基于改进MB-TaylorFormer的雾天图像清晰化方法

本发明公开了一种基于改进MB‑TaylorFormer网络的图像去雾与增强方法，主要解决现有去雾算法存在的细节丢失和对比度不足问题。本方法创新性地结合Retinex图像增强算法、增强型大气散射模型(EASM)和自适应伽马校正技术，通过三阶段处理提升图像视觉效果：首先在预处理阶段融合Retinex与EASM模型优化物理先验；其次在网络解码阶段引入非局部模块强化全局‑局部特征融合；最后通过优化的多头注意力机制实现多尺度特征增强。技术方案包括：(1)构建混合光照补偿模块，集成自适应伽马校正与Retinex理论；(2)设计特征金字塔非局部解码器，采用跨尺度注意力机制；(3)改进多头注意力计算方式，加入可学习尺度因子。实验数据表明，本方法在PSNR和SSIM指标上分别提升13%和11%，有效保持低照度区域的纹理细节，显著改善去雾图像的视觉质量。本发明适用于自动驾驶、遥感监测等计算机视觉应用场景。