一種基于小波分析的圖像去雨方法及系統的制作方法
【專利摘要】本發明屬于圖像處理技術領域，尤其涉及一種基于小波分析的圖像去雨方法及系統。所述基于小波分析的圖像去雨方法包括：步驟a：根據小波分析對視頻幀圖像進行圖層分解，并分析各個分解圖層的圖像信息；步驟b：計算融合系數矩陣，根據所述融合系數矩陣對不同圖像信息的分解圖層分別進行小波融合，并根據融合結果進行圖像重構得到去雨圖像；步驟c：利用各向異性擴散濾波對所述去雨圖像進行濾波處理。本發明的實施可以避免受到動態特性的干擾，更加準確有效的去除雨滴，提高了去雨算法的使用范圍，在雨勢很大的情況下也能有良好的去雨效果；并通過各向異性擴散濾波對去雨圖像進行濾波處理，使圖像更加清晰自然，并使得去雨算法更加具有實用性。
【專利說明】
-種基于小波分析的圖像去雨方法及系統
技術領域
[0001] 本發明屬于圖像處理技術領域，尤其設及一種基于小波分析的圖像去雨方法及系 統。
【背景技術】
[0002] 雨對圖像成像有很大的影響，會造成圖像成像模糊和信息覆蓋，其直接結果是視 頻圖像的清晰度下降，視頻圖像的數字化處理也會受此影響而性能下降。對受雨滴污染的 視頻圖像進行修復處理有利于圖像的進一步處理，包括基于圖像的目標檢測、識別、追蹤、 分割和監控等技術的性能提高。而且視頻基于小波分析的圖像去雨技術在現代軍事、交通 W及安全監控等領域都有廣泛的應用前景。
[0003] 有關視頻圖像中雨滴特性的研究已受到國際學術界的廣泛關注，去雨算法的研究 也從2003年Starik等（Starik S,Werman Μ. Simulation of rainin videos[C]Proceeding of Texture Workshop, ICCV. Ni ce, France: 2003,2:406-409)提出的中值法開始得到了迅 速的發展，處理的方法已經不再局限于最初簡單的中值計算，偏度計算、Κ均值聚類、卡爾曼 濾波、字典學習和稀疏編碼、引導濾波、帖間亮度差、HSV空間、光流法、運動分割等很多方法 也逐漸開始應用在視頻圖像中雨滴檢測與去除的算法中，雨滴去除的效果也逐漸被提高。 Garg等最先提出利用雨滴帶來的帖間亮度差進行雨滴初檢，然后利用雨滴的直線性和方向 一致的特點進一步篩選，最后根據前后帖的像素亮度去除雨滴影響，可W較好地滿足雨滴 不覆蓋連續帖圖像情況下的雨滴檢測與去除;Zhang等將雨滴給像素帶來的色彩影響考慮 在內，從而提高雨滴檢測的準確性，改善了基于亮度變化的去雨算法在彩色圖像上的應用 效果；Liu等將雨滴的亮度影響和色彩影響同時應用在算法中，用兩帖檢測雨滴并去除； TripatM等先研究雨滴像素亮度變化的概率統計特性，然后利用雨滴像素亮度變化的對稱 性實現雨滴檢測，僅基于時域和另外考慮空間位置的影響時效果不完全相同；Kang等首先 利用雙邊濾波將雨圖分成高頻部分和低頻部分，并對高頻部分進一步處理得到非雨成分， 結合低頻部分得到去雨圖；Huang等首先利用上下文約束進行圖像分割，并利用上下文感知 進行單幅基于小波分析的圖像去雨，并在此基礎上提出了改進算法，文中首先用到了超完 備的字典對高頻部分進行處理。
