-暗原色去雾霾处理c

北京航空航天大学数字图像处理–课程设计报告图像去雾霾１１１５１５班（１１１５１２０１）２０１４.６.２７1.实现目标1、算法功能雾霾是特定气候条件与人类活动相互作用的结果。

高密度人口的经济及社会活动必然会排放大量细颗粒物，一旦排放超过大气循环能力和承载度，细颗粒物浓度将持续积聚，此时如果受静稳天气等影响，极易出现大范围雾霾。

2、技术指标去雾霾方式是推测每一个像素点的雾霾浓度，将其去除。

现实中给我们的印象是，在雾霾天气下，近距离的物体看得比较清，雾霾的浓度小；远距离的物体看不清，雾霾的浓度大。

可以说，雾霾图像=清晰图像+雾霾浓度。

因此，为了准确恢复清晰图像，我们必须估计图像中物体所处位置的雾霾浓度，这是高性能去雾霾技术的关键所在。

2.研究现状分析1、国内外研究现状目前，国内外对于图像去雾的方法主要分为两大类，一类是基于大气退化物理模型的方法, 即从物理成因的角度对大气散射作用进行建模分析，进而得到场景深度模型，实现场景复原，另一类是基于图像增强的方法[，也就是单纯从图像的角度考虑，无须借助其他设备或者参考图像等辅助信息，直接利用图像增强方法改善图像质量，达到降低雾影响的目的。

2、目前存在的问题第一类方法一般需要复杂的建模过程，有些甚至还需要额外的特殊设备，或者需要无雾的图像作为参考，实现过程比较困难。

3、算法描述基于暗原色先验的单幅图像去雾算法（使用opencv）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，一般有WindowSize = 2 * Radius + 1; ．根据雾图成型模型，求出A，t(x)带入求出J即可。

暗原色先验是通过对户外无雾图像的观察得出的：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具有很低的值。

换言之，该区域光强度的最小值是个很小的数。

公式描述：J = ( I - A)/t + A其中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。

各参数对去雾结果的影响第一：窗口的大小。

这个对结果来说是个关键的参数，窗口越大，其包含暗通道的概率越大，暗通道也就越黑。

我们不去从理论角度分析，从实践的效果来看，似乎窗口越大，去雾的效果越不明显。

我的建议是窗口大小在11-51之间，即半径在5-25之间。

式（12）中的ω具有着明显的意义，其值越小，去雾效果越不明显。

当投射图t 的值很小时，会导致J的值偏大，从而使淂图像整体向白场过度，因此一般可设置一阈值T0，当t值小于T0时，令t=T0，本文中所有效果图均以T0=0.1为标准计算。

上述推论中都是假设全球达气光A值时已知的，在实际中，我们可以借助于暗通道图来从有雾图像中获取该值。

具体步骤如下：1）从暗通道图中按照亮度的大小取前0.1%的像素。

2）在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。

4、算法的实现主要算法：//求暗原色ROI_rect.width=block;//rect.width获取或设置矩形的宽度ROI_rect.height=block;//高度；block 由滑动条给定ROI_rect.x=0;ROI_rect.y=0;int i;int j;double min1=0;double max1=0;double min2=0;double max2=0;double min3=0;double max3=0;double min=0;CvScalar value;//CvScalar一个可以用来存放4个double数值的数组；//一般用来存放像素值（不一定是灰度值）的，最多可以存放4个通道的 for(i=0;i<src->width/block;i++){ for(j=0;j<src->height/block;j++){//分别计算三个通道内ROI的最小值cvSetImageROI(dst1,ROI_rect);// cvSetImageROI基于给定的矩形设置图像的ROIcvCopy(dst1,imgroi1,NULL);//cvCopy 拷贝一个数组给另一个数组cvMinMaxLoc(imgroi1,&min1,&max1,NULL,NULL);cvSetImageROI(dst2,ROI_rect);cvCopy(dst2,imgroi2,NULL);cvMinMaxLoc(imgroi2,&min2,&max2,NULL,NULL);//cvMinMaxLoc 寻找数组中的最大最小值；cvSetImageROI(dst3,ROI_rect);cvCopy(dst3,imgroi3,NULL);cvMinMaxLoc(imgroi3,&min3,&max3,NULL,NULL);//求三个通道内最小值的最小值if(min1<min2)min=min1;elsemin=min2;if(min>min3)min=min3;//min为这个ROI中暗原色value=cvScalar(min,min,min,min);//min放在value中，三个就可以了。

