本文针对雨天交通场景中车道线因为雨条纹干扰,难以被检测到的问题提出了基于稀疏表示与低秩表示的图像去雨算法,使输出图像能接近晴天时的清晰度。这两种算法在提高车道线检测的准确率、降低误检率和漏检率三方面有重要的影响。本文利用形态学成分分析法(MCA)分离出图像中包含的不同的形态特征。数据表明,MCA对于将图像分解为纹理和片状光滑部分或用于图形复原应用非常有用。而经典算法利用图像去雨点的具体过程为,双边滤波器将图片分为高频以及低频成分,高频成分中包含了背景信息以及噪音,因此可以通过提取图像HOG特征并且通过稀疏矩阵编码(sparse coding)以及字典学习可得到高频图像字典。如前文曾提及要对高频字典进行分类,在此使用的方法是K-Means最近邻算法,得到分类后的结果为几何字典以及雨点成分的字典,恢复几何字典为图像,其后与之前储藏的低频成分相加,即可得到目标图像。通过利用两种算法对图像进行预处理,与不作任何处理直接进行车道线检测对比,本文发现,经过算法对图像预处理的车道线检测准确率更高,适用的交通场景更广。