[0004] 特別是最近幾年，視頻圖像去雨技術已成為新的研究熱點。如何在保證高魯棒性 的前提下提高去雨的準確率和實時性，是目前視頻圖像去雨領域的焦點。目前存在的算法 中，應用于靜態場景視頻雨滴檢測與去除的算法有較為成熟的研究成果，但是應用在動態 場景中的視頻上時，算法考慮的是視頻中出現運動物體所帶來的干擾，對于與雨滴特性區 別度不高的運動物體無法達到理想的檢測效果。此外，實時處理在多項技術應用的自動導 航系統、安全監控系統等場合中有很大的應用需求。運些應用場合中往往需要及時得到處 理結果，反饋給用戶，視頻處理的滯后有可能導致用戶做出錯誤的判斷。因此視頻中雨滴檢 測與去除不僅需要提高精度，也需要提高處理速度，而且需要找到二者之間最佳平衡點。但 是當前算法還無法兼顧各種場景的處理速度和精度，實現去雨算法的實時性是當前研究面 對的一個重要課題。
[0005] 綜上所述，現有的圖像去雨技術存在的缺點在于:現有的圖像去雨算法基本是基 于像素亮度和雨滴形態特征進行去雨，去雨效果不是很理想；同時，現有的圖像去雨技術對 于動態場景的去雨效果不是很理想，算法復雜度和算法實時性也不能很好地兼顧。

【發明內容】

[0006] 本發明提供了一種基于小波分析的圖像去雨方法及系統，旨在解決現有的圖像去 雨技術對于動態場景的去雨效果不是很理想，且算法復雜度和算法實時性不能兼顧的技術 問題。
[0007] 本發明是運樣實現的，一種基于小波分析的圖像去雨方法，包括：
[0008] 步驟a:根據小波分析對視頻帖圖像進行圖層分解，并分析各個分解圖層的圖像信 息；
[0009] 步驟b:計算融合系數矩陣，根據所述融合系數矩陣對不同圖像信息的分解圖層分 別進行小波融合，并根據融合結果進行圖像重構得到去雨圖像；
[0010] 步驟C:利用各向異性擴散濾波對所述去雨圖像進行濾波處理。
[0011] 本發明實施例采取的技術方案還包括:在所述步驟a中，所述根據小波分析對視頻 帖圖像進行圖層分解具體為:基于小波分析的Malla算法將所述視頻帖圖像分解為十層， Malla算法的分解公式為：
[0016] 在上述公式中，Η和G分別是尺度函數Φ (X)和小波函數Φ(χ)的系數矩陣，Cl、 卻、巧和片分別對應圖像Ci-l的低頻部分、垂直方向的高頻部分、豎直方向的高頻部分W 及對角線方向的高頻部分。
[0017] 本發明實施例采取的技術方案還包括:在所述步驟a中，所述分析各個分解圖層的 圖像信息具體包括:所述圖層包括包含雨滴噪聲的圖層、包含背景與顏色信息的圖層W及 包含圖像紋理與物體邊緣信息的圖層，所述包含雨滴噪聲的圖層為第二到第四高頻系數圖 層，所述包含圖像背景與顏色信息的圖層為第五到第十高頻系數圖層，所述包含圖像紋理 與物體邊緣信息的圖層為第一層圖層。
[0018] 本發明實施例采取的技術方案還包括:在所述步驟b中，所述計算融合系數矩陣的 計算方式為:根據雨滴的亮度特性定義雨滴污染程度系數，根據雨滴污染程度系數計算融 合系數矩陣;所述計算融合系數矩陣具體為:令雨滴污染程度系數S = G X E，其中，G為局部 梯度，E為局部能量，局部梯度和局部能量兩個參數相乘得到一個新的變量S，S值越大污染 越嚴重;對S矩陣進行歸一化處理得到S'，系數矩陣和S'矩陣用于對圖像重構算法進行加權 優化得到融合系數矩陣。
[0019] 本發明實施例采取的技術方案還包括:所述局部梯度G定義為：
[0020]
[0021 ]在上述公式中，Δ xf (i，j)和Δ yf (i，j)分別為點（i，j)的水平和垂直方向，Μ和N分 別為區域的邊長；
[0022] 所述像素的局部能量E表示為：
[0023]
