基于卷积稀疏表示的图像去雨方法研究

摘要

图像去雨可使得视觉系统工作于雨天环境，提高其鲁棒性和可靠性，对实现户外图像的目标检测、识别和提取等有很重要的现实意义。传统的图像去雨是基于视频序列检测出雨滴的位置再移除雨，本文是在没有多帧图像的时域信息下，采取对输入的单幅图像本身进行学习的框架，提出了一种基于卷积稀疏表示的图像去雨的方法。
　　本文主要的贡献在于：1)从图像分解的角度，认为雨景图像有背景(结构)与雨两部分，引入形态学成分分析的思想，为本文去雨方法的提出奠定了基础；2)在传统稀疏表示和字典学习的基础上，建立图像去雨的卷积稀疏表示模型，训练自适应卷积字典；3)通过交替迭代的方法，并将卷积运算转化为乘积运算，简化了模型，采用正交匹配追踪和最小二乘求解；4)为区分结构特征和纹理特征，引入了局部二值模式这一纹理特征描述算法，提取字典的纹理特征，进而达到字典分类并重构雨景图像各个部分的目的，实现图像去雨。本文的方法可以实现单幅图像去雨，同时尽可能保留原图像的细节。实验结果表明了本文方法优于现有方法。

目录

封面

声明

中文摘要

英文摘要

目录

1前言

1.1 数字图像处理概述

1.2 图像去雨的研究背景及意义

1.2 图像去雨的研究现状和发展趋势

1.3 论文的主要工作

1.4 论文的具体内容安排

2 雨景图像特点以及图像质量评价方法

2.1 雨景图像特点

2.2 图像质量评价方法

2.3 本章小结

3保边滤波和纹理特征描述算法

3.1 保边滤波算法

3.2 纹理特征描述算法

3.3 本章小结

4 稀疏表示和字典学习理论及应用

4.1稀疏表示理论

4.2稀疏表示算法

4.3 字典学习

4.4稀疏表示及字典的应用

4.5本章小结

5 基于卷积稀疏表示的图像去雨

5.1 卷积稀疏表示和字典学习

5.2基于卷积稀疏表示的图像去雨

5.5 本章小结

6 仿真与实验结果

6.1 仿真与实验结果展示

6.2 本章小结

7 总结与展望

7.1 论文总结

7.2 展望

致谢

参考文献

在校学习期间发表的论文、专利、获奖