影像修补系统及其方法与流程

本发明涉及一种影像修补系统及其方法，特别是一种能够消除影像中的噪点，以提升行车安全的影像修补系统及其方法。

背景技术：

现有的机动车辆，如汽车或机车，其广泛地应用于人们的日常生活中。机动车辆的驾驶人以肉眼判断车前/车旁的其他物体，但肉眼会有误判，或者反应不及的问题。

现有的安全警示系统能够克服上述的误判或反应不及的问题。举例而言，现有的安全警示系统装设于车辆的前挡风玻璃之后，以拍摄车辆前方的影像，并辨识该影像中的障碍物或危险物，藉以提醒驾驶人保持安全距离，或避免危险的驾驶行为。

然于恶劣天气，如雨天，现有的安全警示系统的辨识率可能会大幅下降，因为影像中的噪点，如往复摆动的雨刷、雨滴或泥水，其可能遮蔽现有的安全警示系统的辨识标的。该辨识标的为行人、车辆或交通号志。因前述的遮蔽有可能使得现有的安全警示系统产生误判，驾驶者于此行车情境下行驶，其充满着危险性。

常见的技术使用单一摄影机将前方影像中雨刷的周期性噪点利用不同时段的无雨刷影像予以修补，以产生一雨刷透明化的影像。

虽上述的方法使用多个时段的影像进行修补，但可能会产生所欲修补的影像具有行人，而所抽取修补参考影像未具有行人，故修补后的影像反而显示为无行人的影像。

另一技术使用多通道全景摄影机系统，其所撷取的影像以图形处理器(Graphics Processing Unit，GPU)高速平行处理，以实现即时高清影像的拼接、校正、调光、压码及传输功能，但此另一技术亦无影像重叠区域的噪点修补的功能。

又一技术提出不同焦距摄影机的影像中选取清晰影像，以计算物件距离，提升测距效果，然该又一技术无法处理输入影像含有噪点的问题。

技术实现要素：

本发明所要解决的技术问题是针对现有技术的上述问题，提供一种影像修补系统及其方法，能够消除影像中的噪点，以提升行车安全。

为了实现上述目的，本发明提供了一种影像修补系统，其包含有：

一摄影模块，其撷取多个影像；以及

一修补模块，其耦接该摄影模块，以接收来自该摄影模块的多个影像，并对该多个影像进行一噪点检测，该多个影像分割为含有噪点像素影像与未含有噪点像素影像，确认该噪点像素影像的各噪点像素的位置，找出该含有噪点像素影像与对应该噪点像素的未受噪点影响且具最小视差的像素对应关系的偏移地图或几何关系，利用该偏移地图或几何关系，以抽取未受噪点影响的对应像素，并修补并取代该多个影像中的噪点像素，而产生至少一不含噪点的合成影像。

为了更好地实现上述目的，本发明还提供了一种影像修补方法，其步骤包含有：

噪点分割，撷取多个影像，并将该多个影像分割为含有噪点像素影像与未含有噪点像素影像；以及

针对含噪点像素影像进行修补，找出该含有噪点像素影像与对应噪点像素的未受噪点影响且具最小视差的像素对应关系的偏移地图或几何关系，利用该偏移地图或几何关系，以抽取未受噪点影响的对应像素，并修补并取代该多个影像中的噪点像素，而产生至少一不含噪点的合成影像。

本发明的技术效果在于：

本发明可去除影像中的噪点(如雨滴)，即便在雨天的情况中，各类安全警示系统的辨识率仍可维持，因而得以提升驾驶者的安全性。本发明可使得多个影像虽有视角差异但其影像的时间为相同，因此影像修补时能使用同一时间点的多个影像，所以修补后的真实性可以得到保证，也因此能够保证影像安全警示系统的真实性。本发明亦可通过接收实体雨刷信号或是雨滴信号，以决定本实施例的多个影像交互修补方法是否需开始执行，如此的话，可降低系统运算负荷，并降低误判率。于有噪点干扰时，本发明以影像分割技术及影像修补技术，检测并修补噪点像素群，即修补被噪点所遮挡住的影像，使得障碍物辨识不受如雨滴等噪点的影响，因而得以提升障碍物的辨识率。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为装设有本发明的一种影像修补系统的机动车辆的示意图；

