行人检测是实现智能交通与客流监控的关键技术，深度学习方法训练模型已经在行人检测领域取得了良好的效果。但是当训练样本质量不佳时，训练的模型往往不能得到令人满意的效果。为了提高雾霾天气与曝光较强环境下的行人检测效果，提出了将暗通道去雾算法应用于深度学习的样本预处理中，并使用快速深度卷积神经网络训练行人检测模型。在实验中，首先对10000张样本图片采用暗通道去雾算法进行预处理，之后分别使用有无暗通道去雾算法预处理的样本图片训练模型，最后比较这两种模型在不同场景下的模型检测准确率。实验结果表明，使用暗通道去雾预处理后的样本训练得到的深度模型具有更好的检测效果，在多种场景下的检测率都得到提升。

基于暗通道优先算法的去雾应用Matlab

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

去雾算法 代码可行 修改图像路径即可

基于何恺明的暗通道先验（dark channel prior）去雾算法，文件包中有测试图片，可直接测试运行，有部分代码注释，直接运行test.m即可

针对暗通道先验去雾算法存在的光晕现象、大气光值选取不准确等问题,提出了一种基于暗通道补偿与大气光值改进的图像去雾方法。为减弱图像景物边缘处的光晕效应,提出了一种基于暗通道补偿模型的解决办法,利用加权通道差值的方法识别光晕区域,通过腐蚀、融合等处理修正该区域的暗通道值,采用线性融合的方式与原暗通道进行融合,实现对暗通道的补偿。针对大气光值选取不准确的问题,改进了四叉树分割方法,即增加相邻区域比较的策略,使该算法可以更加精确地获取大气光值,使恢复后的图像更加清晰自然,细节保留更加丰富。借助大气散射模型与优化后的透射率恢复无雾图像。实验结果表明,本文方法能够有效地去除光晕效应,准确地获取大气光值。

暗通道优先(dark channel prior)规律在处理单幅户外场景图像去雾方面取得了非常好的效果,但是该方法在处理较高分辨率图像时需消耗大量的存储和计算资源,同时对于部分场景会得到不够准确的结果.仍然基于暗通道优先,根据观察实验,得到透射梯度优先规律,并结合多分辨率处理,提出了改进的图像去雾新方法.经过大量实验和理论分析,透射梯度优先不仅显著减小了去雾处理的计算量,它所引起的优化方法和参数变化还可能提升透射图计算的准确性.实验结果也证明,新方法仅需原方法1/8左右的计算时间和存储空间,就能够得到与原方法基本一致甚至更准确的去雾结果.

本程序基于https://www.cnblogs.com/changkaizhao/p/3266798.html#commentform上赵常凯的程序修改而来。UI完全使用可视化设计，基于Qt5.14.2与OpenCV300，代码更加简洁，但是阉割了打印图像功能，引导滤波时引导图像使用的是灰度图像而非彩色图像。

针对雾霾图像中含有高亮、大面积浓雾，天空区域无法清晰识别，求取出的图像偏暗、色彩失真的问题，提出了一种基于暗通道先验的自适应阈值分割和透射率补偿的去雾改进算法，通过OSTU阈值分割将图像分为前景区域和背景区域，求取亮暗通道，并通过统计函数计算出前景区域和背景区域所占的像素比例，加权求取大气光值。通过透射率补偿参数K的引进,使得求取的透射率更接近真实值，最后通过CLEAR法进行色度调整。实验结果表明，该法去雾后的图像细节信息保留完整，失真度减小，视觉上更加真实自然，信息熵平均提高7.03%，SSIM平均提高5.56%，MSE平均减小9.19%。

ppt共有59页，讲解的十分详细，对于何提出的暗通道先验算法去雾有了非常详细的解释，看后十分有收获。