【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】

原创

Matlab科研 2021-11-08 11:41:00 ©著作权

文章标签 matlab 自动驾驶深度学习图像去雾去雾 文章分类 代码人生

©著作权归作者所有：来自51CTO博客作者Matlab科研的原创作品，请联系作者获取转载授权，否则将追究法律责任

二、简介

1 暗通道先验图像去雾方法

1.1 光线透射率模型

光在传播中由于散射使得从光源发出的辐射只有部分能到达接收传感器，其他则被散射到传播介质中。假设距离较小时散射光强与距离是线性关系，当光源距离传感器无限接近时，光的衰减值可近似为：Br，其中β为空气的散射系数；r为光源与传感器间的距离。大气密度均匀时，光线透射率的数学模型为：

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_自动驾驶

式中：D为场景深度；t为光线透射率，用于量化传感器接收光强与光源表面光强间的比例关系，即没有被散射的辐射与光源辐射间的比例关系。

1.2 暗通道先验理论

基于统计大量清晰图像得到的暗通道先验理论是指大部分不含天空的优质图像的所有像素在R，G，B这3个通道中最少存在一个颜色通道灰度值相当低以至趋近于0[5]，也就是在一定的微小区域里最小辐射强度值极低。一幅图像J可定义为：

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_深度学习_02

式中：J dark为图像J的暗通道值； J为图像J的c通道灰度值； Q(x) 为以像素x为中心的局部微小区域； y为区域内任一像素。

1.3 暗通道先验图像去雾处理

图像去雾的目标是将传感器接收到的有雾图像利用获得的有用信息通过去雾还原出清晰图像。暗通道先验图像去雾处理是根据暗通道原理获取先验知识，再利用有雾图像退化模型实现图像去雾效果。

1.3.1 图像退化模型

在计算机视觉图形学领域，有雾图像的退化模型为[6]：

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_去雾_03

式中：l(x)为传感器接收到的场景信号，即输入的有雾影像；场景辐射J(x)为信号处理后的清晰图像；A为环境光照强度；t(x)为大气透射率。J(x)t(x)称为直接衰减项，用来量化场景辐射和传播中的信号损失。A(1-t(x))表示图像接收到的大气散射光强，它是引起色彩偏移和云雾效果的直接原因。

1.3.2 估算环境光照强度

暗通道图像中灰度值越高的区域云雾越厚，在输入图像中位于这部分区域的]像素灰度值越接近于环境光照强度。估算环境光照强度首先需要找到暗通道图像中灰度值最高并占图像总像素数量01%的像素点，记录它们对应的坐标索引，然后根据坐标索引在输入的有雾图像中找到对应像素点，计算有雾图像中对应像素点的灰度平均值作为环境光照强度A。

1.3.3估算大气透射率

使用t’(x)表示以像素x为中心的滤波窗口内的大气透射率，假设它局部不变对式(3)最小值运算，分别计算R，G，B这3个颜色通道中的最小值，即

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_自动驾驶_04

将3个颜色通道的最小值进行运算，可得出以像素x为中心的滤波窗口内的灰度最小值，即

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_自动驾驶_05

根据暗通道先验原理和式(2)可以得出:

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_图像去雾_06

于是，由式(5)和式(6)计算出大气透射率为:

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_matlab_07

1.3.4 去雾处理

暗通道先验条件可用来量化云雾厚度和全部像素的辐射还原量，然后恢复出清晰优质的图像。通过式(3)的有雾图像退化模型和环境光照强度A、大气透射率t(x)，可进行单幅图像去雾处理，即

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_深度学习_08

2 暗通道先验算法去雾效果优化

本文优化流程如图1所示。当输入图像云雾不均时，其大气透射率图层的灰度信息仅处于有限范围内，而整张图像的辐射还原量将被限制在一定区间里，不能分别准确还原云雾厚薄区域的辐射强度，从而影响图像去雾效果，考虑利用拉伸大气透射率图层对比度的方法来改善云雾厚薄不均时基于暗通道先验得出的无雾图像质量。