图2为本发明的一种影像修补系统位于一视窗的示意图；

图3为本发明的一种影像修补系统的示意图；

图4为一修补模块的示意图；

图5为本发明的一种影像修补方法的流程示意图；

图6为本发明的影像分割的第一实施例的脏污噪点影像分割方法的流程示意图；

图7为本发明的影像分割的第二实施例的雨滴噪点影像分割方法的流程示意图；

图8为本发明的影像分割的第三实施例的雨刷噪点影像分割方法的流程示意图；

图9为本发明的一使用偏移地图与修补影像的方法的流程示意图；

图10为本发明的一雨刷修补的示意图；

图11为本发明的一脏污修补的示意图；

图12为本发明的一雨滴修补的示意图；

图13为一贝兹曲线的取样点的示意图；

图14为又一贝兹曲线的取样点的示意图；

图15为一贝兹曲线的取样的示意图；

图16为一贝兹曲线的垂直坐标与强度的示意图。

其中，附图标记

1 机动车辆

10 视窗

100 设置面

11 摄影模块

110 摄影单元

12 修补模块

120 接收单元

121 演算单元

122 储存单元

123 雨滴感测器

S1～S11 步骤

SA～SQ 步骤

13A 修补影像对影像

13A1 噪点

13A2 修补后影像

14A 脏污影像

14A1 噪点

14A2 修补后影像

15A 雨滴影像

15A1 噪点

15A2 修补后影像

具体实施方式

下面结合附图对本发明的结构原理和工作原理作具体的描述：

请配合参考图1至图3所示，本发明为一种影像修补系统，其应用于一机动车辆1，机动车辆1具有至少一视窗10，视窗10具有一设置面100，设置面100位于机动车辆1的内部。该影像修补系统包含有一摄影模块11与一修补模块12。如图1所示，于本实施例中的该视窗10为机动车辆1的挡风玻璃，然本发明除了可装置于如图1的位置外，亦可装设于机动车辆1的前端、后端、左侧或右侧，或者各侧的视窗，于本实施例中仅为了便于论述，而非将本发明限制于本实施例中，特此说明。

请再配合参考图2所示，摄影模块11设于设置面100。摄影模块11具有至少二摄影单元110。至少二摄影单元110以一阵列方式排列。

摄影单元110能够为一影像感测器、一红外线影像撷取装置、一光电耦合元件或一互补式金氧半导体的光学感测元件的其中之一或至少任意两个的组合。此处所述与后所提及的摄影单元110能够被视为至少一摄影机。摄影模块11用以撷取不同来源的多个影像。

请配合参考图3与图4所示，修补模块12信号连接摄影模块11。修补模块12具有一接收单元120、一演算单元121与一储存单元122。

修补模块12能够为可程序化集成电路微控制器或元件可编程逻辑闸阵列(Field Programmable Gate Array，FPGA)。修补模块12接收来自摄影模块11的多个影像，对该多个影像中每张影像均单独进行一噪点检测，以得到多个影像中哪几张影像含噪点，且得知各张含噪点影像中的噪点像素位置。

对于每张含噪点影像中的噪点像素位置，在其它影像中利用近似最邻近叠代法找出代表对应关系的偏移地图，其中偏移地图分别对应：噪点像素位置与未受噪点影响且具最小视差的像素位置。

