图像去雨（rainy streaks removal)#（代码+毕设）

2023-05-10 662

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 图像去雨（rainy streaks removal)#（代码+毕设）

本文主要讲述自己所作图像去雨项目

由于雨水对光线的高反射，雨水在图像中通常被成像为明亮的条纹，进而会影响图像的视觉质量。摄影师可以调整曝光时间和景深这些参数来限制拍摄到雨线。然而，这种方法只能在很小程度上避免雨纹，并且不适用雨车载摄像头使用。因此，对于大多数采集到的雨图像来说，找到一种算法来去除图片中的雨纹是必要的。本节将采取主成分分析法对雨条纹进行特征描述和细化处理，通过中值滤波将雨线与之邻近的无雨背景层进行映射来恢复图像。

本人已做项目如下，其他代码需求也可以联系哦！资源大把！好了废话不多说，开讲去雨项目！

7c1e4ea3151ba1774f6390e705c6f1c7_bedf7ce67de64d1ea3716fb96bc3161d.png

1.效果展示

雨线原图

去雨后效果图

2.采用方法

下图为区域过程图片。

雨图可以表示为：I=B+R

I为雨图，B为背景层，R为雨层

2.1.去雨过程

为了得到良好的去雨图像，当务之急是要使得雨图像的低频背景层和高频线特征层分离。首先，Wan发现雨滴通常对光线有很强的反射，所以它们的像素强度明显比背景像素大，利用该理论得到了粗糙的二值图像 M，并把高频雨线成分视为 1 值，背景层视为 0 值。这种方法可以粗略提取出雨图像的高频信息，把一些无关紧要的信息进行忽略。

然而，二值图像 M 包括了高频细节信息和雨线信息，需要进一步的将高频雨线与高频细节层分离。本文采用主成分分析法，对图像 M 中的连通区域进行分析来获取细化的二值图像 Mf，如图 1©所示。所谓连通区域是指图像中具有相同的像素值，而且彼此位置相邻的前景像素点所构成的图像区域。针对二值图像 M来说，前景像素点即为图像中白色区域，通过把每个单独区域的特征进行分析可以进一步的优化二值图像。

2.2 去雨重点

进行连通区域求取之前，需要确定雨线特征，对特征进行阈值划分来达到将二值图像 M 中的高频雨线与高频细节分离的效果。一般来说，雨线在图像中的分布比较均匀且形状大体固定。因此可以将雨线进行特征描述，具体的见图中的局部放大图，本文把图像中雨线特征描述为长为 L，宽为 W，倾斜角为 β 的红色椭圆区域。根据长宽比、长、倾斜角的定义，进一步的遍历图中各个独立的连通区域，求取连通区域长宽比、倾斜角、长度的情况。通过得到的长、宽、倾斜角度与设定的雨线特征阈值的比较，可以判断出连通区域是否属于雨线部分，进而可以将其分离主要采用引导滤波和主成分分析以及神经网络进行雨线的去除，将无雨图像作为目标标签进行训练。

2.3 雨特征提取

8645b5c465de5f6a786f5b1b7f10abea_b9af952e37c54d88aa25f6c54e3b437c.png

代码如下

ef pre_mark(I,b,g,r):
    w1=w2=7
    K_Left_Up = np.zeros((2*w1-1, 2*w2-1))
    K_Right_Up = np.zeros((2*w1-1, 2*w2-1))
    K_Center = 1/(w1*w2)*np.ones((w1, w2))
    K_Left_Down =np.zeros((2*w1-1, 2*w2-1))
    K_Right_Down = np.zeros((2*w1-1, 2*w2-1))
    K_Left_Up[0:w1, 0:w2] = 1/(w1*w2)*np.ones((w1, w2))
    # print(K_Left_Up.shape)
    K_Right_Up[0:w1,w2-1:2*w2] = 1/(w1*w2)*np.ones((w1, w2))
    # print(K_Right_Up)
    K_Left_Down[w1-1:2*w1, 0:w2] = 1/(w1*w2)*np.ones((w1, w2))
    K_Right_Down[w1-1:2*w1, w2-1:2*w2] = 1/(w1*w2)*np.ones((w1xiaog, w2))
    #LU
    b1=scipy.ndimage.filters.convolve(b, K_Left_Up, mode='nearest')
    g1=scipy.ndimage.filters.convolve(g, K_Left_Up, mode='nearest')
    r1=scipy.ndimage.filters.convolve(r, K_Left_Up, mode='nearest')
    I_LU=cv2.merge((b1,g1,r1))在这里插入代码片
    #RU
    b2=scipy.ndimage.filters.convolve(b, K_Right_Up, mode='nearest')
    g2=scipy.ndimage.filters.convolve(g, K_Right_Up, mode='nearest')
    r2=scipy.ndimage.filters.convolve(r, K_Right_Up, mode='nearest')
    I_RU=cv2.merge((b2,g2,r2))
    #C
    b3=scipy.ndimage.filters.convolve(b, K_Center, mode='nearest')
    g3=scipy.ndimage.filters.convolve(g, K_Center, mode='nearest')
    r3=scipy.ndimage.filters.convolve(r, K_Center, mode='nearest')
    I_C=cv2.merge((b3,g3,r3))
    #LD
    b4=scipy.ndimage.filters.convolve(b, K_Left_Down, mode='nearest')
    g4=scipy.ndimage.filters.convolve(g, K_Left_Down, mode='nearest')
    r4=scipy.ndimage.filters.convolve(r, K_Left_Down, mode='nearest')
    I_LD=cv2.merge((b4,g4,r4))
    #RD
    b5=scipy.ndimage.filters.convolve(b, K_Right_Down, mode='nearest')
    g5=scipy.ndimage.filters.convolve(g, K_Right_Down, mode='nearest')
    r5=scipy.ndimage.filters.convolve(r, K_Right_Down, mode='nearest')
    I_RD=cv2.merge((b5,g5,r5))

效果对比图

7566b2caff70660019c2d48f33ad3d5e_6204dd9205914b2981cebed492c33f22.jpeg

同时，在真实数据集参数对比中，本文所提算法依旧拥有良好的表现，，本文所提算法结果在 PSNR 和 SSIM 参数中均高于对比算法。

欢迎被代码困住的被debug缠身的小伙伴交流解决，视觉相关代码，单目测距，论文撰写，（yolo,presacn,matlab,c++）皆可交流哦------------------------！

图像去雨（rainy streaks removal)#（代码+毕设）

本文主要讲述自己所作图像去雨项目

1.效果展示