暗通道去雾 python实现

已于 2022-12-03 23:41:06 修改
阅读量6.1k 收藏 156
点赞数 15
分类专栏： 数字图像处理 文章标签： python 图像处理 opencv
于 2022-10-03 18:05:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qtzbxjg/article/details/127144893
版权
本文基于何恺明博士的论文，介绍了使用暗通道先验和导向滤波进行单幅图像去雾的方法，并提供了详细的Python代码实现。文章涵盖雾图成像模型、暗通道定义、透光率计算等内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文为基于何恺明博士的Single Image Haze Removal Using Dark Channel Prior和Guided Image Filtering两篇论文的去雾算法python代码实现。

1 一些基本的定义

1.1 雾图成像模型

在这里插入图片描述
I(x)为原图，J(x)为无雾图像，A是大气光成分，为一常数。t(x)为透光率。
其含义就是图像I(x)为事物反射的光经过雾气衰减后加上雾气反射的大气光的结合所成的像。

1.2 暗通道定义

在这里插入图片描述

1.3 计算投射图t(x)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
这里是一个作者统计了大量图片得出的结论，即无雾图片的暗通道是接近于0的。
在这里插入图片描述
在这里插入图片描述
实际上，即使在晴天，大气中也不是完全没有任何粒子。所以当我们看远处的物体时，雾仍然存在。 所以，我们可以通过引入一个常量参数w(0<w<1)论文取值为0.95，为远处的物体保留少量的雾。
这样t(x)会比原来大，大气光的权重会小点，使得图片整体更暗？
在这里插入图片描述
暗通道先验对于天空区域来说不是一个好的先验。幸运的是，在朦胧的图像I中，天空的颜色通常与大气光A非常相似，即下式趋近1。在这里插入图片描述所以，在这些位置t(x)趋于0。因为天空是无限遥远的，它的传输确实接近于零。所以我们不需要预先分离天空区域。

1.4 导向滤波

详见我的另一篇文章导向滤波与opencv python实现。

2 代码

2.1 获得暗通道

def get_min_channel(img):
    return np.min(img,axis=2)

最小值滤波器，其实与腐蚀一样：

def min_filter(img,r):
    kernel = np.ones((2*r-1,2*r-1))
    return cv2.erode(img,kernel)#最小值滤波器，可用腐蚀替代

在这里插入图片描述

2.2 大气光照A计算

通常雾最浓地方的颜色被作为大气光的估计值，可以通过暗通道来确定雾气最浓的地方，即暗通道最亮的区域为雾气最浓的地方，此时，大气光为唯一的光源。
首先选择暗通道中最亮的0.1%像素。这些像素通常是最不透明的。在这些像素中，选择输入图像I中强度最高的像素作为大气光。

def get_A(img_haze,dark_channel,bins_l):
    hist,bins = np.histogram(dark_channel,bins=bins_l)#得到直方图
    d = np.cumsum(hist)/float(dark_channel.size)#累加
    # print(bins)
    threshold=0
    for i in range(bins_l-1,0,-1):
        if d[i]<=0.999:
            threshold=i
            break
    A = img_haze[dark_channel>=bins[threshold]].max()
    #候选区域可视化
    show  = np.copy(img_haze)
    show[dark_channel>=bins[threshold]] = 0,0,255
    cv2.imwrite('./most_haze_opaque_region.jpg',show*255)
    return A

暗通道最亮的区域如下图红色区域处：
在这里插入图片描述

2.3 计算t(x)

def get_t(img_haze,A,t0=0.1,w=0.95):
    out = get_min_channel(img_haze)
    out = min_filter(out,r=7)
    t = 1-w*out/A #需要乘上一系数w，为远处的物体保留少量的雾
    t = np.clip(t,t0,1)#论文4.4所提到t(x)趋于0容易产生噪声，所以设置一最小值0.1
    return t