最后利用此偏移地图抽取未受噪点影响的对应像素以修补受噪点干扰的像素，产生至少一合成影像。

若更进一步说明，修补模块12为下述的影像修补方法、安全警示系统或下述的演算单元121能够使用于任何具有运算功能的装置中。

接收单元120信号连接摄影单元110，以接收摄影单元110于多个时段所撷取的影像。

演算单元121能够为车道偏离警示系统(Lane Departure Warning System，LDWS)、前方防碰撞警示系统(Forward Collision Warning System，FCWS)、交通标志辨识系统(Traffic Sign Recognition System，TSRS)。

储存单元122信号连接演算单元121。储存单元122能够储存演算单元121的合成影像，或者摄影单元120所撷取的影像，亦或为一警示系统结果影像。

于一实施例中，修补模块12能够进一步具有至少一雨滴感测器123，雨滴感测器123信号连接演算单元121。雨滴感测器123可为一光学反射型感测器(Reflective Sensor)、一音频型感测器(Audio Sensor)或一传导型感测器(conductive sensor)的其中之一或其任意组合。雨滴感测器123感测雨刷的动作或雨滴，以启动本发明。并且雨滴感测器123能够感测外界是否正在下雨。

请配合参考图5所示，本发明一种影像修补方法，其步骤包含有：

若本发明具有如图4的雨滴感测器123，于进行下述的S1步骤前，雨滴感测器123感测是否有雨滴滴落于视窗10，若有，则雨滴感测器123将一启动信号给予修补模块12，以进行下述的S1步骤。而当雨滴感测器123感测雨滴时，雨滴感测器123并启动雨刷。

另外，若无装设如图4的雨滴感测器123，则当雨刷启动时，当修补模块12收到一启动信号，亦可进行下述的S1步骤。

S1，噪点分割(Interference Segmentation)。其具有至少三个实施方式，以下将一一说明。

摄影模块11透过视窗10撷取机动车辆1前方的多个时间点的影像，并将该影像传送至接收单元120，接收单元120再将该些影像传送至演算单元121，以使演算单元121对该些影像进行一影像分割，以及确认该影像中噪点像的位置。如下所述，噪点像素能够分为雨刷像素、雨滴像素或脏污素的其中之一或至少任意两个的组合。请配合参考图6所示，其为影像分割的第一实施例的脏污噪点影像分割方法，其步骤为：

SA，抽取绿色影像。以一颜色滤波器(Bayer Filter)将所撷取的多个时间的影像中绿色影像抽取出来。因影像为三原色，红色、绿色、蓝色(Red，Green，Blue，RGB)，所构成的。若演算单元121直接对三原色影像进行演算，对演算单元121的负荷恐会增加，因此为了降低运算负荷，所以仅对单色进行演算，上述的实施例仅以绿色影像进行论述，而非将本案限制于绿色影像，特先说明。于此步骤中抽取单色影像，该单色影像可为绿色影像、红色影像或蓝色影像，为了便于论述，以下以绿色影像为代表。颜色滤波器于此处将抽取所选定的单色，并滤除非选定的单色。

SB，绿色影像平滑化，亦可称为单色影像平滑化。将绿色影像以一中值滤波器(Median Filter)平滑化。中值滤波器能为一9x9中值滤波器。因影像的边缘会因演算法的缘故，而使放大的影像或经处理的影像的边缘产生锯齿或模糊化(blurry effect)的像素，所以需要通过影像平滑化，以平滑前述的锯齿或模糊化的像素。

中值滤波器于图像处理中，用于去除图像或其它信号中的噪点。中值滤波器可以将强的突峰信号分量组成的高频率噪点去除，而仍然能保持影像中的边缘的锐度。

于图像处理中中值滤波为一常见步骤。中值滤波对于斑点噪音(Speckle Noise)与椒盐噪音(Salt and Pepper Noise)尤其有用。保持边缘的特性使它在不希望出现边缘模糊的场合也很有用。

