Pour résoudre les problèmes d'estimation inexacte de la luminosité atmosphérique dans les méthodes de désenfumage d'images basées sur le prior du canal sombre, ainsi que la faible saturation des couleurs et la luminosité insuffisante dans les régions lumineuses après désenfumage, cet article propose une méthode de désenfumage basée sur la segmentation en superpixels et la fusion des canaux sombre et clair. Cette méthode utilise la segmentation en superpixels pour une division fine des images enfumées, regroupant les régions présentant des caractéristiques de profondeur similaires en blocs de superpixels, remplaçant les fenêtres de filtrage fixes traditionnelles, ce qui supprime efficacement l'effet de bloc dans les zones à changement brusque de gradient. Une segmentation adaptative par seuil permet de déterminer les zones lumineuses et sombres, et une stratégie mixte du canal sombre est adoptée pour améliorer la robustesse de l'algorithme de désenfumage dans différents scénarios. Un modèle d'estimation de la luminosité atmosphérique contraint conjointement par les canaux sombre et clair est construit, avec un filtrage guidé pour un raffinement, améliorant la précision et la cohérence spatiale de l'estimation. Sur la base de la transmissivité et des paramètres de luminosité atmosphérique optimisés, l'image désenfumée est obtenue par déduction inverse du modèle de diffusion atmosphérique. Les résultats expérimentaux montrent que la méthode proposée atteint un PSNR de 26,815 dB sur le jeu de données OTS, un SSIM de 0,576 sur O-HAZE, et un temps de traitement de seulement 36,281 s sur I-HAZE, avec des améliorations moyennes de 13% en PSNR et 5% en SSIM. La méthode améliore efficacement la saturation des couleurs et l'équilibre de la luminosité des images restaurées, avec des indices d'évaluation objectifs et subjectifs supérieurs à ceux des algorithmes comparés.

désenfumage d'images; fusion des canaux sombre et clair; segmentation en superpixels; modèle de diffusion atmosphérique; prior du canal sombre