这时候得出来的结果如下图：
在这里插入图片描述
因为没有经过导向滤波细化传输，所以效果有点差。

2.4 导向滤波

以还未进行最小值滤波的暗通道图（用暗通道图效果会很差）作为导向图对t(x)进行导向滤波，细化传输。
输入图像必须得先进行归一化后再处理，否则滤波后会有超过255的值

def guided_filter(I,p,win_size,eps):

    mean_I = cv2.blur(I,(win_size,win_size))
    mean_p = cv2.blur(p,(win_size,win_size))

    corr_I = cv2.blur(I*I,(win_size,win_size))
    corr_Ip = cv2.blur(I*p,(win_size,win_size))

    var_I = corr_I-mean_I*mean_I
    cov_Ip = corr_Ip - mean_I*mean_p

    a = cov_Ip/(var_I+eps)
    b = mean_p-a*mean_I

    mean_a = cv2.blur(a,(win_size,win_size))
    mean_b = cv2.blur(b,(win_size,win_size))

    q = mean_a*I + mean_b
    return q

得到的结果如下图所示：

在这里插入图片描述
与原图相比：
在这里插入图片描述
可见去雾效果还是不错的。

2.5 评估

PSNR

def PSNR(target,ref):
    #必须归一化
    target=target/255.0
    ref=ref/255.0
    MSE = np.mean((target-ref)**2)
    if MSE<1e-10:
        return 100
    MAXI=1
    PSNR = 20*math.log10(MAXI/math.sqrt(MSE))
    return PSNR

SSIM

from skimage.metrics import structural_similarity as sk_cpt_ssim
ssim = sk_cpt_ssim(J,I*255, win_size=11, data_range=255, multichannel=True)

在这里插入图片描述

2.6 完整代码

# -*- coding: utf-8 -*-
# @Time : 2022/10/1 23:08
# @Author : shuoshuo
# @File : main.py
# @Project : 去雾
import cv2
import numpy as np
import matplotlib.pyplot as plt
import math
from skimage.metrics import structural_similarity as sk_cpt_ssim

def guided_filter(I,p,win_size,eps):

    mean_I = cv2.blur(I,(win_size,win_size))
    mean_p = cv2.blur(p,(win_size,win_size))

    corr_I = cv2.blur(I*I,(win_size,win_size))
    corr_Ip = cv2.blur(I*p,(win_size,win_size))

    var_I = corr_I-mean_I*mean_I
    cov_Ip = corr_Ip - mean_I*mean_p

    a = cov_Ip/(var_I+eps)
    b = mean_p-a*mean_I

    mean_a = cv2.blur(a,(win_size,win_size))
    mean_b = cv2.blur(b,(win_size,win_size))

    q = mean_a*I + mean_b
    return q
def get_min_channel(img):
    return np.min(img,axis=2)
def min_filter(img,r):
    kernel = np.ones((2*r-1,2*r-1))
    return cv2.erode(img,kernel)#最小值滤波器，可用腐蚀替代
def get_A(img_haze,dark_channel,bins_l):
    hist,bins = np.histogram(dark_channel,bins=bins_l)#得到直方图
    d = np.cumsum(hist)/float(dark_channel.size)#累加
    # print(bins)
    threshold=0
    for i in range(bins_l-1,0,-1):
        if d[i]<=0.999:
            threshold=i
            break
    A = img_haze[dark_channel>=bins[threshold]].max()
    #候选区域可视化
    show  = np.copy(img_haze)
    show[dark_channel>=bins[threshold]] = 0,0,255
    cv2.imwrite('./most_haze_opaque_region.jpg',show*255)
    return A
def get_t(img_haze,A,t0=0.1,w=0.95):
    out = get_min_channel(img_haze)
    out = min_filter(out,r=7)
    t = 1-w*out/A #需要乘上一系数w，为远处的物体保留少量的雾
    t = np.clip(t,t0,1)#论文4.4所提到t(x)趋于0容易产生噪声，所以设置一最小值0.1
    return t
def PSNR(target,ref):
    #必须归一化
    target=target/255.0
    ref=ref/255.0
    MSE = np.mean((target-ref)**2)
    if MSE<1e-10:
        return 100
    MAXI=1
    PSNR = 20*math.log10(MAXI/math.sqrt(MSE))
    return PSNR

if __name__ == '__main__':
    I = cv2.imread('test.jpg')/255.0
    dark_channel = get_min_channel(I)
    dark_channel_1 = min_filter(dark_channel,r=7)
    # cv2.imwrite("./dark_channel.jpg", dark_channel_1*255)

    A = get_A(I,dark_channel_1,bins_l=2000)

    t = get_t(I,A)
    t = guided_filter(dark_channel,t,81,0.001)
    t = t[:,:,np.newaxis].repeat(3,axis=2)#升维至(r,w,3)

    J = (I-A)/t +A

    J = np.clip(J,0,1)
    J = J*255
    J =np.uint8(J)

    cv2.imwrite("./result.jpg",J)