[0024] 本發明實施例采取的另一技術方案為：一種基于小波分析的圖像去雨系統，包括 小波分解模塊、矩陣計算模塊、小波融合模塊和圖像濾波模塊;所述小波分解模塊用于根據 小波分析對視頻帖圖像進行圖層分解，并分析各個分解圖層的圖像信息;所述矩陣計算模 塊用于計算融合系數矩陣;所述小波融合模塊用于根據所述融合系數矩陣對不同圖像信息 的分解圖層分別進行小波融合，并根據融合結果進行圖像重構得到去雨圖像;所述圖像濾 波模塊用于利用各向異性擴散濾波對所述去雨圖像進行濾波處理。
[0025] 本發明實施例采取的技術方案還包括:所述小波分解模塊根據小波分析對視頻帖 圖像進行小波分解具體為：基于小波分析的Malla算法將所述視頻帖圖像分解為十層， Malla算法的分解公式為：
[0030] 在上述公式中，Η和G分別是尺度函數Φ (X)和小波函數Φ(χ)的系數矩陣，Cl、 巧、巧和巧分別對應圖像Ci-l的低頻部分、垂直方向的高頻部分、豎直方向的高頻部分W 及對角線方向的高頻部分。
[0031] 本發明實施例采取的技術方案還包括:所述小波分解模塊分析各個分解圖層的圖 像信息具體包括:所述圖層包括包含雨滴噪聲的圖層、包含背景與顏色信息的圖層W及包 含圖像紋理與物體邊緣信息的圖層，所述包含雨滴噪聲的圖層為第二到第四高頻系數圖 層，所述包含圖像背景與顏色信息的圖層為第五到第十高頻系數圖層，所述包含圖像紋理 與物體邊緣信息的圖層為第一層圖層。
[0032] 本發明實施例采取的技術方案還包括:所述矩陣計算模塊計算融合系數矩陣的計 算方式為:根據雨滴的亮度特性定義雨滴污染程度系數，根據雨滴污染程度系數計算融合 系數矩陣;所述計算融合系數矩陣具體為:令雨滴污染程度系數S = G X E，其中，G為局部梯 度，E為局部能量，局部梯度和局部能量兩個參數相乘得到一個新的變量S，S值越大污染越 嚴重;對S矩陣進行歸一化處理得到S'，系數矩陣和S'矩陣用于對圖像重構算法進行加權優 化得到融合系數矩陣。
[0033] 本發明實施例采取的技術方案還包括:所述局部梯度G定義為：
[0034]
[0035] 在上述公式中，Δ xf (i，j)和Δ yf (i，j)分別為點（i，j)的水平和垂直方向，Μ和N分 別為區域的邊長；
[0036] 所述像素的局部能量E表示為：
[0037]
[0038] 相對于現有技術，本發明產生的有益效果在于:本發明實施例的基于小波分析的 圖像去雨方法及系統采用小波多級分解對圖像進行圖層分解，分析各個圖層的圖像信息， 并根據雨滴影響的程度定義小波融合的規則，根據小波融合的規則對不同圖像信息的圖層 分別進行小波融合進行雨滴去除，從而可W避免受到動態特性的干擾，更加準確有效的去 除雨滴，提高了去雨算法的使用范圍，在雨勢很大的情況下也能有良好的去雨效果;并通過 各向異性擴散濾波對去雨圖像進行濾波處理，使圖像更加清晰自然，并使得去雨算法更加 具有實用性。
【附圖說明】
[0039] 圖1是本發明實施例的基于小波分析的圖像去雨方法的流程圖；
[0040] 圖2是小波分解示意圖；其中，圖2(a)為原始圖像，圖2(b)是圖像的低頻信息，圖2 (C)至圖2(1)是圖像的第十到第一層的高頻結構；
[0041 ]圖3是小波分解重構流程圖；
[0042] 圖4是本發明實施例的基于小波分析的圖像去雨系統的結構示意圖。
【具體實施方式】
[0043] 為了使本發明的目的、技術方案及優點更加清楚明白，W下結合附圖及實施例，對 本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用W解釋本發明，并 不用于限定本發明。
[0044] 請參閱圖1，是本發明實施例的基于小波分析的圖像去雨方法的流程圖。本發明實 施例的基于小波分析的圖像去雨方法包括W下步驟：
