图像加雾算法的研究与应用

前言

一、图像加雾

1、基于传统方法的雾图合成

2、基于深度学习的雾图合成

3、基于Lightroom Classic实现软件加雾

4、基于深度图的方法实现加雾

二、开源的数据集

三、参考文章

前言

在去雾任务当中，训练和评估去雾算法需要大量的带有雾霾和无雾霾的图像对。由于实际拍摄的带雾霾的图像不易获得并且不可控，因此研究者常常通过加雾（Image Fogging）技术来人工生成含雾图像，以丰富数据集。这不仅有助于生成多样化的训练数据，还能在控制实验中评估去雾算法的性能。本文将探讨图像加雾的基本原理和常用方法，并介绍一些用于图像加雾的具体技术。

一、图像加雾

1、基于传统方法的雾图合成

大气散射模型：大气散射是指光线在大气中传播时，由于空气中的微小颗粒和气体分子的散射，使得光线强度随着传播距离的增加而衰减。根据贝尔-朗伯定律（Beer-Lambert Law），光强度 $I$ 可以表示为：

$I(d)=I_{0}\cdot e^{-\beta d}$

其中：

$I_{0}$ 是初始光强度。
$\beta$ 是衰减系数，控制雾霾的浓度。
d 是光线传播的距离。

雾霾效果模拟：对于图像中的每一个像素，计算其到中心点的距离 d。使用指数衰减函数

$td = e^{-\beta d}$ 计算雾霾的强度。调整每个像素的亮度，使其受到雾霾的影响。具体公式为：

new_pixel=original_pixel×td+brightness×(1−td)

其中 brightness 参数控制了雾霾的亮度。

下面让我们实现这个算法：

import numpy as npdef addfog(image, beta=0.05, brightness=0.5):"""对输入的图像添加雾霾效果。Args:image (numpy.ndarray): 输入的图像,范围在0-255.beta (float, optional): 控制雾霾效果的参数.beta值越大,雾霾效果越明显.默认为0.05.brightness (float, optional): 雾霾的亮度值.该值越大,图像整体亮度越高.默认为0.5.Returns:numpy.ndarray: 添加雾霾效果后的图像，数据类型为uint8，范围在0-255。"""img_f = np.array(image, dtype=np.float32) / 255.0row, col, chs = image.shapesize = np.sqrt(max(row, col))  # Atomization sizecenter = (row // 2, col // 2)  # Atomization centerfor j in range(row):for l in range(col):d = -0.04 * np.sqrt((j - center[0]) ** 2 + (l - center[1]) ** 2) + sizetd = np.exp(-beta * d)img_f[j][l][:] = img_f[j][l][:] * td + brightness * (1 - td)img_f = np.clip(img_f * 255, 0, 255).astype(np.uint8)return img_fif __name__ == '__main__':import pyzjrpath = r'test1.png'image = pyzjr.imreader(path)print(image.shape)image_fog = addfog(image)print(image_fog.shape)pyzjr.display("Comparison between original image and fogged image",[[image, image_fog]], 0.4)

关于光线传播的距离d，它的系数-0.04应该是一个经验值，主要是用于调整距离对雾霾强度的影响。可以根据实际效果进行调整，较小的系数会使距离对雾霾效果的影响减小，反之则增大。添加 size 是用来调节雾霾的范围大小的。通常情况下，雾化效果在中心点附近比较强烈，随着距离中心点的增加，雾化效果逐渐减弱。

加雾效果如下所示：

在运行期间，时间明显比较长，现在我们来写一个优化的版本吧

这个时间长主要是因为这个嵌套循环，所以我们可以利用NumPy的矢量化操作来提高计算效率，可以使用 np.ogrid 生成行和列的索引，并计算每个像素点到中心点的距离。计算 td 采用矢量化方式，避免使用双重循环，提高效率。用 [..., np.newaxis] 进行广播，使得每个通道都应用相同的雾霾效果。这样就能显著提升大图像的处理速度，特别是在高分辨率图像上效果明显。