中值滤波在不改变影像像素值结构的情况下，将影像作平滑处理。

SC，形成贝兹曲线(B-Spline)图。将以平滑化的绿色影像形成为一贝兹曲线图。

在数学的数值分析领域中，贝兹曲线是电脑图形学中相当重要的参数曲线。更高维度的广泛化贝兹曲线就称作贝兹曲面。

若更进一步说明，于影像中取样控制点，先以垂直控制点产生垂直贝兹曲线(vertical B-Spline)，再以这些信息来产生水平贝兹曲线(horizontal B-Spline)，之后即可得到B-Spline surface。

上述的B-Spline以二次方贝兹曲线公式产生，使用3个控制点可产生一段贝兹曲线，其公式如下。

for t∈[0,1],i＝1,2,….,m－2,

其中，p_i-1、p_i与p_i+1为控制点设置，S_i为第i点贝兹曲线段。t为时间，m为自然数。

举例而言，如图13至图16所示。如图13所示取样控制点，于图中的多个点为控制点，于图中的每行(column)选出6像素(M＝6)，而图中具有6行(N＝6)。如图14所示，针对各矩形区域与在其中的控制点产生各自垂直贝兹曲线。如图15所示，产生水平贝兹曲线如此一来影像中每一pixel的强度均可由各贝兹曲线取得，进而得到一贝兹曲线面(B-Spline surface)，该水平贝兹曲线为如图15所示的实心矩形。如图16所示，贝兹曲线为每像素中各自颜色强度值所连成的曲线。以上为贝兹曲线的简易说明，本实施例仅用于举例，而非将本发明予以限制。

SD，影像相减。将平滑化的绿色影像与贝兹曲线图相减，以取得至少一初步影像脏污噪点所占像素图。

SE，直方均化。使用直方均化(Histogram Equalization)将初步影像脏污噪点所占像素图的对比予以增强。于增强后的初步影像脏污噪点所占像素图中的亮像素群，即具有最高像素质的像素群，视为脏污噪点的可能成分之一。

SF，修补像素群。将增强后的初步影像脏污噪点所占像素图，以侵蚀或膨胀演算方式进行修正。若初步影像脏污噪点所占像素图中的亮像像素较为完整，则将亮像素群的外型修正的更为完整。假若亮像素群较为破碎，则将破碎的亮像素群消除。

SG，以区域阀值区分脏污区域。将已修正的初步影像脏污噪点所占像素图进行二值化，对所有的亮像素群二值化为1，其为可能的脏污像素群。对不含脏污噪点的像素群二值化为0，藉此区分影像中脏污区域，以分割影像。

请配合参考图7所示，其为影像分割的第二实施例，其为雨滴噪点影像分割方法，其步骤为：

SH，判定所撷取的影像为白天或夜晚。若为夜晚，则执行SI步骤。若为白日，则执行SJ步骤。

SI，滤除干扰光源。若所撷取的影像为夜晚，以一滤波器滤除干扰光源，待滤除干扰光源后，则执行SJ步骤。该滤波器为一高通滤波器。该干扰光源为车灯、路灯、广告灯或来自建筑物的灯源。

SJ，寻找边缘。将上述的SH或SJ的影像，以一索贝尔滤波器(Sobel Filter)凸显可能为雨滴噪点的边缘。

SK，以区域阀值区分脏污区域。将SK的结果进行二值化。对所有可能的雨滴像素群二值化为1。对被视为不含雨滴像素群二值化为0。藉此区分影像中的雨滴区域，以分割影像。

SL，进行膨胀。以膨胀将雨滴像素群的雨滴中心像素由黑变白，而完整雨滴像素群。

请配合参考图8所示，其为影像分割的第三实施例，其为雨刷噪点影像分割方法，其步骤为：

SM，将暗像素群视为雨刷物件之一。以一自然数平均(K-means)演算法将当前影像的所有像素，举例而言，像素以三原色(RGB)信号来表示，分成K群，K为自然数，并将暗像素群，亦即具有最低RGB信号的像素群，视为雨刷物件的可能成分之一。因雨刷物件通常是黑色且为影像中最暗的一群像素，所以暗像素群视为可能的雨刷成分之一。

