暗通道先验去雾算法

置顶 Jerry-Shao

已于 2024-05-03 11:19:35 修改

阅读量6.3k

点赞数 98

文章标签：图像处理算法

于 2024-04-24 21:39:59 首次发布

本文链接：https://blog.csdn.net/2401_83923628/article/details/138169052

版权

引言

暗通道先验去雾算法是计算机视觉领域何恺明大佬于2009年提出的图像去雾经典算法，并获取当年CVPR最佳论文。论文题目为《Single Image Haze Removal Using Dark Channel Prior》。暗通道去雾算法基于暗通道原理用于消除图像雾霾，通过估计大气光强度和像素点之间的距离关系，来推断出图像中的雾霾信息，并使用这些信息来消除图像中的雾霾，可以显著改善图像的视觉效果，使其更加清晰、明亮。

1.原理介绍

暗通道去雾算法的核心思想是利用大气对光线散射的特性，具体来说，该算法首先假设在无雾情况下，像素点之间的距离越远，大气光强度越低。可以通过分析像素点之间的距离和大气光强度之间的关系，来估计大气光的强度。一旦获得了大气光的强度，就可以使用该信息来消除图像中的雾霾。传统的去雾算法通常会通过查找像素点周围的相似区域，并将这些区域的色彩分布进行插值，以得到清晰、明亮的图像。然而，这种方法往往会引入噪声和伪影，影响图像质量。暗通道去雾算法通过使用大气光强度信息，可以更准确地估计出图像中的实际场景，从而得到更加真实、自然的去雾效果。

透射率：在图像去雾中，透射率表示由于大气散射而引起的光线衰减程度。它描述了光线在穿过大气层时的损失程度，透射率越低表示图像中的物体对光线的吸收和散射越少，即图像越清晰。透射率通常用一个介于 0 和 1 之间的值来表示，其中 0 表示完全不透明，1 表示完全透明；大气光：大气光是指由于大气中的颗粒对光线的散射而产生的明亮背景光。这种背景光会导致图像中的远处物体呈现较亮的外观。在去雾算法中，大气光通常被视为场景中最明亮的像素值。

2.何凯明去雾论文思想的简单描述

2.1 暗通道先验理论内容

在大多数非天空区域，至少有一个通道的像素值是很低的并且接近于0，并且在一个小的区域内最小的像素强度也接近于0.

暗通道先验定义的数学公式：

公式中Jc表示彩色图像的每个通道，Ω(x)表示以像素X为中心的一个窗口。首先求出每个像素RGB分量中的最小值，之后利用opencv的腐蚀操作求出以每个像素为中心的一个窗口的最小值，一般有WindowSize = 2 * Radius + 1。

2.2 暗通道先验的理论依据

低强度的像素值通常由于以下几个方面造成：首先是现实世界中物体的阴影，因为阴影本身具有较低的光强度。其次是色彩鲜艳的物体或表面，它们在 RGB 通道中的某些通道上具有较低的值，因此在图像中呈现较暗的颜色，比如灰暗色的树干和石头等。总的来说，自然景物中到处都存在阴影或色彩丰富的物体，这些因素都会导致图像的暗通道具有较低的像素值，呈现出灰暗的色调。

获取暗通道图像算法代码：

import cv2
import numpy as np

def dark_channel_prior(image, kernel_size=15):
    # 分割图像通道
    b, g, r = cv2.split(image)
    # 计算三个通道中的最小值
    min_channel = cv2.min(cv2.min(r, g), b)
    # 使用指定大小的矩形卷积核进行腐蚀操作
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_size, kernel_size))
    dark_channel = cv2.erode(min_channel, kernel)
    return dark_channel

# 读取图像
image = cv2.imread("4.jpg")

# 计算暗通道
dark_channel = dark_channel_prior(image)

# 显示结果
cv2.imshow('Dark Channel', dark_channel)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果呈现图：

3.去雾算法流程

1.估计图像透射率和大气光：提供了有关图像中光线衰减和背景光的重要信息，帮助去除大气散射并恢复图像的清晰度和真实感。

2.去雾处理：根据透射率和大气光，对图像中的每个像素进行修复，以减轻由于大气散射引起的光线衰减效应。可以在处理过程中对图像进行进一步的优化，以提高图像的质量和真实感。

