和多尺度稀疏表达的单幅图像去雨方法，属于数字图像处理领域。所述方法主要包括以下步骤：首先将输入的雨天RGB图像转换到YCbCr颜色空间；提取该颜色空间的亮度分量Y；对亮度分量Y使用WLS滤波进行处理分为三层，分别为Base层，T1细节层和T2细节层；对Base层和T1、T2细节层分别做去雾和去雨处理然后合并得到去雨后的Y分量；最后将去雨后的Y分量和Cb、Cr分量进行结合转换到RGB颜色空间得到最终的去雨图像。上述单幅图像去雨方法中，在对T1和T2细节层去雨时，采用了多尺度稀疏表达的方法。本发明可以有效减少去雨过程中的细节损失，提高图像的细节表达能力，从而在去除图像中雨痕的同时，保留更多的细节信息。
Description
技术领域
本发明涉及数字图像处理领域，尤其是一种基于WLS滤波和多尺度稀疏表达的单幅图像去雨方法。
背景技术
随着社会和科技的发展，摄像机和计算机视觉系统已经广泛的应用于目标识别与跟踪、监控、智能导航等相关领域。然而，这些系统设计的关键在于图像采集设备可以捕获到高质量清晰的图像。在雨雪等恶劣天气条件下，户外采集的图像会受到雨天环境的影响出现不同程度的降质，主要表现为图像特征受到不同程度的覆盖和模糊，图像中的细节信息无法识别。这些现象很大程度上限制了成像设备在计算机视觉系统中的推广和应用。例如，城市的监控系统，在雨天环境下，会影响目标识别和跟踪。因此，改善雨天环境下采集图像的质量，对计算机视觉系统的应用具有重要的意义。
由于雨线特征具有时间和空间分布的随机性，在单幅图像中很难区分雨线与其它目标，并且雨天环境下采集的图像同时也会受到背景与环境光的影响，目前尚未建立成熟普适的物理模型。因此对于单幅图像进行雨痕去除仍然是一个难题。现有的单幅图像去雨方法主要分为两类：基于图像分解的方法和基于低秩矩阵的方法。
基于图像分解的方法主要是利用在雨天图像中，大部分背景信息表现为低频特征而雨线和物体边缘为高频特征的特点，将输入的有雨图像通过滤波的方法分为高频部分和低频部分，然后在高频部分对雨线的形状特征进行形态学分析，将高频部分分为有雨成分和无雨成分，最后将高频部分的无雨成分和输入图像的低频部分结合得到最终的无雨图像。具有代表性的是Kang等人(Kang L W,Lin C W,Fu Y H.Automatic single-image-based rain streaks removal via image decomposition.IEEE Transactions on imageprocessing.2012,21(4):1742-175) 提出的一种基于图像分解的自动单幅图像去雨方法。该方法首先利用双边滤波将图像分为高频部分HF和低频部分LF，然后对高频部分HF进行形态学分析(MCA)分解，利用雨线的方向梯度直方图(HoG)特征对高频部分进行K-means聚类，从而自适应得到有雨字典和无雨字典。该方法可以实现单幅图像自动去雨，无需额外的信息。但是对于细节的表达能力仍有欠缺。
基于低秩矩阵的方法主要是将单幅图像去雨任务转换为数学上低秩矩阵的凸优化问题。具有代表性的是Chen等人(Chen Y L,Hsu T C.A generalized low-rankappearance model for spatio-temporally correlated rain streaks.IEEEInternational Conference on Computer vision, 2013:1968-1975)提出的一种利用低秩矩阵描述雨线外观的广义模型。该方法可以处理不同类型的输入图像，且无需预处理和检测雨线的特征及耗时的字典学习方法，并且不限定雨的密度大小，也不要求雨线具有统一的方向特征。然而当图像中非雨目标存在大量重复信息的情况下，该类方法效果不佳。
基于此，本发明提供了一种基于WLS滤波和多尺度稀疏表达的单幅图像去雨方法。本发明在基于图像分解的去雨方法基础上，在算法的两处利用多尺度思想来有效改善图像的细节表达能力。第一，在图像去雨过程中，对提取的亮度分量Y采用多尺度思想，利用WLS保边平滑滤波将其分解为三层：Base层，T1和T2细节层，然后对Base层进行去雾处理，对 T1和T2细节层进行去雨处理。第二，在对T1和T2细节层去雨时采用了多尺度思想，利用高斯金字塔下采样策略将对应细节层的高频部分转化为三个不同分辨率的高频图像，进而进行字典学习，使得学到的冗余字典在对细节的表达上兼顾轮廓信息和细节信息两个方面。多尺度思想的引入可有效的增强结果图像对细节的表达能力。
发明内容
本发明提供了一种基于WLS滤波和多尺度稀疏表达的单幅图像去雨方法，以有效减少图像去雨过程中的细节损失，提高结果图像的细节表达能力，从而在去除降质图像中雨痕的同时，保留更多的细节信息。
一种基于WLS滤波和多尺度稀疏表达的单幅图像去雨方法，其特征在于，主要包括如下步骤：
(1)采集原始的雨天降质图像I；
(2)将步骤(1)中采集的图像I从RGB颜色空间转换到YCbCr颜色空间；
