全文總結：測試了幾種對比度提升對於航拍彩色圖像的視覺提升效果。總結圖像效果差的原因後，利用去霧算法獲得了絕大多數場景適用的處理效果，CPU單幀處理時間爲160ms（3*1920*1080）。
種種原因，於8.15開始成爲一隻社畜，找的工作呢是關於圖像處理的。入職第一天，我的組長給了我一個任務，就是處理無人機航拍的圖像，主要目的是想提升一下視覺效果。
圖像類似下圖這種，可以看到拍攝環境是光照比較強的，但是圖像看起來似乎有一層灰濛濛的東西。其他光照較弱的圖像中，圖像質量較這張差更多。這樣的圖像主要原因，我認爲是由於公司設計的無人機的飛行高度比較高，當拍攝地面時，空氣中會有較多的散射微粒影響成像，所以出現這樣的效果。
最開始組長讓我試試各種對比度提升的算法，讓圖像看起來好一些，於是我按着這個思路試了一下。
直方圖增強
直方圖增強的算法肯定就不必多說了，就是通過擴展像素值的範圍，讓圖像的對比度提升，看起來圖像會有更多細節突出。
在代碼中我使用了openCV自帶的直方圖增強函數，將圖像分爲三個通道，分別使用再將通道合併。
equalizeHist( InputArray src, OutputArray dst )
圖1 起飛場地圖
圖2 地面植被圖
圖3 天空效果圖
使用直方圖增強時，地面效果圖很差，地面植被場景的效果還不錯，在天空效果圖中，遠處的天空則會出現色塊，說明這種方法不是場景普遍適用的。
總結原因：1. 因爲RGB通道分開進行直方圖均衡化會出現顏色的失真。
2.天空有色塊，則是因爲直方圖均衡化對於一些圖像區域灰度範圍不一致時，效果會很差。
基於以上的原因，我還想測試的幾種簡單的圖像增強算法，如伽馬校正，拉普拉斯銳化等等，就被一一否決了。因爲這些算法也大部分是RGB分開處理再融合，避免不了顏色失真的影響。出於對顏色失真的考慮，我決定再使用顏色空間轉換到HSI空間或者YCrCb空間處理，直方圖增強其強度分量。
Mat ycrcb;
Mat result;
vector<Mat> channels;
cvtColor(frame, ycrcb, COLOR_RGB2YCrCb); //RGB到YCRCB
split(ycrcb, channels); //通道分離
equalizeHist(channels[0], channels[0]); //直方圖增強強度分量
merge(channels, ycrcb); //通道合併
cvtColor(ycrcb, result, COLOR_YCrCb2RGB); //YCRCB到RGB
圖4 地面圖
圖5 植被
圖4 圖5給出了增強強度分量的圖像結果，還是不理想，因爲整個圖像變得像灰度圖一樣，並且天空處仍然有色塊（此處沒圖）。
花了一天測試這些基本的圖像增強算法，效果都不能達到要求。於是我開始另外思考航拍圖像有這種效果的原因，正如我在開頭所講，是空氣中的散射粒子導致了這種現象。我突然覺得這種圖像類似於有霧的圖像，因爲散射粒子就類似於霧對圖像的影響，覺得去霧的算法可能有效果，同時我還需要一種算法處理速度較快，來滿足我後期的需求。
全網搜索了一下，發現了這樣一篇寶藏文章，文章沒有源碼，但是講解十分清楚。看完後，我對於這個算法的流程理解的很好，於是自己用了半天多時間在自己的電腦環境下編寫了程序，並且測試了效果。參考文章點下圖，作者人very nice，我還問了幾個問題都幫我解答了。該文章裏面有的內容我不再贅述，我只寫一下我自己的代碼實現步驟和想法。
一種可實時處理 O(1)複雜度圖像去霧算法的實現。
圖6 算法步驟
1. 求暗通道及圖像最大值（0-255），圖像均值（0-1）
//step 1 求出暗通道,以及暗通道均值,圖像最大值
for (Y = 0; Y < rows; Y++)
{
ImgPt = frame.ptr<uchar>(Y);
DarkPt = dark.ptr<uchar>(Y);
for (X = 0; X < cols; X++)
{
Min = double(*ImgPt) ;
//Max = double(*ImgPt) ;
if (Max < (*(ImgPt + 1))) { Max = *(ImgPt + 1); }
if (Max < (*(ImgPt))) { Max = *(ImgPt); }
if (Max < (*(ImgPt + 2))) { Max = *(ImgPt + 2); }
if (Min > (*(ImgPt + 1))) { Min = *(ImgPt + 1);}
if (Min > (*(ImgPt + 2))) { Min = *(ImgPt + 2); }
*DarkPt = uint(Min); // 三通道的最小值
Sum += Min ; // 累積以方便後面求平均值
ImgPt += 3;
DarkPt++;
}
}
Mean = (double)Sum / (rows*cols*255);
這一步的基本思路還是按參考文章寫得，不同的是，我將求最大值的代碼也加入了這段程序中。我覺得值得注意的一點是，平均值Mean的範圍。算法步驟和其對應論文中，表示圖像的像素值的範圍是0-1，但是因爲openCV的像素都是0-255，我爲了方便，只將平均值算到0-1，而不改變其它的值。如果變量的範圍不注意一下，很有可能下面的計算環境光一步得不到結果。
