用于实现图像去雾的代码，很有效，matlab写的，基于暗原色去雾，dark channel prior 用于实现图像去雾的代码，很有效，matlab写的，基于暗原色去雾，dark channel prior

为了提高偏振去雾方法对大气光估计的准确度,提出一种基于大气光偏振层析的雾天图像重构方法。在偏振空间下,将大气光梯度先验信息作为约束条件,对原始雾天偏振图像进行分层,估计大气光偏振图像;然后从大气光偏振图像中解析大气光,实现对大气光的偏振层析;最后,结合所提雾天图像偏振重构模型,并在大气光图像中估计无穷远处大气光,实现对雾天图像的去雾重构。实验结果表明,所提方法提高了大气光估计的准确度,进而使重构图像更清晰、目标还原度更高,且适用于不同浓度下的雾天图像重构。

WORD格式，实现目标： 1，采用直方图均衡化增强雾天模糊图像，并比较增强前后的图像和直方图， 2，查阅文献，分析雾天的图像退化因素，设计一种图像复原方法，对比复原图像和原图像的直方图均衡化的图像。 3设计软件界面

Matlab代码金字塔DCPDN 密集连接的金字塔除雾网络（CVPR'2018） ， []（CVPR'18） 我们提出了一种新的端到端单图像除雾方法，称为密集连接金字塔除雾网络（DCPDN），该方法可以共同学习透射图，大气光和除雾。 通过将大气散射模型直接嵌入到网络中来实现端到端学习，从而确保所提出的方法严格遵循物理驱动的散射模型进行除雾。 受到密集网络的启发，该网络可以最大化沿不同级别特征的信息流，我们提出了一种具有多级金字塔池模块的边缘保持密集连接的编码器/解码器结构，用于估计传输映射。 该网络使用新引入的边缘保留丢失功能进行了优化。 为了进一步结合估计的透射图和去雾结果之间的相互结构信息，我们提出了一种基于生成对抗网络框架的联合判别器，以决定相应的去雾图像和估计的透射图是真实的还是假的。 进行了消融研究，以证明在估算的透射图和除雾后的结果中评估的每个模块的有效性。 大量的实验表明，与现有技术相比，该方法具有明显的改进。 @inproceedings{dehaze_zhang_2018, title={Densely Connected Pyramid Dehazing Net

Unity Shader学习：动态雾，供大家参考，具体内容如下 先将相机近裁面四个角向量传给shader，再通过观察空间下的深度值和相机位置算出像素在世界坐标系的位置，通过世界空间高度值来设定雾的范围和浓度，然后通过噪声和uv偏移实现扰动效果。得到了类似寂静岭或恶灵附身1的效果。 C#部分： using System.Collections; using System.Collections.Generic; using UnityEngine; [ExecuteInEditMode] public class RayMarchingCamera : MonoBehaviour { p

SSR、MSRCR、Retinex和暗通道四种去雾算法的matlab实现，亲测好用，改图片名可以直接运行，效果很好

里面是收集的近几年的变分框架下的图像去雾参考文献。

本资源为图像去雾质量评价MATLAB代码，通过新增可见变比、平均梯度、饱和像素百分比三个指标评价去雾图像质量。将代码下载解压后，MATLAB路径设置为解压文件夹，点击主函数即可运行。

何凯明图像去雾算法源代码实现，基于暗通道先验的算法，非常有效果

半监督单图像去雾 半监督单图像去雾代码。 依赖 pytorch >= 1.0 visdom 数据集制作 通过以下方式使您成为数据集： 合成图像：将两张图像（朦胧（HxWxC），清洁（HxWxC））对齐为一张图像（Hx2WxC）。 要注意的是，H和W应该是8的倍数。将它们（ ./datasets/dehazing/train张图像）放在./datasets/dehazing/train 。 真实的模糊图像：将它们（ ./datasets/dehazing/unlabeled张图像）放在./datasets/dehazing/unlabeled 测试图像：与1.对齐，然后将它们放在./datasets/dehazing/test 火车 您可以通过以下方式训练模型： python train.py --dataroot ./datasets/dehazing --name run_