Python图像处理丨详解图像去雾处理方法( 五 ) _Python

文章插图

1.算法原理
言归正传，如果是图像处理或研究图像去雾领域的作者，建议大家认真阅读这篇英文原文，能在2009年提出该算法真的很惊艳。

引用及参考中文论文：何涛, 等. 基于暗通道先验的单幅图像去雾新算法[J]. 计算机科学, 2021.王蓉, 等. 基于改进加权融合暗通道算法的图像去雾研究[J]. 浙江科技学院学报, 2021.图像去雾算法的原理、实现、效果（速度可实时）- 挚爱图像处理图像去雾之何凯明暗通道先验去雾算法原理及c++代码实现 - Do it ! 英文原文： https://ieeexplore.ieee.org/document/5567108 Single Image Haze Removal Using Dark Channel Priorhttps://ieeexplore.ieee.org/document/5206515 Single image haze removal using dark channel prior

文章插图

暗通道先验（Dark Channel Prior, DCP）去雾算法依赖大气散射模型进行去雾处理，通过对大量有雾图像和无雾图像进行观察总结，得到其中存在的一些映射关系，然后根据有雾图像的形成过程来进行逆运算，从而恢复清晰图像。

文章插图

算法实现过程及原理如下，参考何恺明老师和何涛老师的论文。
(1) 大气散射模型
在计算机视觉和计算机图形学中，方程所描述的大气散射模型被广泛使用。参数解释如下：

x是图像的空间坐标
I(x)代表有雾图像（待去雾图像）
J(x)代表无雾图像（待恢复图像）
A代表全球大气光值
t(x)代表透射率

方程右边第一项为场景直接衰减项，第二项为环境光项。

文章插图

(2) 暗通道定义
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：

文章插图

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。
(3) 暗通道先验理论
暗通道先验理论指出：对于非天空区域的无雾图像J(x)的暗通道趋于０，即：