[发明专利]一种改进的MSCNN水下图像去雾方法

说明书

本发明提出了一种改进的MSCNN水下图像去雾方法，是先对有雾图像进行基于Retinex和CLAHE的处理均匀图片的光照，再将处理后的图像进行白平衡校正、对比度增强等预处理，之后将图像输入训练好的MSCNN模型中估算出图像的透射率，同时使用暗通道先验的方法得到背景光强，最终得到去雾后图像；本发明结合了Retinex和CLAHE对水下图像进行亮度均衡及对比度提升，使该方法针对水下环境低照度、光照不均匀且瑞利散射现象明显等复杂情况更具优势，解决了现有技术中对非均匀光照水下图像复原过程中容易产生光晕及过曝的情况；相比较现有方法，该方法在水下图像去雾效果上有了很大的提升，各项客观评价指标均有提高。

技术领域

本发明属于图像处理技术领域，具体涉及一种改进的MSCNN水下图像去雾方法。

背景技术

水下图像是水下信息的重要载体和呈现方式，对海洋资源的探索、开发、利用具有至关 重要的作用。然而，由于客观成像环境和设备的限制，水下图像质量总是差强人意，具有对 比度低、细节模糊、颜色偏差等退化现象，严重制约相关领域的发展。因此，如何通过后期 算法对退化的水下图像进行增强和复原越来越受到学者们的关注。近些年，随着深度学习技 术的快速发展，基于深度学习的水下图像增强与复原技术取得了巨大进展。

近些年，在机器学习的热潮中，涌现了很多使用机器学习技术进行图像去雾的算法。Tang 等人系统地研究了在一个学习框架中不同的与雾霆相关的特征，以确定最佳的图像去雾的特 征组合，使用随机森林从多种先验特征中回归得到有雾图像的大气透射率，进而恢复出清晰 的图像。Levin等人提出的使用合成方法来生成训练数据也对后面的很多基于机器学习的方 法成为可能。Zhu等人提出使用颜色衰减先验从输入的有雾图像中进行去雾，通过建立一种 线性模型来对这种新先验下的模糊图像的场景深度进行建模，并采用监督学习的方法来学习 模型的参数，可以很好地恢复深度信息。基于机器学习的图像算法在传统算法的基础上提升 了很大的效果，但是相比于图像超分辨率等图像重建任务，单幅图像去雾在主观评价和客观 评价上均有很大的进步空间，仍存在很多问题未进行优化解决。

从大气散射模型可以看出，主动光照明情况下图像去雾的关键在于正确的求解大气光和 透射率值，而利用深度学习的方法进行图像去雾能够达到较为理想的效果，但是由于该类方 法的带雾的训练数据集是由人工合成的，因此网络拟合出的模型与真实场景存在一定的差距， 同时损失函数采用的是均方误差的形式，也就意味着网络仅仅能减少图像整体的像素值差异， 并不能保证去雾后的图像和有雾图像的整体区域的相似性，因此基于深度学习的方法存在难 以训练，去雾效果严重依赖训练数据集的质量的缺点，同时传统方法如Retinex方法无法获 得对存在大面积的天空区域的图像有效的处理效果，对透射率的估计值偏低等缺点。

发明内容

有鉴于此，本发明的目的是提供一种改进的MSCNN水下图像去雾方法，可以有效提升去 雾效果。

一种图像去雾算法，包括如下步骤：

步骤1、提取图像的R,G,B三通道，进行归一化处理，分别再用CLAHE算法进行处理，然后再把处理后的三通道图像合成一幅图像；

步骤2、提取图像的R,G,B三通道，分别用Retinex算法中的MSRCR算法处理三通道图 像，然后再把处理之后的三通道图像合成一幅图像；

步骤3、把步骤1和步骤2处理后的图像，进行加权融合，得到融合后图像，设为图像D；

步骤4、将图像D进行预处理；

步骤5、训练MSCNN网络，然后将处理后的图像D导入训练好的MSCNN模型中估算出其 透射率t(x)；

步骤6、使用暗通道先验的方法对图像D进行最大光照值的估算，得到背景光值C；

步骤7、代入公式I(x)＝J(x)t(x)+C[1-t(x)]，恢复出无雾图像I(x)。