    #评估
    PSNR = PSNR(J,I*255)
    print(f"PSNR:{PSNR}")
    ssim = sk_cpt_ssim(J,I*255, win_size=11, data_range=255, multichannel=True)
    print(f"ssim:{ssim}")

3 参考文献

何恺明的两篇论文：
Single Image Haze Removal Using Dark Channel Prior
Guided Image Filtering
论文链接
Dehazing for Image and Video Using Guided Filter

Python实现暗通道去雾算法——清晰还原雾天景色
.
03-26 1158
为了解决这个问题，学术界提出了一种称为“暗通道先验”的方法，这种方法基于如下假设：在一个自然场景中，像素值中至少有一个是非常小的。据此，可以通过计算每个像素点周围像素的最小值来得到暗通道图，再根据大气光估计出全局大气光，并通过逆向滤波器去除雾霾。当然，这个算法也有它的局限性，例如对于具有颜色噪声的图像的去雾效果可能不太好。总之，暗通道去雾算法是一种简单而有效的图像去雾方法，通过理解其原理并使用Python实现，不仅可以提高我们的代码能力，还可以帮助我们更好地理解和处理复杂的图像。接下来，计算暗通道图。
暗通道去雾算法的python实现
Marco_L的博客
05-10 6314
import cv2 as cv import numpy as np import matplotlib.pyplot as pyplot def darkchannel(): for i in range(0,rows-1): for j in range(0,cols-1): min_rgb = img_arr[i][j][0] if min_rgb ...
opencv-python图像增强二：图像去雾（暗通道去雾）
HanWenKing的博客
08-08 5279
图像去雾是计算机视觉领域中的一个重要问题，其目的是恢复被雾气遮挡的图像中的真实细节。在自然场景中，雾气会导致图像的对比度下降、颜色失真以及细节模糊。去雾算法的主要目标是在保留图像内容的同时，尽可能地恢复被雾气遮挡的信息。本次使用的算法为暗通道去雾，暗通道去雾算法基于暗通道先验理论，该理论指出在自然场景的任意一点（除天空外），其暗通道图像中的像素值在大部分情况下都接近于0。通过提取暗通道图像，并对其进行去雾处理，可以恢复图像中的真实细节。
基于暗通道的图像去雾代码（改进版）
04-21
有代码，有图。此代码是基于暗通道的图像去雾，在原有的基础上有所改进，相互借鉴哈！
Python暗通道图像去雾
明镜止水的博客
03-28 7176
何凯明的经典图像去雾算法，直接上代码啦，理论后续讲解哈~
暗通道去雾算法代码实现（1） python
qq_45906101的博客
11-04 2783
python 去雾算法（1）
基于暗通道去雾python和matlab代码.zip
05-02
基于暗通道去雾python和matlab代码.zip基于暗通道去雾python和matlab代码.zip基于暗通道去雾python和matlab代码.zip基于暗通道去雾python和matlab代码.zip基于暗通道去雾python和matlab代码.zip基于暗通道去雾python...
python实现暗通道去雾算法的示例
12-16
何凯明博士的去雾文章和算法实现已经漫天飞了，我今天也就不啰里啰唆，直接给出自己python实现的完整版本，全部才60多行代码，简单易懂，并有简要注释，去雾效果也很不错。 在这个python版本中，计算量最大的就是...
基于暗通道先验的图像去雾的Python实现源码+文档说明
10-26
基于暗通道先验的图像去雾的Python实现源码+文档说明基于暗通道先验的图像去雾的Python实现源码+文档说明基于暗通道先验的图像去雾的Python实现源码+文档说明基于暗通道先验的图像去雾的Python实现源码+文档说明基于...
暗通道去雾代码及改进代码
06-27
暗通道去雾代码及改进代码，拥有对色彩方面的改进
opencv简单的暗通道去雾算法
05-16
基于暗通道先验的去雾算法，去雾算法目前也有着众多其他的方式，不过我所接触的，很多都是以这个为基础，因此，先弄会这个为研究其他的去雾算法能奠定坚实的基础。
暗通道先验去雾matlab代码
08-27
暗通道先验去雾matlab代码，包括导向滤波代码
haze:Python实现经典图像去雾算法
05-12
haze:Python实现经典图像去雾算法
基于Python+OpenCV实现暗通道去雾算法
Q1744828575的博客
06-11 646
一、项目背景与意义在图像处理领域，尤其是在户外环境下拍摄的图像，经常会受到雾霾等天气条件的影响，导致图像质量下降，细节信息丢失。为了改善这种情况，研究人员提出了多种图像去雾算法，其中暗通道去雾算法因其高效性和准确性而备受关注。本项目旨在利用Python编程语言结合OpenCV库，实现一个基于暗通道原理的图像去雾处理系统。二、技术原理暗通道去雾算法基于何恺明的暗通道先验理论，该理论认为：在大多数无雾的图像中，至少有一个颜色通道在某些局部区域具有很低的强度值，这些区域被称为暗通道。
