### 使用暗通道先验对夜间图像进行增强的 Python 实现 暗通道先验是一种广泛应用于图像去雾的技术，其核心思想是利用自然图像中大部分区域在一个颜色通道上的像素值较低这一特性。然而，由于夜间图像的特点（如光照不足、对比度低），直接应用传统的暗通道先验可能无法达到理想效果。以下是针对夜间图像增强的一种改进实现方式。 #### 改进思路 1. **自适应阈值调整**：夜间图像可能存在较多高亮区域（如路灯、车灯等），这些区域可能会干扰暗通道的计算。可以通过设定动态阈值排除异常亮点。 2. **增加曝光补偿**：夜间图像整体偏暗，可以在最后一步加入全局或局部曝光补偿操作以提升视觉质量。 3. **优化透射率估算**：传统方法中的透射率公式可能不适合夜间条件下的光线传播模型，需适当调整参数 \( w \)[^1] 和滤波器大小 \( r \) 来改善结果。 下面是具体的 Python 实现代码： ```python import cv2 import numpy as np def dark_channel_prior_enhance(image, window_size=9, omega=0.95, t_threshold=0.1): """ 基于暗通道先验的夜间图像增强函数 参数: image (numpy.ndarray): 输入RGB图像数组 window_size (int): 计算暗通道时使用的滑动窗口尺寸，默认为9 omega (float): 雾浓度权重因子，默认为0.95 t_threshold (float): 最小透射率阈值，默认为0.1 返回: enhanced_image (numpy.ndarray): 增强后的图像 """ # 转换到浮点数并缩放到[0, 1] img_float = image.astype(np.float32) / 255.0 # 获取暗通道图片 dark_channel = get_dark_channel(img_float, window_size) # 寻找大气光A A = estimate_atmospheric_light(img_float, dark_channel) # 计算初始透射率t(x) transmission = calculate_transmission(img_float, A, omega, window_size) # 对透射率进行导向滤波平滑处理 guided_filter_radius = max(1, int(window_size * 4)) # 至少四倍于原window size eps = 1e-3 transmission_guided = guide_filter(transmission[:, :, None], img_float, guided_filter_radius, eps).squeeze() # 截断低于阈值的部分 transmission_clipped = np.clip(transmission_guided, t_threshold, 1) # 恢复无雾图像J(x)=I(x)-t(x)*A/A*(1-t(x)) J = ((img_float - A) / transmission_clipped[:, :, None]) + A # 曝光补偿（可选） gamma_corrected = apply_gamma_correction(J) # 将结果转换回uint8类型 enhanced_image = (np.clip(gamma_corrected, 0, 1) * 255).astype(np.uint8) return enhanced_image def get_dark_channel(I, win_size): """获取暗通道""" M = cv2.erode(I.min(axis=2), np.ones((win_size, win_size))) return M def estimate_atmospheric_light(I, dc): """估计大气光强度A""" flat_dc = dc.ravel() indices = np.argsort(flat_dc)[-int(len(flat_dc) * 0.001):] # 取最亮前0.1%位置 brightest_pixels = I.reshape(-1, 3)[indices] A = brightest_pixels.mean(axis=0) return A def calculate_transmission(I, A, omega, win_size): """计算透射率""" normalized_I = I / A dark_c = get_dark_channel(normalized_I, win_size) T = 1 - omega * dark_c return T def guide_filter(p, guidance, radius, epsilon): """导向滤波""" mean_p = cv2.boxFilter(p, -1, (radius, radius), normalize=True) mean_i = cv2.boxFilter(guidance, -1, (radius, radius), normalize=True) corr_ip = cv2.boxFilter(guidance*p, -1, (radius, radius), normalize=True) cov_ip = corr_ip - mean_i*mean_p var_i = cv2.boxFilter(guidance*guidance, -1, (radius, radius), normalize=True) - mean_i*mean_i a = cov_ip / (var_i + epsilon) b = mean_p - a*mean_i q = cv2.boxFilter(a, -1, (radius, radius), normalize=True)*guidance + \ cv2.boxFilter(b, -1, (radius, radius), normalize=True) return q def apply_gamma_correction(image, gamma=1.5): """简单伽马矫正用于曝光补偿""" corrected = np.power(image, 1/gamma) return corrected if __name__ == "__main__": input_img_path = 'night_scene.jpg' output_img_path = 'enhanced_night_scene.jpg' original_image = cv2.imread(input_img_path) result = dark_channel_prior_enhance(original_image) cv2.imwrite(output_img_path, result) ``` 此脚本实现了基于暗通道先验的夜间图像增强功能，并加入了必要的修正措施来适配夜景环境特点[^2]。 --- ###