若更进一步说明，上述的自然数平均演算法亦称为K-means(K平均演算法)，其是一种聚类(Cluster)的方式聚类基本上就是依照着物以类聚的方式在进行，(或许也可能想成相似的东西有着相似的特征，给予一组数据，将其分为K类，K为一设定值。

所以K平均演算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据探勘领域。K平均聚类的目的是：把n个点，可以是样本的一次观察或一个例项，划分到K个聚类中，使得每个点都属于离他最近的均值，此即聚类中心，对应的聚类，以其作为聚类的标准。其公式如下：

已知观测集(x₁,x₂,…,x_n)，其中每个观测都是一个d维实向量，K平均聚类要把这n个观测划分到K个集合中(K≤n),使得组内平方和最小。μ_i是S_i中所有点的均值。

其中，每个x_p都只被分配到一个确定的聚类S^t中，其可能被分配到2个或者更多的聚类。

计算得到上步得到聚类中每一聚类观测值的图心，作为新的均值点。如上述的公式。

SN，修正暗像素群的外型。将SM步骤的结果以侵蚀、膨胀等演算法消除当前影像较为破碎的暗像素群，并将较完整暗像素群的外型修正的更加完整。因雨刷的形状是完整的，而其他暗色障碍物，举例而言，如阴影，则有可能是破碎的形状。所以于此步骤中，将破碎的暗色像素群去除，并将可能是雨刷物件的较完整暗像素群修正其外型。

SO，以区域阀值区分脏污区域。将SN步骤的结果进行二值化。对所有可能的雨刷像素群二值化为1，对被视为不含雨刷物件的像素群则二值化为0。进行缩减取样(Downsampling)至像素总量为P，P为正整数，以计算出被二值化为1的像素总个数q，q为正整数。q/P为二值化雨刷影像的平均值。将p个矩阵像素皆减去此平均值，p为正整数，并将所得到矩阵向量化(Vectorizing)，使其成为行向量(Column Vector)并进行缩减取样而得到向量I。

缩减取样(Downsampling)将原影像的像素予以缩减，举例而言，若原影像为750像素，进行缩减曲像系可能变为350像素。

区域阀值为一数值，其用一区分某些特性参数是否符合需求，所以区域阀值会因应不同环境与情况，有不同的适合值。举例而言，灰阶值范围为0～255(黑～白)，如设定一固定灰阶值70为区域阀值，以此区域阀值对一张灰阶影像进行二值化代表：对此张影像的每个像素的灰阶值进行判断，大于70则设定为1；小于70则设定为0，最后得到二值化影像，像素值只有1或0，颜色只有白或黑。

SP，取得一内积值。将向量I与特征雨刷矩阵(Eigen Wipers Matrix)U依下列公式(1)得到其内积值。

I^tU (1)

于本实施例中，特征雨刷矩阵U的求法为利用主成分分析(Principal Component Analysis,PCA)演算法。先搜集的N笔训练影像，N为正整数，该训练影像包含有雨刷影像，并先标记出各笔影像中的雨刷位置。故每一笔N笔训练影像中，多个雨刷像素的多个坐标点为已知。

于另一实施例，假使装设具本实施例的前视安全警示系统的车辆所使用的雨刷以及其摄影机所安装的角度，使得雨刷在影像中出现的大小、位置、外型与预设训练影像不同，该预设训练影像包含有雨刷影像。则可设计自动人机训练模式，其实施方式可为，在摄影机面前放置纯白背景物件，举例而言，如纯白海报，使得摄影机所撷取的影像为全白的影像，在开启雨刷的情形下，进行SM与SN步骤即可准确地，不受任何噪点干扰地自动撷取或学习雨刷影像，以供后续使用。

将上述的多个雨刷影像进行SO步骤的处理，并将处理结果排列成观测矩阵(observation matrix)，其维度为PxN。使用奇异值分解(Singular Value Decomposition)来解下列公式(2)

