本人qq号：226607573，欢迎互相讨论的伙伴们

毕设期间对python图像去雾的学习与总结

近年来，雾霾越来越严重，导致户外获取的图像严重退化，何如将户外获取的有雾图像复原成高质量的清晰图像，已成为众多研究者的共同目标。

常用的图像去雾方法有以下几种：

1.暗通道去雾

2.色阶调整去雾

3.直方图均衡化

4.Retinex

何凯明博士–暗通道去雾算法

原理：暗通道处理是一个假设， 在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道有很低的值。换言之，该区域光强度的最小值是个很小的数。

**

暗通道可以用下式表达：

暗通道先验的理论指出：

实际生活中造成暗原色中低通道值主要有三个因素：

a)汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；

b)色彩鲜艳的物体或表面，在RGB的三个通道中有些通道的值很低(比如绿色的草地／树／植物，红色或黄色的花朵／叶子，或者蓝色的水面)；

c)颜色较暗的物体或者表面，例如灰暗色的树干和石头。总之，自然景物中到处都是阴影或者彩色，

**

I(X)就是我们现在已经有的图像(待去雾的图像)

J(x)是我们要恢复的无雾的图像，A是全球大气光成分， t(x)为透射率

**

找出每个像素的RGB三通道的最小值、形成图像的暗通道图像

展示去雾效果

原图片

在这里插入图片描述

处理后图片

图片增强代码：

图片增强算法一：

def zmMinFilterGray(src, r=7): #如果比最小值小，则替换中心像

#素为最小值，如果中心像素比最大值大，则替换中心像素为最大值。s

'''最小值滤波，r是滤波器半径''' #求最小值滤波图像用来作为引导滤波的引导图像

'''if r <= 0:

return src

h, w = src.shape[:2]

I = src

res = np.minimum(I , I[[0]+range(h-1) , :]) #元素集的最小值计算

res = np.minimum(res, I[range(1,h)+[h-1], :])

I = res

res = np.minimum(I , I[:, [0]+range(w-1)])

res = np.minimum(res, I[:, range(1,w)+[w-1]])

return zmMinFilterGray(res, r-1)'''

return cv2.erode(src, np.ones((2 * r + 1, 2 * r + 1))) # 使用opencv的erode函数更高效

def guidedfilter(I, p, r, eps): #去雾1

#输入图像V1,引导图像p

height, width = I.shape #a,b是以像素k为窗口的周围的权重的均值

m_I = cv2.boxFilter(I, -1, (r, r)) #方框滤波,m_I 窗口W的均值

m_p = cv2.boxFilter(p, -1, (r, r)) #m_p = q受到噪声n污染的退化图像

m_Ip = cv2.boxFilter(I * p, -1, (r, r)) #I * P 的累加

cov_Ip = m_Ip - m_I * m_p #分子

m_II = cv2.boxFilter(I * I, -1, (r, r)) #用于求方差

var_I = m_II - m_I * m_I #窗口W的方差

a = cov_Ip / (var_I + eps) #a,b窗口中心位于 k 时该线性函数的不变系数

b = m_p - a * m_I

m_a = cv2.boxFilter(a, -1, (r, r))

m_b = cv2.boxFilter(b, -1, (r, r))

return m_a * I + m_b

def getV1(m, r, eps, w, maxV1): # 输入rgb图像，值范围[0,1] 去雾1

'''计算大气遮罩图像V1和光照值A, V1 = 1-t/A'''

V1 = np.min(m, 2) # 得到暗通道图像,每个像素RGB分量中的最小值

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 #写入直方图

d = np.cumsum(ht[0]) / float(V1.size) #元素累加

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=0.9, maxV1=0.80, bGamma=False): #去雾1

Y = np.zeros(m.shape) #定义一个零矩阵

V1, A = getV1(m, r, eps, w, maxV1) # 得到遮罩图像和大气光照

for k in range(3):

Y[:, :, k] = (m[:, :, k] - V1) / (1 - V1 / A) # 颜色校正

Y = np.clip(Y, 0, 1)

if bGamma:

Y = Y ** (np.log(0.5) / np.log(Y.mean())) # gamma校正,默认不进行该操作

return Y

还在更新中。**

常用的图像增强方法有以下几种：

1.提高对比度

2.Gamma校正

3.直方图均衡化

均值滤波方法：对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值来替代原像素的值的方法。

中值滤波方法：对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，对模板的像素由小到大进行排序，再用模板的中值来替代原像素的值的方法。

使用python自带的图像处理库PIL的ImageEnhance模块

1、对比度：白色画面(最亮时)下的亮度除以黑色画面(最暗时)下的亮度

2、色彩饱和度：：彩度除以明度，指色彩的鲜艳程度，也称色彩的纯度

3、色调：向负方向调节会显现红色，正方向调节则增加黄色。适合对肤色对象进行微调

4、锐度：是反映图像平面清晰度和图像边缘锐利程度的一个指标

展示增强效果

原图片

处理后图片

图片增强代码：

图片增强算法一：

def m_filter(x, y, step): # 增强

"""中值滤波函数"""

sum_s = [] # 定义空数组

for k in range(-int(step / 2), int(step / 2) + 1):

for m in range(-int(step / 2), int(step / 2) + 1):

sum_s.append(img_zq[x + k][y + m]) # 把模块的像素添加到空数组

sum_s.sort() # 对模板的像素由小到大进行排序

return sum_s[(int(step * step / 2) + 1)]

def Contrast_and_Brightness(alpha, beta, img): # 对比度、亮度增强 增强

"""使用公式f(x)=α.g(x)+β"""

# α调节对比度，β调节亮度

blank = np.zeros(img.shape, img.dtype) # 创建图片类型的零矩阵

dst = cv2.addWeighted(img, alpha, blank, 1 - alpha, beta) # 图像混合加权

return dst

def img_enhance():

# 亮度增强

enh_bri = ImageEnhance.Brightness(image)

brightness = 1.2

image_brightened = enh_bri.enhance(brightness)

# 色度增强

enh_col = ImageEnhance.Color(image_brightened)

color = 1.2

image_colored = enh_col.enhance(color)

# 对比度增强

enh_con = ImageEnhance.Contrast(image_colored)

contrast = 1.2

image_contrasted = enh_con.enhance(contrast)

# 锐度增强

enh_sha = ImageEnhance.Sharpness(image_contrasted)

sharpness = 3.0

image_sharped = enh_sha.enhance(sharpness)

还在更新中

原文链接:https://blog.csdn.net/weixin_41765598/article/details/106036053