企业官网建设流程全解析

简介：这是一份面向图像去雾需求的Python源码包，基于暗通道先验与大气散射模型，面向计算机视觉开发者和研究人员，为雾天图像清晰化提供了一套完整可运行的经典算法实现。压缩包内共有22个文件，以dark.py和guidedfilter.py两个Python脚本及其编译版为主，配合10张雾天原图、暗通道图与去雾效果对比样例图，两篇暗通道去雾经典论文PDF，以及项目配置文件和使用说明文档，整体仅5.49MB，资料组织清晰。目前已有2193人学习下载。算法流程覆盖预处理、大气光估计、透射率计算、图像恢复与后处理等关键步骤，代码便于逐模块分析；结合论文与示例图运行源码，可快速复现去雾结果，也能迁移到自己的图像处理管线中，适合课程设计、毕业设计及算法工程化预研。

1. 为什么去雾算法值得自己写一遍

在图像处理领域，去雾算法是一个绕不开的经典问题。只要涉及户外监控、自动驾驶感知、航拍影像，都会遇到雾霾导致的对比度下降和色彩偏移。我手上这份haze-master源码包，正好是暗通道先验（Dark Channel Prior）的 Python 实现，包含dark.py、guidedfilter.py、测试图像3.png、4.png以及何恺明团队 CVPR 2009 的原始论文 PDF。对于一个做视觉应用的人而言，这并不只是“跑通一个 demo”那么简单：暗通道先验是后续一系列去雾改进算法的起点，读透它的每一步推导，你才能真正理解大气散射模型、透射率估计、导向滤波这些后续频繁出现的概念。

这份代码适合两类人。一类是刚接触图像处理的开发者，可以跟着源码顺序看懂暗通道怎么算、大气光怎么取、透射率怎么细化；另一类是有一定经验、想在自己的视觉流程里快速集成去雾模块的工程师，可以直接复用这里的模块，并针对真实场景调整窗口大小、滤波半径这些关键参数。下面我从数学前提开始拆，先立住理论，再给出可复现的代码路径。

2. 暗通道先验与大气散射模型：去雾的数学底座

2.1 大气散射模型如何描述一张雾图

去雾问题在计算上有一个统一的物理模型：大气散射模型。输入的有雾图像被表示为

I(x) = J(x) * t(x) + A * (1 - t(x))

其中I(x)是观测到的带雾图像，J(x)是待恢复的清晰无雾图像，t(x)是透射率，表示经过雾区后保留的光线比例，A是全局大气光。这个公式的核心含义是：相机接收到的光 = 物体反射光衰减后的部分 + 大气散射光叠加的部分。如果t(x)接近 1，说明没有雾；如果接近 0，说明物体完全被雾遮挡。

因此，去雾任务被拆成了两个问题：估计A和估计t(x)。一旦估计出这两个值，就能通过公式反解J(x)：

J(x) = (I(x) - A) / t(x) + A

这里要求t(x)不能太小，否则分母近零，会导致数值不稳定和强烈噪声。常见的做法是给t(x)设置一个下限，比如 0.1。理解这个反解过程很重要：它解释了为什么一个“简单除法”却需要各种平滑、滤波操作来支撑。

2.2 暗通道先验的统计规律

暗通道先验来自一个统计观察：对绝大多数户外无雾图像，在某个局部区域内，总存在至少一个颜色通道的亮度值接近 0。定义暗通道为：

J_dark(x) = min(y ∈ Ω(x)) min(c ∈ {R,G,B}) J_c(y)

其中Ω(x)是以像素x为中心的局部窗口。如果一张图是干净的户外场景，它的暗通道整体上趋近于 0。而在有雾图像里，由于大气光的叠加，暗通道不再接近 0，而是偏向大气光强度。

这一规律的作用非常直接：它给透射率估计提供了一个天然“锚点”。如果我们假设无雾图像的暗通道为 0，那么雾图暗通道的强度就可以看成是透射率与大气光的乘积。于是可以从单张图像本身推理出t(x)，而不需要额外深度信息或多帧拍摄，这是该算法在工程上极具吸引力的原因。

2.3 透射率估计的推导与公式落点

将大气散射模型两侧同时除以大气光A_c，再取局域最小化，可以得到：

min_y (I_c(y) / A_c) = t(x) * min_y (J_c(y) / A_c) + (1 - t(x))

由于无雾图像暗通道接近 0，min_y J_c(y)项可以被忽略，进而解得：

t(x) = 1 - min_y min_c (I_c(y) / A_c)

在实际代码中，不会完全去掉雾，否则图像看起来会偏暗、失真。所以作者引入了保留因子omega，通常取 0.85 到 0.95：

t(x) = 1 - omega * min_y min_c (I_c(y) / A_c)