O＝UDV^t (2)

其中，U为特征雨刷矩阵，其维度也为PxN；D为对角矩阵，维度为NxN，其记录着每个特征雨刷的重要性或显著性；V记录着特征雨刷空间中，此N笔训练影像所投影出的系数，其维度为NxN。

SQ，找出具有最大内积值的训练数据与雨刷影像。于SP步骤中得到N笔训练影像的内积值后，找出具有最大内积值的训练数据及其对应的原始雨刷影像。因N笔训练数据为预先找出的，故其雨刷位置皆为已知。

S2，判断当前各影像内是否含有噪点像素。于一实施例中，若当前某一影像中的噪点像素数量大于预设阀值(threshold)，则进入S3步骤。若所有当前影像的各个噪点像素数量均小于阀值，则判断当前影像不含噪点。因通过阀值的当前影像所含噪点会对安全警示系统造成较大的影响而需要进行修补处理。

于另一实施例中，若当前影像P(t)对应的I通过I^tU所计算出来的N笔内积值中的最大值大于预设阀值(threshold)，则判断当前影像P(t)中含有雨刷物件并进入S3步骤。若当前影像P(t)对应的I通过I^tU所计算出来的N笔内积值中的最大值小于阀值，则判断当前影像P(t)不含雨刷物件。因P(t)中的暗像素群不符合N笔训练数据的雨刷形状的话，则依I^tU所计算出的N笔内积值皆较小。

S3，判断每张含噪点的当前影像均有受修补处理。若否，则进入S4步骤。若是，则不进行修补处理。

S4，针对含噪点影像进行修补。求出当前影像与参考影像间的像素对应关系并进行影像修补，至此多个影像交互修补方法的流程已完成。前述的对应关系能够被视为一几何关系，其为二影像(P1,P2)间像素的对应关系，举例而言，可为一转换矩阵或偏移地图，故P1(x,y)＝P2(X,Y)，P为像素(Pixel)。(x,y)或(X,Y)为坐标位置。

于修补时，当前一含噪点影像中构成噪点的多个像素不能直接以参考影像中相同位置的多个像素来修补。因多个摄影机架构中，每一影像均存在微小视差。

于上述的多个实施例中，使用偏移地图(Offset map)或任一种足以描述两影像间的修补像素对应关系的转换方程式，来模型化不同的两影像(亦即当前一含噪点影像与参考影像)之间的像素对应关系。也就是说，对于影像任意像素位置而言，偏移地图可描述此一像素位置的像素值能使用参考影像的某位置的像素值修补，而达到较自然的结果。

请配合参考图9所示，其为一使用偏移地图与修补影像的方法。其步骤包含有：

S5，选择修补影像对。选择已知的摄影机相对关系来选用无噪点且最小视差影像与含噪点影像配对，该配对为修补影像对。此处所述的摄影机为上述的摄影单元110。

S6，随机产生一偏移地图。以一独立均匀取样(Independent Uniform Samples)方法或任一种能够于参考影像随机取样像素点的随机方法，来产生一修补影像对的初始随机偏移地图。若更进一步论述，在参考图影像范围(size)中，使用独立均匀取样随机生成偏移地图中每一像素(pixel)的偏移量

S7，判断n次叠代。判断修补影像对进行一次叠代，若否，则至S8步骤，该叠代次数为累进制直至n次，n为一常数。判断来自S8步骤的修补影像对是否进行n次叠代，若是则至S11步骤，若否则至S8步骤。

叠代是重复反馈过程的活动，其目的通常是为了接近并到达所需的目标或结果。每一次对过程的重复被称为一次“叠代”，而每一次叠代得到的结果会被用来作为下一次叠代的初始值。

S8，判断当次叠代中，在修补影像对里未更新补丁。若是，来自S7步骤的修补影像对已进行当次叠代，并更新补丁，则回到S7步骤。假若来自S7步骤的修补影像对无当次叠代，未进行更新补丁，则至S9步骤。

