暗通道去雾算法原理及实现

1. 算法原理。

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

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：

暗通道先验理论指出：

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。我们来看一下有雾图像和无雾图像暗通道的区别：

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。

雾图形成模型
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。

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：

从暗通道图中按照亮度大小取前0.1%的像素。

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。

到这里，我们就可以进行无雾图像的恢复了：

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。

利用这个理论的去雾效果就不错了，下面是我在网上找的例子：

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。

2.代码实现。

我很快在网上找到一个python版本的算法：

 1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Sat Jun  9 11:28:14 2018
 4
 5 @author: zhxing
 6 """
 7
 8 import cv2
 9 import numpy as np
10
11 def zmMinFilterGray(src, r=7):
12     '''''最小值滤波，r是滤波器半径'''
13     return cv2.erode(src,np.ones((2*r-1,2*r-1)))
14 # =============================================================================
15 #     if r <= 0:
16 #         return src
17 #     h, w = src.shape[:2]
18 #     I = src
19 #     res = np.minimum(I  , I[[0]+range(h-1)  , :])
20 #     res = np.minimum(res, I[range(1,h)+[h-1], :])
21 #     I = res
22 #     res = np.minimum(I  , I[:, [0]+range(w-1)])
23 #     res = np.minimum(res, I[:, range(1,w)+[w-1]])
24 # =============================================================================
25  #   return zmMinFilterGray(res, r-1)
26
27 def guidedfilter(I, p, r, eps):
28     '''''引导滤波，直接参考网上的matlab代码'''
29     height, width = I.shape
30     m_I = cv2.boxFilter(I, -1, (r,r))
31     m_p = cv2.boxFilter(p, -1, (r,r))
32     m_Ip = cv2.boxFilter(I*p, -1, (r,r))
33     cov_Ip = m_Ip-m_I*m_p
34
35     m_II = cv2.boxFilter(I*I, -1, (r,r))
36     var_I = m_II-m_I*m_I
37
38     a = cov_Ip/(var_I+eps)
39     b = m_p-a*m_I
40
41     m_a = cv2.boxFilter(a, -1, (r,r))
42     m_b = cv2.boxFilter(b, -1, (r,r))
43     return m_a*I+m_b
44
45 def getV1(m, r, eps, w, maxV1):  #输入rgb图像，值范围[0,1]
46     '''''计算大气遮罩图像V1和光照值A, V1 = 1-t/A'''
47     V1 = np.min(m,2)                                         #得到暗通道图像
48     V1 = guidedfilter(V1, zmMinFilterGray(V1,7), r, eps)     #使用引导滤波优化
49     bins = 2000
50     ht = np.histogram(V1, bins)                              #计算大气光照A
51     d = np.cumsum(ht[0])/float(V1.size)
52     for lmax in range(bins-1, 0, -1):
53         if d[lmax]<=0.999:
54             break
55     A  = np.mean(m,2)[V1>=ht[1][lmax]].max()
56
57     V1 = np.minimum(V1*w, maxV1)                   #对值范围进行限制
58
59     return V1,A
60
61 def deHaze(m, r=81, eps=0.001, w=0.95, maxV1=0.80, bGamma=False):
62     Y = np.zeros(m.shape)
63     V1,A = getV1(m, r, eps, w, maxV1)               #得到遮罩图像和大气光照
64     for k in range(3):
65         Y[:,:,k] = (m[:,:,k]-V1)/(1-V1/A)           #颜色校正
66     Y =  np.clip(Y, 0, 1)
67     if bGamma:
68         Y = Y**(np.log(0.5)/np.log(Y.mean()))       #gamma校正,默认不进行该操作
69     return Y
70
71 if __name__ == '__main__':
72     m = deHaze(cv2.imread('test.jpg')/255.0)*255
73     cv2.imwrite('defog.jpg', m)

