前言雾天下的场景往往拍摄到的图像存在对比度低、颜色失真等问题。基于暗通道先验的去雾算法由由何恺明等人在2009年提出通过观察发现在绝大多数无雾图像的局部区域内至少存在一个颜色通道的某些像素值非常低接近0。这一现象被称为暗通道先验。本文实现的核心算法基于以下物理模型其中I(x)是观测到的有雾图像J(x)是要恢复的无雾图像t(x)是透射率图A是全局大气光。完整代码可在此处获得PGS2Net/models/baseline/dcp/dcp.py at main · Auorui/PGS2Net算法实现暗通道先验def dark_channel(self, img): 计算暗通道 (B, C, H, W) - (B, H, W) return torch.min(img, dim1)[0] # 取RGB通道最小值暗通道计算是算法的核心步骤它通过取RGB三个通道的最小值来获得每个像素位置的暗通道值。这一操作有效地捕捉了图像中最暗的区域这些区域通常是雾浓度最高的区域。大气光估计def estimate_atmosphere(self, img, dark_ch): 估计大气光A B, H, W dark_ch.shape # 选择暗通道中前0.1%最亮的像素 num_pixels int(H * W * self.top_percent) flattened_dark dark_ch.view(B, -1) indices torch.topk(flattened_dark, num_pixels, dim1)[1] # 获取原始图像中对应位置的像素 atmosphere [] for b in range(B): selected_pixels img[b, :, indices[b] // W, indices[b] % W] atmosphere.append(torch.max(selected_pixels, dim1)[0]) return torch.stack(atmosphere).unsqueeze(-1).unsqueeze(-1)大气光A的估计基于一个关键观察有雾图像中最亮的像素通常对应于大气光。算法选择暗通道中最亮的top_percent默认为0.1%像素然后在原始图像中取这些位置对应像素的最大值作为大气光估计。透射率计算def transmission(self, dark_ch): 计算透射率图 transmission 1 - self.omega * dark_ch return torch.clamp(transmission, minself.t0, max1.0)透射率t(x)表示光线通过大气介质到达相机的比例。根据暗通道先验透射率可以近似表示为其中ω是调整参数默认为0.95用于控制去雾程度。t0参数默认为0.1用于避免除零错误。图像恢复def forward(self, x): # 输入形状: (B, C, H, W)值域[0,1] if x.min() 0: # 检测到输入是[-1,1]范围 x (x 1) / 2 # 转换到[0,1] dark self.dark_channel(x) A self.estimate_atmosphere(x, dark) transmission self.transmission(dark) # 根据物理模型恢复图像 J (x - A) / transmission A return torch.clamp(J, 0, 1)图像恢复基于物理模型的逆向推导。算法首先自动检测输入范围支持[0,1]或[-1,1]然后结合前面计算的大气光A和透射率图t(x)恢复无雾图像J(x)。完整算法因为要做去雾实验的基线测试看看所有的论文都在做对比所以就写了一个顺便做个记录。import torch import torch.nn as nn class DCP(nn.Module): def __init__(self, omega0.95, t00.1, top_percent0.1): super(DCP, self).__init__() self.omega omega self.t0 t0 self.top_percent top_percent # 用于估计大气光的像素百分比 def dark_channel(self, img): 计算暗通道 (B, C, H, W) - (B, H, W) return torch.min(img, dim1)[0] # 取RGB通道最小值 def estimate_atmosphere(self, img, dark_ch): 估计大气光A B, H, W dark_ch.shape # 选择暗通道中前0.1%最亮的像素 num_pixels int(H * W * self.top_percent) flattened_dark dark_ch.view(B, -1) indices torch.topk(flattened_dark, num_pixels, dim1)[1] # 获取原始图像中对应位置的像素 atmosphere [] for b in range(B): selected_pixels img[b, :, indices[b] // W, indices[b] % W] atmosphere.append(torch.max(selected_pixels, dim1)[0]) return torch.stack(atmosphere).unsqueeze(-1).unsqueeze(-1) def transmission(self, dark_ch): 计算透射率图 transmission 1 - self.omega * dark_ch return torch.clamp(transmission, minself.t0, max1.0) def forward(self, x): # 输入形状: (B, C, H, W)值域[0,1] if x.min() 0: # 检测到输入是[-1,1]范围 x (x 1) / 2 # 转换到[0,1] dark self.dark_channel(x) A self.estimate_atmosphere(x, dark) transmission self.transmission(dark) # 根据物理模型恢复图像 J (x - A) / transmission A return torch.clamp(J, 0, 1)2026年7月18日更新在原有的基础上添加了引导滤波import torch import torch.nn as nn class DCP(nn.Module): def __init__(self, omega0.95, t00.1, top_percent0.1, radius40): super(DCP, self).