//min赋予dark_channel中相应的ROIcvSetImageROI(dark_channel,ROI_rect);cvSet(roidark,value,NULL);cvCopy(roidark,dark_channel,NULL);//释放各个ROIcvResetImageROI(dst1);cvResetImageROI(dst2);cvResetImageROI(dst3);cvResetImageROI(dark_channel);//转入下一个ROIROI_rect.x=block*i;ROI_rect.y=block*j;}}//保存暗原色先验的图像cvSaveImage("G:/课件/大三下/数字图像处理/图像处理作业/处理结果/dark_channel_prior.jpg",dark_channel);//利用得到的暗原色先验dark_channel_prior.jpg求大气光强double min_dark;double max_dark;CvPoint min_loc;CvPoint max_loc;//max_loc是暗原色先验最亮一小块的原坐标cvMinMaxLoc(dark_channel,&min_dark,&max_dark,&min_loc,&max_loc,NULL); cout<<max_loc.x<<" "<<max_loc.y<<endl;ROI_rect.x=max_loc.x;ROI_rect.y=max_loc.y;double A_dst1;//定义大气光成分的估计值double dst1_min;double A_dst2;double dst2_min;double A_dst3;double dst3_min;cvSetImageROI(dst1,ROI_rect);//按照论文方法求大气光强估计值cvCopy(dst1,imgroi1,NULL);cvMinMaxLoc(imgroi1,&dst1_min,&A_dst1,NULL,NULL);//cvMinMaxLoc 寻找数组中的最大最小值；cvSetImageROI(dst2,ROI_rect);cvCopy(dst2,imgroi2,NULL);cvMinMaxLoc(imgroi2,&dst2_min,&A_dst2,NULL,NULL);//从暗通道图中按照亮度的大小取前0.1%的像素。

在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。

cvSetImageROI(dst3,ROI_rect);cvCopy(dst3,imgroi3,NULL);cvMinMaxLoc(imgroi3,&dst3_min,&A_dst3,NULL,NULL);cout<<A_dst1<<" "<<A_dst2<<" "<<A_dst3<<endl;//这三值为大气光强度估计值//求透射率int k;int l;CvScalar m;CvScalar n;//暗原色先验各元素值for(k=0;k<src->height;k++){for(l=0;l<src->width;l++){m=cvGet2D(dark_channel,k,l);//获取dark_channel图像中坐标为（k,l）的像素点的值n=cvScalar(255-w*m.val[0]);//w目的是保留一部分的雾,使图像看起来真实些cvSet2D(toushelv,k,l,n);//透射率是针对窗口而言的}}cvSaveImage("G:/课件/大三下/数字图像处理/图像处理作业/处理结果/toushelv.jpg",toushelv);//求无雾图像int p,q;double tx;double jj1,jj2,jj3;CvScalar ix,jx;for(p=0;p<src->height;p++){for(q=0;q<src->width;q++){tx=cvGetReal2D(toushelv,p,q);//获得某个点的值tx=tx/255;if(tx<0.1)tx=0.1;//tx 的值很小时，会导致J的值偏大，从而使淂图像整体向白场过度，因此设置一阈值T0，当t值小于T0时，令t=T0.ix=cvGet2D(src,p,q);jj1=(ix.val[0]-A_dst1)/tx+A_dst1;//根据雾产生模型运算,还原出无雾图像jj2=(ix.val[1]-A_dst2)/tx+A_dst2;//typedef struct CvScalar{doubleval[4];}CvScalar;jj3=(ix.val[2]-A_dst3)/tx+A_dst3;jx=cvScalar(jj1,jj2,jj3,0.0);cvSet2D(dst,p,q,jx);// 给某个点赋值}}cvSaveImage("G:/课件/大三下/数字图像处理/图像处理作业/处理结果/removed_haze.jpg",dst);//保存图像//主函数如下void main(){//打开图像src=cvLoadImage("22.bmp",-1);//创造窗口cvNamedWindow("有雾图像",CV_WINDOW_AUTOSIZE);//cvNamedWindow该函数为开放计算机视觉（OpenCV）库库函数，用来创建指定的窗口cvShowImage("有雾图像",src);//开放计算机视觉（OpenCV）库库函数，用来在在指定窗口中显示图像cvNamedWindow("目的图像",CV_WINDOW_AUTOSIZE);cvCreateTrackbar(tbarname1, "目的图像", &block, 25, on_trackbar1);// 创建trackbar并将它添加到指定的窗口cvCreateTrackbar(tbarname2, "目的图像", &w1, 100, on_trackbar2);//由w取值范围可以确定w1最大值为100cvWaitKey(0);//cvWaitKey()函数的功能是不断刷新图像，频率时间为delay，单位为ms。