【图像增强】基于matlab暗通道图像去雾【含Matlab源码 101期】_图像去雾_09

图1 基于暗通道先验的图像去雾处理效果优化流程

三、部分源代码

** 
%--------------------------------------
clc;
clear;
close all;
 
%% -----------图像去雾算法----------------
%% 加载图片
img = imread('foggy_bench.jpg');
figure;imshow(img);title('雾图');
%% 去雾函数
De_img = anyuanse(img);
figure;imshow(De_img);title('去雾图');
%% 输出结果，分辨率300dpi并保存为tiff图片
imwrite(De_img,'1.tiff','tiff','Resolution',300);
function R = anyuanse(m_img)
% 原始图像
 
win_dark=zeros(img_size ,1);
 
for cc=1:img_size
   win_dark(cc)=1;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
win_dark=reshape(win_dark,h,w);
%计算分块深度darkchannel
 for j=1+win_size:w-win_size
    for i=win_size+1:h-win_size
        m_pos_min = min(I(i,j,:));
        for n=j-win_size:j+win_size    
            for m=i-win_size:i+win_size
                if(win_dark(m,n)>m_pos_min)
                    win_dark(m,n)=m_pos_min;
                end
            end
        end
       
    end
 end
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
 %图像透射率预处理，深度图反相
 for cc=1:img_size
   win_dark(cc)=1-win_dark(cc);
 end
 %%%%%%%%%%%%%%%%%图像软抠图开始%%%%%%%%%%%%%%%%%%%%%
 %选定精确dark value坐标
win_b = zeros(img_size,1);
 
for ci=1:h
    for cj=1:w
        if(rem(ci-8,15)<1)     %没有余数？
            if(rem(cj-8,15)<1)
                win_b(ci*w+cj)=win_dark(ci*w+cj);
            end
        end
       
    end
end
 
%显示分块darkchannel
neb_size = 9;
win_size = 1;
epsilon = 0.0000001;
%指定矩阵形状
indsM=reshape([1:img_size],h,w);
%计算矩阵L
tlen = img_size*neb_size^2;
row_inds=zeros(tlen ,1);
col_inds=zeros(tlen,1);
vals=zeros(tlen,1);
len=0;
for j=1+win_size:w-win_size
    for i=win_size+1:h-win_size
        if(rem(ci-8,15)<1)
            if(rem(cj-8,15)<1)
                continue;
            end
        end
      win_inds=indsM(i-win_size:i+win_size,j-win_size:j+win_size);
      win_inds=win_inds(:);%列显示
      winI=I(i-win_size:i+win_size,j-win_size:j+win_size,:);
      winI=reshape(winI,neb_size,c); %三个通道被拉平成为一个二维矩阵 3*9
      win_mu=mean(winI,1)';  %求每一列的均值 如果第二个参数为2 则为求每一行的均值  //矩阵变向量
      win_var=inv(winI'*winI/neb_size-win_mu*win_mu' +epsilon/neb_size*eye(c)); %求方差
      winI=winI-repmat(win_mu',neb_size,1);%求离差
      tvals=(1+winI*win_var*winI')/neb_size;% 求论文所指的矩阵L
      row_inds(1+len:neb_size^2+len)=reshape(repmat(win_inds,1,neb_size),...
                                             neb_size^2,1);
      col_inds(1+len:neb_size^2+len)=reshape(repmat(win_inds',neb_size,1),...
                                             neb_size^2,1);
      vals(1+len:neb_size^2+len)=tvals(:);
      len=len+neb_size^2;
    end
end 
 
 
 
vals=vals(1:len);
row_inds=row_inds(1:len);
col_inds=col_inds(1:len);
%创建稀疏矩阵
A=sparse(row_inds,col_inds,vals,img_size,img_size);
%求行的总和 sumA为列向量
sumA=sum(A,2);
%spdiags(sumA(:),0,img_size,img_size) 创建img_size大小的稀疏矩阵其元素是sumA中的列元素放在由0指定的对角线位置上。
A=spdiags(sumA(:),0,img_size,img_size)-A;
 
