Ce document propose une méthode de désembuage d'images basée sur une estimation incorrecte de la luminosité atmosphérique et des problèmes de saturation des couleurs et de faible luminosité dans les zones lumineuses après le désembuage. Cette méthode utilise la segmentation des superpixels pour une segmentation plus fine des images embuées, regroupant les zones ayant des caractéristiques de profondeur similaires en tant que blocs de superpixels, remplaçant la fenêtre de filtrage fixe traditionnelle par un bloc de superpixels, supprimant efficacement les effets de bloc dans les zones de forte variation de gradient ; segmentation des zones lumineuses et sombres par seuillage adaptatif et utilisation d'une stratégie mixte de canal sombre pour améliorer la robustesse de l'algorithme de désembuage dans des scénarios différents ; construction d'un modèle d'estimation de la luminosité atmosphérique couplé à un canal sombre, et application d'un filtre guide pour améliorer la précision de l'estimation de la luminosité atmosphérique et la cohérence spatiale ; obtention d'images dépourvues de brouillard en inversant le modèle de diffusion de la lumière atmosphérique amélioré à l'aide d'un jeu de paramètres de diffusion de la lumière et de la luminosité. Les résultats de l'expérimentation simulée montrent que la méthode proposée atteint un PSNR de 26,815 sur l'ensemble de données OTS, atteint un SSIM de 0,576 sur l'ensemble de données O-HAZE, ne prend que 36,281 secondes pour traiter l'ensemble de données I-HAZE, et augmente en moyenne de 13% et 5% respectivement le PSNR et le SSIM. L'expérimentation montre que la méthode proposée améliore efficacement la saturation des couleurs et l'équilibre de luminosité des images restaurées, et tous les indicateurs d'évaluation objectifs et subjectifs dépassent les algorithmes de comparaison.

Désembuage d'images, fusion des canaux sombres et lumineux, segmentation de superpixels, modèle de diffusion atmosphérique, préconnaissance du canal sombre