__init__() self.omega omega self.t0 t0 self.top_percent top_percent # 用于估计大气光的像素百分比 self.radius radius def dark_channel(self, img): 计算暗通道 (B, C, H, W) - (B, H, W) return torch.min(img, dim1)[0] # 取RGB通道最小值 def estimate_atmosphere(self, img, dark_ch): 估计大气光A B, H, W dark_ch.shape # 选择暗通道中前0.1%最亮的像素 num_pixels int(H * W * self.top_percent) flattened_dark dark_ch.view(B, -1) indices torch.topk(flattened_dark, num_pixels, dim1)[1] # 获取原始图像中对应位置的像素 atmosphere [] for b in range(B): selected_pixels img[b, :, indices[b] // W, indices[b] % W] atmosphere.append(torch.max(selected_pixels, dim1)[0]) return torch.stack(atmosphere).unsqueeze(-1).unsqueeze(-1) def transmission(self, dark_ch): 计算透射率图 transmission 1 - self.omega * dark_ch return torch.clamp(transmission, minself.t0, max1.0) def guided_filter(self, guide, target, radius40, eps1e-3): guide: 引导图 (B, C, H, W) 通常用灰度图或原图 target: 待滤波图 (B, 1, H, W) 即透射率图 # 转换为灰度引导图 if guide.shape[1] 3: guide_gray 0.299 * guide[:, 0, :, :] 0.587 * guide[:, 1, :, :] 0.114 * guide[:, 2, :, :] guide_gray guide_gray.unsqueeze(1) else: guide_gray guide # 均值滤波可用平均池化替代 def box_filter(x, r): kernel torch.ones(1, 1, 2 * r 1, 2 * r 1).to(x.device) / (2 * r 1) ** 2 return nn.functional.conv2d(x, kernel, paddingr, groupsx.shape[1]) mean_g box_filter(guide_gray, radius) mean_t box_filter(target, radius) mean_gt box_filter(guide_gray * target, radius) mean_gg box_filter(guide_gray * guide_gray, radius) var_g mean_gg - mean_g * mean_g cov_gt mean_gt - mean_g * mean_t a cov_gt / (var_g eps) b mean_t - a * mean_g mean_a box_filter(a, radius) mean_b box_filter(b, radius) return mean_a * guide_gray mean_b def forward(self, x): # 输入形状: (B, C, H, W)值域[0,1] if x.min() 0: # 检测到输入是[-1,1]范围 x (x 1) / 2 # 转换到[0,1] dark self.dark_channel(x) A self.estimate_atmosphere(x, dark) transmission self.transmission(dark) # 用原图作为引导图对透射率进行细化 transmission self.guided_filter(x, transmission.unsqueeze(1), radiusself.radius) # (B,1,H,W) transmission transmission.squeeze(1) # 变回 (B,H,W) # 根据物理模型恢复图像 J (x - A) / transmission A return torch.clamp(J, 0, 1)评估指标import torch import torch.nn.functional as F from pytorch_msssim import ssim def calculate_index(output, target): # output output*0.5 0.5 # target target*0.5 0.5 psnr 10 * torch.log10(1/F.mse_loss(output, target)).item() _, _, H, W output.size() down_ratio max(1, round(min(H, W) / 256)) ssim_val ssim(F.adaptive_avg_pool2d(output, (int(H / down_ratio), int(W / down_ratio))), F.adaptive_avg_pool2d(target, (int(H / down_ratio), int(W / down_ratio))), data_range1, size_averageFalse).item() return psnr, ssim_val这里采用的是常见的psnr和ssim。