import numpy as npdef addfogv1(image, beta=0.05, brightness=0.5):"""对输入的图像添加雾霾效果。Args:image (numpy.ndarray): 输入的图像,范围在0-255.beta (float, optional): 控制雾霾效果的参数.beta值越大,雾霾效果越明显.默认为0.05.brightness (float, optional): 雾霾的亮度值.该值越大,图像整体亮度越高.默认为0.5.Returns:numpy.ndarray: 添加雾霾效果后的图像，数据类型为uint8，范围在0-255。"""img_f = np.array(image, dtype=np.float32) / 255.0row, col, chs = image.shapesize = np.sqrt(max(row, col))  # Atomization sizecenter = (row // 2, col // 2)  # Atomization centerfor j in range(row):for l in range(col):d = -0.04 * np.sqrt((j - center[0]) ** 2 + (l - center[1]) ** 2) + sizetd = np.exp(-beta * d)img_f[j][l][:] = img_f[j][l][:] * td + brightness * (1 - td)img_f = np.clip(img_f * 255, 0, 255).astype(np.uint8)return img_fdef addfogv2(image, beta=0.05, brightness=0.5):"""对输入的图像添加雾霾效果的高效实现。Args:image (numpy.ndarray): 输入的图像,范围在0-255.beta (float, optional): 控制雾霾效果的参数. beta值越大, 雾霾效果越明显. 默认为0.05.brightness (float, optional): 雾霾的亮度值. 该值越大, 图像整体亮度越高. 默认为0.5.Returns:numpy.ndarray: 添加雾霾效果后的图像，数据类型为uint8，范围在0-255。"""img_f = image.astype(np.float32) / 255.0row, col, chs = image.shapesize = np.sqrt(max(row, col))  # Atomization sizecenter = (row // 2, col // 2)  # Atomization centery, x = np.ogrid[:row, :col]dist = np.sqrt((x - center[1])**2 + (y - center[0])**2)d = -0.04 * dist + sizetd = np.exp(-beta * d)img_f = img_f * td[..., np.newaxis] + brightness * (1 - td[..., np.newaxis])img_f = np.clip(img_f * 255, 0, 255).astype(np.uint8)return img_fif __name__ == '__main__':import pyzjrfrom pyzjr.dlearn.tools import Runcodespath = r'test1.png'image = pyzjr.imreader(path)with Runcodes("加雾算法v1版本"):image_fogv1 = addfogv1(image)with Runcodes("加雾算法v2版本"):image_fogv2 = addfogv2(image)pyzjr.display("Comparison between original image and fogged image",[[image_fogv1, image_fogv2]], 0.4)

加雾v1与v2版本的效果：

在时间对比上有很大提升

加雾算法v1版本: 10.10729 sec，加雾算法v2版本: 0.14432 sec

2、基于深度学习的雾图合成

利用成对数据训练模型，基于生成对抗网络（GAN）或者自编码器（Autoencoder）实现的深度学习方法可以实现端到端的合成雾图。然而，由于这些方法同样需要训练数据，合成的雾图和真实雾图之间可能存在一定的差异。

除此之外，我一直在思考一般我们做的去雾任务，能不能反过来做，把去雾的输入输出反过来训练，即将清晰图像作为输入，雾图像作为输出来训练模型，一般的模型都可以做到加雾任务。这种反向的方法，可能存在诸多的问题，但用深度学习的方法应该能够更好的控制雾的浓度和分布。

3、基于Lightroom Classic实现软件加雾

打开Lrc软件，左上角点击文件，导入照片和视频

点击图库，选择图片，修改图片，点击基本，调整去朦胧的值，往小的调整。

这是拉到了-100的效果图

如果想要恢复原来的照片，点击右下角「复位」按钮，就可以使照片恢复到最初的样子。也可以使用快捷键ctrl+z。

这是拉到了+100的效果图

比起原图也更加清晰，我觉得可以采用这样的方式去丰富我们的数据集。

4、基于深度图的方法实现加雾

Synscapes这个数据集很大，有180多个G，你可以从这里进行下载，全部下载完之后才能解压。

Synscapes data set (liu.se)

从exr文件读取深度信息并进行可视化

import OpenEXR
import numpy as np
import Imath
import cv2def synscapes_depth_as_disparity(depth_image):"""将Synscapes深度图像转换为视差图像。"""# 将深度图归一化到0-1范围，并将深度值转换为视差值normalized_depth_image = depth_image / np.max(depth_image)disparity_image = 1.0 / (normalized_depth_image + 1e-5)# 将视差图归一化到0-255范围normalized_disparity_image = (disparity_image - np.min(disparity_image)) / (np.max(disparity_image) - np.min(disparity_image)) * 255normalized_disparity_image = normalized_disparity_image.astype(np.uint8)return normalized_disparity_imagedef read_depth_from_exr(exr_file_path):"""使用OpenEXR库打开指定的EXR文件 """exr_file = OpenEXR.InputFile(exr_file_path)header = exr_file.header()width = header['dataWindow'].max.x + 1height = header['dataWindow'].max.y + 1pixel_type = Imath.PixelType(Imath.PixelType.FLOAT)z_channel = exr_file.channel('Z', pixel_type=pixel_type)z_buffer = np.frombuffer(z_channel, dtype=np.float32)z_buffer = z_buffer.reshape((height, width))return z_bufferif __name__=="__main__":exr_file_path = r"F:\dataset\Dehazy\synscapes\Synscapes\img\depth\3.exr"depth_image = read_depth_from_exr(exr_file_path)normalized_disparity_image = synscapes_depth_as_disparity(depth_image)cv2.imshow("Disparity Image", normalized_disparity_image)cv2.waitKey(0)cv2.destroyAllWindows()