Um die Probleme ungenauer Schätzung des atmosphärischen Lichts in bildentnebelungsmethoden basierend auf der Dunkelkanalannahme sowie niedriger Farbsättigung und dunkler Helligkeit in hellen Bereichen nach der Entnebelung zu adressieren, wird in diesem Artikel eine Methode zur Bildentnebelung vorgestellt, die auf Superpixel-Segmentierung und Fusion von dunklen und hellen Kanälen basiert. Die Methode nutzt Superpixel-Segmentierung zur feinen Gliederung von nebligen Bildern, bei der Bereiche mit ähnlichen Tiefenmerkmalen zu Superpixel-Blöcken gruppiert werden. Diese ersetzen herkömmliche feste Filterfenster und unterdrücken effektiv Blockartefakte in Bereichen mit plötzlichen Gradientenänderungen. Adaptive Schwellenwert-Segmentierung bestimmt helle und dunkle Bereiche, wobei eine gemischte Dunkelkanalstrategie die Robustheit des Entnebelungsalgorithmus in verschiedenen Szenarien erhöht. Ein gemeinsames Beschränkungsmodell für die atmosphärische Lichtabschätzung basierend auf dunklen und hellen Kanälen wird erstellt und mit geführter Filterung verfeinert, was die Genauigkeit und räumliche Konsistenz der Abschätzung verbessert. Basierend auf der optimierten Transmission und den atmosphärischen Lichtparametern wird das nebelbefreite Bild durch inverse Herleitung des atmosphärischen Streumodells erhalten. Simulationsergebnisse zeigen, dass die vorgeschlagene Methode auf dem OTS-Datensatz einen PSNR von 26,815 dB, auf dem O-HAZE-Datensatz einen SSIM von 0,576 und auf dem I-HAZE-Datensatz eine Verarbeitungszeit von nur 36,281 s erreicht, mit durchschnittlichen Verbesserungen von 13% bzw. 5% bei PSNR und SSIM. Die Methode verbessert effektiv die Farbsättigung und Helligkeitsbalance der rekonstruierten Bilder, und sowohl objektive als auch subjektive Bewertungsmetriken übertreffen vergleichbare Algorithmen.

Bildentnebelung; Fusion von dunklen und hellen Kanälen; Superpixel-Segmentierung; atmosphärisches Streumodell; Dunkelkanalannahme