S9，针对当前补丁，由邻近补丁与当前补丁的偏移量，覆写当前补丁的偏移量。更新每个补丁，并定义含噪点影像中当前补丁偏移量为f(x,y)且D(v)为当前补丁(x,y)与参考影像中补丁(x,y)+v之间的距离，则在邻近补丁中找寻最小偏移量来覆写当前补丁偏移量，如下公式(3)。

f(x,y)＝{D(f(x,y)),D(f(x-1,y)),D(f(x,y-1)) (3)

S10，针对当前补丁，于预设半径(随次衰减)内，随机找寻更好偏移量，直到半径衰减至1像素。在当前补丁周围(x,y)，以一递减半径区域随机搜索来更新当前补丁偏移量f(x,y)，如公式(4)所表示，其中R_i是在[-1,1]×[-1,1]区间的随机值，w是最大搜索半径，α是一递减比值，i则为搜索次数其由0持续地增直到搜索半径wαⁱ低于1像素。再回到S8步骤。

u_i＝f(x,y)+wαⁱR_i (4)

S11，以一新偏移地图修补含噪点影像。以偏移地图所含的2张影像对应关系，将含噪点影像中噪点像素群以参考影像做修补。举例说明，若含噪点影像中N_t为一噪点位置，则利用偏移地图查找参考影像中对应位置DN_t的像素值来修补噪点。

请配合参考图10所示，其为本发明的一雨刷修补的示意图。一修补影像对影像13A被雨刷物件遮住，但影像对中雨刷物件遮蔽区域并不相同。如上所述的本发明的多个且重叠区域的影像修补系统及其方法可检测噪点13A1并将参考影像拿来修补另一影像中被雨刷影像所遮住的像素群，以得到修补后影像13A2，故修补后影像13A2不再有雨刷影像，且影像不会被雨刷影像遮住。

请配合参考图11所示，其为本发明的一脏污修补的示意图。脏污影像14A于一影像中呈现有至少一脏污，如上所述的本发明的多个且重叠区域的影像修补系统及其方法可检测噪点14A1并将参考影像拿来修补另一影像中被脏污所遮住的像素群，以得到修补后影像14A2，故修补后影像14A2不再有脏污影像，且影像不会被脏污影像遮住。

请配合参考图12所示，雨滴影像15A于一影像中呈现有至少一雨滴，如上所述的本发明的多个且重叠区域的影像修补系统及其方法可检测噪点15A1并将参考影像拿来修补另一影像中被雨滴所遮住的像素群，以得到修补后影像15A2，故修补后影像15A2不再有雨滴影像，且影像不会被雨滴影像遮住。

综合上述，在即时运算应用中，用以修补的参考影像可为足以修补当前影像的任一先前撷取影像；在非即时运算当中，用以修补的参考影像可为足以修补当前影像的任一先前撷取影像或任一稍后撷取影像。

另外，本发明的多个且重叠区域的影像修补系统能够使用于任何具有运算功能的装置中，举例而言，如台式电脑、平板电脑、智能手机或笔记本电脑。

另外，本发明可去除影像中的噪点(如雨滴)，即便在雨天的情况中，各类安全警示系统的辨识率仍可维持，因而得以提升驾驶者的安全性。

再一，本发明可使得多个影像虽有视角差异但其影像的时间为相同，因此影像修补时能使用同一时间点的多个影像，所以修补后的真实性可以得到保证，也因此能够保证影像安全警示系统的真实性。

再二，本发明亦可通过接收实体雨刷信号或是雨滴信号，以决定本实施例的多个影像交互修补方法是否需开始执行，如此的话，可降低系统运算负荷，并降低误判率。

再三，于有噪点干扰时，本发明以影像分割技术及影像修补技术，检测并修补噪点像素群，即修补被噪点所遮挡住的影像，使得障碍物辨识不受如雨滴等噪点的影响，因而得以提升障碍物的辨识率。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。