基于高斯混合模型引导的字典学习方法及单幅图像去雨

发布时间：2021-07-16 13:42

　　雨天情况下,受雨滴的散射和模糊的作用,户外视觉系统采集的图像产生严重的退化降质,表现为图像模糊、信息遮挡和对比度降低等。这严重制约了户外视觉系统对环境的正确理解与决策。因此,图像去雨有助于提高计算机视觉算法的准确性和可靠性。基于视频去雨的方法可以利用多帧信息,且已有重大进展。相较而言,单幅图像去雨因没有视频连续帧间的冗余信息,其研究更具挑战性。本文围绕单幅图像去雨问题进行深入研究和分析,主要内容如下:（1）为了结合自然图像与有雨图像的先验知识,提出了基于高斯混合模型引导低秩内部字典学习算法,并将其应用于单幅图像去雨。该模型首先利用高斯混合模型从大量自然图像块中学习外部字典。其次,面向有雨图像建立了一种基于外部字典引导内部字典学习模型,并将内部字典的低秩性增加到字典学习目标函数中。基于高斯混合模型在大量自然图像中学习的外部字典有利于恢复图像中稀疏的细节,而从有雨图像中学习的内部字典有助于恢复图像中稠密细节。通过外部字典的更替不断的引导内部字典学习,实验结果表明,在合成图像与真实图像上与其它算法相比,本文学习的引导字典可以有效解决图像去雨问题。（2）针对训练样本和测试样本之间存在一定偏差,... 

【文章来源】：湘潭大学湖南省

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

真实雨图的去雨结果

群结构

27对测试有雨图像随机取块构成群，基于学习的字典EID=DD对其进行稀疏重构，则有雨图像群重建为：nnYDA(4.9)4.3实验结果及分析为了验证群稀疏残差约束的引导字典学习算法的有效性，在合成雨图与真实雨图上分别与SR[22]，VDGC[25]，CNN[28]，DSC[27]和LP[35]方法进行对比分析。在为了定量说明本章方法的有效性，采用和第三章相同的指标来评价图像去雨效果。4.3.1参数设置群稀疏残差约束项参数0.001，其他参数设置与第三章相同，可参考3.3.1节。4.3.2合成雨图的实验结果图4.3给出不同算法在合成图像上的去雨效果。图4.3(a)所示为合成雨图，图4.3(b)所示为无雨图像，图4.3(c)-4.3(h)分别为SR[22]，VDGC[25]，CNN[28]，DSC[28]，LP[35]与本章算法的去雨结果。图4.3中第二行为第一行图像中红色矩形框区域的细节效果图。(a).雨图(b).无雨图(c).SR(d).VDGC(e).DSC(f).LP(g).CNN(h).本章算法图4.3合成图像的去雨结果

【参考文献】：
期刊论文
[1]融合高斯混合模型和点到面距离的点云配准[J]. 林桂潮,唐昀超,邹湘军,张青,时晓杰,冯文贤.  计算机辅助设计与图形学学报. 2018(04)
[2]面向单幅图像去雨的非相干字典学习及其稀疏表示研究[J]. 汤红忠,王翔,张小刚,李骁,毛丽珍.  通信学报. 2017(07)
[3]改进混合高斯模型的自适应烟雾图像分割算法[J]. 胡燕,王慧琴,马宗方.  计算机辅助设计与图形学学报. 2016(07)
[4]一种受雨滴污染视频的快速分析方法[J]. 刘鹏,徐晶,刘家锋,唐降龙.  自动化学报. 2010(10)



本文编号：3287121