暗通道理论详解及的Python实现

最新推荐文章于 2024-07-29 16:00:43 发布

叫我李先生

最新推荐文章于 2024-07-29 16:00:43 发布

阅读量5.9k

点赞数 9

分类专栏： Python及算法实现

本文链接：https://blog.csdn.net/qq_40216084/article/details/103819818

版权

Python及算法实现专栏收录该内容

2 篇文章 2 订阅

订阅专栏

本文参靠何凯明博士,暗通道理论论文及网上大量代码.
暗通道原理可参考博文:

白马负金羁: 链接:https://blog.csdn.net/baimafujinji/article/details/27206237
和蔼的zhxing:链接：https://www.jianshu.com/p/df9c963a392a

暗通道
所谓暗通道是一个基本假设，这个假设认为，在绝大多数的非天空的局部区域中，某一些像素总会有至少一个颜色通道具有很低的值。这个其实很容易理解，实际生活中造成这个假设的原因有很多，比如汽车，建筑物或者城市中的阴影，或者说色彩鲜艳的物体或表面(比如绿色的树叶，各种鲜艳的花，或者蓝色绿色的睡眠)，颜色较暗的物体或者表面，这些景物的暗通道总是变现为比较暗的状态。
所以暗通道是什么呢？其实比较简单，作者认为暗通道是：

在这里插入图片描述
暗通道先验指出:

暗通道实际上是在rgb三个通道中取最小值组成灰度图，然后再进行一个最小值滤波得到的。如下程序演示效果:


from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from skimage.morphology import disk  #生成扁平的盘状结构元素，其主要参数是生成圆盘的半径
import skimage.filters.rank as sfr

def min_box(image,kernel_size=15):
    min_image = sfr.minimum(image,disk(kernel_size))  #skimage.filters.rank.minimum()返回图像的局部最小值

    return min_image

def calculate_dark(image):
    if not isinstance(image,np.ndarray):
        raise ValueError("input image is not numpy type")  #手动抛出异常
    dark = np.minimum(image[:,:,0],image[:,:,1],image[:,:,2]).astype(np.float32) #取三个通道的最小值来获取暗通道
    dark = min_box(dark,kernel_size=15)
    return dark/255

haze = np.array(Image.open("/path/1118.jpg"))[:,:,0:3]/255
clear = np.array(Image.open("/path/clear.png"))[:,:,0:3]/255
dark_haze = calculate_dark(haze)
dark_clear = calculate_dark(clear)


plt.figure()
plt.subplot(2,2,1)
plt.imshow(haze)

plt.subplot(2,2,2)
plt.imshow(dark_haze,cmap="gray")

plt.subplot(2,2,3)
plt.imshow(clear)

plt.subplot(2,2,4)
plt.imshow(dark_clear,cmap="gray")

plt.show()

以上程序基于Python3实现,运行效果如图所示:
伤民部分在这里插入图片描述
上面部分为有雾图像,右边是该图像的暗通道分布.下面时无雾图像,右边是其暗通道分布.
可以发现，有雾的时候会呈现一定的灰色，而无雾的时候咋会呈现大量的黑色（像素为接近0），作者统计了5000多副图像的特征，基本都符合这样一条先验定理。

雾图模型
计算机视觉中，下面这个雾图形成模型是被广泛使用的：

其中I(x)是现有的图像（待去雾），J(x)是要恢复的原无雾图像，A是全球大气光成分，t(x)是透射率，现在的条件就是已知I(x)，来求J(x),显然不加任何限制的话是有无穷多个解的。
但是现实生活中，即使是晴天白云，空气中也会存在一些颗粒，看远方的物体还是能够感觉到雾的影响，另外，雾的存在可以让人们感觉到景深的存在，所以我们保留一部分的雾，上式修正为：其中w是[0-1]之间的一个值，一般取0.95差不多。

在这里插入图片描述
上面的推导都是假设全球大气光是已知的，实际中，我们可以借助暗通道图来从有雾图像中来获取该值：

 1.从暗通道图中按照亮度大小取前0.1%的像素。
 2.在这些位置中，在原始图像中寻找对应具有最高亮度点的值，作为A值。

之后,我们就可以进行有雾图像的恢复了:
在这里插入图片描述
当投射图t很小时，会导致J的值偏大，会导致图片某些地方过爆，所以一般可以设置一个阈值来限制，我们设置一个阈值：一般设置较小，0.1即可。

但是这个去雾效果还是挺粗糙的，主要原因是由于透射率图过于粗糙了，何凯明在文章中提出了soft matting方法，然后其缺点是速度特别慢，不适用在实时场合，2011年，又提出可以使用导向滤波的方式来获得更细腻的结果，这个方法的运算主要集中在方框滤波（均值滤波），而这种操作在opencv或者其他的图像库中都有快速算法。可以考虑使用。

我的实现效果如下所示:
先上论文原图效果演示:
在这里插入图片描述
网上随机找的图片进行测试效果如下:
这幅时开车时拍的雨天,蓝色区域时挡风玻璃贴的膜,算法略微有改动,使远处天空区域失真效果减弱了!

原算法1,不可去除大片白色区域的图片.2,不可去除大片天空区域.3,对于处理结果会有失真现象.接近天空部分区域会出现过曝.4,使用soft matiing方法使算法速度慢,所以后来改进为引导滤波算法获得透射率图像,这个后面我会再出一篇博客进行讲解.至此,看过原论文的大概基本都理解了!以上效果是改进一些参数后得到的图像.

公式推导建议自己推一遍,该算法基本原理来源于何凯明大神的CVPR09的论文Single Image Haze Removal Using Dark Channel Prior,何凯明博士论文原文链接: https://pan.baidu.com/s/1OfsUvMdNLDHvEtjDVanPPw 提取码: dvpn 复制这段内容后打开百度网盘手机App，操作更方便哦!
(第一次写博客,慌得一P,还是上班溜号写的,哈哈哈,就这样吧,以后常更新!)
**注意:研究无雾图像暗通道是为了了解图像暗通道的分布情况,但是实际情况中,此方法不可能对有雾图像进行除雾.**