无人机影像去雾，卫星遥感影像去雾

图像去雾方法和评价及其应用研究_郭璠 毕业论文

单幅图像去雾方法研究综述

针对传统去雾算法需要人工提取特征,对比度低、信噪比低等问题, 提出一种基于多特征融合的卷积神经网络去雾算法。利用卷积神经网络算法模拟人类视觉系统对雾天图像进行层次化处理, 实现自动提取特征。算法采用直接从雾天图像到清晰无雾图像映射的学习方式, 该映射由特征提取、多尺度特征融合和浅层深层特征融合联合实现。多尺度特征融合提升网络对图像细节的重建, 浅层深层特征融合则将浅层卷积得到的轮廓信息和深层卷积得到的细节信息进行融合, 提升去雾重建的整体效果。实验结果表明, 相比于单一尺度网络, 多特征融合网络的峰值信噪比提高了1.280 dB。本文算法对自然雾天图像去雾效果明显, 细节信息和对比度均优于其他算法, 为去雾方法的研究提供了新思路。

该课题为交通标志识别，平台是matlab，该课题为恶劣天气下的识别，雾霾。需要先进行雾霾去除，清晰化后图像达到增强后的效果。然后进行定位，分割，识别，带界面。语音播报。

这是一个对图像去雾很有效的vc++程序，实际检验后非常有效。MFC soft：RemoveHaze

MATLAB代码,图像去雾技术，包括全局及局部直方图均衡化和基于RETINEX理论去雾三种算法,含GUI界面

夜间图像光照不均匀, 存在色偏, 去雾难度较大。目前图像去雾算法主要针对白天场景, 有关夜间图像去雾算法的研究较少。基于结构-纹理分层模型提出新的夜间图像去雾算法, 将夜间有雾图像分解为结构层和纹理层。在结构层采用中值滤波器估计环境光, 利用加权范数L1正则化模型对其进行优化, 并进行去雾和颜色校正处理；在纹理层利用离散余弦变换系数估计透射率。最终融合纹理层与去雾后的结构层得到去雾图像。实验结果表明, 采用该算法对夜间图像去雾后图像细节清晰, 颜色自然, 去雾效果显著。

针对传统的单幅图像去雾算法容易受到雾图先验知识制约及颜色失真等问题,提出了一种基于深度学习的多尺度卷积神经网络(CNN)单幅图像去雾方法,即通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。根据大气散射模型形成雾图机理,设计了一个端到端的多尺度全CNN模型,通过卷积层运算提取有雾图像的浅层特征,利用多尺度卷积核并行提取得到有雾图像的深层特征,然后将浅层特征和深层特征进行跳跃连接融合,最后通过非线性回归得到雾图对应的透射率图特征,并根据大气散射模型恢复出无雾图像。采用雾图数据集对该模型进行训练测试。实验结果表明,所提方法在合成有雾图像和真实自然雾天图像的实验中均能取得良好的去雾效果,在主观评价和客观评价上均优于其他对比算法。

AMEF 是一种快速除雾技术，可将不同（人为）曝光不足的朦胧图像融合为单个无雾效果。 您可以在https://github.com/agaldran/amef_dehazing 上找到描述此技术的相关论文的 pdf 版本链接，其中包含更多详细信息