 
  %创建稀疏矩阵
  D=spdiags(win_b(:),0,img_size,img_size);
  lambda=1;
  x=(A+lambda*D)\(lambda*win_b(:).*win_b(:));
  %%%%%%%%%%%%%%%%%%%%%%%%%软图像抠图结束%%%%%%%%%%%%%%%55
 
   %去掉0-1范围以外的数
  alpha=max(min(reshape(x,h,w),1),0);%图像透射率
 
A=220/255; %大气光没有去计算
%去雾
       
for i=1:c
    for j=1:h
        for l=1:w
            dehaze(j,l,i)=(I(j,l,i)-A)/alpha(j,l)+A;
        end
    end
end
R = dehaze;function R = anyuanse(m_img)
% 原始图像
I=double(m_img)/255;
 
% 获取图像大小
[h,w,c]=size(I);
win_size = 7;
img_size=w*h;
dehaze=zeros(img_size*c,1);
dehaze=reshape(dehaze,h,w,c);
 
win_dark=zeros(img_size ,1);
 
for cc=1:img_size
   win_dark(cc)=1;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
win_dark=reshape(win_dark,h,w);
%计算分块深度darkchannel
 for j=1+win_size:w-win_size
    for i=win_size+1:h-win_size
        m_pos_min = min(I(i,j,:));
        for n=j-win_size:j+win_size    
            for m=i-win_size:i+win_size
                if(win_dark(m,n)>m_pos_min)
                    win_dark(m,n)=m_pos_min;
                end
            end
        end
       
    end
 end
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
 %图像透射率预处理，深度图反相
 for cc=1:img_size
   win_dark(cc)=1-win_dark(cc);
 end
 %%%%%%%%%%%%%%%%%图像软抠图开始%%%%%%%%%%%%%%%%%%%%%
 %选定精确dark value坐标
win_b = zeros(img_size,1);
 
for ci=1:h
    for cj=1:w
        if(rem(ci-8,15)<1)     %没有余数？
            if(rem(cj-8,15)<1)
                win_b(ci*w+cj)=win_dark(ci*w+cj);
            end
        end
       
    end
end
 
%显示分块darkchannel
neb_size = 9;
win_size = 1;
epsilon = 0.0000001;
%指定矩阵形状
indsM=reshape([1:img_size],h,w);
%计算矩阵L
tlen = img_size*neb_size^2;
row_inds=zeros(tlen ,1);
col_inds=zeros(tlen,1);
vals=zeros(tlen,1);
len=0;
for j=1+win_size:w-win_size
    for i=win_size+1:h-win_size
        if(rem(ci-8,15)<1)
            if(rem(cj-8,15)<1)
                continue;
            end
        end
      win_inds=indsM(i-win_size:i+win_size,j-win_size:j+win_size);
      win_inds=win_inds(:);%列显示
      winI=I(i-win_size:i+win_size,j-win_size:j+win_size,:);
      winI=reshape(winI,neb_size,c); %三个通道被拉平成为一个二维矩阵 3*9
      win_mu=mean(winI,1)';  %求每一列的均值 如果第二个参数为2 则为求每一行的均值  //矩阵变向量
      win_var=inv(winI'*winI/neb_size-win_mu*win_mu' +epsilon/neb_size*eye(c)); %求方差
      winI=winI-repmat(win_mu',neb_size,1);%求离差
      tvals=(1+winI*win_var*winI')/neb_size;% 求论文所指的矩阵L
      row_inds(1+len:neb_size^2+len)=reshape(repmat(win_inds,1,neb_size),...
                                             neb_size^2,1);
      col_inds(1+len:neb_size^2+len)=reshape(repmat(win_inds',neb_size,1),...
                                             neb_size^2,1);
      vals(1+len:neb_size^2+len)=tvals(:);
      len=len+neb_size^2;
    end
end 
 
 
 
 
R = dehaze;**