基于暗通道去雾算法的实现与优化（二）opencv在pc上的实现

注：这一系列的文章是我大四时写的，现在回顾，发现当时的布局和公式实在是太难看了，读者可移步至这里查看舒服的排版github同步博客。

上一篇中，学习了何的论文中的去雾方法，这一篇中，我按照何的论文思路借助opencv 2.4.10 进行了实现，效果的确很好，就是耗时太多了，效果见下图：蓝色圆圈代表大气光值的取值点。

点我查看测试样例

突然发现上一篇中忘了介绍大气光值A的求解了，论文中是这样做的：

1.首先取暗通道图中最亮的千分之一的像素点。

2.根据这些像素点的位置在原图中搜索一个最亮的点，这个点的强度（intensity）就是我们要求的A啦。

论文作者何认为这样做的好处就是避免了原图中比较亮的物体作为A的值，比如图片中的白色的汽车，如果从原图中搜索最亮的点不一定能搜到真实的大气光值，可能是白色物体的反射光（感觉我说的好啰嗦）

开始本篇。。首先分享一下我在实现的过程中发现的几点：

1.大气光值A的解释，原论文中说那个最亮的点的强度就是我们要找的A，那么问题来了，最亮的点的强度是啥？大气光值A是一个值还是一个RGB三元组呢？

    可以肯定的是，A是RGB的一个三元组，RGB三个通道有各自的A，这一点可以从论文的公式中确认。

    那么搜索的时候，如何定义一个点的强度呢？这里，我采用的是求RGB的平均值。

2.透射率t(X)不是一个值，是一个同原图一样大小的矩阵，不同的位置有不同的透射率t

    在具体求解的时候我进行了一点点简化，即：直接把暗通道图输入，这样减少了一次最小值滤波的过程，而且对结果几乎没有影响的，小小的提速。

3.透射率图片的精细化

   这里我采用了别人写的引导滤波算法，这是一种边缘保持算法；实现的时候需要注意的是引导图需要实现归一化为0.0-1.0之间，因为t在0-1之间。

    附连接：http://blog.csdn.net/pi9nc/article/details/26592377 引导滤波算法

4.最后求J的时候注意设置0-255的门限，因为按照公式求时可能出现很大的值也可能有负值出现！！！（调了半天才发现J可能为负值啊亲！）

5.opencv中遍历图片，最好要用指针啊亲！使用at随机取元素 和使用指针取元素在我的测试中相差了0.5s呢。

6.网上流传的一个opencv的c++代码中，在计算暗通道的最小值滤波时把原图分成了若干个window，每一个window赋予相同的值，这显然是不符合论文公式的，希望大家不要被误导！！可能那个博主是想降低时间复杂度吧，但是那样的操作太粗糙了，违背了滤波的概念。

一 暗通道的计算

     我的想法是，先求出每个像素中最暗的那个通道值，最后再统一进行最小值滤波。minfliter是最小值滤波函数，大家自己实现一下就好啦。

 Mat Producedarkimg(Mat& I,int windowsize)
 {
      int min=255;
      Mat dark_img(I.rows,I.cols,CV_8UC1);
      int radius=(windowsize-1)/2;
      int nr= I.rows; // number of rows  
    int nl=I.cols;
      int b,g,r;
      if (I.isContinuous()) {
        nl = nr * nl;
        nr = 1;
     }
      for(int i=0;i<nr;i++)
     {
        const uchar* inData=I.ptr<uchar>(i);        
            uchar* outData=dark_img.ptr<uchar>(i);        
         for(int j=0;j<nl;j++)
         {
                  b=*inData++;
                  g=*inData++;
                  r=*inData++;
                  min=min>b?b:min;
                  min=min>g?g:min;
                  min=min>r?r:min;
                  *outData++=min;
                  min=255;
         }
     }
       dark_img=minfliter(dark_img,windowsize); 
       return dark_img;
 }

二   计算大气光值A(airlight)

输入：暗通道图，原图，窗口大小(必须奇数）

输出：大气光值A，一个包含三个元素的一维数组头

其中，Pixel是我定义的结构体，定义在下边

注意c++返回数组类型时，一定要用new为数组分配空间，不能用int A[3]={0,0,0};这种方式！！否则返回的数组可能会被释放掉！（别问我为什么知道这么多，都是我爬过的坑啊）

int* getatmospheric_light(Mat& darkimg,Mat& srcimg,int windowsize)
 {
      int radius=(windowsize-1)/2;
      int nr=darkimg.rows,nl=darkimg.cols;
      int darksize=nr*nl;
      int topsize=darksize/1000;
      int *A=new int[3];
      int sum[3]={0,0,0};
      Pixel *toppixels,*allpixels;
      toppixels=new Pixel[topsize];
      allpixels=new Pixel[darksize];


