實施例中，所述利用圖像形態(tài)學操作對所述邊緣內的圖像區(qū)域進行處理的過程包括:基于圖像處理腐蝕操作對所述邊緣的連通圖像區(qū)域進行填充。
[0028]在其中一個實施例中，所述從所述高頻特征圖中減去所述第一中間圖像獲得雨線特征圖的過程包括:
[0029]對所述第一中間圖像取反，獲得第二中間圖像；
[0030]用所述第二中間圖像與所述高頻特征圖相乘，提取所述第二中間圖像與所述高頻特征圖的交集，形成所述雨線特征圖。
[0031]在其中一個實施例中，所述將所述待處理圖像與所述雨線特征圖相減獲得去雨后的圖像的過程包括:
[0032]對所述雨線特征圖取反，獲得第三中間圖像；
[0033]用所述第三中間圖像與所述待處理圖像相乘，提取所述第三中間圖像與所述待處理圖像的交集，形成所述去雨后的圖像。
[0034]一種單幅圖像中去除雨滴影響的系統(tǒng)，其包括:
[0035]圖像分解模塊，用于基于經(jīng)驗模式分解法對待處理圖像進行圖像分解，提取所述待處理圖像的高頻部分，形成體現(xiàn)所述高頻部分信息的高頻特征圖；
[0036]邊緣檢測模塊，用于識別所述待處理圖像中圖像元素的邊緣，獲得特征輪廓圖；
[0037]填充模塊，用于利用圖像形態(tài)學操作對所述邊緣內的圖像區(qū)域進行處理，獲得第一中間圖像；
[0038]第一運算模塊，用于從所述高頻特征圖中減去所述第一中間圖像，獲得雨線特征圖；及
[0039]第二運算模塊，用于將所述待處理圖像與所述雨線特征圖相減，獲得去雨后的圖像。
[0040]在其中一個實施例中，所述系統(tǒng)還包括:
[0041]疊加處理模塊，用于在所述去雨后的圖像上疊加所述特征輪廓圖，獲得修復后的圖像。
[0042]基于上述方法和系統(tǒng)，本發(fā)明通過基于經(jīng)驗模式分解的圖像分解技術，獲得圖像的高頻部分，再使用圖像邊緣識別算法，兩者結果相減，從而最終得到被雨影響的像素，由于被雨影響的像素亮度較高，最后通過從原圖中減去之，得到去雨圖像，本發(fā)明能夠有效改善受雨影響圖像的視覺效果，可以處理彩色圖像，且提高了運算速度。利用本發(fā)明的方法能夠將單幅圖像處理時間降低50%左右。
【附圖說明】
[0043]圖1為本發(fā)明方法的一個實施例的流程示意圖；
[0044]圖2為本發(fā)明方法的另一個實施例的流程示意圖；
[0045]圖3為本發(fā)明系統(tǒng)的一個實施例的結構示意圖；
[0046]圖4為待處理圖像的效果圖；
[0047]圖5為本發(fā)明一個實施例中的修復后的圖像的效果圖。
【具體實施方式】
[0048]基于機器視覺領域的圖像去雨技術，本發(fā)明提出了一種新的圖像去雨方法，其通過基于經(jīng)驗模式分解的圖像分解技術，獲得圖像的高頻部分，再使用圖像邊緣識別算法，兩者結果相減，從而最終得到被雨影響的像素，由于被雨影響的像素亮度較高，最后通過從原圖中減去之，得到去雨圖像，本發(fā)明能夠有效改善受雨影響圖像的視覺效果，簡化圖像處理的計算過程，加快圖像處理效率。以下將結合附圖詳細說明本發(fā)明的各個實施例。
[0049]如圖1所示，本發(fā)明提供了一種單幅圖像中去除雨滴影響的方法，其包括以下步驟。
[0050]在步驟100中，基于經(jīng)驗模式分解法對待處理圖像進行圖像分解，提取上述待處理圖像的高頻部分，形成體現(xiàn)上述高頻部分信息的高頻特征圖。這里提到的經(jīng)驗模式分解法是指是一種新的非平穩(wěn)信號分析方法，具有局部性、自適應性等優(yōu)點。在本發(fā)明的一個實施例中，米用二維經(jīng)驗模式分解(BEMD，Bidimens1nal Empirical Mode Decomposit1n)方法對待處理圖像進行圖像分解。又如，在本發(fā)明的一個優(yōu)選實施例中，如圖2所示，上述步驟100的執(zhí)行過程包括以下步驟:
[0051]步驟101，將上述待處理圖像映射到XOY平面，上述待處理圖像對應像素的灰度值作為Z坐標；
[0052]步驟102，通過形態(tài)學方法識別出上述待處理圖像的局部極大值和極小值，獲得多個零散的極大值點和極小值點；
[0053]步驟103，對上述多個零散的極大值點和極小值點分別進行平面點集的三角剖分，再插值平滑得到極大值包絡曲面和極小值包絡曲面；
[0054]步驟104，計算上述極大值包絡曲面和極小值包絡曲面的均值；
[0055]步驟105，將上述待處理圖像中每個像素的灰度值減去上述均值，獲得分解圖像；
[0056]步驟106，判斷上述分解圖像是否滿足篩選結束條件，該篩選結束條件具體為過零點條件和均值條件的檢驗。如果極值點(該極值點包括極大值點和極小值點)數(shù)目與跨零點數(shù)目相等或最多相差一個及由局部極大值構成的上述均值為零，則執(zhí)行步驟109，若否，則返回執(zhí)行上述步驟102通過形態(tài)學方法識別出上述待處理圖像的局部極大值和極小值的步驟。
[0057]步驟109，將上述分解圖像作為本次分解過程獲得的圖像細節(jié)信息，若上述分解圖像滿足篩選結束條件則可以用作上述高頻部分輸出，若存在多次分解過程獲得的多個圖像細節(jié)信息，則疊加上述多次分解獲得的分解圖像作為上述高頻特征圖。又如，在本發(fā)明的另一個實施例中，在上述將上述分解圖像作為上述高頻部分輸出的步驟109之前還包括:
[0058]步驟107，從上述待處理圖像中減去上述分解圖像，獲得當前處理后的圖像；
[0059]步驟108，判斷上述當前處理后的圖像是否滿足圖像分解結束條件，該圖像分解結束條件具體為每層圖像細節(jié)信息是否具有不超過一個極值點，若是則執(zhí)行上述步驟109:將上述分解圖像作為上述高頻部分輸出；
[0060]若否，則迭代次數(shù)加一用以進行下一次分解，并返回執(zhí)行上述步驟102通過形態(tài)學方法識別出上述待處理圖像的局部極大值和極小值的步驟，直到滿足上述圖像分解結束條件，輸出多次分解分別獲得的上述分解圖像，作為上述高頻部分輸出。
[0061]更進一步地，在本發(fā)明的一個實施例中，上述形成體現(xiàn)高頻部分信息的高頻特征圖的步驟為:若上述高頻部分只包含一次分解過程獲得的分解圖像，則將該分解圖像作為上述高頻特征圖；若上述高頻部分包含多次分解過程分別獲得的分解圖像，則疊加上述多次分解獲得的分解圖像，形成上述高頻特征圖。
[0062]上述實施例中利用上述步驟經(jīng)過多次迭代分解之后可以獲得更多的圖像細節(jié)信息，得到圖像的高頻部分，其中包括雨滴及物體邊界部分。
[0063]在步驟200中，識別上述待處理圖像中圖像元素的邊緣，獲得特征輪廓圖。這里的特征輪廓圖優(yōu)選是基于灰度圖像進行處理獲得的二值圖像。在本發(fā)明的一個實施例中，此步驟中識別上述待處理圖像中圖像元素的邊緣獲得特征輪廓圖的過程，采用基于梯度的邊緣檢測算法對圖像進行邊緣檢測，優(yōu)選地，基于圖像灰度采用Prewitt算子對圖像進行邊緣檢測，Prewitt算子比較適合用于圖像邊緣灰度值比較尖銳且圖像噪聲比較小的情況，且其處理速度較快。當然本發(fā)明也不限于只采用這一種方式進行邊緣檢測，例如還可以使用Roberts邊緣算子、Sobel算子、Laplacian算子、Canny算子等方法中的一種來對待處理圖像進行