[0045] 步驟S100:輸入視頻帖圖像；
[0046] 步驟S200:根據小波分析對圖像進行小波多層分解，并分析各個圖層的圖像信息， 分別得到包含背景與顏色信息的圖層、包含雨滴噪聲的圖層W及包含圖像紋理與物體邊緣 信息的圖層；
[0047] 在步驟S200中，小波分析具有很好的時間頻率定位特性，能夠把信號分解成多個 具有不同子頻段，頻率特性和方向特性的子頻段，所W小波分析又被稱作數學顯微鏡。受圖 像分解和重構算法的啟發，Mallat提出了基于小波分析的Malla算法，即圖像多分辨分解和 重構金字塔算法。重構算法是分解算法的逆過程，經過逆濾波就能恢復出原始的信號序列。 空間的投影f(x，y)可W用來表示二維圖像信號：
[(Κ)加 ]
[0051]如果尺度函數Φ(Χ)和小波函數Φ(Χ)的系數矩陣分別是Η和G，Malla算法得分解公 式為：
[0化6]在式（4)中，Ci、巧、啤和碑分別對應圖像Ci-i的低頻部分、垂直方向的高頻部 分、豎直方向的高頻部分W及對角線方向的高頻部分。Malla算法的重構算法可W表示為：
[0化7]
[005引在式(5)中，H*、G*分別為H、G的逆矩陣。
[0059] 所述圖層包括包含背景與顏色信息的圖層、包含雨滴噪聲的圖層W及包含圖像紋 理與物體邊緣信息的圖層。小波分析能夠分別對圖像進行線性、高通和低通濾波。在原始圖 像上進行行和列的低通濾波，可W得到第一層的低頻系數近似分量Ci，它包括圖像背景與 顏色信息。在原始圖像上進行行和列的高通濾波，可W得到水平高頻細節系數&f，垂直高 頻細節系數均'和對角線高頻細節系數它們包括不同方向的圖像紋理與物體邊緣信息。 上述分界操作重復在Cl低頻分量上進行操作，可W得到相對應的第二層的各頻率分量C2、 Df、巧和化^。如果上述分界操作重復在第m-1層進行的話，能夠得到和 城。
[0060] 雨滴噪聲的頻率很高，而圖像紋理與物體邊緣的噪聲比雨滴還要高，圖像背景與 顏色信息的頻率很低。所W，由受雨滴污染圖像的基于小波分析多層分解，可W發現雨滴噪 聲應該被包含在低圖層的高頻系數部分，更大的分解層數通常被用來確保去雨后圖像的細 節信息。在本發明實施例中，對圖像進行小波多層分解的分解層數為十層。具體如圖2所示， 是小波分解示意圖；其中，圖2(a)為原始圖像，圖2(b)是圖像的低頻信息，圖2(c)至圖2(1) 是圖像的第十到第一層的高頻結構。由分析可知，大部分的雨滴噪聲集中在第二到第四高 頻系數圖層上，而第五到第十高頻系數圖層則包含絕大部分圖像背景與顏色信息，第一層 包含圖像紋理與物體邊緣信息。
[0061] 步驟S300:根據雨滴的亮度特性定義雨滴污染程度系數，根據雨滴污染程度系數 計算融合系數矩陣；
[0062] 在步驟S300中，由于被雨滴覆蓋的像素的灰度等級比背景灰度大，會產生邊緣效 應，于是，局部梯度能夠用來測量灰度的變化，局部梯度定義為：
[0063]
[0064] 式（10)中，Δ xf (i，j)和Δ yf (i，j)分別為點（i，j)的水平和垂直方向，Μ和N分別為 區域的邊長。由于雨滴亮度是基本不變的，雨滴像素具有更高和更穩定的能量，像素的局部 能量可W表示為：
[00 化]
[0066] 令雨滴污染程度系數S = GXE，即局部梯度和局部能量兩個參數相乘得到一個新 的變量S，S值越大污染越嚴重。對S矩陣進行歸一化處理得到S'，系數矩陣和S'矩陣用于對 圖像重構算法進行加權優化得到融合系數矩陣.
