图像处理之基于暗通道先验理论的图像去雾

那么我们通常所说的暗通道，即清晰无雾的图片中除天空区域（因为天空区域或者白色区域和雾的特征较为接近）外的任一局部区域像素至少有一个通道值很低，几乎趋近于零。那如何求暗通道呢，我们在上面的代码中已经做了详细的说明，便是先求每个像素在三个通道中的最小值，然后得到一张与原始图像大小一致的灰度图，然后再使用最小值滤波进行平滑处理，即在得到的灰度图中，以每一个像素为中心取一定大小的矩形窗口（本文为15x15），取矩形窗口中灰度值的最小值代替中心像素的值，从而得到原始图像对应的暗通道图像。（求暗通道过程中要计算两次最小值）

为了更加直观地展示暗通道图像，我们先看一下结果，即雾图和其对应的暗通道图：

为什么要计算暗通道呢，学界对于有雾图像的定义是这样的：

有雾图像=无雾图像*透射率+全球大气光成分（1-透射率）
现在要已知有雾图，求出无雾图
我们将J(x)写在等式左边，那么这个方程有无数解，因此，我们需要用一些先验知识来约束方程，将原式可以写作：

如上所述，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，定义它为 ~t(x)，并且A值已经给定，然后对式（4）两边求两次最小值运算，得到下式：

上式中，J是待求的无雾的图像，根据前述的暗原色先验理论有：

因此，可推导出：


这就是透射率 ~t(x) 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，因此，有必要在去雾的时候保留一定程度的雾，这可以通过在式中引入一个在[0,1]之间的因子，修正为：

本文中，double w = 0.75;

上述推论中都是假设全球大气光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。

到这一步，我们就可以进行无雾图像的恢复了。

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include<iostream>
#include<vector>
#include <algorithm>

using namespace cv;
using namespace std;


Mat darkChannel(Mat src)//求暗通道
{
   
	Mat rgbmin = Mat::zeros(src.rows, src.cols, CV_8UC1);
	Mat dark = Mat::zeros(src.rows, src.cols, CV_8UC1);
	Vec3b intensity;


	//找出每个点三通道中最小的通道，建立rgbmin图
	for (int m = 0; m < src.rows; m++)
	{
   
		for (int n = 0; n < src.cols; n++)
		{
   
			intensity = src.at<Vec3b>(m, n);
			rgbmin.at<uchar>(m, n) = min(min(intensity.val[0], intensity.val[1]), intensity.val[2]);
		}
	}

	//模板尺寸
	int scale = 7;
	//cout << "Please enter the mask scale: " << endl;
	//cin >> scale;

	//边界扩充
	int radius = (scale - 1) / 2;
	//border是填充后的图像
	Mat borde