Multi-branch non-homogeneous image dehazing based on concentration partitioning and image fusion

目的目前的去雾算法已能够较好地处理均质的薄雾图像，但针对雾霾浓度不同的非均质雾霾图像往往具有较低的去雾性能。为此，提出了结合浓度划分与图像融合的多分支非均质图像去雾算法。方法本文将单幅非均质雾霾图像视为由多个具有均质薄雾或者均质浓雾的局部区域组成，通过分别解决单幅非均质雾图中的不同均质雾霾区域来进行整幅非均质图像去雾。首先在不同均质雾霾浓度的去雾数据集上训练了多个图像增强网络，以得到针对不同均质雾霾浓度的图像增强模型，它们对于相应雾霾浓度的图像区域具有较好的增强性能。由于单个图像增强模型只能较好地增强一幅非均质雾霾图像中具有对应雾霾浓度的图像区域，但对其他不同雾霾浓度的图像区域可能存在去雾力度不足或者过度增强的现象，本文又设计了一个图像融合网络，将多个初始图像增强结果中的优势区域进行融合，得到最终的图像去雾结果。结果大量的实验结果显示，在合成雾霾数据集FiveK-Haze上，本文算法与排名第2的SCAN（self-paced semi-curricular attention network）方法相比在峰值信噪比（peak signal-to-noise ratio，PSNR）和结构相似性（structural similarity index，SSIM）有参考指标上分别提高了5.286 6 dB和0.113 8。在真实雾霾数据集Real-World上，本文算法与排名第2的DEAN（detail-enhanced convolution and content-guided attention network）方法相比，在FADE（fog aware density evaluator）和HazDes无参考指标上分别降低了0.079 3和0.051 2。在室内合成测试数据集SOTS-indoor（synthetic objective testing set）上，本文算法的PSNR和SSIM指标比排名第2的DeFormer方法分别提高了2.518 2 dB和0.012 3。在室外合成测试数据集SOTS-outdoor上，本文算法在PSNR指标上比排名第2的SGID-PFF（self-guided image dehazing using progressive feature fusion）方法提高了2.832 dB，在SSIM指标上比排名第2的DeFormer方法提高了0.023 8。结论与已有的单幅图像去雾方法相比，本文算法能够有效增强非均质雾霾图像，具有更高的鲁棒性，展现出较好的性能指标。