图像去雾（一）—— 基于暗通道先验理论的图像去雾

姓名：张昊楠   

学号：21021210691  

 学院：电子工程学院

【嵌牛导读】简要介绍暗通道先验理论基础

【嵌牛鼻子】图像处理 图像去雾

【嵌牛正文】：

        暗通道先验理论是何凯明基于对大量户外无雾图像的观察所得到的统计规律：在大多数不包含天空区域的图像中，存在一些像素点，这些像素点中至少有一个通道的值有非常低的值。如果将无雾图像用J表示，那么图像的暗通道可以表示为：

式中Ω（x）表示以像素点x为中心的方形窗口。暗通道图像即为对原图作最小值滤波。

    根据暗通道先验理论，在没有雾的户外图像中，除天空区域外，其暗通道趋向于零，即：

造成暗通道图像亮度低的原因一般包括图像中的阴影区域，颜色鲜艳的物体以及本身就比较暗的物体。

        一般来说，一张含雾霾的图片往往比没有雾霾的图片更亮。在雾霾越厚的地方，其暗通道像素值越高。根据暗通道先验理论，我们可以认为，含雾图片中暗通道的亮度大致接近雾霾的厚度。

        图1是一幅无雾图和它的暗通道图像，图2是一幅有雾图和它的暗通道图像。通过对比可以发现，图1的暗通道图几乎全部是黑色，图2的有雾图像白色区域明显较多，且原图中雾越浓，暗通道图像对应的区域越亮。雾天图像的暗通道图像亮度值可以很好地反映雾的浓度。根据这一点，我们可以通过暗通道图像来估计雾的浓度。

        下面介绍如何利用暗通道先验理论对图像进行去雾：

        在一些关于图像去雾的方法中，一般将图像中像素的最大值作为大气光的估计值。但在实际的图片中，最亮的像素点可能是白色的背景墙或者白色的汽车。所以利用原图最亮的像素点作为大气光的强度有时会产生较大误差。

        如第1节介绍的那样，雾霾图像暗通道亮度近似等同于雾霾厚度，所以可以利用图像的暗通道的亮度来更准确估计整体大气光。整体大气光的估计方法如下：

        首先取暗通道图像中千分之一个最亮的像素点；然后找到这些像素点对应在原彩色图像中的位置；最后，在原彩色图像中的这些位置里面找到亮度最大的点，作为大气光强的估计值。实际 *** 作中，这种方法比“最亮像素法”更具有更高的稳定性。

        对大气散射模型变形，有

        假设在区域 中，透射率t(x)是一个常数，记为 。对上式两端作两次最小值滤波，第一次对等式两端R,G,B三个通道取最小值，第二次滤波对以目标像素点为中心的方形区域内取最小值作为该像素点的值，公式表示如下所示：

根据暗通道先验理论：

将2-3式代入2-2式，可以求得透射率

实际生活中，即使是在晴朗的天气下也会不可避免地在空气中存在一些杂质分子。而且，雾的存在可以帮助我们更好获取景深信息，这种现象就是我们所说的空间透视。如果将雾完全除掉的话，景深信息也会丢失，这样一来，复原出的图像会显得不自然。所以在实际 *** 作时，我们会选择保留一部分覆盖远景的雾。为此，引入参数，对2-4式作出调整，得到修正后透射率的表达式：

w越大，表示去雾效果越好。当w=0时，透射率恒为1，复原结果图即为原图；当w=1时，表示雾霾全部去除。这里，为保留一定的景深信息，令w=0.95。

        根据上述方法，我们已经求出了大气光强和透射率信息，对大气散射模型作恒等变形，利用（2-6）式在图像的R,G,B三个通道分别进行计算即可得到复原后的无雾图像。

        透射率t(x)是一个介于0和1之间的值，当t(x)的某个值为0时，根据上述公式，所得到的图像对应点的像素值则趋向于无穷大，这是我们不希望看到的。所以，为了避免这种情况的发生，我们引入限制透射率阈值的参数 ，以此来控制透射率的下限，则修正后的表达式为：

复原效果图：

        从图中可以看出，虽然利用上述方法实现了去雾的效果，但效果并不理想。在天安门与天空连接的边缘部分，会有明显的带状区域产生，这种现象我们称之为光晕效应。经过对比发现，滤波窗口的半径越大，光晕效应越明显。这是因为，我们最初的假设是透射率 在以某一像素点为中心的 为半径的区域内是常数，这种假设在图像的平滑区域是成立的，但在景深突变的边缘处，这种假设并不成立。在边缘部分的透射率信息和实际有一定的误差，我们称这个透射率是粗糙的。因此，为取得更加理想的去雾效果，需要进一步对计算出的透射率 进行细化处理。

        在后续的文章中，我们将会介绍一些方法对透射率进行细化，用以抑制光晕效果的产生。

     K. He, J. Sun and X. Tang, "Guided Image Filtering,"in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no.6, pp. 1397-1409, June 2013, doi: 10.1109/TPAMI.2012.213.

