图像去雾算法的原理、实现、效果

图像的去雾算法原理及实现：

本文主要是实现的是基于暗通道处理的去雾。有部分是看论文直接翻译而来，如有错误，欢迎评论区指出，当然您也可以直接阅读原文。

一、原理

暗通道先验解释：

说明：何凯明博士的论文中统计了5000多副图像的特征，证明了暗通道先验理论的普遍性，因此我们可以粗略的认为是一条定理。

先看什么是暗通道先验：

在绝大多数图像局部区域里，有一些像素总会有至少一个颜色通道具有很低的值，该区域光强度的最小值是个很小的数。暗通道的数学定义，对于任意的输入图像J，其暗通道可以用下式表达：

                                    

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。 

这个公式的意义用代码表达也很简单，就是求出每个像素RGB分量中的最小值，存入到一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定，一般有WindowSize = 2 * Radius + 1;          

暗通道先验的理论指出：

                                                     

这个可以自己去试一下的。

 有了这个先验，接着就需要进行一些数学方面的推导来最终解决问题。

在计算机视觉中，下述方程所描述的雾图形成模型被广泛使用：

                             

其中，I(X)就是我们现在已经有的图像（待去雾的图像），J(x)是我们要恢复出的无雾的图像，A是全球大气光成分， t(x)为透射率。现在的已知条件就是I(X)，要求目标值J(x),显然，这是个有无数解的方程，因此，就需要一些先验了。

将其稍作处理，变形为：

                                 

上标C表示R/G/B三个通道的意思。

首先假设在每一个窗口内透射率t(x)为常数，定义他为

，并且A值已经给定，然后两边求两次最小值运算，得到下式：

                                        

J是待求的无雾的图像，根据前述的暗原色先验理论有：

                                                 

   可得：

                                                                            

则透射率

的预估值：

                                                     

在现实生活中，即使是晴天白云，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，另外，雾的存在让人类感到景深的存在，有必要在去雾的时候保留一定程度的雾，这可以通过在上式中引入一个在[0,1] 之间的因子作为修正：

                                                            

所有的测试结果依赖于：  ω=0.95

1.求暗通道

//计算暗通道
//J^{dark}(x)=min( min( J^c(y) ) )
Mat DarkChannelPrior(Mat img)
{
	Mat dark = Mat::zeros(img.rows, img.cols, CV_32FC1);//新建一个所有元素为0的单通道的矩阵

	for (int i = 0; i<img.rows; i++)
	{
		for (int j = 0; j<img.cols; j++)
		{
			dark.at<float>(i, j) = min(
				min(img.at<Vec<float, 3>>(i, j)[0], img.at<Vec<float, 3>>(i, j)[1]),
				min(img.at<Vec<float, 3>>(i, j)[0], img.at<Vec<float, 3>>(i, j)[2])
				);//就是两个最小值的过程
		}
	}
	erode(dark, dark_out1, Mat::ones(_PriorSize, _PriorSize, CV_32FC1));
	//这个函数叫腐蚀 做的是窗口大小的模板运算 ,对应的是最小值滤波,即 黑色图像中的一块块的东西

	return dark_out1;//这里dark_out1用的是全局变量，因为在其它地方也要用到
}

2.A值计算：

上述推论中是假设全球达气光A值时已知的，在实际中，我们可以借助于暗通道图来从有雾图像中获取该值。

具体步骤如下：

    　1） 从暗通道图中按照亮度的大小取前0.1%的像素。

          2） 在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。

3.计算预估的透射率图

　　在

式中，每个通道的数据都需要除以对应的A值，即归一化，对对比度低的图像可以获得很好的去雾高对比度图。但是/A操作可能会导致t的值小于0，这种情况就可以把t的值直接设置为0来解决。

       针对上面说的，要值得一提的是，严格的来说是要对原始图像的每个通道进行归一化后，再取每个通道R/G/B值的最小值得到中间图，然后对这个中间图进行指定半径的最小值滤波后，通过

式得到粗糙的透射率图。那么这样就需要增加不少计算，我在实际中发现如果直接用前面的暗通道图/A进行操作，两者的效果区别不明显，因此，可用这种简便的方式。

      到这一步，我们就可以进行无雾图像的恢复了。由式可知：  J = ( I - A)/t + A  

     现在I,A,t都已经求得了，因此，完全可以进行J的计算。

     当投射图t 的值很小时，会导致J的值偏大，从而使淂图像整体向白场过度，因此一般可设置一阈值T0，当t值小于T0时，令t=T0，本文中所有效果图均以T0=0.1为标准计算。

     因此，最终的恢复公式如下：

                                              

去雾的效果：

原图：

去雾后：

二、各参数对去雾结果的影响

第一：窗口的大小。这个对结果来说是个关键的参数，窗口越大，其包含暗通道的概率越大，暗通道也就越黑。建议是窗口大小在11-51之间，即半径在5-25之间。

第二：ω也有着明显的意义，其值越小，去雾效果越不明显。

三、代码

小博的环境是vs2017+opencv3.40：

实现代码：     https://download.csdn.net/download/m0_37407756/33494088