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！

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

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

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------------------------！