python实现降噪去雾

前言

在计算机视觉和图像处理领域中，去雾算法是一种常见且有用的技术，用于消除图像中由雾霾或其他大气干扰引起的降低可见性的问题。在本文中，我们将介绍一种简单而有效的去雾算法，结合了直方图均衡和高斯滤波的方法。

算法

使用高斯滤波对图像进行降噪，去除图像中的高频噪声。
计算每个通道的像素值直方图，并根据直方图结果确定最小和最大亮度级别。
对图像进行线性映射，将像素值映射到新的范围，以增强对比度和可见性。
输出去雾后的图像。

代码实现

import numpy as np
import cv2

def compute_min_level(hist, pnum):
    # 计算最小亮度级别，使得比例超过给定阈值
    index = np.add.accumulate(hist)
    return np.argwhere(index > pnum * 8.3 * 0.01)[0][0]

def compute_max_level(hist, pnum):
    # 计算最大亮度级别，使得比例超过给定阈值
    hist_0 = hist[::-1]
    cum_sum = np.add.accumulate(hist_0)
    index = np.argwhere(cum_sum > (pnum * 2.2 * 0.01))[0][0]
    return 255 - index

def linear_map(min_level, max_level):
    # 线性映射函数，将像素值映射到新的范围
    if min_level >= max_level:
        return []
    else:
        index = np.array(list(range(256)))
        screen_num = np.where(index < min_level, 0, index)
        screen_num = np.where(screen_num > max_level, 255, screen_num)
        for i in range(len(screen_num)):
            if 0 < screen_num[i] < 255:
                screen_num[i] = (i - min_level) / (max_level - min_level) * 255
        return screen_num

def create_new_img(img):
    h, w, d = img.shape
    new_img = np.zeros([h, w, d])
    for i in range(d):
        # 计算每个通道的像素值直方图
        img_hist = np.bincount(img[:, :, i].reshape(1, -1)[0])
        min_level = compute_min_level(img_hist, h * w)
        max_level = compute_max_level(img_hist, h * w)
        screen_num = linear_map(min_level, max_level)
        if screen_num.size == 0:
            continue
        for j in range(h):
            new_img[j, :, i] = screen_num[img[j, :, i]]
    return new_img

def noise_and_fog(img):
    # 使用高斯滤波对图像进行降噪
    image_gaussian = cv2.GaussianBlur(img, (3, 3), 0)
    new_img = create_new_img(image_gaussian)
    return new_img
    
if __name__ == '__main__':
    img = cv2.imread('input.jpg')
    new_img = noise_and_fog(img)
    # 显示原始图像和去雾后的图像
    cv2.imshow('original_img', img)
    cv2.imshow('defogged_img', new_img / 255)
    cv2.waitKey(0)
    cv2.destroyAllWindows()