特征学习的单幅图像去雾算法_麦嘉铭.docVIP

464 中图法分类号: TP391． 41 文献标识码: A 文章编号: 1006-8961(2016) 04 -464 -11 论文引用格式: Mai J M，Wang M H，Liang Y，Cai Ｒ C. Single image dehazing algorithm by feature learning［J］. Journal of Image and Graphics，2016， 21(4):464-474. ［麦 嘉铭，王 美华，梁云，蔡瑞初 . 特征学习的单幅图像去雾算 法［J］. 中国图象图形学报，2016，21(4):464-474. ］［DOI: 10. 11834 /jig. 特征学习的单幅图像去雾算法 麦嘉铭1，王美华1，梁云1，蔡瑞初 2 1．华南农业大学数学与信息学院，广州 510642;2． 广东工业大学计算机学院，广州 510006 摘 要: 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 。 关键词:图像 去雾;特征学习;深度学习;神经网络;稀疏编码 Single image dehazing algorithm by feature learning 1 ， 1 ， 1 ， 2 Mai Jiaming Wang Meihua Liang Yun Cai Ｒuichu 1． College of Mathematics and Informatics，South China Agricultural University，Guangzhou 510642，China; 2． School of Computer Science and Technology，Guangdong University of Technology，Guangzhou 510006， China Abstract:Objective Fog-degraded images seriously affect the normal operation of the information systems of the military， traffic，safety monitoring，and other fields． Hence， research on image dehazing has become important and practical． Most existing single image dehazing approaches focus on investigating haze-relevant color features． However， different color pri- ors have their respective limitations． To improve the adaptability of the image dehazing algorithm， we propose a single im- age dehazing algorithm by feature learning． Method First， we extract multi-scale textural and structural features from a hazy image by using a sparse auto encoder;the haze-relevant color features are obtained as well． Second， we model the scene depth with the extracted textural，structural， and color fea