(3)从步骤(2)中YCbCr颜色空间的图像中提取亮度分量Y；
(4)将步骤(3)中提取的亮度分量Y用WLS保边平滑滤波进行处理分解为三层：Base 层、T1细节层和T2细节层；
(5)对步骤(4)中得到的Base层进行去雾处理，对T1和T2细节层进行去雨处理；
(6)将步骤(5)处理后的三层进行合并得到去雨后的Y分量；
(7)将步骤(6)得到的Y分量与步骤(2)中的Cb和Cr分量组合得到去雨后的图像；
(8)将步骤(7)得到的图像从YCbCr颜色空间转换到RGB颜色空间得到最终的去雨图像。
其中，步骤(2)中所述的将采集图像从RGB颜色空间转换到YCbCr颜色空间的计算公式为：
Y＝0.257*R+0.564*G+0.098*B+16
Cb＝-0.148*R-0.291*G+0.439*B+128
Cr＝0.439*R-0.368*G-0.071*B+128
步骤(4)中所述的将提取的亮度分量Y用WLS保边平滑滤波进行处理分为三层：Base 层，T1和T2细节层。具体过程为：首先，使用WLS保边平滑滤波器生成一系列逐渐平滑的图像序列，然后构建包含一个Base层和k-1个细节层的图像多尺度表达方式，Base层和k-1 个细节层与亮度分量Y满足如下关系：
其中Base层是图像平滑部分，代表图像的粗略轮廓信息，细节层Ti则捕获逐渐变大的尺度上的细节信息。本发明中选择三个尺度，即k＝3，也就是将亮度分量Y分解成一个Base层和两个细节层。
其中，步骤(5)中所述的对得到的Base层残差图像进行去雾处理，具体的，去雾方法可采用He等人(He K M,Sun J,Tang X O.Single image haze removal using darkchannel prior. IEEE Conference on Computer Vision and Pattern Recognition,2009,33(12):1956-1963.)提出的一种基于暗通道先验的单幅图像去雾方法。
其中，步骤(5)中所述的对T1和T2细节层进行去雨处理，具体的，采用Kang等人(Kang L W,Lin C W,Fu Y H.Automatic single-image-based rain streaks removalvia image decomposition.IEEE Transactions on image processing.2012,21(4):1742-175)提出的一种基于图像分解的自动单幅图像去雨方法，在该方法的基础上，引入多尺度稀疏表达的思想，提高结果图像的细节表达能力。首先使用双边滤波提取细节层残差图像的高频部分HF，然后利用高斯金字塔下采样生成三种不同分辨率的高频部分HF1，HF2和HF3，对每个高频部分进行字典学习形成冗余的多尺度字典，最后利用方向梯度直方图特征将字典分为有雨字典和无雨字典，进而稀疏表达为有雨图像和无雨图像。最终的结果图像通过重建的无雨图像与低频部分结合得到。
其中，步骤(5)中所述的T1和T2细节层的去雨处理过程是完全相同的。
其中，步骤(6)中所述的处理后的三层合并过程具体计算公式为：
Ynon_rain＝Base+S(α1,IT1)+S(α2,IT2)
其中，Ynon_rain为去雨后的亮度分量，IT1和IT2分别表示残差细节层图像T1和T2去雨处理后的图像，S(·)为sigmoid函数，为了防止去雨过程中增强细节而引起硬剪裁现象。
其中，步骤(8)中所述的将得到结果图像从YCbCr颜色空间转换到RGB颜色空间的计算公式为：
R＝1.164Y+1.596Cr-222.912
G＝1.164Y-0.391Cb-0.813Cr+135.488
B＝1.164Y+2.018Cb-276.928
与现有的单幅图像去雨方法相比，本发明的优点在于：
(1)本发明在对雨天降质图像处理时，只选择了对受雨天影响的亮度分量Y进行处理；
(2)本发明在对亮度分量Y处理时，采用WLS保边平滑滤波将其分为三层：Base层、 T1细节层和T2细节层，然后对Base层进行去雾处理，对T1和T2细节层进行去雨处理。通过上述分层处理可有效减少去雨过程中的细节损失；
(3)本发明在对T1和T2细节层去雨处理时，引入了多尺度思想，对图像做高斯金字塔下采样操作，然后进行字典学习，可同时兼顾轮廓特征和细节特征，在稀疏表达重建无雨图像时可有效的提高去雨图像的细节表达能力。
附图说明
图1：为本发明的流程框架示意图；
图2：为本发明的多尺度稀疏表达示意图。
具体实施方式
为了使本发明的技术方案及优点更加的清楚，下面结合附图和具体实施例进一步对本发明进行详细的说明。应当理解，此处所描述的具体实施例仅仅用来解释本发明，并不用于限定本发明。
如图1所示，本发明是一种基于WLS滤波和多尺度稀疏表达的单幅图像去雨方法，其特征在于，包括如下步骤：
步骤(1)：采集或输入原始的雨天降质图像I。
步骤(2)：将步骤(1)中的降质图像I从RGB颜色空间转换到YCbCr颜色空间。
