[发明专利]一种基于局部区域分割与SCN结合的图像去雾方法

说明书

本发明提出本发明提出的一种基于局部区域分割与SCN结合的图像去雾方法，采用基于信息熵率的超像素分割算法将有雾图像进行区域分块，得到各区域分块图像；利用SCN通过无监督学习方式获取各区域分块图像的雾特征，得到各区域分块图像的雾特征图；基于CNN模型通过有监督学习方式得到特征图与透射率图之间的映射关系，得到各区域分块图像的场景透射率图；采用超引导滤波方法对得到的场景透射率图进行滤波操作；根据大气散射模型反演出无雾图像。本发明方法得到的去雾后图像，去雾效果更明显、稳定性更强，具有较好的场景通用性。

技术领域

本发明涉及图像去雾领域，特别是指一种基于局部区域分割与SCN结合的 图像去雾方法。

背景技术

在气象条件不佳的情况下，空气中悬浮粒子(如雾、霾和灰尘等)吸收物体 本身的反射光，同时散射大气光，使得拍摄的图像颜色偏灰白、对比度下降， 物体特征难以辨别，降质后的图像不仅视觉效果差，影响后期处理，还会对各 类依赖光学成像仪器的系统(如航拍系统、室外监控和目标识别等)造成严重的 干扰.为此图像去雾技术具有重要的实际意义。

早期的方法通过增加对比度，突出景物特征和有价值信息，达到雾天图像 清晰化目的，之后又提出直方图均衡化方法，通过扩大图像灰度级的动态范围 使其分布大致均匀，从而提高图像的对比度，后期有提出Retinex理论，认为 一幅图像可以表示为照射分量和反射分量的乘积，找到方法分离出反射分量， 然后削弱照射分量以达到图像增强目的；另外，同态滤波算法、小波变换等也 常用来提高图像对比度，此类方法仅仅考虑对比度，没有研究有雾图像退化的 物理模型，去雾效果一般，而且经常造成图像细节丢失，使图像失真。

目前去雾算法大部分基于物理模型。通过研究大气悬浮颗粒对光的散射作 用，建立大气散射模型，先估计出关键的透射率图，然后反演出降质前的图像。 有论文通过分析5000张户外清晰图像，统计出在无雾条件下，图像任意局部小 块内RGB三通道至少有一个强度很小，基于此先验知识利用最小值滤波估计透 射率图，然后反演出无雾图像，但暗通道先验方法过高估计雾的浓度，导致去 雾后图像整体亮度偏暗，且天空区域常出现失真现象.假设大气耗散函数在局 部上变化平缓，利用中值滤波对介质透射系数进行估计，但该方法不能自适应 调整参数，容易产生光晕效应。也有学者使用主成分分析方法，解释了暗通道 先验的合理性，然后利用自适应维也纳滤波代替最小值滤波对场景透射率进行 估计；而且依据图像固有的边界约束，提出一种基于上下文正则加权的方法估 计场景透射率，该方法简单高效，但去雾后图像的天空区域易出现“块效应”， 视觉效果不自然。综上，目前主流算法需要先验知识或人为约束作为前提，在 大部分情况下能够取得理想去雾效果，但在一些复杂场景(如含大面积白色/天 空区域，或者雾浓度较大)失效，因此具有一定的场景局限性。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于局部区 域分割与SCN结合的图像去雾方法，去雾效果更明显、稳定性更强，具有较好 的场景通用性。

本发明采用如下技术方案：

一种基于局部区域分割与SCN结合的图像去雾方法，包括以下步骤：

步骤S1：采用基于信息熵率的超像素分割算法将有雾图像进行区域分块， 得到各区域分块图像；

步骤S2：利用SCN通过无监督学习方式获取各区域分块图像的雾特征，得 到各区域分块图像的雾特征图；

步骤S3：基于CNN模型通过有监督学习方式得到特征图与透射率图之间的 映射关系，得到各区域分块图像的场景透射率图；

步骤S4：采用超引导滤波方法对得到的场景透射率图进行滤波操作；

步骤S5：根据大气散射模型反演出无雾图像。

优选的，步骤S1中所述基于信息熵率的超像素分割算法具体为：