Trabalhando com código de dehaze: o que realmente funciona na prática
Se você está lidando com remoção de neblina em imagens ou vídeos, provavelmente já encontrou o termo code de haze piece em fóruns técnicos ou repositórios. Basicamente, trata-se de um trecho de código focado em remover artefatos de atmosféricos como névoa, fumaça e partículas em suspensão que reduzem o contraste e a nitidez de cenas capturadas ao ar livre. A abordagem mais comum envolve estimar o mapa de luz atmosférica e depois aplicar a correção pixel a pixel usando a transformação baseada no modelo físico de scattering. O modelo matemático por trás disso é simples de entender mas complexo de implementar corretamente. A equação fundamental é I(x) = J(x)e^(-d(x)) + A(1 - e^(-d(x))), onde I é a imagem observada, J é a cena livre de neblina que você quer recuperar, é o coeficiente de atenuação global, d(x) é a profundidade relativa e A é a intensidade da luz atmosférica. O problema é que você quase nunca conhece J, nem A antes de processar a imagem. É aí que entra a parte complicada.
Como estruturar seu code de haze piece
A maior maioria dos tutoriais online pula direto para o código sem explicar o fluxo completo. Vou partir do pressuposto de que você já tem uma imagem de entrada e precisa gerar uma versão dessubmetida. O primeiro passo real é estimar o depth map. Existem duas abordagens principais aqui: usar um sensor LiDAR ou câmara de profundidade quando disponível, ou confiar em técnicas de deep learning como ZoeDepth, MiDAS ou Eigen's disparity method quando não há hardware dedicado. Em testes práticos, a abordagem sem profundidade real tende a produzir artefatos borda significativos em objetos próximos ao plano de fundo. Depois do depth map, você precisa calcular o mapa de atenuação. A fórmula básica é (x) = _global * d(x), mas o segredo está em calibrar _global corretamente. Valores muito baixos resultam em over-enhancement com halos brancos ao redor dos objetos. Valores muito altos deixam a imagem ainda fosca. Na prática, _global entre 0,1 e 0,3 costuma funcionar para névoa moderada. Para nevoeiro denso, suba para 0,4 a 0,6, mas monitore o ruído amplificado nos pixels escuros.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A estimativa da luz atmosférica A merece atenção separada. O método clássico pega os 0,1% dos pixels mais brilhantes da imagem e calcula a média. Isso funciona bem em cenários controlados mas falha miseravelmente quando há fontes de luz solar direta ou reflexos especulares no frame. Meu workaround pessoal foi trocar a estimativa global por uma média ponderada que descarta automaticamente pixels com saturação acima de 245 em pelo menos dois dos canais RGB. Reduziu drasticamente os halos nas bordas de janelas e superfícies metálicas em projetos reais. Após aplicar a inversão da equação de scattering, o resultado bruto geralmente apresenta ruído aumentado nas regiões de menor profundidade. Aplique um filtro bilateral ou um denoiser leve com preserve_edges=yes antes de finalizar. O custo computacional adicional fica em torno de 10-15% do tempo total de processamento, mas a diferença visual é evidente.
Um detalhe que pouca gente menciona: se sua imagem tem HDR ou faixa dinâmica ampliada, o código de haze piece padrão vai compactar tons após a correção. A solução é trabalhar em espaço logarítmico ou usar tone mapping adaptativo pós-processamento. Leva cerca de 2-3 minutos a mais por frame em resolução 4K, mas evita aquela aparência lavada típica de implementações ingênuas. O que mais causa dor de cabeça na implementação é o tratamento de bordas. Quando a névoa não é uniforme — e raramente é —, aplicar um global por toda a imagem gera transições bruscas visíveis. A correção mais eficiente que encontrei divide a imagem em regiões baseadas em clusters de profundidade e aplica local em cada bloco. O resultado é visualmente muito mais limpo, especialmente em paisagens com múltiplas camadas de distância.
Se você precisa de uma implementação pronta para testar rapidamente, procurar por "dark channel prior dehazing python" ou "non-local dehazing opencv" no GitHub rende vários repositórios funcionais. Alguns dos mais estáveis têm entre 200 e 800 estrelas e suportam tanto imagens estáticas quanto sequências de vídeo. O tempo de processamento varia muito conforme a resolução e a complexidade da cena, mas em condições normais uma imagem Full HD leva de 3 a 8 segundos para processar com parâmetros padrão em uma GPU razoável. Cabe mencionar também que esse tipo de código não resolve problemas causados por obstrução física na lente, como chuva batendo no vidro ou sujeira real. A névoa atmosférica é um fenômeno de dispersão de luz, e qualquer solução de dehaze assume esse pressuposto. Quando a degradação vem de outro source, o resultado pode até piorar a imagem ao aplicar contraste onde não deveria existir.