[0067] 步驟S400:根據融合系數矩陣對包含背景與顏色信息的圖層、包含雨滴噪聲的圖 層W及包含圖像紋理與物體邊緣信息的圖層分別進行小波融合，并通過融合結果進行圖像 重構，得到去雨圖像；
[0068] 在步驟S400中，根據融合系數矩陣對包含背景與顏色信息、雨滴噪聲和圖像紋理 與物體邊緣信息的圖層分別進行小波融合，最后將Ξ部分融合結果進行圖像重構得到去雨 圖像，運樣可W使圖像的顏色和細節不失真。在本發明實施例中，為了去除雨滴，對于雨滴 噪聲所在的圖層，融合系數矩陣的權值應該小于1;而對于沒有被雨滴污染的圖層，融合系 數矩陣的權值設成大于1;具體如圖3所示，是小波分解重構流程圖。
[0069] 在進行不同圖像信息的圖層分別進行小波融合之后，再對連續的9個視頻帖圖像 進行圖像融合，融合后的去雨圖像代替中間第五帖圖像，W達到去雨效果。
[0070] 步驟S500:利用各向異性擴散濾波對去雨圖像進行濾波處理，得到優化的去雨圖 像；
[0071] 在步驟S500中，各向異性擴散濾波方法可W實現圖像的非線性濾波操作，使得在 消噪的同時，能夠很好的保持圖像邊緣。一維熱傳導方程，也稱一維擴散方程，其為各向異 性擴散方程的基礎。熱能是由分子的不規則運動產生的。在熱能流動中有兩種基本過程:傳 導和對流。傳導由相鄰分子的碰撞產生，一個分子的振動動能被傳送到其最近的分子。運種 傳導導致了熱能的傳播，即便分子本身的位置沒有什么移動，熱能也傳播了。此外，如果振 動的分子從一個區域運動到另一個區域，它會帶走其熱能。運種類型的熱能運動稱為對流。 W此為基礎，基于各向異性擴散方程的濾波方法是近年來出現的一種新的圖像濾波技術， 即求解初始值為輸入圖像的非線性熱擴散方程。在擴散方程中，通過引入圖像特征，設計合 適的擴散系數來控制擴散方程的擴散行為，使得在平滑圖像的同時能夠保留甚至增強圖像 的特征信息。本發明在得到小波融合去雨圖像之后，通過使用各向異性擴散濾波處理去雨 圖像，優化了圖像的視覺效果，使圖像更加清晰自然，并使得去雨算法更加具有實用性。
[0072] 步驟S600:輸出去雨圖像。
[0073] 請參閱圖4,是本發明實施例的基于小波分析的圖像去雨系統的結構示意圖。本發 明實施例的基于小波分析的圖像去雨系統包括圖像輸入模塊、小波分解模塊、矩陣計算模 塊、小波融合模塊、圖像濾波模塊和圖像輸出模塊;具體地：
[0074] 圖像輸入模塊用于輸入視頻帖圖像；
[0075] 小波分解模塊用于根據小波分析對圖像進行小波多層分解，并分析各個圖層的圖 像信息，分別得到包含背景與顏色信息的圖層、包含雨滴噪聲的圖層W及包含圖像紋理與 物體邊緣信息的圖層;其中，小波分析具有很好的時間頻率定位特性，能夠把信號分解成多 個具有不同子頻段，頻率特性和方向特性的子頻段，所W小波分析又被稱作數學顯微鏡。受 圖像分解和重構算法的啟發，Mallat提出了基于小波分析的Malla算法，即圖像多分辨分解 和重構金字塔算法。重構算法是分解算法的逆過程，經過逆濾波就能恢復出原始的信號序 列。^；^?間的投影f(x，y)可W用來表示二維圖像信號：