这一步解释了源码里dark.py中几乎全部计算的含义。它先用最小值滤波求出暗通道，然后按上式做减法和乘法。而guidedfilter.py存在的意义，是让t(x)从一块一块的块状图变成边缘保留的连续图，避免去雾后出现明显光晕（halo）。

下面是这个理论阶段会反复用到的参数表，后面所有代码都围绕这几个量展开。

3. 从 dark.py 到 guidedfilter.py：核心模块逐段拆解

3.1 暗通道计算：最小值滤波的边界处理

源码包里的dark.py承担的是暗通道计算。用 OpenCV 实现时，核心思路是先取每个像素在三个通道上的最小值，再做一次最小值滤波。下面的代码可以直接放入项目重用：

import cv2 import numpy as np def dark_channel(img, size=15): # 输入 img 为 0~255 的 BGR 图像 # 先取每个像素在 R/G/B 三个通道的最小值 min_channel = np.min(img, axis=2) # 使用最小值滤波得到局部最小值 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (size, size)) dark = cv2.erode(min_channel, kernel) return dark

这段代码的逻辑分两步。np.min(img, axis=2)对彩色图像的每个像素求通道最小值，得到一个单通道灰度图；随后cv2.erode在这个灰度图上做腐蚀，等价于取窗口size x size内的最小值。之所以用腐蚀实现，是因为腐蚀操作本身就是“局部最小值”，和暗通道的定义完全一致，而且 OpenCV 对腐蚀做了高度优化，比手动for循环快得多。

size参数就是理论章节中的Ω(x)窗口尺寸。源码里的测试图片大约在 600x400 像素量级，size=15是合适的选择。如果图片尺寸很大，比如 4K 分辨率，窗口要相应增大到 20 或更大，否则暗通道不够“暗”，透射率会偏高，去雾不彻底。

3.2 大气光估计：前 0.1% 像素里的亮度上限

大气光A的估计没有在单独的.py文件中拆出来，而是通常放在主流程代码里。传统做法是：从暗通道中按亮度值从高到低取前 0.1% 的像素，然后在原始有雾图像中寻找这些像素位置上的最高亮度值。实现如下：

def estimate_atmospheric_light(img, dark): h, w = img.shape[:2] pixels_count = h * w top_num = int(pixels_count * 0.001) # 将暗通道展平并取亮度最高的前 top_num 个索引 flat_dark = dark.ravel() indices = np.argsort(flat_dark)[-top_num:] # 取原图中对应位置每个通道的最大值作为大气光 flat_img = img.reshape(-1, 3) atmosphere_light = np.max(flat_img[indices], axis=0) return atmosphere_light

注意这里argsort是从小到大排列，取后top_num个就是最大的一批暗通道像素。得到这些像素的坐标后，回原图找对应位置，并分别求 R、G、B 三个通道的最大值，作为整个图像的大气光向量。这样得到的是一个三维向量，例如[185, 210, 234]，而不是一个标量。

工程上的一个坑是：如果图像顶部有大片天空区域，暗通道最亮的地方会集中在天空，大气光会被高估，导致恢复出的图像整体偏暗。处理的方法是增加一个约束：大气光强度不应超过整幅图像亮度的某个比例，比如 0.95 倍最大亮度。源码包中的测试图没有明显天空区域，所以直接使用上述逻辑即可。

3.3 透射率粗估计与导向滤波细化

透射率的粗估计可以直接用公式计算。将归一化后的雾图除以大气光，再做一次暗通道操作：

def coarse_transmission(img, atmosphere_light, omega=0.95): normalized = img.astype(np.float64) / atmosphere_light dark_normalized = dark_channel(normalized, size=15) trans = 1.0 - omega * dark_normalized # 限制透射率最小值，避免噪声放大 trans = np.clip(trans, 0.1, 1.0) return trans

normalized的每个通道都除以对应的大气光分量，这是暗通道先验推导中的标准操作。随后对归一化图像求暗通道，乘上omega再用 1 减去。np.clip把透射率压到 0.1 以上，这一步非常重要：如果透射率趋近 0，反解公式中的1/t(x)会无限放大噪声，让恢复图像出现大量彩色斑点。

粗透射率图有明显块状感，直接用来恢复图像会产生光晕。导向滤波在这里派上用场：它把原图的灰度版本作为导向图，对透射率进行保边平滑。源码包中的guidedfilter.py是编译过的guidedfilter.pyc，另有一个.py源文件。其核心逻辑如下：

def guided_filter(src, guide, radius=60, eps=1e-3): src = src.astype(np.float64) / 255.0 guide = guide.astype(np.float64) / 255.0 r = radius # 对导向图做均值滤波 mean_g = cv2.boxFilter(guide, ddepth=-1, ksize=(r, r)) mean_s = cv2.boxFilter(src, ddepth=-1, ksize=(r, r)) mean_gs = cv2.boxFilter(guide * src, ddepth=-1, ksize=(r, r)) cov_gs = mean_gs - mean_g * mean_s var_g = cv2.boxFilter(guide * guide, ddepth=-1, ksize=(r, r)) - mean_g * mean_g # 计算线性系数 a 和 b a = cov_gs / (var_g + eps) b = mean_s - a * mean_g mean_a = cv2.boxFilter(a, ddepth=-1, ksize=(r, r)) mean_b = cv2.boxFilter(b, ddepth=-1, ksize=(r, r)) result = mean_a * guide + mean_b return result

