背景
多年來，圖像去雨已經被廣泛研究，使用傳統方法和基于學習的方法。然而，傳統方法如高斯混合模型和字典學習方法耗時，并且無法很好地處理受到嚴重雨滴影響的圖像塊。
算法
通過考慮雨滴條狀特性和角度分布，這個問題可以得到很好的解決。在本文中，通過引入任意方向的方向梯度算子，我們提出了一種高效且穩健的基于約束的模型用于單幅圖像去雨。此外，一個雨滴條狀密度度量被應用于將所提出的模型推廣到輕雨和重雨的情況。
通過建立分層結構,是的圖像由：
I=B+R
即圖像由背景層+雨層構成。如何將雨層與背景層隔離，面臨著巨大的邏輯處理。通過大量實驗，我們得出，雨層在圖像中高亮且有規律的存在。通過構建雨線長、寬、角度信息。加之考慮其亮度通道，我們可以完美提取出雨層，由此完成了圖像去雨任務。
#qq1309399183
Theta_cluster = []#for i in range(1,num,1):b=np.argwhere(L==i)h,_=b.shapec=b-np.mean(b,0)c_T=c.TA=np.zeros((2,2))for i in range(2):for j in range(2):A[i,j]=np.sum(c_T[i,:]*c[:,j])W,V=np.linalg.eig(A) #W特征值 V特征向量
# lambda1 = abs(W[0])
# lambda2 = abs(W[1])lambda1 = min(abs(W[0]),abs(W[1]))lambda2 = max(abs(W[0]),abs(W[1]))
代碼運行
1.更換圖像輸入路徑
2.然后點擊運行即可
python derain.py
結論
在合成數據集上的大量實驗證明，所提出的模型在需要更少時間的情況下優于GMM和JCAS。此外，在真實場景中，與最先進的基于學習的方法相比，所提出的方法獲得了更好的泛化能力。