其他的算法是在-1到1的范围内的而dcp这里是要在0到1的范围内所以要将这之间的转换搞清楚不然会莫名的偏大。去雾效果这里就是将图像转换为常见的bchw的格式然后输入到dcp网络里面。因为我自己实现过用起来比较的方便。import pyzjr hazy_path rE:\PythonProject\DehazeProject\data\RICE_DATASET\test\hazy\21.png gt_path rE:\PythonProject\DehazeProject\data\RICE_DATASET\test\GT\21.png hazy_image pyzjr.read_image(hazy_path, torch, target_shape(512, 512)).cuda() target_image pyzjr.read_image(gt_path, torch, target_shape(512, 512)).cuda() dcp DCP().cuda() out_image dcp(hazy_image) p, s calculate_index(out_image, target_image) print(p, s) pyzjr.imwrite(1.png, out_image)接下来看看去雾的效果吧下面的排列方式从左到右分别为有雾图像dcp去雾后图像对应无雾的清晰图像。psnr为19.14563298225403ssim为0.5990961790084839。psnr为11.955822706222534ssim为0.3674911856651306。psnr为18.325926065444946ssim为0.7651581168174744。感觉dcp是在合成的浅浅朦胧雾上效果还行问题也到是蛮多的。参考文章HE K M, SUN J, TANG X O. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 33(12): 2341-2353.pytorch实现DCP暗通道先验去雾算法及其onnx导出_dcp算法代码-CSDN博客基于 opencv暗通道去雾算法的实现与应用_opencv 去雾-CSDN博客
前言雾天下的场景往往拍摄到的图像存在对比度低、颜色失真等问题。基于暗通道先验的去雾算法由由何恺明等人在2009年提出通过观察发现在绝大多数无雾图像的局部区域内至少存在一个颜色通道的某些像素值非常低接近0。这一现象被称为暗通道先验。本文实现的核心算法基于以下物理模型其中I(x)是观测到的有雾图像J(x)是要恢复的无雾图像t(x)是透射率图A是全局大气光。完整代码可在此处获得PGS2Net/models/baseline/dcp/dcp.py at main · Auorui/PGS2Net算法实现暗通道先验def dark_channel(self, img): 计算暗通道 (B, C, H, W) - (B, H, W) return torch.min(img, dim1)[0] # 取RGB通道最小值暗通道计算是算法的核心步骤它通过取RGB三个通道的最小值来获得每个像素位置的暗通道值。这一操作有效地捕捉了图像中最暗的区域这些区域通常是雾浓度最高的区域。大气光估计def estimate_atmosphere(self, img, dark_ch): 估计大气光A B, H, W dark_ch.shape # 选择暗通道中前0.1%最亮的像素 num_pixels int(H * W * self.top_percent) flattened_dark dark_ch.view(B, -1) indices torch.topk(flattened_dark, num_pixels, dim1)[1] # 获取原始图像中对应位置的像素 atmosphere [] for b in range(B): selected_pixels img[b, :, indices[b] // W, indices[b] % W] atmosphere.append(torch.max(selected_pixels, dim1)[0]) return torch.stack(atmosphere).unsqueeze(-1).unsqueeze(-1)大气光A的估计基于一个关键观察有雾图像中最亮的像素通常对应于大气光。算法选择暗通道中最亮的top_percent默认为0.1%像素然后在原始图像中取这些位置对应像素的最大值作为大气光估计。透射率计算def transmission(self, dark_ch): 计算透射率图 transmission 1 - self.omega * dark_ch return torch.clamp(transmission, minself.t0, max1.0)透射率t(x)表示光线通过大气介质到达相机的比例。根据暗通道先验透射率可以近似表示为其中ω是调整参数默认为0.95用于控制去雾程度。t0参数默认为0.1用于避免除零错误。图像恢复def forward(self, x): # 输入形状: (B, C, H, W)值域[0,1] if x.min() 0: # 检测到输入是[-1,1]范围 x (x 1) / 2 # 转换到[0,1] dark self.dark_channel(x) A self.estimate_atmosphere(x, dark) transmission self.transmission(dark) # 根据物理模型恢复图像 J (x - A) / transmission A return torch.clamp(J, 0, 1)图像恢复基于物理模型的逆向推导。