这个函数的指导思想是：在局部窗口内，输出与导向图之间呈线性关系。guide是有雾图像本身，它保留边缘位置和纹理结构；src是粗透射率图，它提供整体的雾浓度趋势。通过计算局部均值、方差和协方差，得到线性系数a和b，再做均值滤波，让系数平缓过渡。最终输出的透射率图既有精细边缘，又没有剧烈跳变。

radius和eps是决定性参数。radius控制局部窗口大小，越大透射率越平坦；eps控制正则化强度，取值越小边缘保持越好，但若过小，a会非常大，导致透射率出现条纹。工程上对 600 宽左右的图像，radius=60、eps=1e-3是稳妥起点。

4. 复现暗通道去雾流程：参数调整与效果对比

4.1 将一个去雾管线串起来

源码包中的readme.txt并没有给出官方的流水线代码，但通过dark.py、guidedfilter.py以及测试图片的命名规律，可以拼出一个完整的去雾流程。下面的脚本可以直接运行，输入一张雾图，输出恢复后的清晰图：

import cv2 import numpy as np def dark_channel(img, size=15): min_channel = np.min(img, axis=2) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (size, size)) return cv2.erode(min_channel, kernel) def guided_filter(src, guide, radius=60, eps=1e-3): src = src.astype(np.float64) / 255.0 guide = guide.astype(np.float64) / 255.0 r = radius mean_g = cv2.boxFilter(guide, ddepth=-1, ksize=(r, r)) mean_s = cv2.boxFilter(src, ddepth=-1, ksize=(r, r)) mean_gs = cv2.boxFilter(guide * src, ddepth=-1, ksize=(r, r)) cov_gs = mean_gs - mean_g * mean_s var_g = cv2.boxFilter(guide * guide, ddepth=-1, ksize=(r, r)) - mean_g * mean_g a = cov_gs / (var_g + eps) b = mean_s - a * mean_g mean_a = cv2.boxFilter(a, ddepth=-1, ksize=(r, r)) mean_b = cv2.boxFilter(b, ddepth=-1, ksize=(r, r)) return (mean_a * guide + mean_b) * 255.0 def dehaze(img_path): img = cv2.imread(img_path) if img is None: raise FileNotFoundError(f"无法读取图像: {img_path}") img = img.astype(np.float64) / 255.0 # 1. 计算暗通道 dark = dark_channel(img * 255.0, size=15) # 2. 估计大气光 h, w = dark.shape top_num = int(h * w * 0.001) indices = np.argsort(dark.ravel())[-top_num:] flat_img = img.reshape(-1, 3) A = np.max(flat_img[indices], axis=0) # 3. 粗透射率 normalized = img / A dark_norm = dark_channel(normalized * 255.0, size=15) trans = 1.0 - 0.95 * dark_norm trans = np.clip(trans, 0.1, 1.0) # 4. 导向滤波细化 guide = cv2.cvtColor((img * 255.0).astype(np.uint8), cv2.COLOR_BGR2GRAY) trans_refined = guided_filter(trans, guide, radius=60, eps=1e-3) trans_refined = np.clip(trans_refined, 0.1, 1.0) # 5. 恢复无雾图像 result = np.zeros_like(img) for c in range(3): result[:, :, c] = (img[:, :, c] - A[c]) / trans_refined + A[c] result = np.clip(result, 0, 1) cv2.imwrite("output_dehazed.png", result * 255.0) print("A =", A) print("透射率范围:", trans_refined.min(), trans_refined.max()) if __name__ == "__main__": dehaze("3.png")

这段代码把整个流程压缩在一个脚本里，方便对照源码包逐行验证。第 1 步到第 4 步对应理论部分，第 5 步的恢复操作是逐通道运算：(img - A) / trans + A，其中trans_refined是浮点矩阵，img已归一化到 0~1。打印出的A可以帮你判断大气光是否合理，例如对一张灰蒙蒙的户外图，A如果接近[0.8, 0.8, 0.8]偏高，则恢复图会偏暗。透射率的最小值如果长期卡在 0.1，说明omega取值过大，应回调到 0.9 左右。

4.2 关键参数对输出图像的影响

使用源码包中的3.png和4.png分别测试，会得到两套视觉效果差异明显的输出。这两张图一张偏暗、局部有高光，另一张是均匀雾感，适合观察参数敏感性。下表是我在复现时记录的参数变化效果，可以直接用来理解每张测试图的特性。

