技术摘要：
本发明公开了一种基于四叉树分解与非局部先验的单幅图像去雾方法，步骤包括：步骤1、利用图像采集设备，获取需要执行去雾处理的雾霾图像I(x)，采用四叉树分解方式，将雾霾图像I(x)分为不同的块；步骤2、基于非局部先验估计雾霾图像的粗糙透射率；步骤3、对步骤2得到的  全部
背景技术：
近年来，智能视觉系统的发展十分迅速，如智能车辆视觉导航系统、智能机器人视 觉系统等。视觉系统所采集的图像质量的好坏对系统工作的稳定性有着重要的影响，然而， 频发的雾霾天气导致户外智能设备获取到的图像质量降低，对系统的安全性和稳定性造成 了严重的负面影响。因此，复原清晰无雾的图像具有一定的实际应用价值。 当前对于雾霾图像处理的方法主要分为三类：基于图像增强，基于物理模型复原 以及基于机器学习的去雾方法。基于图像增强的方法不考虑雾霾天气下图像质量下降的本 质原因，仅通过对图像中人眼视觉感兴趣的部分进行增强来提高图像亮度和对比度，这类 方法容易产生过增强的现象，得到不自然的恢复图像。基于物理模型复原的方法通过研究 雾天图像降质的原因，建立图像退化的物理模型，利用模型逆向复原图像，得到了比较真实 良好的结果。基于机器学习的方法通过设计网络，训练大量有雾和相应的无雾图像来学习 权重参数，取得了令人满意的结果，是近年来去雾领域的主要发展趋势。 上述现有技术的方法大多基于局部像素块进行去雾，不仅存在噪声干扰问题，还 会产生块效应。
技术实现要素：
本发明的目的是提供一种基于四叉树分解与非局部先验的单幅图像去雾方法，解 决了现有技术不仅存在噪声干扰，还会产生块效应的问题。 本发明所采用的技术方案是，一种基于四叉树分解与非局部先验的单幅图像去雾 方法，按照以下步骤实施： 步骤1、利用图像采集设备，获取需要执行去雾处理的雾霾图像I(x)，采用四叉树 分解方式，将雾霾图像I(x)分为不同的块； 步骤2、基于非局部先验估计雾霾图像的粗糙透射率； 步骤3、对步骤2得到的粗糙透射率进行形态学闭合运算； 步骤4、使用平滑滤波得到精细透射率； 步骤5、根据大气散射模型恢复无雾图像。 本发明的有益效果是，包括以下方面： 1)采用四叉树分解和最小滤波处理来估计全局大气光，能够避免图像中最亮像素 点带来的不必要干扰，相比传统估计方法更加精细； 2)使用非局部先验去雾，不用将图像分为小块，可以有效避免局部先验假设进行 估计时，透射图像中较常出现的块效应以及块重叠的问题，估计的透射率图像更加精细准 确； 4 CN 111598788 A 说　明　书 2/4 页 3)利用k-medoids对雾霾图像当中的像素点进行聚类，避免了许多使用k-means或 KD-tree算法时会出现的问题，比如k-means对于异常值十分敏感，可能会产生严重扭曲的 数据分布，且对于数据样本的要求太高，需要所有数据样本都处在一个欧式空间中，容易对 有噪声的数据造成极大的误差。本发明使用的k-medoids算法是将集群中位于最中心的对 象作为参考点，而不是集群中的平均值，对噪声鲁棒性比较好； 4)采用了形态学闭运算和高斯平滑滤波估计透射率，替代传统方法中的导向滤波 或双边滤波，可以确保透射率在景深相同处的局部平滑性，且计算量小，运行速度较快，适 用于计算机视觉应用的前期预处理。 附图说明 图1是本发明方法的去雾过程流程示意图； 图2是本发明方法采用的透射率图像计算流程示意图； 图3是本发明方法采用四叉树分割图像算法的流程示意图。