改进多尺度卷积神经网络的单幅图像去雾方法

doi:10.3778/j.issn.1002-8331.1806-0408

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (10): 179-185.DOI: 10.3778/j.issn.1002-8331.1806-0408

改进多尺度卷积神经网络的单幅图像去雾方法

雎青青1，李朝锋2，桑庆兵1

1.江南大学物联网工程学院，江苏无锡 214122
2.上海海事大学物流科学与工程研究院，上海 200135

出版日期:2019-05-15 发布日期:2019-05-13

Single Image Dehazing by Using Improved Multi-Scale Convolutional Neural Network

JU Qingqing1, LI Chaofeng2, SANG Qingbing1

1.School of Internet of Things Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China
2.Institute of Logistics Science and Engineering, Shanghai Maritime University, Shanghai 200135, China

Online:2019-05-15 Published:2019-05-13

摘要/Abstract

摘要： 针对当前已有的去雾方法容易造成天空区域存在光晕以及色彩失真的现象，提出了一种多尺度卷积结合大气散射模型的单幅图像去雾算法。将原始有雾图像与三个不同尺度的卷积核进行卷积，经过一系列特征学习后得到粗略的传播图，然后使用引导滤波器对其进行优化，得到精细化后的传播图。利用粗传播图和有雾图像计算出全局大气光。根据大气散射模型反推出无雾清晰图像。实验结果表明，该方法对天空区域的处理更加自然，在图像的纹理细节以及颜色失真上有较好的效果。

关键词: 图像去雾, 图像复原, 多尺度卷积, 散射模型

Abstract: As the current reported dehazing method is easy to cause halo and color distortion in the sky region, a single image dehazing algorithm by combining multi-scale convolution with scattering model is proposed. Firstly, the original haze image is convoluted with three different scales of convolution kernels. After a series of characteristic learning, the rough transmission is obtained. Then the transmission map is refined by using the guided filter. Secondly, according to the haze image and rough transmission, the global atmospheric light is known. Finally, with the refined transmission map and the calculated atmospheric light, the final dehazed image is inversely derived from the atmospheric scattering model. Experimental results show that the proposed algorithm is more natural to deal with the sky area, and it has better restoration effect on image texture and color distortion.

Key words: image dehazing, image restoration, multi-scale convolution, scattering model

雎青青1，李朝锋2，桑庆兵1. 改进多尺度卷积神经网络的单幅图像去雾方法[J]. 计算机工程与应用, 2019, 55(10): 179-185.

JU Qingqing1, LI Chaofeng2, SANG Qingbing1. Single Image Dehazing by Using Improved Multi-Scale Convolutional Neural Network[J]. Computer Engineering and Applications, 2019, 55(10): 179-185.

[1]	李文龙，李兴广，胡冉冉，崔炜. 基于天空分割的单幅交通标志图像去雾算法[J]. 计算机工程与应用, 2021, 57(20): 221-228.
[2]	王硕，陈金玉. 自适应校正透射率的暗通道先验去雾算法[J]. 计算机工程与应用, 2021, 57(13): 207-211.
[3]	周文轩，周杰，刘少云，英文. 水声环境UWA信道散射模型参数仿真分析[J]. 计算机工程与应用, 2020, 56(24): 229-235.
[4]	桑亮1，2，3，4，高爽4，尹增山1，2，4. 基于生成对抗网络的运动模糊图像复原[J]. 计算机工程与应用, 2019, 55(6): 173-177.
[5]	刘月峰1，王成1，张亚斌1，苑江浩2. 用于网络入侵检测的多尺度卷积CNN模型[J]. 计算机工程与应用, 2019, 55(3): 90-95.
[6]	兰妙萍1，李朝锋1，2. 基于混合神经网络的图像复原方法[J]. 计算机工程与应用, 2018, 54(9): 201-206.
[7]	姚明海1，齐妙2. 基于模糊聚类规则的图像去雾方法研究[J]. 计算机工程与应用, 2018, 54(6): 26-29.
[8]	陈长华1，刘煜2，崔强3. 结合饱和度运算和暗通道理论的遥感图像去雾算法[J]. 计算机工程与应用, 2018, 54(5): 174-179.
[9]	李尧羿1，杜宇超2，顾振飞3，4. 结合天空区域识别的单幅图像去雾方法[J]. 计算机工程与应用, 2018, 54(19): 204-215.
[10]	赵胜楠，魏伟波，潘振宽，李帅. 暗原色先验与NL-CTV模型相结合的图像去雾方法[J]. 计算机工程与应用, 2018, 54(16): 182-186.
[11]	张敏，张一凡，王园宇. 基于颜色衰减先验的小波融合图像去雾[J]. 计算机工程与应用, 2018, 54(12): 182-186.
[12]	刘万军，赵庆国. 基于颜色饱和度的快速图像去雾研究[J]. 计算机工程与应用, 2017, 53(8): 209-215.
[13]	薛文丹，赵凤群. 涉及景深的雾天图像增强的偏微分方程模型[J]. 计算机工程与应用, 2017, 53(19): 192-197.
[14]	白鹏1，魏延恒2，安涛1，2. 基于PSF尺寸预估计的天文图像复原优化算法[J]. 计算机工程与应用, 2017, 53(16): 172-176.
[15]	戎成明1，2，王华彬1，2，周健1，2，陶亮1，2. 基于大气面纱优化和透射率修正的图像去雾[J]. 计算机工程与应用, 2017, 53(14): 191-197.

改进多尺度卷积神经网络的单幅图像去雾方法

Single Image Dehazing by Using Improved Multi-Scale Convolutional Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics