首页|两阶段特征提取策略的图像去雾

两阶段特征提取策略的图像去雾

Image defogging algorithm using a two-phase feature extraction strategy

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 传统以先验知识为基础的去雾算法,如最大化饱和度、暗通道等,在某些特定场景下效果非常不稳定,会出现色彩扭曲和光晕等现象.由于标注好的训练数据严重不足、特征的冗余性等原因,传统基于学习的去雾算法容易导致模型过拟合.为克服这些问题,本文提出一种基于两阶段特征提取的场景透射率回归去雾方法.方法 在第1阶段,提取图像在颜色空间上的饱和度、最小通道、最大通道以及灰度图的盖博响应等43维特征作为初始雾的特征,并在提取的特征图像局部窗口内,进一步提取最小值、最大值、均值、方差、偏度、峰度、高斯均值等7维特征.在第2阶段,将提取的43×7=301个维度特征组成表征雾的二阶段特征向量.最后采用支持向量机进行训练,得到雾的特征向量和场景透射率的回归模型.结果 实验结果表明,本文算法取得了非常好的去雾效果.平均梯度值为4.475,高于所有对比算法;峰值信噪比为18.150 dB,仅次于多尺度卷积神经网络去雾算法;结构相似性为0.867,处于较高水平;去雾后的亮度和对比度,也均排于前列.本文算法的去雾测试性能接近甚至超过了已有的基于深度学习的去雾算法,表明本文提出的两阶段特征能够很好地对雾进行表征,实现了小样本学习的高效去雾.结论 本文通过两阶段的特征提取策略,极大提升了算法的鲁棒性,仅需要极少量样本就能训练得到性能很好的去雾模型,具有很好的泛化性能.

袁非牛、李志强、史劲亭、夏雪、李雅

展开 >

上海师范大学信息与机电工程学院,上海201418

江西财经大学信息管理学院,南昌330013

江西农业大学职业师范(技术)学院,南昌330045

图像去雾 图像增强 特征提取 支持向量机(SVM) 机器学习

国家自然科学基金江西省教育厅科技项目江西省教育厅科技项目江西省自然科学基金

61862029GJJ180206GJJ17031720192BAB207011

2021

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2021.26(3)
  • 5
  • 5