基于导向滤波的暗通道先验去雾算法（Python，可直接运行）

最新推荐文章于 2025-05-20 09:43:47 发布

原创

最新推荐文章于 2025-05-20 09:43:47 发布 · 1.1w 阅读

180 ·

CC 4.0 BY-SA版权

文章标签：

#Python #图像去雾

本文介绍了基于暗通道先验的去雾算法，详细讲解了暗通道先验理论和去雾模型，并探讨了导向滤波在求解透射率图t(x)中的应用。通过Python实现，展示了去雾处理的代码及多组结果，强调了参数调试对优化去雾效果的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于导向滤波的暗通道先验去雾算法（Python语言，可直接运行）

1 编译环境
2 原理介绍
3 代码
4 处理结果
5 需要注意的是

1 编译环境

编程语言：Python
IDE：PyCharm 2017

2 原理介绍

2.1 暗通道先验

2.1.1 暗通道先验理论与去雾模型

暗通道先验的去雾算法是由何凯明在2009年的CVPR会议上的最佳论文，译文见译文_Single Image Haze Removal Using Dark Channel Prior，何恺明的暗通道先验（dark channel prior）去雾算法是CV界去雾领域很有名的算法，关于该算法的论文"Single Image Haze Removal Using Dark Channel Prior"一举获得2009年CVPR最佳论文。作者统计了大量的无雾图像，发现一条规律：每一幅图像的RGB三个颜色通道中，总有一个通道的灰度值很低，几乎趋向于0。基于这个几乎可以视作是定理的先验知识，作者提出暗通道先验的去雾算法。
作者首先介绍去雾模型如下：
在这里插入图片描述
式中I(x)为原图，待去雾图像；J(x)为要恢复的无雾图像；A是大气光成分，t(x)为图像的透光率
。

2.1.2 处理步骤

	对成像模型归一化，两边同时除以每个通道的大气光值，得到如下：

在这里插入图片描述

准，因此图像恢复的最终公式为：

2.2 导向滤波求t(x)

在原文中，作者提出的为Soft Matting方法求解透射率图t(x)，但该方法的致命失误在于计算效率低，速度慢。因此，在2011年，作者又发表论文提出利用导向滤波的方式来求透射率图t(x)。导向滤波步骤如下图：
在这里插入图片描述

3 代码

代码如下：

import cv2 as cv
import numpy as np

def zmMinFilterGray(src, r=5):
  '''最小值滤波，r是滤波器半径'''
  return cv.erode(src, np.ones((2 * r + 1, 2 * r + 1)))

def darkchannel(Image):             #计算每个通道中的最小值，输入Image图像，输出最小值img_min
rows,cols,channels=Image.shape
img=np.array(Image)
for i in range(0,rows-1):
  for j in range(0,cols-1):
    min_rgb = Image[i][j][0]
    if min_rgb  > Image[i][j][1]:
      min_rgb = Image[i][j][1]
    elif min_rgb  > Image[i][j][2]:
      min_rgb = Image[i][j][2]
    for c in