通过SRCNN进行水下图像增强 一种水下图像增强方法和相应的图像超分辨率算法。 使用的算法： 图像增强技术。 超分辨率卷积神经网络 Retinex算法伽玛校正。 黑暗先验。 进一步阅读：使用SRCNN.pptx进行水下图像增强 SRCNN训练模型：my_modelSRCNN.h5 用于实施的参考文件：Underwater2.pdf

基于暗原色先验理论在图像的去雾方面有非常好的效果，提出了一种将暗原色先验理论用于大气能见度测量的方法，克服了气象能见度仪成本昂贵且难以大范围架设的缺点。对拍摄雾霾图像的不同区域进行亮度分析以便选择合适的目标区域进行透射率估计，通过优化去雾系数并使用引导滤波细化透射率获取较为准确的透射率，从而求得大气消光系数及大气能见度。将大量雾霾图像处理的结果与前向散射仪(CJY-1G）测量的数据进行比较，二者基本一致，本方法与CJY-1G测量结果的误差在±15%之内，符合能见度观测的应用要求。

基于先验形状约束的主动轮廓模型的代码，能够基于已知的形状约束更好滴分割图像

针对交通场景图像中由于雾霾导致的图像目标主体不清晰,影响监控效果的问题,提出一种基于导向滤波与自适应色阶调整的改进暗通道图像去雾新方法.首先,基于暗通道原理对原始图像进行映射处理,从而得到大气光成分与透射率的估计值,并利用多维导向滤波方法对大气透射率估计值进行优化处理;然后,根据图像降质过程的逆过程,求解雾霾图像清晰化处理初始结果;最后,利用多通道自适应色阶调整方法进一步优化初始结果,解决初始结果整体亮度较暗、不利于监控系统后期处理的问题.实验结果表明,清晰化处理后的图像具有较高的亮度和对比度值,较好地保留并增强了图像的边缘和细节信息,算法去雾霾效果显著,针对交通场景图像处理的自适应性较高.

何凯明的暗通道去雾算法，算法简单明了，代码清晰易懂。

数字图像处理、去雾算法

基于何凯文博士的参考文献He K, Sun J, Tang X. Single image haze removal using dark channel prior[J]. IEEE CVPR, 2009.所写的基于暗通道先验的去雾算法matlab代码，内有代码，论文，及测试图片

水下图像成像过程与雾天图像类似, 但传统的去雾方法用于水下图像处理效果欠佳。针对水下捕获图像存在颜色衰减严重和蓝(绿)色基调的问题, 提出了一种基于改进暗原色先验和颜色校正的水下图像增强方法。结合光在水下的传播特性, 对空气中的暗原色先验去雾算法进行改进, 在求取水下暗原色通道和图像背景光时考虑红色通道的逆通道; 提出先采用改进的水下暗原色先验法去除后向散射光, 再通过白平衡算法对增强后的水下图像进行颜色校正的方法。实验结果表明, 相比于传统算法, 本文的方法在处理后向散射严重的水下图像时, 可以获得更高的清晰度和对比度。

简单实现

视觉问答中所有语言先验，偏见的论文，代码，ppt