在步骤(2)中，从RGB颜色空间到YCbCr颜色空间的具体转换公式为：
步骤(3)：提取YCbCr颜色空间中的只受雨天噪声影响的亮度分量Y，其余Cb和Cr分量因不受影响，保持不变。
步骤(4)：对步骤(3)中提取的亮度变量Y使用加权最小二乘保边平滑滤波WLS处理，将亮度分量Y分解为三层：Base层，T1和T2细节层；
在步骤(4)中，使用WLS保边平滑滤波对亮度分量Y进行分解为三层，具体的，使用WLS滤波保边平滑的特性生成一系列逐渐平滑的图像序列，然后构建一个Base层和k-1个残差细节层Ti(k代表尺度)。Base层包含了图像的粗略轮廓信息，细节层则捕获逐渐变大的尺度上的细节信息。对于输入雨天降质图像的亮度通道Y，u1,...uk-1代表其逐渐变平滑的图像序列。将最平滑的图像uk-1作为Base层，相邻逐渐平滑图像的差值作为细节层Ti，即满足如下关系：
Ti＝ui-1-ui,i＝1,...,k-1andu0＝Y (2)
亮度分量Y与Base层、细节层Ti之间满足如下关系：
本发明中，选择三个尺度，即k＝3，也就是将输入图像的亮度分量Y分解为一个Base层和两个细节层T1和T2。
步骤(5)：对步骤(4)中得到的Base层做去雾处理，对T1和T2细节层做去雨处理。
在步骤(5)中，由于Base层包括输入图像的粗略轮廓信息，雨天环境下通常伴有雾气的存在，因此平滑的Base层中通常存在雾气，所以要对Base层做去雾处理。具体的，采用单幅图像去雾算法对Base层做去雾处理，单幅图像去雾算法可为Kaiming He等人(He K M,Sun J,Tang X O.Single image haze removal using dark channel prior.IEEEConference on Computer Vision and Pattern Recognition,2009,33(12):1956-1963.)提出的一种基于暗通道先验的单幅图像去雾方法。使用该方法处理Base层可有效的去除输入图像中的雾气。
在步骤(5)中，T1和T2细节层中含有大量的细节信息和雨痕噪声，因此需要对T1和T2细节层进行去雨处理。具体的，采用Kang等人(Kang L W,Lin C W,Fu Y H.Automaticsingle-image-based rain streaks removal via image decomposition.IEEETransactions on image processing.2012,21(4):1742-175)提出的一种基于图像分解的自动单幅图像去雨框架，在此框架的基础上，对细节层T1或T2进行去雨处理，在构建冗余字典的过程中引入的多尺度的思想。参阅图2，为本发明的多尺度稀疏表达的流程示意图。
具体的，对细节层T1或T2去雨处理时，首先利用双边滤波将细节层分为高频部分HF和低频部分LF，然后对高频部分HF采用高斯金字塔下采样策略得到三个不同分辨率的高频部分HF1，HF2和HF3，进而对每个高频部分使用Kang等人(Kang L W,Lin C W,Fu YH.Automatic single-image-based rain streaks removal via imagedecomposition.IEEE Transactions on image processing.2012,21(4):1742-175)提出的方法进行冗余字典学习，然后将三个字典进行合并得到信息更为丰富的多尺度字典，利用方向梯度直方图(HoG)特征和K-means方法进行聚类分析，得到有雨字典和无雨字典，进一步对有雨图像和无雨图像进行稀疏表达，得到有雨图像和无雨图像，然后将对应的无雨图像和之前滤波得到的低频部分LF进行相加得到最终去雨后的图像。
在步骤(5)中，T1和T2细节层的处理是完全相同的。
步骤(6)：将步骤(5)中处理之后的三层进行合并得到去雨后的亮度分量Ynon_rain。
在步骤(6)中，具体的，处理后的三层的合并计算公式为：
其中，IT1和IT2分别表示残差细节层图像T1和T2去雨处理后的图像，S(·)为sigmoid函数，为了防止去雨过程中增强细节而引起硬剪裁现象。
步骤(7)：将步骤(6)中处理后的亮度分量Ynon_rain与颜色分量Cb和Cr结合得到去雨后的YCbCr颜色空间的图像。
步骤(8)：将步骤(7)中得到的图像从YCbCr颜色空间转换到RGB颜色空间。
在步骤(8)中，具体的，处理后的图像从YCbCr颜色空间转换到RGB颜色空间的计算公式为：
。
Claims (9)
1.一种基于WLS滤波和多尺度稀疏表达的图像去雨方法，其特征在于，包括如下步骤：
(1)采集原始的雨天降质图像；
(2)将步骤(1)中采集的图像从RGB颜色空间转换到YCbCr颜色空间；
(3)从步骤(2)中YCbCr颜色空间的图像中提取亮度分量Y；
(4)对步骤(3)中提取的亮度分量Y用WLS滤波进行处理分为三层：Base层、T1细节层和T2细节层；
