首页 > 代码库 > 基于暗通道去雾算法的实现与优化(二)opencv在pc上的实现
基于暗通道去雾算法的实现与优化(二)opencv在pc上的实现
上一篇中,学习了何的论文中的去雾方法,这一篇中,我按照何的论文思路借助opencv 2.4.10 进行了实现,效果的确很好,就是耗时太多了,效果见下图:蓝色圆圈代表大气光值的取值点。
突然发现上一篇中忘了介绍大气光值A的求解了,论文中是这样做的:
1.首先取暗通道图中最亮的千分之一的像素点。
2.根据这些像素点的位置在原图中搜索一个最亮的点,这个点的强度(intensity)就是我们要求的A啦。
论文作者何认为这样做的好处就是避免了原图中比较亮的物体作为A的值,比如图片中的白色的汽车,如果从原图中搜索最亮的点不一定能搜到真实的大气光值,可能是白色物体的反射光(感觉我说的好啰嗦)
开始本篇。。首先分享一下我在实现的过程中发现的几点:
1.大气光值A的解释,原论文中说那个最亮的点的强度就是我们要找的A,那么问题来了,最亮的点的强度是啥?大气光值A是一个值还是一个RGB三元组呢?
可以肯定的是,A是RGB的一个三元组,RGB三个通道有各自的A,这一点可以从论文的公式中确认。
那么搜索的时候,如何定义一个点的强度呢?这里,我采用的是求RGB的平均值。
2.透射率t(X)不是一个值,是一个同原图一样大小的矩阵,不同的位置有不同的透射率t
在具体求解的时候我进行了一点点简化,即:直接把暗通道图输入,这样减少了一次最小值滤波的过程,而且对结果几乎没有影响的,小小的提速。
3.透射率图片的精细化
这里我采用了别人写的引导滤波算法,这是一种边缘保持算法;实现的时候需要注意的是引导图需要实现归一化为0.0-1.0之间,因为t在0-1之间。
附连接:http://blog.csdn.net/pi9nc/article/details/26592377 引导滤波算法
4.最后求J的时候注意设置0-255的门限,因为按照公式求时可能出现很大的值也可能有负值出现!!!(调了半天才发现J可能为负值啊亲!)
5.opencv中遍历图片,最好要用指针啊亲!使用at随机取元素 和使用指针取元素在我的测试中相差了0.5s呢。
6.网上流传的一个opencv的c++代码中,在计算暗通道的最小值滤波时把原图分成了若干个window,每一个window赋予相同的值,这显然是不符合论文公式的,希望大家不要被误导!!可能那个博主是想降低时间复杂度吧,但是那样的操作太粗糙了,违背了滤波的概念。
一 暗通道的计算
我的想法是,先求出每个像素中最暗的那个通道值,最后再统一进行最小值滤波。minfliter是最小值滤波函数,大家自己实现一下就好啦。
Mat Producedarkimg(Mat& I,int windowsize) { int min=255; Mat dark_img(I.rows,I.cols,CV_8UC1); int radius=(windowsize-1)/2; int nr= I.rows; // number of rows int nl=I.cols; int b,g,r; if (I.isContinuous()) { nl = nr * nl; nr = 1; } for(int i=0;i<nr;i++) { const uchar* inData=http://www.mamicode.com/I.ptr(i); > 二 计算大气光值A(airlight)
输入:暗通道图,原图,窗口大小(必须奇数)
输出:大气光值A,一个包含三个元素的一维数组头
其中,Pixel是我定义的结构体,定义在下边
注意c++返回数组类型时,一定要用new为数组分配空间,不能用int A[3]={0,0,0};这种方式!!否则返回的数组可能会被释放掉!(别问我为什么知道这么多,都是我爬过的坑啊)
int* getatmospheric_light(Mat& darkimg,Mat& srcimg,int windowsize) { int radius=(windowsize-1)/2; int nr=darkimg.rows,nl=darkimg.cols; int darksize=nr*nl; int topsize=darksize/1000; int *A=new int[3]; int sum[3]={0,0,0}; Pixel *toppixels,*allpixels; toppixels=new Pixel[topsize]; allpixels=new Pixel[darksize]; for(int i=0;i<nr;i++){ const uchar* outData=http://www.mamicode.com/darkimg.ptr(i);>结构体: typedef struct Pixel { int x; int y; int value; }Pixel;
三 计算透射图(transmission)并精细(refine)化输入:原图,暗通道图,大气光值A,窗口大小
输出:透射图t
之所以需要暗通道图参数,是因为我进行了简化,使用暗通道图加速计算
最后的引导滤波使用原图的灰度图进行引导,具体实现参考上述链接。
Mat getTransmission_dark(Mat& srcimg,Mat& darkimg,int *array,int windowsize) { float test; float avg_A=(array[0]+array[1]+array[2])/3.0; float w=0.95; int radius=(windowsize-1)/2; int nr=srcimg.rows,nl=srcimg.cols; Mat transmission(nr,nl,CV_32FC1); for(int k=0;k<nr;k++){ const uchar* inData=http://www.mamicode.com/darkimg.ptr(k); >
四 计算J(X)输入:原图,透射图,大气光值,窗口
输出:去雾图
Mat recover(Mat& srcimg,Mat& t,int *array,int windowsize) { int test; int radius=(windowsize-1)/2; int nr=srcimg.rows,nl=srcimg.cols; float tnow=t.at<float>(radius,radius); float t0=0.1; Mat finalimg=Mat::zeros(nr,nl,CV_8UC3); int val=0; for(int i=0;i<3;i++){ for(int k=radius;k<nr-radius;k++){ const float* inData=http://www.mamicode.com/t.ptr(k); inData+=radius;> 实例效果:
天安门的透射图(transmission)如下:可以看到效果的确很好,很精细,这就是使用原图像的灰度图就行引导的好处。
下一篇,介绍一下我的几点优化,主要是执行时间和透射图的优化。
基于暗通道去雾算法的实现与优化(二)opencv在pc上的实现