      for(int i=0;i<nr;i++){
           const uchar* outData=darkimg.ptr<uchar>(i);
           for(int j=0;j<nl;j++)
             {
                   allpixels[i*nl+j].value=*outData++;
                   allpixels[i*nl+j].x=i;
                   allpixels[i*nl+j].y=j;
              }
       }
      //std::qsort(allpixels,darksize,sizeof(Pixel),qcmp);
    std::sort(allpixels,allpixels+darksize,cmp);
   
      memcpy(toppixels,allpixels,(topsize)*sizeof(Pixel)); //找到了在darkimg中最亮的0.1%个

      int val0,val1,val2,avg,max=0,maxi,maxj,x,y;
      for(int i=0;i<topsize;i++)
      {
           x=allpixels[i].x;y=allpixels[i].y;
           const uchar* outData=srcimg.ptr<uchar>(x);
           outData+=3*y;
           val0=*outData++;
           val1=*outData++;
           val2=*outData++;
           avg=(val0+val1+val2)/3;
           if(max<avg){max=avg;maxi=x;maxj=y;}
        }
      for(int i=0;i<3;i++)
      {
            A[i]=srcimg.at<Vec3b>(maxi,maxj)[i];
            //A[i]=srcimg.at<Vec4b>(maxi,maxj)[i];
            //A[i]=A[i]>220?220:A[i];
       }
       return A;
   }

结构体：

typedef struct Pixel
{
	int x;
	int y;
	int value;
}Pixel;

三 计算透射图(transmission)并精细(refine)化

输入：原图，暗通道图，大气光值A，窗口大小

输出：透射图t

之所以需要暗通道图参数，是因为我进行了简化，使用暗通道图加速计算

最后的引导滤波使用原图的灰度图进行引导，具体实现参考上述链接。

Mat getTransmission_dark(Mat& srcimg,Mat& darkimg,int *array,int windowsize)
 {
	 float test;	 
	 float avg_A=(array[0]+array[1]+array[2])/3.0;
	 float w=0.95;
	 int radius=(windowsize-1)/2;
	 int nr=srcimg.rows,nl=srcimg.cols;
	 Mat transmission(nr,nl,CV_32FC1);

	for(int k=0;k<nr;k++){
		const uchar* inData=darkimg.ptr<uchar>(k);  
		for(int l=0;l<nl;l++)
		{
			transmission.at<float>(k,l)=1-w*(*inData++/avg_A);
		}
	}
	Mat trans(nr,nl,CV_32FC1);
	
	
	Mat graymat(nr,nl,CV_8UC1);
	Mat graymat_32F(nr,nl,CV_32FC1);
	cvtColor(srcimg,graymat, CV_BGR2GRAY);
	for(int i=0;i<nr;i++){
		const uchar* inData=graymat.ptr<uchar>(i);  
		for(int j=0;j<nl;j++)
			graymat_32F.at<float>(i,j)=*inData++/255.0;
	}
	guidedFilter(transmission,graymat_32F,trans,6*windowsize,0.001);
	//bilateralFilter(transmission,trans,10,30,100);
	//GaussianBlur(transmission,trans,Size(11,11),0,0);
	return trans;
 }

四 计算J(X)

输入：原图，透射图，大气光值，窗口

输出：去雾图

 Mat recover(Mat& srcimg,Mat& t,int *array,int windowsize)
 {
	 int test;
	 int radius=(windowsize-1)/2;
	 int nr=srcimg.rows,nl=srcimg.cols;
	 float tnow=t.at<float>(radius,radius);
	 float t0=0.1;
	 Mat finalimg=Mat::zeros(nr,nl,CV_8UC3);
	 int val=0;
	 for(int i=0;i<3;i++){
		 for(int k=radius;k<nr-radius;k++){
			 const float* inData=t.ptr<float>(k);  inData+=radius;
			 const uchar* srcData=srcimg.ptr<uchar>(k);  srcData+=radius*3+i;
			 uchar* outData=finalimg.ptr<uchar>(k);  outData+=radius*3+i;
			 for(int l=radius;l<nl-radius;l++)
			 {				 
				 tnow=*inData++;
				 tnow=tnow>t0?tnow:t0;
				 val=(int)((*srcData-array[i])/tnow+array[i]);	
				 srcData+=3;
				 val=val<0?0:val;
				 *outData=val>255?255:val;
				 outData+=3;
			 }
		 }

	 }
	 return finalimg;
 }

实例效果：

天安门的透射图（transmission）如下：可以看到效果的确很好，很精细，这就是使用原图像的灰度图就行引导的好处。

下一篇，介绍一下我的几点优化，主要是执行时间和透射图的优化。