[发明专利]一种滚动深度学习与Retinex理论结合的遥感图像雾霾去除方法

权利要求书

1.一种滚动式深度学习与Retinex理论相结合的图像雾霾消除方法，其特征在于，包括以下实现步骤：

步骤1：输入原始含雾霾的图像；

步骤2：基于DeHazeNet算法的图像雾霾去除滚动处理；

步骤2.1：设置滚动处理次数M以及峰值信噪比阈值δ；

步骤2.2：第一次去除处理

将原始含雾霾的图像作为输入，利用DeHazeNet算法来估计原始含雾霾的图像在大气雾霾模型中透射率参数，然后通过大气散射物理模型恢复出第一次处理后的无雾图像，并计算第一次处理后的无雾图像的峰值信噪比；

步骤2.3：第二次去除处理

将第一次处理后的无雾图像作为输入，利用DeHazeNet算法来估计第一次处理后的无雾图像在大气雾霾模型中透射率参数，然后通过大气散射物理模型恢复出第二次处理后的无雾图像，并计算第二次处理后的无雾图像的峰值信噪比；

步骤2.4：反复执行步骤2.3，若执行次数大于M，则终止滚动处理，开始执行步骤3：若执行次数小于M，则利用相邻两幅无雾图像的峰值信噪比值之差小于预定的峰值信噪比阈值δ，则终止滚动处理，开始执行步骤3：

步骤3：获得相对稳定的清晰图像；

若步骤2中任意获取的连续三幅无雾图像的峰值信噪比满足条件：

则认为第n-2次所获得图像就是相对稳定的清晰图像I_RSC；

若步骤2中所有无雾图像均无法满足以上条件，则返回步骤2.1重新设置滚动处理次数之后再次执行步骤2.3和步骤2.4；

步骤4：对相对稳定的清晰图像I_RSC进行饱和度和亮度均衡化增强处理；

步骤4.1：提取相对稳定的清晰图像I_RSC的R分量图像、G分量图像以及B分量图像；

步骤4.2：计算HSI图像的H、S和I分量图像；

步骤4.3：对S分量图像采用增强和直方图均衡化处理进行饱和度增强；

步骤4.4：对S分量图像进行均衡化处理进行亮度增强；

步骤4.5：最后把处理后的HSI图像再转换成RGB图像，得到饱和度和亮度均增强后的图像I_SI；

步骤5：用Retinex理论对相对稳定清晰图像I_RSC进行雾霾去除处理，得到图像I_R；

步骤6：将步骤4.5获得的图像I_SI和步骤5获得I_R进行融合处理，即可获得最终滤除雾霾的图像I_F。

2.根据权利要求1所述的滚动式深度学习与Retinex理论相结合的遥感图像雾霾消除方法，其特征在于：所述步骤1中所述的原始图像为多光谱遥感图像或者室外RGB图像。