Python 还能实现图片去雾？FFA 去雾算法、暗通道去雾算法用起来！ | 附代码
AI科技大本营
07-30 6823
在过去的几十年中，单图像去雾作为基本的低级视觉任务已引起了计算机视觉社区和人工智能公司的越来越多的关注。其中最为典型的便是北大&北航提出FFA-Net去雾新网络和何凯明博士提出的...
基于暗通道先验的图像去雾（附Python代码）
热门推荐
羊脂球的博客
07-08 1万+
一、实验结果 二、暗通道先验理论 发现有一个博主写得比较详细了，参考着看即可。 点击阅读（1） 点击阅读（2） 实验大致流程： 三、Python代码 #!/usr/bin/env python # -*- coding:utf-8 -*- import cv2 import numpy as np def zmMinFilterGray(src, r=7):...
计算机视觉：暗通道去雾算法的原理及python实现
weixin_51998427的博客
03-03 9657
在绝大多数非天空的局部区域中，某些像素总会至少有一个颜色通道的值很低。对于一幅图像J(x)，其暗通道的数学定义表示如下：其中，Ω(x)表示以x为中心的局部区域，上标c表示RGB三个通道。该公式的意义用代码表达也很简单，首先求出每个像素RGB分量中的最小值，存入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。
基于导向滤波的暗通道先验去雾算法（Python，可直接运行）
qq_28005905的博客
08-01 1万+
基于导向滤波的暗通道先验去雾算法（Python语言，可直接运行）1 编译环境2 原理介绍2.1 暗通道先验2.1.1 暗通道先验理论与去雾模型2.1.2 处理步骤2.2 导向滤波求t(x)3 代码4 处理结果4.1 第一组结果及其比较，暗通道图![在这里插入图片描述](https://img-blog.csdnimg.cn/20190801162445783.png?x-oss-process=i...
暗通道去雾 代码
最新发布
03-13
### 实现暗通道去雾算法 对于实现基于暗通道先验的去雾算法，该算法由He等人提出并广泛应用于图像处理领域[^1]。此方法通过估计大气光和透射率来恢复无雾图像。 #### 主要步骤概述： - **输入含雾图**：读取待处理的含雾图片。 - **估算大气光A**：计算全局最大值作为大气光强度。 - **计算暗通道图J_dark**：构建原始图像的暗通道。 - **求解透射率t(x)**：利用公式 \( t(x)=1-\omega\cdot \frac{I_{dark}(x)}{A} \)，其中ω为调节参数，默认设为0.95。 - **精炼透射率map**：采用导向滤波优化得到更平滑的结果。 - **重建清晰图像**：按照定义去除雾霾影响后的像素颜色模型重构最终输出。 以下是Python环境下使用OpenCV库的一个简单示例代码片段用于演示如何编写上述过程中的部分功能模块: ```python import cv2 import numpy as np def dark_channel_prior(img, w=15): """Compute Dark Channel Prior""" img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (w, w)) dark_img = cv2.erode(img_gray, kernel) return dark_img def estimate_atmospheric_light(image, dark): """Estimate Atmospheric Light A""" h, w = image.shape[:2] flat_image = image.reshape([h * w, 3]) flat_dark = dark.flatten() search_num = int(h * w / 1000) array_idx = flat_dark.argsort()[-search_num:] a = {} for i in range(3): tmp = [] for idx in array_idx: tmp.append(flat_image[idx][i]) a[i] = sum(tmp) / len(tmp) atmospheric_light = [a[2], a[1], a[0]] return atmospheric_light # Load Image and preprocess it. img = cv2.imread('foggy.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) dc = dark_channel_prior(img) atm_light = estimate_atmospheric_light(img, dc) print(atm_light) ``` 这段程序仅展示了两个核心函数——`dark_channel_prior()` 和 `estimate_atmospheric_light()` 的基本框架；完整的去雾流程还需要加入更多细节调整以及后续步骤如透射率细化与色彩校正等操作。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值