(5)对步骤(4)中得到的Base层进行去雾处理，对T1和T2细节层进行去雨处理；
(6)将步骤(5)处理后的三层进行合并得到去雨后的Y分量；
(7)将步骤(6)得到的Y分量与步骤(2)中的Cb和Cr分量组合得到去雨后的图像；
(8)将步骤(7)得到的图像从YCbCr颜色空间转换到RGB颜色空间得到最终的去雨图像。
2.根据权利要求1所述的基于WLS滤波和多尺度稀疏表达的图像去雨方法，其特征在于，在步骤(2)中，采集的图像从RGB颜色空间转换到YCbCr颜色空间的具体计算公式为：
Y＝0.257*R+0.564*G+0.098*B+16
Cb＝-0.148*R-0.291*G+0.439*B+128
Cr＝0.439*R-0.368*G-0.071*B+128。
3.根据权利要求1所述的基于WLS滤波和多尺度稀疏表达的图像去雨方法，其特征在于，在步骤(4)中，使用WLS滤波将输入图像的亮度分量Y分解为三层：Base层、T1和T2细节层。
4.根据权利要求3所述的基于WLS滤波和多尺度稀疏表达的图像去雨方法，其特征在于，所述的使用WLS滤波分解亮度分量Y的具体过程为：使用WLS保边平滑滤波生成一系列逐渐平滑的图像序列u1,...uk-1，然后构建一个Base层和k-1个细节层，其中k代表尺度，本发明中k＝3。Base层和细节层的计算公式为：
Base＝uk
T1＝uk-1-uk
T2＝uk-2-uk-1
输入图像的亮度分量Y与Base层、T1和T2细节层满足如下计算公式：
Y＝Base+T1+T2。
5.根据权利要求1所述的基于WLS滤波和多尺度稀疏表达的图像去雨方法，其特征在于，在步骤(5)中，对Base层采用单幅图像去雾算法处理，对T1和T2细节层进行去雨处理。
6.根据权利要求5所述的基于WLS滤波和多尺度稀疏表达的图像去雨方法，其特征在于，所述的对T1和T2细节层进行去雨处理，在基于图像分解的单幅图像去雨框架的基础上，引入多尺度思想，提高结果图像的细节表达能力。具体的过程为：首先利用双边滤波将细节层分为高频部分HF和低频部分LF，然后采用高斯金字塔下采样策略将高频部分HF转换为三个不同分辨率的高频HF1，HF2和HF3，进而使用字典学习生成多尺度冗余字典，利用方向梯度直方图和K-means聚类策略将冗余字典分为有雨字典和无雨字典，最后使用稀疏表达的方法重建无雨图像。最终的无雨图像由重建的无雨图像和低频部分LF相加而获得。
7.根据权利要求1所述的基于梯度域的单幅图像去雾方法，其特征在于，在步骤(6)中，处理后的三个层次进行合并得到去雨后的亮度分量Ynon_rain，具体的合并公式为：
Ynon_rain＝Base+S(α1,IT1)+S(α2,IT2)
其中，IT1和IT2分别表示残差细节层图像T1和T2去雨处理后的图像，S(·)为sigmoid函数，为了防止去雨过程中增强细节而引起硬剪裁现象。
8.根据权利要求1所述的基于梯度域的单幅图像去雾方法，其特征在于，在步骤(8)中，所述的去雨后的图像从YCbCr颜色空间转换到RGB颜色空间，得到去雨后的图像。
9.根据权利要求8所述的基于梯度域的单幅图像去雾方法，其特征在于，所述的从YCbCr颜色空间转换到RGB颜色空间的具体公式为：
R＝1.164Y+1.596Cr-222.912
G＝1.164Y-0.391Cb-0.813Cr+135.488
B＝1.164Y+2.018Cb-276.928。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810763705.7A CN109064419A (zh) | 2018-07-12 | 2018-07-12 | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810763705.7A CN109064419A (zh) | 2018-07-12 | 2018-07-12 | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109064419A true CN109064419A (zh) | 2018-12-21 |
Family
ID=64816216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810763705.7A Pending CN109064419A (zh) | 2018-07-12 | 2018-07-12 | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064419A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111268A (zh) * | 2019-04-18 | 2019-08-09 | 上海师范大学 | 基于暗通道和模糊宽度学习的单幅图像去雨方法及装置 |