[0079]如果尺度函數Φ(χ)和小波函數Φ(χ)的系數矩陣分別是Η和G，Malla算法得分解公 式為：
[0084] 在式（4)中，Ci、〇i、/才和巧分別對應圖像Ci-1的低頻部分、垂直方向的高頻部 分、豎直方向的高頻部分W及對角線方向的高頻部分。Malla算法的重構算法可W表示為：
[0085]
[0086] 在式(5)中，H*、G*分別為H、G的逆矩陣。
[0087] 所述圖層包括包含背景與顏色信息的圖層、包含雨滴噪聲的圖層W及包含圖像紋 理與物體邊緣信息的圖層。小波分析能夠分別對圖像進行線性、高通和低通濾波。在原始圖 像上進行行和列的低通濾波，可W得到第一層的低頻系數近似分量Ci，它包括圖像背景與 顏色信息。在原始圖像上進行行和列的高通濾波，可W得到水平高頻細節系數Of，垂直高 頻細節系數和對角線高頻細節系數踩"，它們包括不同方向的圖像紋理與物體邊緣信 息。上述分界操作重復在Cl低頻分量上進行操作，可W得到相對應的第二層的各頻率分量 〇2、化"、巧和踩。如果上述分界操作重復在第m-1層進行的話，能夠得到Cm、Of、成和 執
[0088] 雨滴噪聲的頻率很高，而圖像紋理與物體邊緣的噪聲比雨滴還要高，圖像背景與 顏色信息的頻率很低。所W，由受雨滴污染圖像的基于小波分析多層分解，可W發現雨滴噪 聲應該被包含在低圖層的高頻系數部分，更大的分解層數通常被用來確保去雨后圖像的細 節信息。在本發明實施例中，對圖像進行小波多層分解的分解層數為十層。具體如圖2所示， 是小波分解示意圖；其中，圖2(a)為原始圖像，圖2(b)是圖像的低頻信息，圖2(c)至圖2(1) 是圖像的第十到第一層的高頻結構。由分析可知，大部分的雨滴噪聲集中在第二到第四高 頻系數圖層上，而第五到第十高頻系數圖層則包含絕大部分圖像背景與顏色信息，第一層 包含圖像紋理與物體邊緣信息。
[0089] 矩陣計算模塊用于根據雨滴的亮度特性定義雨滴污染程度系數，根據雨滴污染程 度系數計算融合系數矩陣;其中，由于被雨滴覆蓋的像素的灰度等級比背景灰度大，會產生 邊緣效應，于是，局部梯度能夠用來測量灰度的變化，局部梯度定義為：
[0090]
[0091] 式（10)中，Δ xf (i，j)和Δ yf (i，j)分別為點（i，j)的水平和垂直方向，Μ和N分別為 區域的邊長。由于雨滴亮度是基本不變的，雨滴像素具有更高和更穩定的能量，像素的局部 能量可W表示為：
[0092]
[0093] 令雨滴污染程度系數S = GXE，即局部梯度和局部能量兩個參數相乘得到一個新 的變量S，S值越大污染越嚴重。對S矩陣進行歸一化處理得到S'，系數矩陣和S'矩陣用于對 圖像重構算法進行加權優化得到融合系數矩陣.