图像复原-模糊图像处理解决方案

机器视觉智能检测 2017-06-16

造成图像模糊的原因有很多，且不同原因导致的模糊图像需要不同的方法来进行处理。从技术方面来讲，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。本文将从这三方面切入剖析。

智能化设备管理技术是利用系统管理平台软件的设备管理服务，对所有的监控设备包括摄像机、云台、编码器和系统服务器进行不间断的实时监测，当发现故障时能及时通过各种方式告警，提示维护人员及时处置。一个系统可以按照网络拓扑结构部署多台设备管理服务器，分区域对设备进行实时的巡检，这样可以大大提高系统的维护效率，尽可能做到在设备发生故障时，在不超过10分钟的时间内被监测到并告警。

建设目标

本方案拟应用先进的机器学习和计算机视觉技术，仿真人类的视觉系统，针对某市公共安全图像资源前端摄像头出现的雪花、滚屏、模糊、偏色、画面冻结、增益失衡和云台失控等常见摄像头故障以及恶意遮挡和破坏监控设备的不法行为做出准确判断，并自动记录所有的检测结果，生成报表。以便用户轻松维护市公共安全图像资源系统。

技术路线

将视频故障分成视频信号缺失、视频清晰度异常、视频亮度异常、视频噪声、视频雪花、视频偏色、画面冻结、PTZ运动失控八种类型。其中视频信号缺失、随着“平安城市”的广泛建设，各大城市已经建有大量的视频监控系统，虽然监控系统己经广泛地存在于银行、商场、车站和交通路口等公共场所，但是在公安工作中，由于设备或者其他条件的限制，案情发生后的图像回放都存在图像不清晰，数据不完整的问题，无法为案件的及时侦破提供有效线索。经常出现嫌疑人面部特征不清晰、难以辨认、嫌疑车辆车牌模糊无法辨认等问题，这给公安部门破案、法院的取证都带来了极大的麻烦。随着平安城市的推广、各地各类监控系统建设的进一步推进，此类问题将会越来越凸显。

模糊图像产生的原因

造成图像模糊的原因很多，聚焦不准、光学系统的像差、成像过程中的相对运动、大气湍流效应、低光照、环境随机噪声等都会导致图像模糊。另外图像的编解码、传输过程都可能导致图像的进一步模糊。总体来说，造成图像模糊的主要原因如下：

· 镜头聚焦不当、摄像机故障等

· 传输太远、视频线老化、环境电磁干扰等

· 摄像机护罩视窗或镜头受脏污、受遮挡等

· 大雾、沙尘、雨雪等恶劣环境影响

· 由视频压缩算法和传输带宽原因导致的模糊

· 摄像机分辨率低，欠采样成像

· 光学镜头的极限分辨率和摄像机不匹配导致的模糊

· 运动目标处于高速运动状态导致的运动模糊等

……

模糊图像常用解决方案

对于模糊图像处理技术，国内大学和科研机构在多年以前就在研究这些理论和应用，相关文献也发布了不少，已经取得了一些很好的应用。美国 Cognitech软件是相当成熟的一套模糊图像恢复应用软件，在美国FBI及其他执法机构中已有多年实际应用，其恢复出的图像可以直接当作法庭证据使用，可见模糊图像处理技术已经取得了相当的实际应用。

前面提到，造成图像模糊的原因有很多，要取得比较好的处理效果，不同原因导致的模糊往往需要不同的处理方法。从技术方面来讲，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。

图像增强

很多传统图像算法都可以减轻图像的模糊程度，比如图像滤波、几何变换、对比度拉伸、直方图均衡、空间域锐化、亮度均匀化、形态学、颜色处理等。就单个来讲，这些算法都比较成熟，相对简单。但是对于一个具体的模糊图像，往往需要上面的一种或者多种算法组合，配合不同的参数才能达到理想的效果。这些算法和参数的组合进一步发展成为具体的增强算法，比如“图像去雾”算法、“图像去噪”算法、“图像锐化”算法、“图像暗细节增强”算法等等。这些算法都不同程度提高了图像清晰度，很大程度改善了图像质量。

综合使用形态学、图像滤波和颜色处理等算法可以实现图像去雾的算法，图1是一个去雾算法的实际使用效果，类似的图像增强算法还有很多，不再一一列举。

图像复原

图像复原与图像增强技术一样，也是一种改善图像质量的技术。图像复原是根据图像退化的先验知识建立一个退化模型，然后以此模型为基础，采用各种逆退化处理方法逐步进行恢复，从而达到改善图像质量的目的。

图像复原和图像增强是有区别的，两者的目的都是为了改善图像的质量。但图像增强不考虑图像是如何退化的，只有通过试探各种技术来增强图像的视觉效果，而图像复原就完全不同，需要知道图像退化过程的先验知识，据此找出一种相应的逆过程方法，从而得到复原的清晰图像。图像复原主要取决于对图像退化过程的先验知识所掌握的精确程度。

对由于离焦、运动、大气湍流等原因引起的图像模糊，图像复原的方法效果较好，常用的算法包括维纳滤波算法、小波算法、基于训练的方法等。图3是使用维纳滤波解决运动模糊图像的例子，取得了很好的复原效果。在知道退化模型的情况下，相对图像增强来说，图像复原可以取得更好的效果。