| CN110866879A (zh) * | 2019-11-13 | 2020-03-06 | 江西师范大学 | 一种基于多密度雨纹感知的图像去雨方法 |
| CN112927157A (zh) * | 2021-03-08 | 2021-06-08 | 电子科技大学 | 采用加权最小二乘滤波的改进暗通道去雾方法 |
| CN113298730A (zh) * | 2021-05-24 | 2021-08-24 | 中国科学院长春光学精密机械与物理研究所 | 一种基于图像分解的去雾复原方法 |
| CN113658074A (zh) * | 2021-08-16 | 2021-11-16 | 福州大学 | 基于lab颜色空间多尺度融合网络的单幅图像雨滴去除方法 |
| CN115034999A (zh) * | 2022-07-06 | 2022-09-09 | 四川大学 | 一种基于雨雾分离处理和多尺度网络的图像去雨方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105474259A (zh) * | 2013-05-28 | 2016-04-06 | 韩华泰科株式会社 | 用于在单一图像中去雾的方法和装置 |
| CN106504204A (zh) * | 2016-10-12 | 2017-03-15 | 天津大学 | 一种基于稀疏表示的单幅图像去雨方法 |
| CN107067375A (zh) * | 2016-12-23 | 2017-08-18 | 四川大学 | 一种基于暗通道先验和边缘信息的图像去雾方法 |
| CN107146209A (zh) * | 2017-05-02 | 2017-09-08 | 四川大学 | 一种基于梯度域的单幅图像去雾方法 |
| CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
-
2018
- 2018-07-12 CN CN201810763705.7A patent/CN109064419A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105474259A (zh) * | 2013-05-28 | 2016-04-06 | 韩华泰科株式会社 | 用于在单一图像中去雾的方法和装置 |
| CN106504204A (zh) * | 2016-10-12 | 2017-03-15 | 天津大学 | 一种基于稀疏表示的单幅图像去雨方法 |
| CN107067375A (zh) * | 2016-12-23 | 2017-08-18 | 四川大学 | 一种基于暗通道先验和边缘信息的图像去雾方法 |
| CN107146209A (zh) * | 2017-05-02 | 2017-09-08 | 四川大学 | 一种基于梯度域的单幅图像去雾方法 |
| CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
Non-Patent Citations (1)
| Title |
|---|
| LI-WEI KANG等: "Automatic Single-Image-Based Rain Streaks Removal via Image Decomposition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111268A (zh) * | 2019-04-18 | 2019-08-09 | 上海师范大学 | 基于暗通道和模糊宽度学习的单幅图像去雨方法及装置 |
| CN110866879A (zh) * | 2019-11-13 | 2020-03-06 | 江西师范大学 | 一种基于多密度雨纹感知的图像去雨方法 |
| CN110866879B (zh) * | 2019-11-13 | 2022-08-05 | 江西师范大学 | 一种基于多密度雨纹感知的图像去雨方法 |
| CN112927157A (zh) * | 2021-03-08 | 2021-06-08 | 电子科技大学 | 采用加权最小二乘滤波的改进暗通道去雾方法 |
| CN112927157B (zh) * | 2021-03-08 | 2023-08-15 | 电子科技大学 | 采用加权最小二乘滤波的改进暗通道去雾方法 |
| CN113298730A (zh) * | 2021-05-24 | 2021-08-24 | 中国科学院长春光学精密机械与物理研究所 | 一种基于图像分解的去雾复原方法 |
| CN113658074A (zh) * | 2021-08-16 | 2021-11-16 | 福州大学 | 基于lab颜色空间多尺度融合网络的单幅图像雨滴去除方法 |
| CN113658074B (zh) * | 2021-08-16 | 2023-07-28 | 福州大学 | 基于lab颜色空间多尺度融合网络的单幅图像雨滴去除方法 |
