基于暗原色先验的单幅图像去雾——算法复现

基于暗原色先验的单幅图像去雾——算法复现

MOOC 数字图像处理的大作业学习

暗原色先验理论

暗原色先验是对无雾图像的统计规律，对无雾的图像的研究，发现在绝大多数户外无雾图像的任意局部小块中，总存在一些像素，他们的某一个或几个颜色通道的强度值很低，且接近于零，称之为暗原色。

求取暗原色的公式：
$J_{dark}(x)={\min }_{y\in (r,g,b)}({\min }_{y\in {\Omega }_x}(J_c(y)))$

暗原色求取过程，首先将雾图像在RGB空间进行分解，在局部块中取最下值的操作，求得R，G，B三通道中最小分量，然后采用Marcel van Herk的快速算法对最小分量值进行局部区域最小滤波，也即灰度腐蚀操作。
暗原色点主要存在与物体的局部阴影、自然景观的投影、黑色物体或表面以具有鲜艳颜色的物体及表面。

暗原色先验去雾

雾天图像退化模型
$I(x)=J(x)\ast t(x)+A(1-t(x))$

I(x)：雾化图像
J(x)：景物光线的强度（原始图像）
A： 大气光成分
t(x)：通过率

通过暗原色先验估测出雾的透过率图，在利用透过率恢复场景J(x)。
步骤：

1. 将带雾图像I分成15*15的块，求得局部和全局暗原色图
2. 假设全球大气光成分已知，利用暗原色图粗略估测透过率图t(x)
3. 软件抠图细化透过率图
4. 利用暗原色先验估计大气光成分A
5. 由雾图模型以及参数I，A和 t(x)，恢复无雾图像J

图像预处理

clear;

img_name = './res/SGP_Bing_588.png';

I = double(imread(img_name))/255;  % 归一化
figure,imshow(I);title("原始图像");
1
2
3
4
5
6

暗原色图

求取暗原色的公式：
$$J_{dark}(x)=\underset{y\in (r,g,b)}{\min }(\underset{y\in {\Omega }_x}{\min }(J_c(y)))$$
$J_c$为J的R,G,B三通道中的一个颜色通道，${\Omega }_x$是以x为中心的局部区域。

[h,w,c] = size(I);  % 求出图像的高、宽、通道（RGB,3通道）
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
win_dark = reshape(win_dark,h,w);

% darkchannel
for j = 1+win_size:w-win_size
    for i = 1+win_size:h-win_size
        m_pos_min = min(I(i,j,:));  % 在局部块中心最小值，R、G、B三通道中的最小分量，因为用的是15*15的，中心（8，8）
        
        % win_size*win_size 区域里面最小滤波
        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

figure,imshow(win_dark);title("暗原色图像");
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

透过率估计

雾天图像退化模型
$$I(x)=J(x)\ast t(x)+A(1-t(x))$$

假设大气光成分A已知，在局部区域内，透过率保持一致
$$\min (\underset{y\in {\Omega }_x}{\min }(\frac{I_c(y)}{A_c}))=t(x)\underset{c}{\min }(\underset{y\in {\Omega }_x}{\min }(\frac{I_c(y)}{A_c}))+(1-t(x))$$

有已知无雾图像的暗原色值很小，接近0，且 $A\ne 0$ 。
$$t(x)=1-\underset{c}{\min }(\underset{y\in {\Omega }_x}{\min }(\frac{I_c(y)}{A_c}))$$
${\min }_c({\min }_{y\in {\Omega }_x}(\frac{I_c(y)}{A_c}))$正好是用A归一化的带雾图像的暗原色。
考虑空间透视现象，彻底移除雾会使图像看起来不真实，引进一个常数ω(0＜ω ≤1)，有针对性的保留一部分遥远景物的雾。
$$t(x)=1-\omega \underset{c}{\min }(\underset{y\in {\Omega }_x}{\min }(\frac{I_c(y)}{A_c}))$$

实验表明：一般浓雾越大，ω的值越大，越接近1；薄雾情况下ω偏下，在0.7左右。
文中选取0.8。

% 每个点都需要计算
for cc=1:img_size
    win_dark(cc) = 1-win_dark(cc)*0.8;
end
1
2
3
4

无雾图像复原

首先选取暗原色中亮度最高的0.1%像素，并把它们在输入图像I中对应的最大亮度值，最为大气光A的估计值。A不一定是图像中最亮的值。
$$J(x)=\frac{I(x)-(1-t_{max}(x))A}{t_{max}(x)}$$
其中：
$$t_{max}(x)=\max (t(x),t0)$$
t0是透过率的下限值。

下面的代码看不懂了，后面有时间再研究。

win_b = zeros(img_size,1);
for ci=1:h
    for cj=1:w
        if(rem(ci-8,15) < 1)
            if(rem(cj-8,15) < 1)
                win_b(ci*w + cj) = win_dark(ci*w +cj);  % 前8行，前8列，以及行列均为15的倍数的点
            end
        end
    end
end

neb_size = 9;
win_size = 1;
epsilon = 0.0000001;
indsM = reshape([1:img_size],h,w);
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=1+win_size : 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(:);
        winI = I(i-win_size:i+win_size,j-win_size:j+win_size,:);
        winI = reshape(winI,neb_size,c);
        win_mu = mean(winI,1)';
        win_var = inv(winI'*winI/neb_size-win_mu*win_mu'+epsilon/neb_size*eye(c));
        winI = winI - repmat(win_mu',neb_size,1);
        tvals = (1+winI*win_var*winI')/neb_size;
    
        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);
A = sparse(row_inds,col_inds,vals,img_size,img_size);
sumA = sum(A,2);
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(:));
% 去掉0-1范围以外的数
alpha = max(min(reshape(x,h,w),1),0);

figure,imshow(alpha);

A = 220/255;
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

figure,imshow(dehaze);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72

实际效果

使用RESIDE 图像去雾数据集的部分图像，下载地址: https://hyper.ai/datasets/18179

参考文章

1. 高级图像去雾算法的快速实现

备注

1. 图像复原部分的代码没看懂
2. 用一些图片计算会出现内存不足的问题（8个G都不够），运行时间也比较长