[发明专利]一种基于多通道卷积的MSRCR图像去雾方法

说明书

本发明提供一种基于多通道卷积的MSRCR图像去雾方法。本发明方法，包括：对源图像进行引导滤波处理，对处理后的R、G、B通道分别用6个3*3的高斯卷积核进行卷积，得到6张与单个输入通道同等大小的特征图，将每个通道对应的6张特征图通过Retinex算法增强后进行线性加权融合，将Retinex增强后的图像和二次引导滤波处理后的细节图像进行加权融合，重构出最终的去雾图像。本发明利用多尺度的高斯卷积核进行卷积，提取更精细的特征估计入射分量，对入射分量进行多尺度线性加权的Retinex增强，同时二次引导滤波考虑到入射分量和反射图像的平滑约束，使得处理后的图像即满足了平滑约束，又降低了噪声，将两个增强后的图像进行线性加权融合，实现图像的去雾。

技术领域

本发明涉及图像处理技术领域，具体而言，尤其涉及一种基于多通道卷积的MSRCR图像去雾方法。

背景技术

在数字成像领域，清晰图像是理解真实场景的关键先决条件。在室外环境中，由于光照、雾和雾霾等恶劣天气条件的影响，拍摄的照片会严重降低能见度和对比度，这会导致图像暗淡和失真。为了有效去除浓雾对图像质量的影响并突显出浓雾中的细节信息，基于图像处理的图像增强和基于物理模型的图像复原是常用的方法。

基于物理模型的去雾算法通过建立近似的大气散射模型、反演退化过程以获得无雾图像的最优估计值。主要分为三类：基于深度信息的方法、基于偏微分方程的方法和基于先验知识的方法。基于物理模型的去雾算法需要同一场景图像的深信息、先验知识等，而且需要借助一些物理设备，在实际应用中不便。基于图像增强的去雾算法可以脱离对物理设备的依赖，成为当前去雾算法主要研究方向，目前主要有直方图均衡化、同态滤波、双边滤波、引导滤波以及Retinex算法。由于直方图均衡化对处理的数据不加选择，它可能增强背景杂讯的对比度并降低有用信号的对比度；同态滤波和双边滤波的运算复杂度较高，算法的效率和实用性不尽如人意；引导滤波作为局部线性图像滤波器，具有良好的边缘保持和平滑滤波性能，当原图像较复杂且较大噪声时，增强图像可能出现噪声增强的现象；基于Retinex理论的算法SSR、MSR和MSRCR等改进算法，入射分量的估计和消除是去雾的关键，一般采用高斯滤波估计入射分量，SSR算法主要用于增强灰度图像，但难以平衡图像的动态压缩和色彩恒定；MSR算法将多个不同尺度的SSR进行线性加权进行彩色图像的增强，但带来了彩色退化的问题；MSRCR在MSR的基础上引入了色彩恢复因子，使得增强后的图像具有较好的色彩保证性，但图像的色彩会偏移原始色彩，过曝光。

发明内容

根据上述提出的技术问题，提供一种基于多通道卷积的MSRCR图像去雾方法。本发明主要根据Retinex视觉模型中入射分量和反射分量的统计特性，融合引导滤波、多尺度卷积、Retinex增强、量化操作及细节融合可对浓雾图像有效的去雾。

本发明采用的技术手段如下：

一种基于多通道卷积的MSRCR(Multi-Scale Retinex with color restorationof Multi-Channel Convolutional，MC_MSRCR)图像去雾方法，其特征在于，包括以下步骤：

步骤S01：获取原始RGB浓雾图像，并对其进行预处理，将原始RGB浓雾图像分解成R、G、B通道图像；

步骤S02：对所述原始RGB浓雾图像分解成的R、G、B通道图像分别进行引导滤波处理；

步骤S03：将上述步骤S02引导滤波处理后的R、G、B通道图像分别用6个3*3大小不等参数的高斯卷积核进行多尺度卷积，得到每个通道对应的6张大小相同的特征图；

步骤S04：将每个通道对应的6张特征图通过Retinex增强后进行线性加权融合进而改善增强后的效果，得到增强后的R、G、B通道图像，再对增强后的R、G、B通道图像引入量化操作，实现色彩恢复，完成MSRCR的增强过程，得到MSRCR增强后的R、G、B通道图像；