图像去雾----暗通道

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备很低的值。这个其实很容易理解，实际生活中形成这个假设的缘由有不少，好比汽车，建筑物或者城市中的阴影，或者说色彩鲜艳的物体或表面(好比绿色的树叶，各类鲜艳的花，或者蓝色绿色的睡眠)，颜色较暗的物体或者表面，这些景物的暗通道老是变现为比较暗的状态。
  因此暗通道是什么呢？其实比较简单，做者认为暗通道是：

 

 

暗通道先验理论指出：

 

 

暗通道其实是在rgb三个通道中取最小值组成灰度图，而后再进行一个最小值滤波获得的。咱们来看一下有雾图像和无雾图像暗通道的区别：

 

 

 

 

能够发现，有雾的时候会呈现必定的灰色，而无雾的时候咋会呈现大量的黑色（像素为接近0），做者统计了5000多副图像的特征，基本都符合这样一条先验定理。

• 雾图造成模型
  计算机视觉中，下面这个雾图造成模型是被普遍使用的：

 

 

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，如今的条件就是已知I(x)，来求J(x),显然不加任何限制的话是有无穷多个解的。

 

 

可是现实生活中，即便是晴天白云，空气中也会存在一些颗粒，看远方的物体仍是可以感受到雾的影响，另外，雾的存在可让人们感受到景深的存在，因此咱们保留一部分的雾，上式修正为：其中w是[0-1]之间的一个值，通常取0.95差很少。

 

 

上面的推导都是假设全球大气光是已知的，实际中，咱们能够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备最高亮度点的值，做为A值。

到这里，咱们就能够进行无雾图像的恢复了：

 

 

当投射图t很小时，会致使J的值偏大，会致使图片某些地方过爆，因此通常能够设置一个阈值来限制，咱们设置一个阈值：通常设置较小，0.1便可。

 

 

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：

 

 

 

 

可是这个去雾效果仍是挺粗糙的，主要缘由是因为透射率图过于粗糙了，何凯明在文章中提出了soft matting方法，而后其缺点是速度特别慢，不适用在实时场合，2011年，又提出可使用导向滤波的方式来得到更细腻的结果，这个方法的运算主要集中在方框滤波（均值滤波），而这种操做在opencv或者其余的图像库中都有快速算法。能够考虑使用。

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)                                         #获得暗通道图像  
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)               #获得遮罩图像和大气光照  
64     for k in range(3):  
65         Y[:,:,k] = (m[:,:,k]-V1)/(1-V1/A)           #颜色校订  
66     Y =  np.clip(Y, 0, 1)  
67     if bGamma:  
68         Y = Y**(np.log(0.5)/np.log(Y.mean()))       #gamma校订,默认不进行该操做  
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（其实是一种灰度图）来进行导向滤波，我试着用灰度图和暗通道来作，也是能够的，效果区别不大。

这个python版本跑的仍是挺慢的，600-500的图像须要花费近0.1s的时间，我照着这个写了一个c++版本的，速度立马提升一倍，代码比python要长一些，就不在这里贴了，相同的图像速度能够提升一倍以上，若是加上GPU加速的话应该能够实现实时处理。

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（这个效果还很差）的代码。

3. 各参数的影响。

1. 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。必定状况下，半径越大去雾的效果越不明显，建议的范围通常是5-25之间，通常选择5,7,9等就会取得不错的效果。
2. w的影响天然也是很大的。
   这个值是咱们设置的保留雾的程度（c++代码中w是去除雾的程度，通常设置为0.95就能够了）。这个基本不用修改。
3. 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。由于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不能太小（很容易理解，若是这个r和和最小值滤波的同样的话，那么在进行滤波的时候包含的块信息就不多，仍是容易出现一块一块的形状）。
4. eps，这个值只是保证除号下面不是0，通常取较小，0.001是一个经常使用的值。

4. notes。

1. 这个去雾算法只针对彩色图像，并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，去雾效果很差，并且这种效应并不能经过调参来避免。
2. 暗通道去雾使得图像总体的亮度有所下降，因此在最后能够自适应的提升亮度来减轻这种现象。
3. 导向滤波在matlab中有现成函数，在opencv contrib里也有函数能够调用，另外为了加速运算能够下采样以后进行滤波而后再上采样恢复。