[发明专利]基于多尺度细节优化的MSRCR图像去雾算法

权利要求书

1.基于多尺度细节优化的MSRCR图像去雾算法，其特征在于：包括以下步骤：

步骤一：通过MSRCR算法进行图像整体去雾，得到整体去雾的图像，在去雾过程的像素分类上使用KNN算法进行像素快速分类；

步骤二：通过双边滤波对整体去雾的图像进行处理，消除图像的噪声，保留边缘信息得到整体降噪去雾的RGB图像；

步骤三：对RGB图像使用MsDB进行细节优化得到细节优化的去雾图像。

2.根据权利要求1所述的基于多尺度细节优化的MSRCR图像去雾算法，其特征在于：所述通过MSRCR算法进行图像整体去雾，得到整体去雾的图像，在去雾过程的像素分类上使用KNN算法进行像素快速分类包括以下步骤：

MSRCR算法的表达公式如下所示：

其中，k是尺度的个数；ω_i为第i个尺度的加权系数，S_i(x，y)是待处理的原始图像，F_i(x，y)是高斯卷积函数，*表示滤波操作；

其中对于ω_i加权系数需要满足K个加权系数和为1的条件，其计算公式如下式所示：

高斯卷积函数F_i(x，y)用于对去雾过程中滤波提供相应标准，采用高斯公式进行计算，其计算公式如下式所示：

其中，c是高斯环绕尺度，β是一个尺度系数常量，i是高斯环绕函数的总数，在平衡增强效果与处理速度情况下，选取i值为3，代表将图像分为大中小三个尺度；

KNN分类算法采用欧氏距离公式得到待处理点最近的K个像素点，然后进行快速分类，其计算公式如下式所示：

第一次KNN算法分类，通过计算隶属度函数确定滤波模板中的像素点是否滤波，在计算过程中需要计算相似度s₁，其计算如下式所示：

s₁＝grey/aver；

其中，grey是某近邻点的灰度值，aver是由欧氏距离找到的K个近邻点的平均像素值；

得到相似度s₁后，计算隶属度函数μ₁，其计算如下式所示：

其中，a是一个相似性度量标准，a＝0.3；

第二次KNN算法分类后，通过计算隶属度函数判断模板中心是否需要滤波，在计算过程中需要计算相似度s₂，公式如下式所示：

s₂＝filter/origin；

其中，filter是进行滤波后的像素值，origin是图像的原始像素值；

得到相似度s₂后，计算隶属度函数μ₂，其计算如下式所示：

其中，a是一个相似性度量标准，a＝0.3；

不断循环，直至无滤波操作为止，得到三个处理后的颜色通道然后使用色彩恢复因子C进行色彩修正，其计算过程如下式所示：

其中，C_i(x，y)是第i个通道的彩色恢复系数，而色彩回复系数计算如下式所示：

其中，K是图像波段的总数，I_i是图像在第i个波段的像元值。

3.根据权利要求1所述的基于多尺度细节优化的MSRCR图像去雾算法，其特征在于：所述双边滤波的计算公式如下所示：

其中，f(x₁，y₁)表示需要处理的图像，f(x₂，y₂)表示图像在点(x₂，y₂)处的像素值，(k，l)表示模板窗口的中心坐标，(i，j)表示模板窗口的其他系数的坐标，σ表示高斯函数的标准差。

4.根据权利要求1所述的基于多尺度细节优化的MSRCR图像去雾算法，其特征在于：所述对RGB图像使用MsDB进行细节优化得到细节优化的去雾图像包括以下步骤：

首先选取低、中、高三个模糊尺度对图像处理，得到三个不同模糊的图像B₁、B₂和B₃，其计算如下式所示：

B₁＝G₁*I，B₂＝G₂*I，B₃＝G₃*I；

其中，*表示滤波操作，G₁、G₂、G₃分别表示高中低三个尺度的高斯核，高尺度的高斯核标准差的值σ₁＝1.0，中尺度的高斯核标准差的值σ₂＝2.0，低尺度的高斯核标准差的值σ₃＝4.0，I表示原图像；

高斯滤波是由两个标准差σ相同的一维高斯进行乘积所得，其计算如下式所示：

其中，高斯核表示与中心距离负相关的权重，σ表示周围像素对模板中心的影响程度，σ越大，周围像素对模板中心的影响越大，滤波出来的图片越平滑；

经高斯率滤波运算后得到三个不同模糊程度的图像，再对三个图像做差值运算从而得到特征差，计算如下式所示：

D₁＝I-B₁，D₂＝B₁-B₂，D₃＝B₂-B₃；

其中，D₁代表精准细节，由原图像I与B₁做差得到；D₂表示中间细节，是B₁与B₂做差得到；D₃表示粗略细节，是B₂与B₃做差得到；

利用加权的方式进行计算，得到最后的细节优化图D，计算如下式所示：

D＝(1-ω₁×sgn(D₁))×D₁+ω₂×D₂+ω₃×D₃；

其中，ω₁＝0.5，ω₂＝0.5，ω₃＝0.25。