注意，dark_channel(normalized * 255.0, size=15)这一步很容易被误解。归一化后的img / A取值范围在 0~1 之间，但dark_channel内部使用cv2.erode，对 float64 同样有效，所以直接传normalized也可以。这里乘 255 只是为了和源码风格保持一致，输出透射率结果都一样，但会影响A的量纲判断，调试时建议统一使用 0~1 范围。

4.3 去雾后图像的三类典型问题

即使代码运行成功，也不意味着效果一定让人满意。最常见的问题是偏色：如果原图有大片青色或蓝色区域，暗通道先验会错误地把这些区域当成“雾”，导致去雾后颜色过饱和。处理办法是在恢复步骤前增加颜色校正，或者用A的约束版本，例如将A限制到不超过整图亮度 95% 分位数。

其次是天空区域的光晕。天空本身不满足“暗通道接近 0”的假设，所以透射率会被低估，去雾后天空出现深色斑块。源码包的测试图没有专门标出天空，但在实际项目中，可以用图像分割先把天空区域掩膜出来，对这部分透射率单独做平滑。最后一类是噪声放大：暗部区域的透射率过低，导致1/t放大传感器噪声。此时除了设置下限，还可以在恢复前对图像做一次高斯滤波，但要注意别把边缘也糊掉。

5. 把去雾模型接到自己的项目里：工程化技巧与验证方法

5.1 批量处理图片与目录输入

实际使用时不会只处理一张测试图。批量场景下需要把dehaze脚本改造成函数式接口，并用文件遍历控制输入输出目录。下面这段代码可以直接内嵌到脚本中：

import os import glob def batch_dehaze(input_dir, output_dir): os.makedirs(output_dir, exist_ok=True) for img_path in glob.glob(os.path.join(input_dir, "*.png")): result = dehaze(img_path) name = os.path.basename(img_path) cv2.imwrite(os.path.join(output_dir, name), result)

这里要求dehaze函数返回的是0~255的 BGR 图像，方便cv2.imwrite直接落盘。如果输入目录中含有.jpg，只需要把glob模式改成*.jpg或*.jpeg。另外一个经常被忽略的细节是：cv2.imread对中文路径支持不好，批量处理涉及中文目录时，最好先用os.listdir拿文件名，再用np.fromfile和cv2.imdecode配合读取。

5.2 用指标验证去雾效果而不是只看视觉

主观视觉容易受显示器影响，工程上需要量化验证。常用指标是 PSNR 和 SSIM，但它们需要一张无雾真值图。如果没有真值，可以用“恢复图像的暗通道是否变暗”和“对比度是否提高”来评估。一个简单可行的验证代码片段如下：

def evaluate_dehaze(input_img, output_img): # 计算输出图像的暗通道均值，数值越低说明雾残留越少 dark_out = dark_channel(output_img, size=15) dark_in = dark_channel(input_img, size=15) print(f"输入暗通道均值: {dark_in.mean():.2f}") print(f"输出暗通道均值: {dark_out.mean():.2f}") # 计算对比度：图像灰度标准差 gray_out = cv2.cvtColor(output_img, cv2.COLOR_BGR2GRAY) print(f"输出对比度: {gray_out.std():.2f}")

当输出暗通道均值比输入下降明显时，说明雾被去除了一大截；对比度则反映细节拉伸程度。这个指标不需要标注数据，随时随地可以跑，适合在调参时快速比较同一张图的不同参数组合。若是针对有雾-无雾配对数据集，则可以用外部skimage.metrics.structural_similarity接口直接计算 SSIM 值，数值超过 0.8 说明结构保持良好，超过 0.9 则很难用肉眼区分差异。

5.3 源码包里被编译成 .pyc 的模块如何替换

源码包中存在guidedfilter.pyc，说明原作者在发布时保留了已编译版本，而guidedfilter.py则被覆盖或删除。如果你遇到ImportError，不需要费力反编译.pyc，直接用上一章基于cv2.boxFilter的guided_filter函数替换即可。这个函数在功能上与原来的guidedfilter一致，运行速度也更快，因为boxFilter是高度优化的卷积实现。少数情况下.pyc的 Python 版本与当前环境不匹配，会直接提示bad magic number，方案同样是替换为源码实现。

另一个实用技巧是缓存透射率。在同一时间段拍摄的一组照片，大气光和透射率变化不大，可以对首帧计算透射率图，后续帧直接复用，只做最后一步恢复运算。这样在视频流场景下，去雾的耗时可以从每帧 200ms 降到 50ms 左右，代价是远处物体短暂运动时会产生轻微残影。对于安防监控这类低频变化场景，这种折中是完全可以接受的。

本文还有配套的精品资源，点击获取