[發明專利]基于特征學習的單幅圖像去霧方法

有效

• 申請號: 201610025389.4
• 申請日: 2016-01-13
• 公開（公告）號: CN105719247B
• 公開（公告）日: 2019-05-17
• 發明（設計）人: 王美華;梁云;麥嘉銘
• 申請（專利權）人: 華南農業大學
• 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

本發明公開了一種基于特征學習的單幅圖像去霧方法，首先通過稀疏自動編碼機對有霧圖像進行多尺度的紋理結構特征提取，與此同時，抽取各種與霧相關的顏色特征。然后，采用多層神經網絡進行樣本訓練，學習得到霧天條件下紋理結構特征及顏色特征與場景深度間的映射關系，并估算出有霧圖像的場景深度圖。在此基礎上，利用場景深度圖近似地估算出透射率圖。該透射率能圖有效反映了有霧圖像中各個局部區域的霧氣濃度。最后，結合大氣散射模型，根據透射率圖進一步復原出無霧圖像。本方法能夠對有霧圖像進行復原，得到更高質量的無霧圖像，并且與現有的去霧方法相比，具有更好的場景普適能力。

技術領域

本發明涉及計算機視覺領域，更具體地，涉及到一種基于特征學習的單幅圖像去霧方法。

背景技術

在霧、霾等惡劣天氣下，大氣中存在較多的水滴或塵粒，致使光在傳播過程中發生散射或被吸收，此時戶外拍攝的圖像往往模糊不清，對比度較低。監控設備等依賴于戶外圖像的系統性能急劇下降，甚至無法正常運作。因此，對圖像進行去霧處理具有重要意義。

目前圖像去霧的方法主要可分為兩類：一類是使用圖像增強的方法，即通過增強圖像的對比度來達到去霧目的，這類方法可以應用并有針對性地改良已有的成熟圖像處理算法，對薄霧圖像能夠取得較好的去霧效果，但由于沒有針對成霧的客觀原因，所以不能從根本上實現去霧。另一類是基于物理模型的去霧方法，該類方法通過研究大氣成霧以及圖像退化的客觀機理，構建出大氣散射模型，再根據模型對霧天圖像復原，從而實現去霧。然而，這兩類方法都存在著一個共同的局限性，即只利用了顏色特征，而沒有考慮到與霧霾相關的紋理結構特征，致使透射率的估計精度受到限制，因此具有一定的場景局限性。

發明內容

為了更好地利用圖像紋理、結構和顏色等特征以提高去霧效果，本方法提出一種基于特征學習的單幅圖像去霧方法。首先通過稀疏自動編碼機對有霧圖像進行多尺度的紋理結構特征提取，同時抽取各種與霧相關的顏色特征。然后采用多層神經網絡進行樣本訓練，學習得到霧天條件下紋理結構特征及顏色特征與場景深度間的映射關系，并估算出有霧圖像的場景深度圖。最后結合大氣散射模型，根據場景深度圖復原無霧圖像。該方法能夠復原出更高質量的無霧圖像，且具有更好的場景普適能力。

為了克服現有技術的不足，本發明的技術方案為：

一種基于特征學習的單幅圖像去霧方法，包括以下步驟：

S1.獲取一組有霧圖像I^set及其對應的場景深度圖d^set作為訓練數據集；

S2.利用數據集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的紋理結構特征；

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提取與霧有關的紋理結構特征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作為輸入的訓練數據，同時以d^set中對應的場景深度圖d_i作為訓練標簽，訓練多層神經網絡。該網絡用于表示不同特征組合與場景深度之間的映射關系，以有霧圖像的紋理結構特征及不同的顏色特征作為輸入，輸出其對應的場景深度；