针对当前去雾算法经常出现过度曝光、颜色失真等问题,提出了一种基于全卷积回归网络的去雾算法。该回归网络基于端到端系统,由特征提取和特征融合两部分构成。首先,输入有雾图像,经过特征提取和特征融合,最终回归为粗透射率图;之后使用导向滤波对其进行优化,再利用大气物理散射模型反演出无雾图像;最终采用限制对比度自适应直方图均衡化(CLAHE)对无雾图像进行增强,以得到更符合人类视觉的清晰图像。所提算法不仅可以有效避免去雾后出现的过度曝光和颜色失真等问题,而且能保留图像完整的细节信息,具有较好的去雾效果。

针对传统去雾算法结果中颜色和对比度失真等问题,提出了一种基于多尺度融合和对抗训练的图像去雾算法。采用多尺度特征提取模块从多个不同尺度中提取雾霾相关特征,利用残差密集连接模块实现图像特征的交互,避免了梯度消失。由于其不基于大气散射模型,直接将图像的浅层特征和深层特征进行多尺度融合,所以克服了物理模型的不精确性。去雾网络的训练采用生成对抗机制,由多尺度特征提取模块和残差密集连接模块构成的生成器估计清晰的无雾图像,由两个不同尺度感受野的子网络构成的鉴别器完成对抗训练。在RESIDE(Realistic single image dehazing)数据集上进行对比实验,结果表明本算法生成的去雾图像在全参考和无参考的视觉质量指标方面优于其他对比算法。

去雾算法halcon代码实现.7z

图像去雾算法及其应用研究.pdf

本算法是就何凯明论文《Single Image Haze Removal Using Dark Channel Prior》的c++复现，我用的运行环境是VS2019+opencv3.4.14，只要把代码复制到配置好opencv环境的项目下运行即可。本算法包括求取暗通道图、计算大气光强、计算透射率图、细化折射率图等具体算法步骤和注释，细化方案采取的是导向滤波，代码中导向滤波包含普通和快速的导向滤波算法，运行速度快。供大家参考学习。

本科毕业设计收集的资源希望可以帮助到大家 Fattal的去雾算法的实现，包括主函数和调用函数

完成毕业设计时写的代码，可以正常运行，附带结果图和输入原图，可以直接使用 运行前先安装requirements.txt中需要的库 运行muliple_test_inference.py 文件 vis_results中是我得到的去雾结果

基于边界约束和上下文正则化的去雾算法资源很少 里面包括可以直接matlab运行的代码，以及文献原文

暗通道先验去雾算法的改进及FPGA实现

基于暗通道先验的图像去雾算法+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。 %create original_dark_channel image with same size [m, n] = size(R_channel); dark_channel_image = zeros(m,n); %extract the minimum value of each point in RGB for dark_channel_image for i=1:m for j=1:n local_pixels =[R_channel(i,j), G_channel(i,j), B_channel(i,j)]; dark_channel_image(i,j) = min(local_pixels ); end end