基于暗通道的图像去雾算法简单实现

如果还不了解去雾的具体过程，可以看何凯明博士的论文，英语不好的同学看这篇论文的 翻译版本

代码如下：

import cv2
import numpy as np
img=cv2.imread("img1.png")
window_size=15
kernal=(window_size-1)//2
padding=kernal
# 求取暗通道：
# 建立一个灰度图，长宽和原图一致（不算 padding)
dst=np.array([255]*(img.shape[0]+kernal*2)*(img.shape[1]+kernal*2),np.uint8)
dst=dst.reshape(img.shape[0]+kernal*2,img.shape[1]+kernal*2)
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        dst[i+padding,j+padding]=min(img[i,j])

# 在每一个位置 x 上，求在 15 * 15 大小的范围内的最小值，将此最小值最为灰度图中该点的像素。
dark=np.zeros(img.shape,np.uint8)
for i in range(padding,img.shape[0]+padding):
    for j in range(padding,img.shape[1]+padding):
        temp =dst[i - padding:i + padding, j - padding:j + padding]
        min_value=np.min(temp)
        dark[i - padding, j - padding] = min_value
# 求 A 值：
# 找出暗通道图像中 强度最大的前 0.1%，并将值保存起来。
pxs=list(np.sort(dark.reshape((1,-1))[0]))
pxs.reverse()
s=set(pxs[0:int(len(pxs)*0.001)])
# 在暗通道上找到这些像素的位置：
Ar=0
Ag=0
Ab=0
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        if min(img[i,j]) in s:
            Ab=max(Ab,img[i,j][0])
            Ag=max(Ag,img[i,j][1])
            Ar=max(Ar,img[i,j][2])

A=np.array([min(220,Ab),min(220,Ag),min(220,Ar)])
# 求透射率：
tarr=np.array([255]*(img.shape[0]+kernal*2)*(img.shape[1]+kernal*2),np.float64)
tarr=tarr.reshape((-1,img.shape[1]+kernal*2))
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        tarr[i+padding,j+padding]=min(img[i,j]/A)

tchannel=np.zeros((img.shape[0],img.shape[1]),np.float64)
w=0.95
for i in range(padding,img.shape[0]+padding):
    for j in range(padding,img.shape[1]+padding):
        temp=tarr[i-padding:i+padding,j-padding:j+padding]
        min_value=np.min(temp)
        tchannel[i-padding][j-padding]=1-w*min_value

result=np.zeros(img.shape,np.uint8)
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        result[i,j]=np.uint8(((img[i,j]-A)/max(tchannel[i,j],0.1))+ A)

cv2.imshow("origen",img)
cv2.imshow("tchannel",tchannel)
cv2.imshow("dark channel",dark)
cv2.imshow("resut",result)
cv2.waitKey(0)

numpy 还是比较方便的，代码比较简洁。

流程的话比较简单，首先要求暗通道，我先建立一个灰度图，大小和原图一致，然后遍历原图像素，取三个通道中的最小值作为灰度图的像素值，然后选定了一个15*15大小的窗口，窗口中心位置的像素替换为在这个窗口范围内的最小值，得到了暗通道。然后求A值，有其他论文使用的是原图中强度最大的作为A值，何博士的论文中采用的是在暗通道中寻找强度在前0.1% 的像素所在的位置，在原图的这些位置中的最大值作为 A值，这样得到的A值不一定就是整张图片中强度最大的。然后就是求透射率，方法和暗通道类似，不同的是每一个像素都要除以A值然后在进行运算。最后根据论文上的公式直接计算出结果图，本以为会一切顺利，但是确出现了一些色斑，请教了做过的同学，他们说就是会有，使用导向图滤波可以有效消除这些色斑，还没尝试。

下面是一些测试的结果：

图像一

可以看到结果图中色斑还是比较明显的。

图像二：

上面这些图像都有一些色斑，有同学说是因为某一点的值大于255了，但是我测试了一下并没有，我继续测试其他图片希望能找到一些原因，直到我看到这个图片的效果，我有了一个假设：

这张图片是我测试图片中效果最差的，不过也是因为这一张图片，我觉得可能是透射图不够精细造成的问题，这也和我之前请教其他同学得到的答复基本一致。何博士的论文中也提到了更加精细化的方法，但是可能会很慢，直到导向图滤波论文发表。目前我还没有具体的实现导向图滤波。