| CN115034999A (zh) * | 2022-07-06 | 2022-09-09 | 四川大学 | 一种基于雨雾分离处理和多尺度网络的图像去雨方法 |
| CN115034999B (zh) * | 2022-07-06 | 2024-03-19 | 四川大学 | 一种基于雨雾分离处理和多尺度网络的图像去雨方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109064419A (zh) | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 | |
| Bahnsen et al. | Rain removal in traffic surveillance: Does it matter? | |
| EP3161728B1 (en) | Hierarchical interlinked multi-scale convolutional network for image parsing | |
| US8965123B2 (en) | System and method for processing image for identifying alphanumeric characters present in a series | |
| CN110503613B (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
| CN107516316B (zh) | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 | |
| CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| Harraj et al. | OCR accuracy improvement on document images through a novel pre-processing approach | |
| CN104537622B (zh) | 单幅图像中去除雨滴影响的方法和系统 | |
| CN111079955A (zh) | 一种基于x射线成像的gis设备缺陷检测方法 | |
| CN111160194A (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| Rasooli et al. | Farsi license plate detection based on element analysis and characters recognition | |
| CN108932492A (zh) | 一种基于非采样剪切波变换的图像指纹提取方法 | |
| CN112750089B (zh) | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 | |
| CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| Kuzovkin et al. | Descriptor-based image colorization and regularization | |
| CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
| Shaikh et al. | Image binarization using iterative partitioning: A global thresholding approach | |
| Ding et al. | Restoration of single sand-dust image based on style transformation and unsupervised adversarial learning | |
| CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
| CN114387592B (zh) | 一种复杂背景下字符定位和识别方法 | |
| CN110473222A (zh) | 图像要素提取方法及装置 | |
| Chi et al. | Single image dehazing using a novel histogram tranformation network | |
| CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181221 |
|
| WD01 | Invention patent application deemed withdrawn after publication |