特征学习的单幅图像去雾算法
目的 雾霾天气使图像降质,严重影响军事、交通和安全监控等领域信息系统的正常运作,因此图像去雾具有重要研究意义.目前主流的单幅图像去雾算法主要利用各种与雾相关的颜色特征实现,但不同的颜色先验知识往往存在各自的场景局限性.为提高图像去雾的普适性,提出一种特征学习的单幅图像去雾方法.方法 首先通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取,同时抽取各种与雾相关的颜色特征.然后采用多层神经网络进行样本训练,得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系,并估算出有雾图像的场景深度图.最后结合大气散射模型,根据场景深度图复原无雾图像.结果 与主流去雾算法的结果定性对比,复原后的图像细节更清晰,颜色更自然.采用均方误差和结构相似度定量评价各算法去雾结果与真实无雾图像的相似度,本文算法结果与真实无雾场景间的相似度最高,达到99.9％.结论 对实验结果的定性及定量分析表明,本文算法能有效获取有雾图像的场景深度,复原出视觉效果理想的无雾图像,且具有很好的场景普适性.
图像去雾、特征学习、深度学习、神经网络、稀疏编码
21
TP391.41(计算技术、计算机技术)
国家自然科学基金项目61202269,61472089,61202293;国家自然科学基金—广东联合基金项目U1501254;广东省自然科学基金2014A030308008;广东省科技计划项目2013B051000076,2014A050503057,2015A020209124,2015B010131015,2015B010108006;National Natural Science Foundation of China61202269,61472089,61202293
2016-05-23（万方平台首次上网日期，不代表论文的发表时间）
共11页
464-474