2. 暗通道圖像模糊化
//step 2 對暗通道均值濾波（0-255）運行時間109ms左右
blur(dark, mdark, Size(64, 64));
這一步就比較簡單了，就是用openCV內置的blur函數，對圖像做了一次均值濾波。這裏的size取決於圖像大小，也看後面的測試效果。因爲我的應用場景比較關心時間，所以測算了一下這個模糊函數的時間在110ms左右（彩色圖像1920*1080）。參考文章的作者有個時間更快的方法，如果讀者對於CPU速度加快有興趣，可以參考。因爲我的代碼最終是要用GPU實現的，所以不再考慮那些優化的方法。
3. 環境光求解及暗通道最大值
//step 3 求解Lx，環境光（0-255）
for (Y = 0; Y < rows; Y++)
{
ImgPt = mdark.ptr<uchar>(Y);
p1 = Lx.ptr<uchar>(Y);
DarkPt = dark.ptr<uchar>(Y);
for (X = 0; X < cols; X++)
{
if (dMax <(*(ImgPt))) { dMax = (*(ImgPt)); }
Min = 0.9;
if ((rou*Mean) < Min) Min = rou * Mean;
Min = Min * (*ImgPt);
//cout << uint(*ImgPt);
if (Min >(*DarkPt)) Min = (*DarkPt);
*p1 = uint(Min);
ImgPt += 1;
DarkPt++;
p1++;
}
}
這一步也很簡單，就是根據公式求出環境光，注意環境光的像素值是0到255，這個Lx矩陣是一個單通道矩陣。
4. 計算原始圖像
//step 4 求解A，大氣指數，爲1*3數組
A =(0.5*(Max + dMax));
//step 5 計算原始圖像，使用LUT方法
//建立查找表
unsigned char * Table = (unsigned char *)malloc(256 * 256 * sizeof(unsigned char));
for (Y = 0; Y < 256; Y++)
{
Index = Y << 8;
for (X = 0; X < 256; X++)
{
Value = (Y -X) / (1 - X * (1 / A));
//cout << Value << endl;
if (Value > 255)
Value = 255;
else if (Value < 0)
Value = 0;
Table[Index++] = Value;
}
}
//查表計算原始圖像
for (Y = 0; Y < rows; Y++)
{
ImgPt = frame.ptr<uchar>(Y);
p1 = Ipro.ptr<uchar>(Y);
p2 = Lx.ptr<uchar>(Y);
for (X = 0; X < cols; X++)
{
*p1= Table[(*ImgPt<< 8) + uint((*p2))];
*(p1 + 1) = Table[(*(ImgPt+1) << 8) + uint((*p2))];
*(p1 + 2) = Table[(*(ImgPt+2) << 8) + uint((*p2))];
ImgPt += 3;
p1+=3;
p2++;
}
}
這裏也是根據公式算出原始圖像，值得注意的是，參考博文作者用的是查表法。就C++寫openCV的程序來說，最費時間的其實就是循環讀取像素的過程，再計算每個像素。那麼有沒有什麼較快的方法呢？
OpenCV官方文檔提供了一些參考，How to scan images, lookup tables and time measurement with OpenCV。最快的就是查表法，這是通過犧牲一部分內存的方法來降低運算量。計算前和計算後每一個像素值，存在一種映射關係，如果找到這種映射關係，就可以直接賦值，而不是還在每個像素點計算。官方文檔也提供了一些解釋，有興趣可以去看看上面的網址。
從以上這一段程序，可以看書來，計算的時候就直接用查表計算，免去了很多計算量。openCV還提供一種內置函數來實現查表法，即。其中I是輸入圖像；lookUpTable就是我們建立的查找表，按照像素一一對應的關係，應該是256*256大小；J就是輸出圖像。
LUT(I, lookUpTable, J);
LUT函數由於是openCV的內置函數，已經實現了加速，我認爲其實就是簡單的放到了GPU下，每個像素並行計算了，消耗的時間也就是GPU和CPU來回讀寫的時間。
以上就完成了去霧算法的全部過程，由於我只是在實現這個算法，並沒有對算法的原理有過多研究，可能沒能在這方面提供幫助。下面是處理完的圖像效果
這個算法的實現就告一段落，效果以滿足公司的要求，由於處理時間還是太長，所以還是要探究加快計算速度的辦法。後面也需要將該算法移植到公司的視頻播放器中，所以最近也在學習D3D11的部分，希望用GPU並行計算實現這部分代碼，還在探索中。這篇博客的內容也是來自兩週前了，今天週五接近下班，所以就寫了寫。