算法首先自动检测输入范围支持[0,1]或[-1,1]然后结合前面计算的大气光A和透射率图t(x)恢复无雾图像J(x)。完整算法因为要做去雾实验的基线测试看看所有的论文都在做对比所以就写了一个顺便做个记录。import torch import torch.nn as nn class DCP(nn.Module): def __init__(self, omega0.95, t00.1, top_percent0.1): super(DCP, self).__init__() self.omega omega self.t0 t0 self.top_percent top_percent # 用于估计大气光的像素百分比 def dark_channel(self, img): 计算暗通道 (B, C, H, W) - (B, H, W) return torch.min(img, dim1)[0] # 取RGB通道最小值 def estimate_atmosphere(self, img, dark_ch): 估计大气光A B, H, W dark_ch.shape # 选择暗通道中前0.1%最亮的像素 num_pixels int(H * W * self.top_percent) flattened_dark dark_ch.view(B, -1) indices torch.topk(flattened_dark, num_pixels, dim1)[1] # 获取原始图像中对应位置的像素 atmosphere [] for b in range(B): selected_pixels img[b, :, indices[b] // W, indices[b] % W] atmosphere.append(torch.max(selected_pixels, dim1)[0]) return torch.stack(atmosphere).unsqueeze(-1).unsqueeze(-1) def transmission(self, dark_ch): 计算透射率图 transmission 1 - self.omega * dark_ch return torch.clamp(transmission, minself.t0, max1.0) def forward(self, x): # 输入形状: (B, C, H, W)值域[0,1] if x.min() 0: # 检测到输入是[-1,1]范围 x (x 1) / 2 # 转换到[0,1] dark self.dark_channel(x) A self.estimate_atmosphere(x, dark) transmission self.transmission(dark) # 根据物理模型恢复图像 J (x - A) / transmission A return torch.clamp(J, 0, 1)2026年7月18日更新在原有的基础上添加了引导滤波import torch import torch.nn as nn class DCP(nn.Module): def __init__(self, omega0.95, t00.1, top_percent0.1, radius40): super(DCP, self).__init__() self.omega omega self.t0 t0 self.top_percent top_percent # 用于估计大气光的像素百分比 self.radius radius def dark_channel(self, img): 计算暗通道 (B, C, H, W) - (B, H, W) return torch.min(img, dim1)[0] # 取RGB通道最小值 def estimate_atmosphere(self, img, dark_ch): 估计大气光A B, H, W dark_ch.shape # 选择暗通道中前0.1%最亮的像素 num_pixels int(H * W * self.top_percent) flattened_dark dark_ch.view(B, -1) indices torch.topk(flattened_dark, num_pixels, dim1)[1] # 获取原始图像中对应位置的像素 atmosphere [] for b in range(B): selected_pixels img[b, :, indices[b] // W, indices[b] % W] atmosphere.append(torch.max(selected_pixels, dim1)[0]) return torch.stack(atmosphere).unsqueeze(-1).unsqueeze(-1) def transmission(self, dark_ch): 计算透射率图 transmission 1 - self.omega * dark_ch return torch.clamp(transmission, minself.t0, max1.0) def guided_filter(self, guide, target, radius40, eps1e-3): guide: 引导图 (B, C, H, W) 通常用灰度图或原图 target: 待滤波图 (B, 1, H, W) 即透射率图 # 转换为灰度引导图 if guide.shape[1] 3: guide_gray 0.299 * guide[:, 0, :, :] 0.587 * guide[:, 1, :, :] 0.114 * guide[:, 2, :, :] guide_gray guide_gray.unsqueeze(1) else: guide_gray guide # 