3.评估去雾效果：使用PSNR（峰值信噪比）图像质量评估指标，评估去雾后图像与原始图像之间的相似度和质量。

去雾效果图展示：

暗通道先验去雾算法代码：

import cv2
import numpy as np
from skimage.metrics import peak_signal_noise_ratio as psnr

# 计算每个通道中的最小值，输入Image图像，输出最小值img_min
def min_channel(img):
    dst_channel = np.min(img, 2)
    return dst_channel
def min_filter(image, r):  #暗通道

# 最小值滤波，输入最小值图像，在2*r+1的矩形窗口内寻找最小
    return cv2.erode(image, np.ones((2 * r + 1, 2 * r + 1)))

#引导滤波
#I=img_arr归一化  引导图像 
# p=img_mim每个通道最小值 输入图像
def guided_filter(I, p, r, eps):  # (引导I 原图p)
    m_I = cv2.boxFilter(I, -1, (r, r))
    m_p = cv2.boxFilter(p, -1, (r, r))
    m_Ip = cv2.boxFilter(I * p, -1, (r, r))
    cov_Ip = m_Ip - m_I * m_p

    m_II = cv2.boxFilter(I * I, -1, (r, r))
    var_I = m_II - m_I * m_I

    a = cov_Ip / (var_I + eps)
    b = m_p - a * m_I

    m_a = cv2.boxFilter(a, -1, (r, r))
    m_b = cv2.boxFilter(b, -1, (r, r))
    q = m_a * I + m_b
    return q
def select_bright(Image, img_origin, w, t0, V):

# 计算大气光A和折射图t
# 输入：Image最小值图像，img_origion原图，w是t之前的修正参数，t0阈值，V导向滤波结果
rows, cols = Image.shape
size = rows * cols

# h,w,d=img.shape,size=h*w*d,b=img.reshape(size)
    order = [0 for i in range(size)]  # order=np.zeros(size)
    m = 0  # map0=Image.reshape(1,-1)[0]   map1=map0.sort() map2=map1[::-1]
    for t in range(0, rows):
        for j in range(0, cols):
            order[m] = Image[t][j]
            m = m + 1
    order.sort(reverse=True)
    index = int(size * 0.001)  # 从暗通道中选取亮度最大的前0.1%
    mid = order[index]
    A = 0
    img_hsv = cv2.cvtColor(img_origin, cv2.COLOR_RGB2HLS)
    for i in range(0, rows):
        for j in range(0, cols):
            if Image[i][j] > mid and img_hsv[i][j][1] > A:
                A = img_hsv[i][j][1]
    V = V * w
    t = 1 - V / A
    t = np.maximum(t, t0)
    return t, A
def repair(Image, t, A):
    rows, cols = Image.shape[:2]
    J = np.zeros(Image.shape)
    for i in range(0, rows):
        for j in range(0, cols):
            t[i][j] = t[i][j] - 0.35
            J[i][j] = (Image[i][j] - A / 255.0) / t[i][j] + A / 255.0
return J

img = cv2.imread(r'F:\desktop\fig\123.png', 1)  # 修改路径即可

# 归一化图像
img_arr = img.astype(float) / 255.0

# 计算暗通道
img_min = min_channel(img_arr)
img_dark = min_filter(img_min, 1)
img_guided = guided_filter(img_min, img_dark, 75, 0.001)
t, A = select_bright(img_dark, img, 0.95, 0.1, img_guided)

# 评估
# 加载原始图像
if img is None:
    print("错误：无法加载原始图像。")
    exit()

# 进行去雾处理
dehazed_image = repair(img_arr, t, A)
if dehazed_image is None:
    print("错误：图像处理失败。")
    exit()

# 计算 PSNR
dehazed_image_uint8 = (dehazed_image * 255).astype(np.uint8)
psnr_value = psnr(img, dehazed_image_uint8)

# 输出 PSNR
print("PSNR:", psnr_value)

# 显示原始图像
cv2.imshow('Original', img)
cv2.waitKey(0)  # 等待用户按下任意键继续

# 显示暗通道图像
cv2.imshow('Dark Channel', img_dark)
cv2.waitKey(0)  # 等待用户按下任意键继续

# 显示去雾后的图像
cv2.imshow('Dehazed Image', dehazed_image)
cv2.waitKey(0)  # 等待用户按下任意键继续

# 释放窗口
cv2.destroyAllWindows()

本文由湖南省“双一流”应用特色学科的“模式识别与质量状态监控”实验室出品。