[发明专利]一种应用于海洋雾天环境下的单图像去雾方法

说明书

本发明涉及一种应用于海洋雾天环境下的单图像去雾方法，具体包括以下步骤：一、将原始海雾图像分别用改进暗通道先验算法和经典的颜色衰减先验算法处理得到两个传输图并设置权重融合参数来融合两个传输图的非天空区域和天空区域，构建了一个加权变分正则化模型，对融合后的传输图进行细化；二、采用改进暗通道先验算法与亮通道先验算法对原始海雾图像的大气光值进行估算，并融合两个算法估算得到的大气光值；三、根据优化传输图以及优化大气光值并通过大气散射模型恢复无雾图像。本发明结合暗通道和亮通道的优点，提出用局部大气光值代替全局大气光，使估算的大气光能更好地反映真实的海洋环境从而达到更好的图像去雾效果。

技术领域

本发明属于图像增强处理技术，具体涉及一种应用于海洋雾天环境下的单图像去雾方法。

背景技术

随着海洋资源开发的迅速发展，水运运输已受到世界各国的高度重视。水运视觉系统是海洋探测和障碍物识别的关键部分。利用机器视觉技术进行船舶识别和航线规划，可以有效提高港口货物运输的效率。然而，由于海洋气候变化，特别是海上雾天气，可见光相机采集的图像出现退化，严重影响图像的视觉信息，对海洋视觉识别和检测产生巨大影响。

近年来，人们提出了许多有效的单图像去雾算法。不可否认，这些去雾算法在针对陆地有雾图像的去除上都取得了较好的效果，但针对海雾图像的去雾算法却少有研究。与陆地有雾图像相比，海雾图像有更大面积的天空区域，并且通常含有浓雾。同时，海雾图像在RGB三个通道上有较大的像素值。因此，用大多数陆地去雾算法来提高海雾图像的可见性是困难的。大多数去雾算法的直接应用都会导致处理后的图像出现光晕效应、颜色失真和边缘退化等问题。

随着深度学习的快速发展，许多研究者将卷积神经网络(CNN)及其改进的结构应用于图像去雾。例如使用DehazingNet和多尺度CNN来估计传输图，以及采用AOD-Net和FEED-Net结构，不单独估算传输图和大气光，采用端到端设计，通过轻量级CNN直接生成清晰的图像。虽然这些深度学习网络能够产生较好的去雾效果，但是网络的训练时间较长，而且训练结果需要大量的样本数据，现有的训练去雾数据集大多是利用物理模型合成的，这将导致训练出来的模型运用到真实有雾图像上往往达不到预期效果，图像的去雾效果并不比一些传统算法好。此外，本文研究的海洋背景下的有雾图像数据集比陆地有雾数据集更难以获取。

因此，为提高海上恶劣天气下的目标识别，设计一种有效、快速、准确，且针对海雾图像的去雾算法，这一课题的研究具有重大的现实意义。

发明内容

为达到上述目的，本发明提供了另一种应用于海洋雾天环境下的单图像去雾方法，具体包括以下内容：

S1：获得优化传输图t_final，具体包含以下步骤：

S11：粗糙传输图的获取：将原始海雾图像I(x)分别用改进暗通道先验算法和颜色衰减先验算法处理得到第一粗糙传输图t₁(x)和第二粗糙传输图t₂(x)；

S12：粗糙传输图的融合：设置权重融合参数来融合第一粗糙传输图t₁(x)的非天空区域和第二粗糙传输图t₂(x)的天空区域，得到权重融合后的粗糙传输图

S13：对融合后的粗糙传输图细化：构建了一个加权变分正则化模型，对权重融合后得到的粗糙传输图进行细化得到优化传输图t_final；

S2：获得优化大气光值A(x)：采用改进暗通道先验算法与亮通道先验算法对原始海雾图像I(x)的大气光值进行估算，并融合两个算法估算得到优化大气光值；

S3：复原为清晰图像：根据S1步骤获得的优化传输图t_final以及S2步骤获得优化大气光值A(x)并通过大气散射模型恢复无雾图像。