均值滤波可用平均池化替代 def box_filter(x, r): kernel torch.ones(1, 1, 2 * r 1, 2 * r 1).to(x.device) / (2 * r 1) ** 2 return nn.functional.conv2d(x, kernel, paddingr, groupsx.shape[1]) mean_g box_filter(guide_gray, radius) mean_t box_filter(target, radius) mean_gt box_filter(guide_gray * target, radius) mean_gg box_filter(guide_gray * guide_gray, radius) var_g mean_gg - mean_g * mean_g cov_gt mean_gt - mean_g * mean_t a cov_gt / (var_g eps) b mean_t - a * mean_g mean_a box_filter(a, radius) mean_b box_filter(b, radius) return mean_a * guide_gray mean_b def forward(self, x): # 输入形状: (B, C, H, W)值域[0,1] if x.min() 0: # 检测到输入是[-1,1]范围 x (x 1) / 2 # 转换到[0,1] dark self.dark_channel(x) A self.estimate_atmosphere(x, dark) transmission self.transmission(dark) # 用原图作为引导图对透射率进行细化 transmission self.guided_filter(x, transmission.unsqueeze(1), radiusself.radius) # (B,1,H,W) transmission transmission.squeeze(1) # 变回 (B,H,W) # 根据物理模型恢复图像 J (x - A) / transmission A return torch.clamp(J, 0, 1)评估指标import torch import torch.nn.functional as F from pytorch_msssim import ssim def calculate_index(output, target): # output output*0.5 0.5 # target target*0.5 0.5 psnr 10 * torch.log10(1/F.mse_loss(output, target)).item() _, _, H, W output.size() down_ratio max(1, round(min(H, W) / 256)) ssim_val ssim(F.adaptive_avg_pool2d(output, (int(H / down_ratio), int(W / down_ratio))), F.adaptive_avg_pool2d(target, (int(H / down_ratio), int(W / down_ratio))), data_range1, size_averageFalse).item() return psnr, ssim_val这里采用的是常见的psnr和ssim。其他的算法是在-1到1的范围内的而dcp这里是要在0到1的范围内所以要将这之间的转换搞清楚不然会莫名的偏大。去雾效果这里就是将图像转换为常见的bchw的格式然后输入到dcp网络里面。因为我自己实现过用起来比较的方便。import pyzjr hazy_path rE:\PythonProject\DehazeProject\data\RICE_DATASET\test\hazy\21.png gt_path rE:\PythonProject\DehazeProject\data\RICE_DATASET\test\GT\21.png hazy_image pyzjr.read_image(hazy_path, torch, target_shape(512, 512)).cuda() target_image pyzjr.read_image(gt_path, torch, target_shape(512, 512)).cuda() dcp DCP().cuda() out_image dcp(hazy_image) p, s calculate_index(out_image, target_image) print(p, s) pyzjr.imwrite(1.png, out_image)接下来看看去雾的效果吧下面的排列方式从左到右分别为有雾图像dcp去雾后图像对应无雾的清晰图像。psnr为19.14563298225403ssim为0.5990961790084839。psnr为11.955822706222534ssim为0.3674911856651306。psnr为18.325926065444946ssim为0.7651581168174744。感觉dcp是在合成的浅浅朦胧雾上效果还行问题也到是蛮多的。参考文章HE K M, SUN J, TANG X O. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 33(12): 2341-2353.pytorch实现DCP暗通道先验去雾算法及其onnx导出_dcp算法代码-CSDN博客基于 opencv暗通道去雾算法的实现与应用_opencv 去雾-CSDN博客
![Qwen3.5-9B-da8w8-torchao-v0.17.0 vs 原版模型：3.55%精度损失换来了什么？[特殊字符]](http://pic.xiahunao.cn/yaotu/Qwen3.5-9B-da8w8-torchao-v0.17.0 vs 原版模型：3.55%精度损失换来了什么？[特殊字符])