最小值滤波我给用腐蚀来替代了，其实腐蚀就是最小值滤波，最大值滤波是膨胀。这个测试效果还不错。

这份python代码中使用的是暗通道和RGB图像的最小值图像（实际上是一种灰度图）来进行导向滤波，我试着用灰度图和暗通道来做，也是可以的，效果区别不大。

这个python版本跑的还是挺慢的，600-500的图像需要花费近0.1s的时间，我照着这个写了一个c++版本的，速度立马提高一倍，代码比python要长一些，就不在这里贴了，相同的图像速度可以提高一倍以上，如果加上GPU加速的话应该可以实现实时处理。

c++ code,这个工程里还包含了视频去抖，图像灰度对比对拉伸，以及去燥（这个效果还不好）的代码。

3. 各参数的影响。

暗通道最小值滤波半径r。
这个半径对于去雾效果是有影响的。一定情况下，半径越大去雾的效果越不明显，建议的范围一般是5-25之间，一般选择5,7,9等就会取得不错的效果。
w的影响自然也是很大的。
这个值是我们设置的保留雾的程度（c++代码中w是去除雾的程度，一般设置为0.95就可以了）。这个基本不用修改。
导向滤波中均值滤波半径。
这个半径建议取值不小于求暗通道时最小值滤波半径的4倍。因为前面最小值后暗通道时一块一块的，为了使得透射率图更加精细，这个r不能过小（很容易理解，如果这个r和和最小值滤波的一样的话，那么在进行滤波的时候包含的块信息就很少，还是容易出现一块一块的形状）。
eps，这个值只是保证除号下面不是0，一般取较小，0.001是一个常用的值。

4. notes。

这个去雾算法只针对彩色图像，而且对于低对比度的天空或者水面背景的去雾效果会产生块效应，去雾效果不好，而且这种效应并不能通过调参来避免。
暗通道去雾使得图像整体的亮度有所降低，所以在最后可以自适应的提高亮度来减轻这种现象。
导向滤波在matlab中有现成函数，在opencv contrib里也有函数可以调用，另外为了加速运算可以下采样之后进行滤波然后再上采样恢复。

转载于:https://www.cnblogs.com/echoboy/p/10924868.html

图像去雾----暗通道相关推荐

python图像去污_图像去雾----暗通道
暗通道去雾算法原理及实现 1. 算法原理. 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 ...
暗通道优先的图像去雾算法（上）
FROM:http://blog.csdn.net/baimafujinji/article/details/27206237 11.1 暗通道优先的图像去雾算法图像增强与图像修复二者之间有一定交 ...
暗通道优先的图像去雾算法（下）
FROM:http://blog.csdn.net/baimafujinji/article/details/30060161 书接上文 http://blog.csdn.net/baimafujin ...
[论文阅读] (11)ACE算法和暗通道先验图像去雾算法（Rizzi | 何恺明老师）
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
[Python图像识别] 四十六.图像预处理之图像去雾详解（ACE算法和暗通道先验去雾算法）
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
纯c语言实现的改进暗通道去雾算法测试程序(附赠大量测试图像),基于改进暗通道先验算法的图像去雾...
邱清辉摘要:针对普通暗通道先验算法去雾能力的不足,本文提出了一种改进算法,通过采用高斯平滑将原图像分为基础子图和细节子图,基础子图采用暗通道先验算法,细节子图采用gamma变换方法,再采用图像融合进 ...
半年以来的图像去雾总结-图像去雾（一）暗通道去雾
图像去雾最好的算法原型最好的莫过于何凯明博士的论文--好好阅读,必有灵感在接下来的博客中,我会分步介绍各个图像去雾算法的研究和对比,在这里,首先介绍最经典的何凯明博士的暗通道去雾算法了,后面的博客有 ...
图像去雾算法（二）基于暗通道先验算法学习笔记
在http://write.blog.csdn.net/postedit/78301999中介绍了图像去雾的相关研究方法,发现目前为止在图像去雾方面,何凯明博士基于暗通道先验的算法具有很好的效果,关于 ...
Python暗通道图像去雾
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~ Python代码如下: #!/usr/bin/env python # -*- coding: utf-8 -*- from PIL impo ...

图像去雾----暗通道