波融合模块；所述小波分解模块用于根据小波分析对图像进行小波多层 分解，并分析各个图层的图像信息，检测出包含雨滴噪声的图层；所述小波融合模块用于根 据雨滴的亮度特性定义雨滴污染程度系数，根据雨滴污染程度系数计算融合系数矩阵，根 据融合系数矩阵对包含不同图像信息的图层分别进行小波融合，并通过融合结果进行图像 重构得到去雨图像。
[0029] 本发明实施例采取的技术方案还包括：所述小波分解模块根据小波分析对视频帧 图像进行小波多层分解具体为：基于小波分析的Malla算法进行分解，Malla算法的分解公 式为：
[0034] 在上述公式中，H和G分别是尺度函数Φ (X)和小波函数Φ (X)的系数矩阵，Q、 辑、碟和為f分别对应图像C1 i的低频部分、垂直方向的高频部分、竖直方向的高频部分 以及对角线方向的高频部分。
[0035] 本发明实施例采取的技术方案还包括：所述小波融合模块根据雨滴的亮度特性定 义雨滴污染程度系数，根据雨滴污染程度系数计算融合系数矩阵，根据融合系数矩阵对包 含不同图像信息的图层分别进行小波融合，并通过融合结果进行图像重构得到去雨图像具 体为：令雨滴污染程度系数S = GXE，其中，G为局部梯度，E为局部能量，局部梯度和局部 能量两个参数相乘得到一个新的变量s，S值越大污染越严重；对S矩阵进行归一化处理得 到s'，系数矩阵和s'矩阵用于对图像重构算法进行加权优化得到融合系数矩阵，根据融合 系数矩阵对包含背景与颜色信息、雨滴噪声和图像纹理与物体边缘信息的图层分别进行小 波融合，并将三部分融合结果进行图像重构得到去雨图像。
[0036] 本发明实施例采取的技术方案还包括：还包括雨滴排除模块，所述雨滴排除模块 用于利用基于暗原色去雾算法对去雨图像进行去雾处理，得到最终去雨图像；具体为：采 用快速双边滤波方法进行去雾；双边滤波器定义为：
[0038] 在上述公式中，Ip和Iq分别是像素 p和q的亮度值，Wp表达式为：
[0040] 上述公式是归一化权重系数，σ ,和σ ^分别是欧氏空间距离与亮度变化范围的标 准差，<^和％分别是相应标准差的高斯核函数。
[0041] 本发明实施例的基于小波分析的图像去雨方法及系统采用小波多级分解和小波 融合的方法判别雨滴噪声所在的层面，基于雨滴影响的程度定义小波融合的规则，并在特 定的层面上进行小波融合以达到雨滴去除的目的，可以避免受到动态特性的干扰，更加准 确有效的去除雨滴，提高了算法的使用范围，使算法在雨势很大的情况下也能有良好的去 雨效果；并对去雨图像进行去雾操作，优化了图像的视觉效果，使算法更加具有实用性。
【附图说明】
[0042] 图1是本发明实施例的基于小波分析的图像去雨方法的流程图；
[0043] 图2是小波分解示意图；其中，图2 (a)为原始图像，图2 (b)是图像的低频信息，图 2(c)至图2(1)是图像的第十到第一层的高频结构；
[0044] 图3是小波分解重构流程图；
[0045] 图4是本发明实施例的基于小波分析的图像去雨系统的结构示意图。
【具体实施方式】
[0046] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0047] 请参阅图1，是本发明实施例的基于小波分析的图像去雨方法的流程图。由于雨有 着方向，强度和外观不确定的特性，所以很难在空间域上建立统一的物理模型。但是在频域 上分析，不会被这些不确定的特性所影响。从频域的角度，本发明采用小波多层分解和小波 融合的方法判别雨滴噪声所在的层面，基于雨滴影响的程度定义小波融合的规则，并在特 定的层面上进行小波融合以达到雨滴去除的目的。具体地，本发明实施例的基于小波分析 的图像去雨方法包括以下步骤：
[0048] 步骤100 :输入视频帧图像，根据小波分析对图像进行小波多层分解，并分析各个 图层的图像信息，检测出包含雨滴噪声的图层；
[0049] 在步骤100中，小波变换是非常高质量的图像分析方法，小波变换的多层图像分 解能够找到图像雨滴的频率范围。小波分析具有很好的时间频率定位特性，能够把信号分 解成多个具有不同子频段，频率特性和方向特性的子频段，所以小波分析又被称作数学显 微镜。受图像分解和重构算法的启发，Mallat提出了基于小波分析的Malla算法，即图像 多分辨分解和重构金字塔算法。重构算法是分解算法的逆过程，经过逆滤波就能恢复出原 始的信号序列。空间的投影f(x，y)可以用来表示二维图像信号：
[0053] 如果尺度函数Φ (X)和小波函数Φ (X)的系数矩阵分别是H和G，Malla算法得分 解公式为：
[0058] 在式⑷中，C1、坎、夂和对分别对应图像C1 i的低频部分、垂直方向的高频部 分、竖直方向的高频部分以及对角线方向的高频部分。Malla算法的重构算法可以表示为：
[0060] 在式（5)中，H' Gi分别为H、G的逆矩阵。
[0061] 所述图层包括包含背景与颜色信息的图层、包含雨滴噪声的图层以及包含图像纹 理与物体边缘信息的图层。小波分析能够分别对图像进行线性、高通和低通滤波。在原始 图像上进行行和列的低通滤波，可以得到第一层的低频系数近似分量C1，它包括图像背景 与颜色信息。在原始图像上进行行和列的高通滤波，可以得到水平高频细节系数,垂直 高频细节系数/_)丨和对角线高频细节系数，它们包括不同方向的图像纹理与物体边缘信 息。上述分界操作重复在C1低频分量上进行操作，可以得到相对应的第二层的各频率分量 C2、Df、S『和Of q如果上述分界操作重复在第m-1层进行的话，能够得到A!, 和Af O
[0062] 雨滴噪声的频率很高，而图像纹理与物体边缘的噪声比雨滴还要高，图像背景与 颜色信息的频率很低。所以，由受雨滴污染图像的基于小波分析多层分解，可以发现雨滴噪 声应该被包含在低图层的高频系数部分，更大的分解层数通常被用来确保去雨后图像的细 节信息。在本发明实施例中，对图像进行小波多层分解的分解层数为十层。具体如图2所 示，是小波分解示意图；其中，图2(a)为原始图像，图2(b)是图像的低频信息，图2(c)至图 2(1)是图像的第十到第一层的高频结构。由分析可知，大部分的雨滴噪声集中在第二到第 四高频系数图层上，而第五到第十高频系数图层则包含绝大部分图像背景与颜色信息，第 一层包含图像纹理与物体边缘信息。
[0063] 步骤200 :根据雨滴的亮度特性定义雨滴污染程度系数，根据雨滴污染程度系数 计算融合系数矩阵，根据融合系数矩阵对包含不同图像信息的图层分别进行小波融合，并 通过融合结果进行图像重构得到去雨图像；
[0064] 在步骤200中，由于被雨滴覆盖的像素的灰度等级比背景灰度大，会产生边缘效 应，于是，局部梯度能够用来测量灰度的