[发明专利]一种基于简单线性迭代聚类优化的无人机图像去雾方法

说明书

本发明公开了一种基于简单线性迭代聚类优化的无人机图像去雾方法，属于计算机视觉技术领域。该方法将基于频域的同质滤波算法用于初期无人机图像处理；使用简单线性迭代聚类进行超像素分割，将分割后的超像素块作为导向窗口，并使用SLIC超像素图像作为导向图，融入导向滤波算法提升处理速度并提高透射率计算的准确程度；利用自适应调节算法计算大气光强度值等参数，并代入到暗通道先验模型中得到去雾图像。该方法能够对无人机图像进行高质量的去雾处理，是对无人机高空巡检领域的一种重要贡献。

技术领域

本发明涉及计算机视觉技术领域，特别是指一种基于简单线性迭代聚类优化的无人机图像去雾方法。

背景技术

电力线路是输送电能的重要组成部分，对电力线路进行定期的巡检十分必要。目前，已出现将无人机(unmanned aerial vehicle，UAV)遥感技术应用于电力巡检的案例，可以大幅提高巡检效率和安全性。在无人机对电力线路进行高空巡检时，必须保证其携带载荷能够在电力线路所经过地带的复杂环境中采集到清晰的图像数据，以免影响后续目标的检测和识别。但是，在雾霾天气中存在较多的雾气颗粒，UAV的成像系统会受到颗粒的反射、散射、吸收自然光的影响，从而造成UAV图像质量的下降，严重影响了后续巡检任务的完成。因此，在电力巡检领域中，对UAV图像进行去雾算法的研究具有重要意义。

对图像进行去雾处理是计算机视觉中的一个重要任务，学者们对此进行了深入研究。目前，去雾方法主要分为基于图像表面增强和内在物理大气模型2种方法。前者对图像中的显著区域进行突出，并通过增强多种色彩信息来实现图像去雾，主要方法有直方图均衡化增强算法、小波变换去雾算法、视网膜大脑皮质论去雾算法等，此类算法未考虑有雾图像的内在成因，虽然具有较快的处理速度，但会丢失图像的细节信息。后者对图像的内在物理大气模型进行研究，主要分为基于多幅图像的去雾算法及基于单幅图像的去雾算法，此类算法对雾霾天气下的成像原理进行剖析，去雾效果良好，得到了广泛的应用和研究。

基于多幅图像的去雾算法主要取决于附加信息的深度或对同一场景的多次观察。Fang等(“Fang S，Xia X S，Huo X，et al.Image dehazing using polarization effectsof objects and airlight[J].Optics Express，2014，22(16)：195-211.”)根据散射光的不同偏振特性，使用2个或多个具有不同偏振度的相同场景图像来恢复场景深度图像。Kopf等(“Kopf J，Neubert B，Chen B，et al.Deep photo：model-based photographenhancement and viewing[J].ACM Transactions on Graphics，2008，27(5)：116-125.”)采用图像的景深信息进行除雾。Narasimhan等(“Narasimhan S G，Nayar S K.Contrastrestoration of weather degraded images[J].IEEE Transactions on PatternAnalysis and Machine Intelligence，2003，25(6)：711-724.”)提出了一种基于物理大气散射的模型来恢复图像内在结构。但是，基于多幅图像的去雾算法依赖于图像之间的附加信息，未对图像雾气的成因进行深入分析，存在一定的局限性。