图像去雨算法及其在车道线检测中的应用

发布时间：2024-07-05 22:06

　　本文针对雨天交通场景中车道线因为雨条纹干扰,难以被检测到的问题提出了基于稀疏表示与低秩表示的图像去雨算法,使输出图像能接近晴天时的清晰度。这两种算法在提高车道线检测的准确率、降低误检率和漏检率三方面有重要的影响。本文利用形态学成分分析法(MCA)分离出图像中包含的不同的形态特征。数据表明,MCA对于将图像分解为纹理和片状光滑部分或用于图形复原应用非常有用。而经典算法利用图像去雨点的具体过程为,双边滤波器将图片分为高频以及低频成分,高频成分中包含了背景信息以及噪音,因此可以通过提取图像HOG特征并且通过稀疏矩阵编码(sparse coding)以及字典学习可得到高频图像字典。如前文曾提及要对高频字典进行分类,在此使用的方法是K-Means最近邻算法,得到分类后的结果为几何字典以及雨点成分的字典,恢复几何字典为图像,其后与之前储藏的低频成分相加,即可得到目标图像。通过利用两种算法对图像进行预处理,与不作任何处理直接进行车道线检测对比,本文发现,经过算法对图像预处理的车道线检测准确率更高,适用的交通场景更广。

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 引言
    1.2 本文研究的意义
    1.3 当前研究不足
    1.4 本文的研究内容
    1.5 本文的结构安排
第二章 图像去雨以及车道线检测的相关理论
    2.1 雨点的成像原理
        2.1.1 雨的物理特性
        2.1.2 雨图像的成像模型
    2.2 基于视频的去雨算法
        2.2.1 基于时域特征的去雨算法
        2.2.2 基于频域特征的去雨算法
        2.2.3 基于颜色特征的去雨算法
        2.2.4 基于深度学习的图像去雨算法
        2.2.5 国内视频去雨算法研究现状
    2.3 基于单幅图像的去雨算法
    2.4 基于图像分解的单幅图像去雨算法[7]
    2.5 车道线检测HOUGH变换算法
        2.5.1 透视变换
        2.5.2 颜色选择,灰度图,高斯模糊以及canny算子
        2.5.3 霍夫转换
    2.6 本章小结
第三章 基于稀疏表示的单幅图像去雨改进算法
    3.1 算法简介
    3.2 算法原理
        3.2.1 图像分解
        3.2.2 稀疏表示
        3.2.3 字典学习
    3.3 本文算法
        3.3.1 图像恢复时的高频几何分量计算
        3.3.2 字典学习后的二次分类
        3.3.3 算法框图与步骤
        3.3.4 注意事项
    3.4 实验结果与分析
    3.5 本章小结
第四章 基于低秩表示的单幅图像去雨算法
    4.1 低秩表示简介
        4.1.1 从稀疏表示到低秩表示
        4.1.2 低秩矩阵恢复
    4.2 算法原理
        4.2.1 整体框架
        4.2.2 算法步骤
        4.2.3 注意事项
    4.3 实验结果分析
    4.4 本章小结
第五章 车道线检测
    5.1 实验平台与测试数据集
    5.2 本文算法流程
    5.3 车道检测实验结果与分析
        5.3.1 检测效果的评价标准
        5.3.2 车道线识别效果
    5.4 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 论文特色及创新点
    6.3 展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：4001611