[0094] 小波融合模塊用于根據融合系數矩陣對包含背景與顏色信息的圖層、包含雨滴噪 聲的圖層W及包含圖像紋理與物體邊緣信息的圖層分別進行小波融合，并通過融合結果進 行圖像重構，得到去雨圖像;其中，根據融合系數矩陣對包含背景與顏色信息、雨滴噪聲和 圖像紋理與物體邊緣信息的圖層分別進行小波融合，最后將Ξ部分融合結果進行圖像重構 得到去雨圖像，運樣可W使圖像的顏色和細節不失真。在本發明實施例中，為了去除雨滴， 對于雨滴噪聲所在的圖層，融合系數矩陣的權值應該小于1;而對于沒有被雨滴污染的圖 層，融合系數矩陣的權值設成大于1;具體如圖3所示，是小波分解重構流程圖。在進行不同 圖像信息的圖層分別進行小波融合之后，再對連續的9個視頻帖圖像進行圖像融合，融合后 的去雨圖像代替中間第五帖圖像，W達到去雨效果。
[0095] 圖像濾波模塊用于利用各向異性擴散濾波對去雨圖像進行濾波處理，得到優化的 去雨圖像;其中，各向異性擴散濾波方法可W實現圖像的非線性濾波操作，使得在消噪的同 時，能夠很好的保持圖像邊緣。一維熱傳導方程，也稱一維擴散方程，其為各向異性擴散方 程的基礎。熱能是由分子的不規則運動產生的。在熱能流動中有兩種基本過程:傳導和對 流。傳導由相鄰分子的碰撞產生，一個分子的振動動能被傳送到其最近的分子。運種傳導導 致了熱能的傳播，即便分子本身的位置沒有什么移動，熱能也傳播了。此外，如果振動的分 子從一個區域運動到另一個區域，它會帶走其熱能。運種類型的熱能運動稱為對流。W此為 基礎，基于各向異性擴散方程的濾波方法是近年來出現的一種新的圖像濾波技術，即求解 初始值為輸入圖像的非線性熱擴散方程。在擴散方程中，通過引入圖像特征，設計合適的擴 散系數來控制擴散方程的擴散行為，使得在平滑圖像的同時能夠保留甚至增強圖像的特征 信息。本發明在得到小波融合去雨圖像之后，通過使用各向異性擴散濾波處理去雨圖像，優 化了圖像的視覺效果，使圖像更加清晰自然，并使得去雨算法更加具有實用性。
[0096] 圖像輸出模塊用于輸出去雨圖像。
[0097] 本發明實施例的基于小波分析的圖像去雨方法及系統采用小波多級分解對圖像 進行圖層分解，分析各個圖層的圖像信息，并根據雨滴影響的程度定義小波融合的規則，根 據小波融合的規則對不同圖像信息的圖層分別進行小波融合進行雨滴去除，從而可W避免 受到動態特性的干擾，更加準確有效的去除雨滴，提高了去雨算法的使用范圍，在雨勢很大 的情況下也能有良好的去雨效果;并通過各向異性擴散濾波對去雨圖像進行濾波處理，使 圖像更加清晰自然，并使得去雨算法更加具有實用性。
[0098] W上所述僅為本發明的較佳實施例而已，并不用W限制本發明，凡在本發明的精 神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。
【主權項】
1. 一種基于小波分析的圖像去雨方法，其特征在于，包括： 步驟a:根據小波分析對視頻幀圖像進行圖層分解，并分析各個分解圖層的圖像信息； 步驟b:計算融合系數矩陣，根據所述融合系數矩陣對不同圖像信息的分解圖層分別進 行小波融合，并根據融合結果進行圖像重構得到去雨圖像； 步驟c:利用各向異性擴散濾波對所述去雨圖像進行濾波處理。2. 根據權利要求1所述的基于小波分析的圖像去雨方法，其特征在于，在所述步驟a中， 所述根據小波分析對視頻幀圖像進行圖層分解具體為:基于小波分析的Malla算法將所述 視頻幀圖像分解為十層，Malla算法的分解公式為： Ci = HcHrCi-l _ = U,G,.C,' 在上述公式中，H和G分別是尺度函數Φ(χ)和小波函數Φ(χ)的系數矩陣，CnD、和 Df分別對應圖像Ch的低頻部分、垂直方向的高頻部分、豎直方向的高頻部分以及對角線方 向的高頻部分。3. 根據權利要求2所述的基于小波分析的圖像去雨方法，其特征在于，在所述步驟a中， 所述分析各個分解圖層的圖像信息具體包括:所述圖層包括包含雨滴噪聲的圖層、包含背 景與顏色信息的圖層以及包含圖像紋理與物體邊緣信息的圖層，所述包含雨滴噪聲的圖層 為第二到第四高頻系數圖層，所述包含圖像背景與顏色信息的圖層為第五到第十高頻系數 圖層，所述包含圖像紋理與物體邊緣信息的圖層為第一層圖層。