图像超分辨率重构

现有的监控系统主要目标为宏观场景的监视，一个摄像机，覆盖一个很大的范围，导致画面中目标太小，人眼很难直接辨认。这类由于欠采样导致的模糊占很大比例，对于由欠采样导致的模糊需要使用超分辨率重构的方法。

超分辨率复原是通过信号处理的方法，在提高图像的分辨率的同时改善采集图像质量。其核心思想是通过对成像系统截止频率之外的信号高频成分估计来提高图像的分辨率。超分辨率复原技术最初只对单幅图像进行处理，这种方法由于可利用的信息只有单幅图像，图像复原效果有着固有的局限。序列图像的超分辨率复原技术旨在采用信号处理方法通过对序列低分辨率退化图像的处理来获得一幅或者多幅高分辨率复原图像。由于序列图像复原可利用帧间的额外信息，比单幅复原效果更好，是当前的研究热点。

序列图像的超分辨率复原主要分为频域法和空域法两大类，频域方法的优点是：理论简单，运算复杂度低，缺点是：只局限于全局平移运动和线性空间不变降质模型，包含空域先验知识的能力有限。空域方法所采用的观测模型涉及全局和局部运动、空间可变模糊点扩散函数、非理想亚采样等，而且具有很强的包含空域先验约束的能力。常用的空域法有非均匀插值法、迭代反投影方法（IBP）、凸集投影法（POCS）、最大后验估计法（MAP）、最大似然估计法 （ML）、滤波器法等，其中，MAP和POCS二方法研究较多，发展空间很大。对于具体的算法，不是本文的重点，这里不做详细介绍。图五是一个使用多帧低分辨率图像超分辨率重构的例子。

模糊图像处理技术的关键和不足

虽然很多模糊图像的处理方法在实际应用中取得了很好的效果，但是当前仍然有一些因素制约着模糊图像处理的进一步发展，主要如下。

算法的高度针对性

绝大部分的模糊图像处理算法只适用于特定图像，而算法本身无法智能决定某个算法模块的开启还是关闭。举例来说，对于有雾的图像，“去雾算法”可以取得很好的处理效果，但是作用于正常图像，反而导致图像效果下降，“去雾算法”模块的打开或者关闭需要人工介入。

算法参数复杂性

模糊图像处理里面所有的算法都会包含大量的参数，这些参数的选择需要和实际的图像表现相结合，直接决定最终的处理效果。就目前的算法，还没有办法智能地选择哪些是最优的参数。

算法流程的经验性

由于实际图像非常复杂，需要处理多种情况，这就需要一个算法处理流程，对于一个具体的模糊视频，采用什么样的处理流程很难做到自动选择，需要人工选择一个合适的方法，只能靠人的经验。

结语

由于环境、线路、镜头、摄像机等影响，监控系统建成并运营一段时间后，都会出现一部分的视频模糊不清的问题。

总体来说，虽然模糊图像处理算法已经取得了非常广泛的应用，但是图像算法毕竟有局限性，不能将所有问题都寄希望于图像算法，对于不同种类的模糊问题，要区别对待。对于由镜头离焦、灰尘遮挡、线路老化、摄像机故障等造成的模糊或者图像质量下降，在视频诊断系统的帮助下，一定要及时维修，从源头上解决问题。对于低光照等优先选择日夜两用型高感光度摄像机，对于雨雾、运动和欠采样等造成的图像质量下降，可以借助于“视频增强服务器”包含的各种模糊图像处理算法来提升图像质量。

喜欢此内容的人还喜欢

17个教师常用网站推荐给你，再也不用到处找资源了

17个教师常用网站推荐给你，再也不用到处找资源了 ...

高校教师服务工作室

不喜欢

不看的原因

确定

内容质量低 不看此公众号

什么是水磨石？被设计师玩出新高度

什么是水磨石？被设计师玩出新高度 ...

联盟设计库

不喜欢

不看的原因

确定

内容质量低 不看此公众号

欢迎观看 Lightroom Classic 中文版教程，我带大家学习 Lightroom Classic 的基本工具和使用技巧，了解如何在 Lightroom 中使用去朦胧功能减少照片中的雾度。

在 Lightroom Classic 中，选择「文件」-「导入照片和视频...」。

在打开的面板中找到图片所在的文件夹，选择图像，然后单击「导入」。

在「图库」模块中选择要减少雾度的照片。

切换到「修改照片」模块，然后向下滚动到「基本」部分。

点击「基本」，打开显示工具控件的「基本」面板。

在「基本」面板「偏好」部分中找到「去朦胧」滑块，向右拖动「去朦胧」滑块以减少照片中的雾度。

要获得特殊效果，将「去朦胧」滑块向左移动以增加照片中的雾度。

如果想要恢复原来的照片，点击右下角「复位」按钮，就可以使照片恢复到最初的样子。

选择「编辑」菜单，选择「撤消复位设置」，或者使用快捷键 Command+Z，使照片重新回到现在的样子。

以上就是在 Lightroom 中使用去朦胧功能减少照片中的雾度的方法。

---