Python 图像去雾算法 - DarkChannel.py 实现 - 常规

Python 图像去雾算法 - DarkChannel.py 实现

这段代码实现了一种基于 Dark Channel Prior 的图像去雾算法，通过计算图像的暗通道和光照值来得到图像的大气遮罩，并利用引导滤波和颜色校正对图像进行去雾处理。

import cv2
import numpy as np

# 最小值滤波，r是滤波器半径
def zmMinFilterGray(path, r):
    zmMinFilterGray = cv2.erode(path, np.ones((2 * r + 1, 2 * r + 1)))
    return zmMinFilterGray

# 引导滤波 - 制导图像：I（应为灰度/单通道图像）
# 过滤输入图像：p（应为灰度/单通道图像）
# 局部窗口半径：r
# 正则化参数：eps
def guidedfilter(I, p, r, eps):
    height, width = I.shape
    mean_I = cv2.boxFilter(I, -1, (r, r))
    mean_p = cv2.boxFilter(p, -1, (r, r))
    mean_Ip = cv2.boxFilter(I * p, -1, (r, r))
    cov_Ip = mean_Ip - mean_I * mean_p
    mean_II = cv2.boxFilter(I * I, -1, (r, r))
    var_I = mean_II - mean_I * mean_I
    a = cov_Ip / (var_I + eps)
    b = mean_p - a * mean_I
    mean_a = cv2.boxFilter(a, -1, (r, r))
    mean_b = cv2.boxFilter(b, -1, (r, r))
    q = mean_a * I + mean_b
    return q

# 计算大气遮罩图像V1和光照值A, V1 = 1-t/A
# 输入rgb图像，值范围[0,1]
def getV1(m, r, eps, w, maxV1):
    V1 = np.min(m, 2)  # 得到暗通道图像
    V1 = guidedfilter(V1, zmMinFilterGray(V1, 7), r, eps)
    # 使用引导滤波优化
    bins = 2000
    ht = np.histogram(V1, bins)  # 计算大气光照A
    d = np.cumsum(ht[0]) / float(V1.size)
    for lmax in range(bins - 1, 0, -1):
        if d[lmax] <= 0.999:
            break
    A = np.mean(m, 2)[V1 >= ht[1][lmax]].max()
    V1 = np.minimum(V1 * w, maxV1)  # 对值范围进行限制
    return V1, A

def deHaze(m, r=81, eps=0.001, w=0.95, maxV1=0.80, bGamma=False):
    Y = np.zeros(m.shape)
    # 得到遮罩图像和大气光照
    V1, A = getV1(m, r, eps, w, maxV1)
    # 颜色校正
    for k in range(3):
        Y[:, :, k] = (m[:, :, k] - V1) / (1 - V1 / A)
    Y = np.clip(Y, 0, 1)
    # gamma校正,默认不进行该操作
    if bGamma:
        Y = Y ** (np.log(0.5) / np.log(Y.mean()))
    return Y

def DarkChannel(img):
    path = 'figure\'
    fn = path + img
    m = deHaze(cv2.imread(fn) / 255.0) * 255
    cv2.imwrite('DarkChannel/' + img, m)

代码解释

zmMinFilterGray函数： 实现最小值滤波，对输入图像进行滤波处理，用于获取暗通道图像。
guidedfilter函数： 实现引导滤波，对输入图像进行滤波处理，用于优化暗通道图像。
getV1函数： 计算大气遮罩图像 V1 和光照值 A。
- 首先通过计算暗通道图像，然后使用引导滤波优化。
- 接着通过直方图计算光照值 A。
deHaze函数： 根据得到的遮罩图像和光照值对输入图像进行颜色校正，并进行可选的 gamma 校正。
DarkChannel函数： 主函数，通过读取输入图像，调用 deHaze 函数进行去雾处理，并保存结果。

算法步骤

计算暗通道图像： 对图像的每个像素点，取其三个颜色通道的最小值，得到暗通道图像。
引导滤波优化： 使用引导滤波对暗通道图像进行优化，去除噪声和细节，得到更加准确的暗通道图像。
计算大气光照： 使用暗通道图像的直方图，找到最大累积概率对应的值作为大气光照值。
计算大气遮罩图像： 使用暗通道图像和大气光照值，计算大气遮罩图像，表示每个像素点受到大气散射的影响程度。
颜色校正： 使用大气遮罩图像和大气光照值，对图像进行颜色校正，去除大气散射的影响。
可选的 gamma 校正： 可选的 gamma 校正可以进一步调整图像的亮度和对比度。

代码使用

将代码保存为 DarkChannel.py 文件。
将需要去雾的图像放在 figure 文件夹下。
运行 DarkChannel.py 文件。
去雾后的图像将保存在 DarkChannel 文件夹下。

这段代码提供了一个简单的图像去雾算法实现，可供参考和学习。你可以根据实际需求进行调整和优化。