文献类型：期刊文章

作　　者：吴嘉炜[1,2] 余兆钗[1,2] 李佐勇[1,2] 刘维娜[3] 张祖昌[1,2]

Wu Jiawei;Yu Zhaochai;Li Zuoyong;Liu Weina;Zhang Zuchang(College of Computer and Control Engineering,Minjiang University,Fuzhou 350121,Fujian,China;Fujian Provincial Key Laboratory of Information Processing and Intelligent Control(Minjiang University),Fuzhou 350121,Fujian,China;Department of Computer Engineering,Fujian Polytechnic of Information Technology,Fuzhou 350003,Fujian,China)

机构地区：[1]闽江学院计算机与控制工程学院,福建福州350121 [2]福建省信息处理与智能控制重点实验室(闽江学院),福建福州350121 [3]福建信息职业技术学院计算机工程系,福建福州350003

出　　处：《计算机应用与软件》

基　　金：国家自然科学基金面上项目(61772254);福建省科技厅引导性项目(2017H0030);福建省高校青年自然基金重点项目(JZ160467);福建省中青年教师教育科研项目(JT180406);闽江学院校长基金项目(103952018240)。

年　　份：2020

卷　　号：37

期　　号：4

起止页码：197-202

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、IC、JST、ZGKJHX、核心刊

摘　　要：雾是户外图像降质的主要因素之一,图像去雾旨在恢复有雾图像中的内容。基于图像底层特征和先验知识的传统算法去雾效果不稳定。针对以上问题,受深度学习理论的启发,提出一种端到端的两阶段去雾深度神经网络算法。将图像去雾和图像超分辨率重建相结合,先利用编码器-解码器预测低分辨率雾霾残留图像,再利用亚像素卷积和残差块重建出原始分辨率雾霾残留图像,最后预测出原始分辨率无雾图像。在合成和真实有雾图像上的实验表明,该算法在定量评价和定性评价中均优于对比算法。

关 键 词：图像去雾 深度学习  超分辨率重建 编码器解码器  残差块  图像恢复

分 类 号：TP391.4]