[发明专利]一种针对去雨图像的多级迭代协同表示的后处理方法

说明书

本发明涉及一种针对去雨图像的多级迭代协同表示的后处理方法，基于训练图像对，即去雨图像和对应的无雨图像，使得在去雨过程中丢失的部分细节，可以通过训练图像对组成的训练集学习其回归关系来恢复。本发明提出迭代协同的表示方法，即在训练阶段系统的学习去雨图像与对应的无雨图像特征对之间的多层次映射模型，随后利用多级映射模型，在相应的迭代中不断优化去雨图像，有效地提高去雨图像的视觉质量。

技术领域

本发明涉及图像处理领域，更具体地说，涉及一种针对去雨图像的多级迭代协同表示的后处理方法。

背景技术

在雨天环境中，雨条纹的存在会严重影响图像成像的质量，使得户外视觉系统无法准确地进行目标检测、识别、跟踪等工作。因此，图像去雨是图像处理领域中重要的技术手段，如何有效地去除雨水天气对图像成像产生的干扰、改善图像质量，具有非常重要的实际应用价值。

现有技术提供了多种图像去雨方法，如基于传统数学建模去除雨条、利用深度学习网络学习雨条特征、基于生成对抗网络的图像去雨方法等。

但现有图像去雨方法在去除雨条纹后的图像中，往往存在部分未能去除雨条纹或是去雨痕迹，在去雨图像质量上仍有较大改进空间。

发明内容

本发明的目的在于克服现有技术的不足，提供一种提高去雨图像质量的针对去雨图像的多级迭代协同表示的后处理方法。

本发明的技术方案如下：

一种针对去雨图像的多级迭代协同表示的后处理方法，步骤如下：

1)输入去雨图像和对应的无雨图像；其中，去雨图像为有雨图像经过去雨算法后得到的图像，无雨图像为对应场景采集到的未包含雨条信息的图像；

2)分别在RGB三通道上对去雨图像进行水平方向和垂直方向上的滤波，提取RGB每个通道的梯度和拉普拉斯特征块，最后将RGB三通道的特征块进行合并，进行PCA降维，得到融合特征块；

3)将得到的融合特征块，利用K-SVD算法训练去雨图像字典D_L；

4)对于去雨图像字典D_L中的每个原子从去雨图像-无雨图像训练特征块集中搜索其相应的去雨图像-无雨图像训练特征块的最近邻域，并求取其映射矩阵；其中，去雨图像和对应的无雨图像作为一对训练图像对，分别对各训练图像对中的去雨图像提取梯度和拉普拉斯特征，组成去雨图像-无雨图像训练特征块；

5)以去雨图像字典D_L中的作为起始点，定义去雨图像的优化为一个协同问题，通过多级迭代协同表示从映射矩阵中提取去雨图像特征，进而优化去雨图像。

作为优选，步骤3)中，利用K-SVD算法训练去雨图像字典D_L，具体如下：

其中，为字典的起始点，n为字典迭代的次数，是第一级迭代中去雨图像块的特征块，cⁱ是去雨图像块相对应的系数，i为输入图片对的数量，L为训练字典的最大稀疏度。

作为优选，步骤4)中，采用余弦相似度的绝对值来度量与之间的相似度，进而得到邻域，通过邻域求取映射矩阵；其中，度量公式如下：

其中，为相应字典中的原子，k为相应的字典中融合特征块的数量。

作为优选，步骤4)中，计算映射矩阵具体如下：

其中，为第一次迭代产生的映射矩阵，为当前无雨图像邻域，表示当前去雨图像邻域，表示去雨图像块，λ是超参数，I为去雨图像。

作为优选，步骤5)中，协同问题表示为：