[發(fā)明專利]基于特征學習的單幅圖像去霧方法

有效

• 申請?zhí)枺?/td>: 201610025389.4
• 申請日: 2016-01-13
• 公開（公告）號: CN105719247B
• 公開（公告）日: 2019-05-17
• 發(fā)明（設(shè)計）人: 王美華;梁云;麥嘉銘
• 申請（專利權(quán)）人: 華南農(nóng)業(yè)大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于特征學習的單幅圖像去霧方法，其特征在于，包括以下步驟：

S1.獲取一組有霧圖像I^set及其對應(yīng)的場景深度圖d^set作為訓練數(shù)據(jù)集；

S2.利用數(shù)據(jù)集I^set和d^set訓練稀疏自動編碼機，該稀疏自動編碼機用于提取與霧相關(guān)的紋理結(jié)構(gòu)特征；

S3.利用訓練好的稀疏自動編碼機，對I^set中的每一幅有霧圖像I_i提取與霧有關(guān)的紋理結(jié)構(gòu)特征T_i；

S4.對I^set中的每一幅有霧圖像I_i提取與霧有關(guān)的顏色特征D_i、C_i、R_i、G_i和B_i，分別表示暗原色特征、顏色衰減特征、圖像的R通道、圖像的G通道和圖像的B通道；

S5.以I^set中每一幅有霧圖像所提取的特征T_i、D_i、C_i、R_i、G_i和B_i作為輸入的訓練數(shù)據(jù)，同時以d^set中對應(yīng)的場景深度圖d_i作為訓練標簽，訓練多層神經(jīng)網(wǎng)絡(luò)；該網(wǎng)絡(luò)用于表示不同特征組合與場景深度之間的映射關(guān)系，以有霧圖像的紋理結(jié)構(gòu)特征及不同的顏色特征作為輸入，輸出其對應(yīng)的場景深度；

S6.輸入一幅待復原的有霧圖像I，利用訓練好的稀疏自動編碼機提取有霧圖像I的與霧相關(guān)的紋理結(jié)構(gòu)特征T；

S7.提取有霧圖像I的與霧相關(guān)的顏色特征D、C、R、G和B；

S8.利用訓練好的多層神經(jīng)網(wǎng)絡(luò)，以T、D、C、R、G和B作為輸入，輸出有霧圖像I所對應(yīng)的場景深度圖d；

S9.根據(jù)大氣散射模型，利用d估算出大氣光照度A；

S10.結(jié)合有霧圖像I、場景深度圖d和大氣光照度A，復原出對應(yīng)的無霧圖像J；對于給定一組有霧圖像I^set及其對應(yīng)的場景深度圖d^set，所述步驟S2中的稀疏自動編碼機是經(jīng)過樣本訓練得到的，具體的訓練方式為：

自動編碼機由兩部分組成：第一部分為稀疏編碼，用于提取局部塊的主要紋理與結(jié)構(gòu)特征，通過一個無監(jiān)督自學習的3層神經(jīng)網(wǎng)絡(luò)實現(xiàn)，網(wǎng)絡(luò)的輸入是向量化的局部塊，隱含層的輸出S是對輸入的向量進行降維后所得到的特征，網(wǎng)絡(luò)的輸出為S再次映射到高維時所得到的輸出向量；第二部分為一個2層神經(jīng)網(wǎng)絡(luò)，用于獲得紋理結(jié)構(gòu)特征與場景深度之間的映射關(guān)系；

稀疏自動編碼機中的網(wǎng)絡(luò)使用sigmoid函數(shù)f(x)＝1/(1+e^-x)作為傳輸函數(shù)，其訓練時，首先從訓練樣本集I^set中，隨機選取N個大小均為r×r的局部塊作為第一部分的網(wǎng)絡(luò)輸入，進行無監(jiān)督學習；然后，以第一部分隱含層輸出作為第二部分的網(wǎng)絡(luò)輸入；最后，對每一個r×r的局部塊，在訓練樣本集d^set中找到相對應(yīng)的局部塊，以其中心位置的場景深度作為標簽，進行有監(jiān)督學習；對于一幅有霧圖像I，提取與霧有關(guān)的顏色特征的提取方法，具體實現(xiàn)如下：

給定一幅有霧圖像I及其對應(yīng)的大氣光照度A，提取3類顏色特征，分別是：暗原色特征、顏色衰減特征以及圖像的RGB空間下的3個通道分量；

暗原色特征定義如下：

其中，Ω(x)是以x為中心，大小為15×15的局部塊，I^c表示有霧圖像I在顏色通道c下的分量，D表示局部塊尺寸為15×15的暗原色特征；

顏色衰減特征定義如下：

其中，I^val和I^sat分別為有霧圖像在HSV顏色空間下的亮度分量和飽和度分量，θ₀、θ₁和θ₂為線性系數(shù)；

有霧圖像I中RGB空間下的三個分量也作為本方法的顏色特征，三個分量分別為R通道分量、G通道分量和B通道分量，定義如下：

R＝I^red

G＝I^green

B＝I^blue

上式中，I^red、I^green和I^blue分別表示有霧圖像I在RGB顏色空間上的三個分量；所述步驟S5中多層神經(jīng)網(wǎng)絡(luò)的訓練方法，依賴于一組用于訓練的有霧圖像I^set及其對應(yīng)的場景深度圖d^set；具體的訓練方法如下：

多層神經(jīng)網(wǎng)絡(luò)包含3層，分別為輸入層、隱含層和輸出層，輸入層中神經(jīng)元的個數(shù)與特征圖的數(shù)目相等，隱含層中的神經(jīng)元個數(shù)是輸入層的2倍，輸出層只有一個神經(jīng)元，表示最終輸出的場景深度；其過程為：

首先分別對訓練樣本集I^set中的有霧圖像I₁，I₂，…，I_n進行特征提取，每一幅有霧圖像I_i對應(yīng)6幅特征圖R、G、B、C、D和T，然后，以這些特征作為輸入，以訓練樣本集d^set中的真實場景深度d_i作為標簽，采用反向傳播算法對網(wǎng)絡(luò)進行有監(jiān)督學習，最后得到訓練后的神經(jīng)網(wǎng)絡(luò)模型；

所述步驟S9中的大氣光照度A的估計方法，依賴于一幅有霧圖像I及其對應(yīng)的場景深度圖d；具體的估計方法如下：

給定一幅有霧圖像I及對應(yīng)的場景深度圖d，其大氣光照度A可進一步通過下式估算得出：

其中，x和y用于表示圖像中的坐標；

所述步驟S10中利用有霧圖像I、大氣光照度A和場景深度圖d復原出無霧圖像的方法；具體的圖像復原方法如下：

已知有霧圖像I、大氣光照度A和場景深度圖d，根據(jù)大氣散射模型，可由下式復原出無霧圖像：

其中，β是大氣散射系數(shù)。