图像去雾-图像去雨（matlab/python代码+教程）

看到许多小伙伴想进行图像去雨，图像去雾的任务，由于以前进行了此类项目，所以在此书写博客进行交流。

去雨前言

从静止图像中去除雨水是一项复杂且具有挑战性的任务。雨滴仅影响图像的很小区域，因此导致确定应考虑哪个区域和不应考虑哪个区域的混乱。其他市面算法如FFT去雨也已经实现！
在本文中，已经实现了一种新技术，该技术有效地使用L0梯度最小化方法来去除雨像素。
在这里插入图片描述

最小化技术可以全局控制图像中产生多少非零梯度。该方法与局部特征无关，而是全局定位重要边缘。
保留了这些显着的边缘，并且减少了低振幅和微不足道的细节。以这种方式去除雨像素。
最后，使用直方图调整技术增强了雨水去除的图像的强度，以获得更好的对比度图像。实验结果表明，该算法在去除图像去雨方面有良好的效果

算法流程

在这里插入图片描述

去雨代码部分

clear;
close all;
I=imread('youwutu.jpg'); %读入图像
R=I(:,:,1);% 取输入图像的R分量
[N1,M1]=size(R);
R0=double(R);% 对R分量进行数据转换,并对其取对数
Rlog=log(R0+1);
Rfft2=fft2(R0);% 对R分量进行二维傅里叶变换
sigma=250;% 形成高斯滤波函数
F = zeros(N1,M1);
for i=1:N1
for j=1:M1
F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
end
end
F=F./(sum(F(:)));
Ffft=fft2(double(F)); %对高斯滤波函数进行二维傅里叶变换
DR0=Rfft2.*Ffft;  %对R分量与高斯滤波函数进行卷积运算
DR=ifft2(DR0);
DRdouble=double(DR); %在对数域中，用原图像减去低通滤波后的图像，得到高频增强图像
DRlog=log(DRdouble+1);
Rr=Rlog-DRlog;
G=I(:,:,2);   % 取输入图像的G分量
[N1,M1]=size(G);
G0=double(G);  %对G分量进行数据转换,并对其取对数
Glog = log(G0+1);
Gfft2=fft2(G0);  %对G分量进行二维傅里叶变换
sigma=250;
for i=1:N1
for j=1:M1
F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));end
end
F = F./(sum(F(:)));
Ffft=fft2(double(F));  %对高斯滤波函数进行二维傅里叶变换
DG0=Gfft2.*Ffft;  %对高斯滤波函数进行二维傅里叶变换
DG=ifft2(DG0);
DGdouble=double(DG); %在对数域中，用原图像减去低通滤波后的图像，得到高频增强图像
DGlog=log(DGdouble+1);
Gg=Glog-DGlog;
EXPGg=exp(Gg); %取反对数，得到增强后的图像分量
MIN = min(min(EXPGg)); %对增强后的图像进行对比度拉伸增强
MAX = max(max(EXPGg));end
end

去雨结果 matlab 展示

在这里插入图片描述

图像去雾

去雾概述

暗通道先验：首先说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，也就是说该区域光强是一个很小的值。
所以给暗通道下了个数学定义，对于任何输入的图像J,其暗通道可以用下面的公式来表示：图片其中表示彩色图像每个通道，表示以像素X为中心的一个窗口。
要求暗通道的图像是比较容易的，先求出每个像素在3个通道的最小值，存到一个二维Mat中(灰度图)，然后做一个最小值滤波，滤波的半径由窗口大小决定，这里窗口大小为，公式表示为，其中表示滤波半径。

图片暗通道先验理论得出的结论，这个我不知道如何证明，不过论文给出了几个原因：

a)汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；
b)色彩鲜艳的物体或表面，在RGB的三个通道中有些通道的值很低（比如绿色的草地／树／植物，红色或黄色的花朵／叶子，或者蓝色的水面）

去雾代码：

计算雾化图像的暗通道

def DarkChannel(img, size=15):"""暗通道的计算主要分成两个步骤:1.获取BGR三个通道的最小值2.以一个窗口做MinFilterps.这里窗口大小一般为15（radius为7）获取BGR三个通道的最小值就是遍历整个图像，取最小值即可"""r, g, b = cv2.split(img)min_img = cv2.min(r, cv2.min(g, b))kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (size, size))dc_img = cv2.erode(min_img, kernel)return dc_img

估算全局大气光值

def GetAtmo(img, percent=0.001):"""1.计算有雾图像的暗通道2.用一个Node的结构记录暗通道图像每个像素的位置和大小，放入list中3.对list进行降序排序4.按暗通道亮度前0.1%(用percent参数指定百分比)的位置，在原始有雾图像中查找最大光强值"""mean_perpix = np.mean(img, axis=2).reshape(-1)mean_topper = mean_perpix[:int(img.shape[0] * img.shape[1] * percent)]return np.mean(mean_topper)

估算透射率图

def GetTrans(img, atom, w):"""w为去雾程度，一般取0.95w的值越小，去雾效果越不明显"""x = img / atomt = 1 - w * DarkChannel(x, 15)return tdef GuidedFilter(p, i, r, e):""":param p: input image:param i: guidance image:param r: radius:param e: regularization:return: filtering output q"""# 1mean_I = cv2.boxFilter(i, cv2.CV_64F, (r, r))mean_p = cv2.boxFilter(p, cv2.CV_64F, (r, r))corr_I = cv2.boxFilter(i * i, cv2.CV_64F, (r, r))corr_Ip = cv2.boxFilter(i * p, cv2.CV_64F, (r, r))# 2var_I = corr_I - mean_I * mean_Icov_Ip = corr_Ip - mean_I * mean_p# 3a = cov_Ip / (var_I + e)b = mean_p - a * mean_I# 4mean_a = cv2.boxFilter(a, cv2.CV_64F, (r, r))mean_b = cv2.boxFilter(b, cv2.CV_64F, (r, r))# 5q = mean_a * i + mean_breturn q