[发明专利]基于超像素分割的图像去雾方法、系统、存储介质及电子设备

说明书

本发明涉及基于超像素分割的图像去雾方法、系统、存储介质及电子设备，包括S1、获取雾霾图像对应的全局大气光值，并通过超像素分割对雾霾图像进行分割，以获取雾霾图像对应的超像素集；S2、基于超像素集通过预设成本函数获取雾霾图像对应的初始透射率图；S3、对初始透射率图进行细化处理以获取目标透射率图；S4、根据目标透射率图和全局大气光值获取雾霾图像对应的清晰图像。实施本发明能够实现对真实雾霾图像与合成雾霾图像数据集上良好的去雾效果。

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种基于超像素分割的图像去雾方法、系统、存储介质及电子设备。

背景技术

目前图像去雾方法可分为两类：第一类是基于图像增强的去雾方法，第二类是基于物理模型的去雾方法。

基于图像增强的去雾方法不考虑图像退化的原理，不建立复杂的物理模型，直接利用常规的图像增强技术提高图像的对比度、色彩饱和度和清晰度等特征，其去雾效果有限。

基于物理模型的去雾方法基本思想是：建立雾霾天气下图像降质的物理模型，还原图像退化的光学过程。运用逆向方法补偿退化过程的信息损失，从而获得清晰图像。相比基于图像增强的去雾方法，此类方法能保留图像中更多有价值的信息，去雾结果更为真实、自然。目前主流的模型是基于大气散射的物理模型。在去雾算法应用上，又可分为基于先验知识和基于机器学习等几类。其具体包括：

(1)对比度先验：

相比无雾图像，有雾图像的对比度较低，可通过最大化图像的对比度进行去雾。此类方法规定，图像的对比度由图像的梯度表示，即图像边缘越明显，对比度越高，公式表达如下：

其中，C_edges(I)表示图像梯度信息的总和，x表示图像中的像素点，I_c(x)表示点x处的梯度值。

不过，此类方法容易使图像发生过饱和，在场景深度突变的边缘地带容易出现光晕。

(2)暗通道先验

绝大多数的户外无雾图像，对每个像素点取其颜色通道的最小值，形成的图像称为暗通道。对于户外无雾图像，其暗通道像素值很低，而雾霾越严重，暗通道像素值越高。

其中，J_dark(x)表示图像的三颜色通道取最小值组成的暗通道图像。

在无雾图像中，暗通道值趋近于零。因此，通过计算大气散射模型中暗通道的表达式，并将其设置为零，得到去雾图像。

暗通道先验去雾的缺点是，当雾霾图片中含有天空区域，去雾后图像会在天空区域出现失真现象。

(3)色彩先验

图像表面阴影于大气传递函数在图像局部区域具有统计上的不相关性。其将大气散射模型中的清晰图像J(x)表示为透射率图与表面反射系数R的乘积，然后将R和清晰图像I(x)在平行大气光方向上的分解为分量R_A和I_A(x)，在垂直于大气光方向上分解为的分量R'和I_R'，透射率图表示如下：

其中，R_A为表面反射系数，R'表示与大气光垂直的残余向量，I_A(x)为平行于大气光的分量，并采用马尔可夫随机场修复得到透射率图t(x)。

此类方法基于大气散射模型，可求解出深度图。但是，由于需要雾霾图像具有丰富的色彩信息，对浓雾图像不适用。