2024年图像去雾去雨去噪算法权威高分排行榜与实战对比评测

2026-06-08阅读 0热度 0

其他

先交代一下背景。不少研究者在图像去雨、去雾任务中经常遇到算法过度平滑或残留痕迹明显的痛点。我在这个方向上做了一些实验，把思路和代码整理出来，希望能帮到正在攻关的同学。

去雨核心原理

从单张静态图像中移除雨滴，听起来简单，实际操作却相当棘手。雨点覆盖的区域通常面积很小，这就带来一个关键问题——到底哪些像素需要处理，哪些应该保留？市面上不乏基于FFT的去雨方案，但效果参差不齐。本文尝试了一条差异化路径：利用L0梯度最小化方法，专门抑制雨像素，同时避免破坏图像中重要的边缘信息。

具体来看，这套策略具备三大优势：

L0最小化能从全局视角控制非零梯度的数量，不纠结局部细节，只锁定真正显著的边缘。
显著边缘得以完整保留，而低幅度的琐碎纹理（比如雨痕）则被平滑掉，这正是去雨的关键所在。
最后通过直方图调整技术，将去雨后图像的亮度拉回合理范围，提升对比度。实验证实，这套流程在消除雨痕方面确实有效。

算法流程

去雨代码实现

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));

去雨结果 MATLAB 展示

图像去雾

去雾理论基础

去雾的底层原理基于暗通道先验。通俗讲，在大多数非天空的局部区域中，总存在某些像素在至少一个颜色通道上的亮度极低——即该区域的光强趋近于零。基于此，我们可以给“暗通道”一个严谨的数学定义：对于任意输入图像J，其暗通道可用公式表达为：

其中c表示彩色图像的每个通道，Ω(x)代表以像素x为中心的局部窗口。

计算暗通道图并不复杂：首先求出每个像素在三个通道的最小值，得到一张二维灰度矩阵，然后对该矩阵进行最小值滤波。滤波半径由窗口大小决定，窗口大小与半径的关系可表述为：……其中r表示滤波半径。

至于暗通道先验为什么成立？文献中给出了几个合理解释：

汽车、建筑物、城市玻璃窗的阴影，或是树叶、树冠、岩石等自然场景的投影；
色彩鲜艳的物体或表面——例如绿色草地、树木、植被，红色或黄色的花朵、叶子，或者蓝色水面——它们在RGB三个通道中总有至少一个通道的值很低。

去雾代码实现

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

上述代码同样提供了Python版本。

去雾结果 MATLAB GUI 交互展示

总结与应用

本文所述流程只是整个链路中的一环，核心目标是为目标检测及其他视觉应用奠定坚实基础。通过将提出的算法与经典方法进行对比验证，结果表明：在极端环境条件下，这套目标检测与测距方案具备良好的有效性与可行性。经处理的图像输入目标检测和测距模型后，精度显著提升，进而为自动驾驶的主动安全决策提供了可靠的技术支撑，也让自动驾驶车辆在极端环境下稳定运行成为可能。