基于Python实现数字图像处理（图像去雾）【100010439】

> # ♻️ 资源 > **大小：** 20.0MB > **文档链接：**[**https://www.yuque.com/sxbn/ks/100010439**](https://www.yuque.com/sxbn/ks/100010439) > **➡️ 资源下载：**[**https://download.csdn.net/download/s1t16/87388346**](https://download.csdn.net/download/s1t16/87388346) > **注：更多内容可关注微信公众号【神仙别闹】，如当前文章或代码侵犯了您的权益，请私信作者删除！** >  # 数字图像处理大作业-图像去雾 # 一、总述 本次大作业要求调研实现去雾算法，发现其中的问题，并对算法进行改进。 我首先实现了基于暗原色先验的去雾算法，并从运算速度和去雾效果方面进行了一定的改进。之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 Python 实现，使用 pyqt 设计了用户界面。 # 二、文献调研 室外图像的质量有时会因为雾和霾的原因有所下降，空气中的灰尘和水气对光线的吸收和散射，使得进入摄像机镜头的光混杂了白光，从而导致实际景象的对比度降低。 去雾算法一直受到研究者的关注，传统的去雾算法有多图片去雾和单图片去雾两大类。Shwartz, Namer, and Schechner (2006)利用多张不同角度拍摄图片的信息来实现去雾，属于多图片去雾算法。在深度神经网络广泛应用之前，单图片去雾的算法已经取得了一定成就。Tan (2008)发现无雾图像一定比有雾图像对比度更高，他使用最大化局部对比度的方法实现去雾，但这种方法可能带来色彩的失真。Fattal (2008)通过估计场景的反射率的方法去雾，他假定光传播与表面纹理局部无关。他的方法能较好的保留景象的色彩，但对浓雾的处理效果较差。 2011年提出的暗原色先验方法(K. He, Sun, & Tang, 2011)引起了学界的广泛关注，但方法基于暗原色假设，使用简洁明了的公式处理有雾图像，在色彩不失真的前提下有效地去除雾气。本文中使用的第一种算法也是基于暗原色假设。 近年来，深度神经网络得到广泛应用，在图像去雾领域也不例外。Ren et al. (2016)使用多尺度的网络进行去雾，首先使用训练一个网络来预测图片整体的传递函数，再用一个网络进行细化，与传统的去雾流程有些相似。2017 年提出 AOD-net 使用端到端的网络实现去雾(Li, Peng, Wang,Xu, & Feng, 2017)，网络结构精巧，参数量少，但去雾效果很好。与之前的方法不同，AOD 直接将原图输入模型得到去雾后的图像，这有利于直接训练模型来减少结果图像与 ground truth 的误差。本文使用的第二种方法便是基于 AOD。 # 三、暗原色先验算法 ## 3.1 基本模型 去雾算法广泛使用的模型如下： %20%3D%20J(x)t(x)%2BA(1-t(x))%0A#card=math&code=I%28x%29%20%3D%20J%28x%29t%28x%29%2BA%281-t%28x%29%29%0A&id=i82WO) 其中，I(x)是有雾图像，J(x)是无雾图像，t(x)是透射率，A是全局背景光。如果估算出了t(x)和A，那么无雾图片就能用下面的公式计算出来：  实际应用，为了防止()的值过小，会引入参数  因此，去雾算法的任务就变成了估计全局背景光和透射率t(x)。 ## 3.2 暗原色先验 暗原色先验（或暗通道先验），是说对于无雾图像中的一小片区域，其三维矩阵的最小值总是很低，换句话说，该区域 RGB 通道的最小值中的最小值总是很低。设图像的暗通道为#card=math&code=J%5E%7Bdark%7D%28x%29&id=rdeXX)  Ω(x)是 x 领域的一小片方形区域。暗原色先验是假设#card=math&code=J%5E%7Bdark%7D%28x%29&id=Uk8cj) ≈ 0，但这对天空区域是不适用的。 ## 3.3 估算透射率 利用暗原色先验假设，我们可以估算出一个粗略的透射率我们先对𝐼(𝑥) = 𝐽(𝑥)𝑡(𝑥) + 𝐴(1 − 𝑡(𝑥))两边除以 A  求两边的暗通道：  假设t(x)在小片区域内是不变的，并设其为t~(x):  A在整个图像范围内是常数，由暗原色先验假设，因此： ![9bbfb29567ddbe573217518faa31c167.PNG](http