4. 根據權利要求1所述的基于小波分析的圖像去雨方法，其特征在于，在所述步驟b中， 所述計算融合系數矩陣的計算方式為:根據雨滴的亮度特性定義雨滴污染程度系數，根據 雨滴污染程度系數計算融合系數矩陣;所述計算融合系數矩陣具體為:令雨滴污染程度系 數S = GXE，其中，G為局部梯度，E為局部能量，局部梯度和局部能量兩個參數相乘得到一個 新的變量S，S值越大污染越嚴重;對S矩陣進行歸一化處理得到S'，系數矩陣和S'矩陣用于 對圖像重構算法進行加權優化得到融合系數矩陣。5. 根據權利要求4所述的基于小波分析的圖像去雨方法，其特征在于，所述局部梯度G 定義為：在上述公式中，A xf ( i，j )和Δ yf ( i，j )分別為點（i，j )的水平和垂直方向，Μ和N分別為 區域的邊長； 所述像素的局部能量Ε表示為：6. -種基于小波分析的圖像去雨系統，其特征在于，包括小波分解模塊、矩陣計算模 塊、小波融合模塊和圖像濾波模塊;所述小波分解模塊用于根據小波分析對視頻幀圖像進 行圖層分解，并分析各個分解圖層的圖像信息;所述矩陣計算模塊用于計算融合系數矩陣； 所述小波融合模塊用于根據所述融合系數矩陣對不同圖像信息的分解圖層分別進行小波 融合，并根據融合結果進行圖像重構得到去雨圖像;所述圖像濾波模塊用于利用各向異性 擴散濾波對所述去雨圖像進行濾波處理。7. 根據權利要求6所述的基于小波分析的圖像去雨系統，其特征在于，所述小波分解模 塊根據小波分析對視頻幀圖像進行小波分解具體為:基于小波分析的Malla算法將所述視 頻幀圖像分解為十層，Malla算法的分解公式為： Ci = HcHrCi-l d； = ir.Grc,, D- = GG, C；, 在上述公式中，H和G分別是尺度函數Φ (X)和小波函數Φ(χ)的系數矩陣，Ci、對、Df和 W分別對應圖像Ch的低頻部分、垂直方向的高頻部分、豎直方向的高頻部分以及對角線方 向的高頻部分。8. 根據權利要求7所述的基于小波分析的圖像去雨系統，其特征在于，所述小波分解模 塊分析各個分解圖層的圖像信息具體包括:所述圖層包括包含雨滴噪聲的圖層、包含背景 與顏色信息的圖層以及包含圖像紋理與物體邊緣信息的圖層，所述包含雨滴噪聲的圖層為 第二到第四高頻系數圖層，所述包含圖像背景與顏色信息的圖層為第五到第十高頻系數圖 層，所述包含圖像紋理與物體邊緣信息的圖層為第一層圖層。9. 根據權利要求6所述的基于小波分析的圖像去雨系統，其特征在于，所述矩陣計算模 塊計算融合系數矩陣的計算方式為:根據雨滴的亮度特性定義雨滴污染程度系數，根據雨 滴污染程度系數計算融合系數矩陣;所述計算融合系數矩陣具體為:令雨滴污染程度系數S = GXE，其中，G為局部梯度，E為局部能量，局部梯度和局部能量兩個參數相乘得到一個新 的變量S，S值越大污染越嚴重;對S矩陣進行歸一化處理得到S'，系數矩陣和S'矩陣用于對 圖像重構算法進行加權優化得到融合系數矩陣。10. 根據權利要求9所述的基于小波分析的圖像去雨系統，其特征在于，所述局部梯度G 定義為：在上述公式中，A xf ( i，j )和Δ yf ( i，j )分別為點（i，j )的水平和垂直方向，Μ和N分別為 區域的邊長； 所述像素的局部能量Ε表示為：
【文檔編號】G06T5/00GK106067163SQ201610349107
【公開日】2016年11月2日
【申請日】2016年5月24日 公開號201610349107.6, CN 106067163 A, CN 106067163A, CN 201610349107, CN-A-106067163, CN106067163 A, CN106067163A, CN201610349107, CN201610349107.6
【發明人】朱青松, 袁杰, 王磊
【申請人】中國科學院深圳先進技術研究院