3、图像去雨算法（传统方法）：基于滤波的去雨、基于稀疏编码的去雨、基于先验模型的去雨

各位同学，咱们今天聊聊传统图像去雨。别一听「传统」就觉得过时，我跟你讲，这些方法在算力受限的嵌入式平台上，至今仍是主力。我自己在早期做ADAS项目时，就靠这些方法扛过了不少雨天路测。

图像去雨，说白了就是要把画面里的雨条纹给「擦掉」。雨条纹在图像里是什么？是高频噪声，但又比普通噪声有规律——它有方向性，有亮度变化。抓住这个特点，传统方法就能下手了。

3.1 基于滤波的去雨

滤波去雨，思路最直接。雨是高频成分，那我用低通滤波器把高频干掉不就行了？嗯，理论上没错，但实际操作起来坑不少。

3.1.1 中值滤波

中值滤波对椒盐噪声效果很好，雨条纹其实有点像拉长的椒盐噪声。我早期试过用3x3的中值滤波核，效果嘛……雨是淡了，但图像也糊了。尤其是车道线边缘，变得模模糊糊。

为什么会这样？因为中值滤波不分青红皂白，把边缘和雨纹一起平滑了。你想想看，车道线边缘也是高频，跟雨纹在频域上有重叠。

3.1.2 双边滤波

双边滤波就聪明多了。它不光考虑像素距离，还考虑像素值的差异。边缘处像素值变化大，权重就低，所以边缘能保住。

我记得有一次在高速公路上测试，雨不算大但很密。用双边滤波处理后，护栏和标线都还清晰，就是雨纹残留了一些「尾巴」。后来我调了调空间域sigma和值域sigma的参数，效果才上来。

// 伪代码：双边滤波去雨
for each pixel (i, j):
    sum_weight = 0
    sum_value = 0
    for each neighbor (k, l) in window:
        d = sqrt((i-k)^2 + (j-l)^2)          // 空间距离
        v = abs(I(i,j) - I(k,l))             // 像素差异
        w = exp(-d^2/(2*sigma_d^2)) * exp(-v^2/(2*sigma_r^2))
        sum_weight += w
        sum_value += w * I(k,l)
    I_out(i,j) = sum_value / sum_weight

3.1.3 导向滤波

导向滤波是我个人比较喜欢的一种。它需要一张引导图，可以是原图本身，也可以是原图的灰度版本。导向滤波假设输出是引导图的线性变换，这样能很好地保留边缘。

我在项目中用过导向滤波做去雨的前处理——先用它把图像分成基础层和细节层，雨纹主要在细节层，然后对细节层做阈值处理。效果比直接滤波好不少。

3.2 基于稀疏编码的去雨

稀疏编码，这个名字听起来高大上，其实核心思想很简单：图像可以用少量「原子」的线性组合来表示。雨纹也有自己的原子，背景也有自己的原子。把它们分开，就能去雨了。

3.2.1 基本原理

具体怎么做呢？先准备一堆无雨的干净图像块，训练出一个背景字典。再准备一堆雨纹图像块，训练出一个雨纹字典。然后对带雨图像做稀疏分解，把雨纹部分的系数置零，再用背景字典重建。

嗯，这里要注意：两个字典的区分度是关键。如果雨纹字典里混进了背景纹理，重建时就会把背景也干掉。

3.2.2 我踩过的坑

我曾经试过用稀疏编码去雨，结果发现处理后的图像有块状伪影。为什么？因为图像块是独立处理的，块与块之间不一致。后来我加了重叠块和平均策略，伪影才消失。

另外，字典训练需要大量数据。我当时从网上扒了1000张无雨图像和500张雨纹图像，训练了一整夜。效果还行，但泛化能力一般——换一种雨型就不太灵了。

3.3 基于先验模型的去雨

先验模型，就是利用我们对雨纹的「先验知识」来指导去雨。比如我们知道雨纹是稀疏的、有方向的、亮度比背景高等等。把这些知识写成数学约束，然后求解一个优化问题。

3.3.1 雨纹的稀疏先验

雨纹在图像中占的面积其实很小，大部分区域是干净的背景。所以雨纹是稀疏的。我们可以用 L0 或 L1 范数来约束雨纹的稀疏性。

我记得有一篇经典论文，把去雨建模成：

min ||I - B - R||^2 + λ1 * ||∇B||_1 + λ2 * ||R||_1

其中 I 是带雨图像，B 是背景，R 是雨纹。第一项保证重建 fidelity，第二项让背景平滑（TV 正则化），第三项让雨纹稀疏。

3.3.2 方向先验

雨纹还有一个特点：方向大致一致，通常是斜向的。这个先验可以用方向滤波器来捕捉。比如用 Gabor 滤波器组，提取特定方向的响应，然后只对那个方向的成分做处理。

我在实际项目中试过，方向先验对小雨和中雨效果不错。但遇到大风天，雨纹方向乱飘，这个先验就不太靠谱了。

3.3.3 亮度先验

雨纹的亮度通常比背景高，尤其是在暗色区域（比如柏油路面）。这个先验可以写成：雨纹像素值 > 0。结合稀疏先验和方向先验，三个约束一起上，效果就比较稳了。

不过要注意，雨滴在强光下可能过曝，变成白色一片，这时候亮度先验反而会失效。嗯，这种情况我建议先做一次高光检测，把过曝区域单独处理。

3.4 三种方法的对比与选择

说了这么多，到底该用哪种？我个人的建议是：

• 算力有限、实时性要求高：选滤波方法。导向滤波优先，双边滤波次之。
• 离线处理、对质量要求高：选稀疏编码或先验模型。先验模型更灵活，但调参麻烦。
• 雨型多变、场景复杂：先验模型更鲁棒。你可以把多个先验组合起来用。

最后说一句，传统方法虽然不如深度学习那么「智能」，但胜在可控、可解释、无数据依赖。在自动驾驶的感知系统中，我通常把传统方法作为深度学习的补充——深度学习处理大部分场景，传统方法兜底处理极端情况。两者结合，才是王道。