基于yolov5+PyQt5实现雾天环境下车辆检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作使用说明.7z 雾天环境下，车辆检测源码，带模型、数据集、评估指标曲线、GUI界面、项目说明。 适合用作期末大作业、毕设、课设项目 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

#1.雾天道路数据集 #2.去雾数据集

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。

第四章基于视频图像处理的能见度榆测方法研究 (c)07：35：24 (d)07：55：24 图4—13视频图像提取的4幅背景图像的检测结果图 由图4—13可以看出，随着时间的推移，能见度慢慢变大，而最远可视点的检测结 果也随着时间的推移慢慢变远，与实际的能见度变化特征相吻合。 为了进一步验证试验结果，我们将最远可视点转换为能见度值与目测能见度相比 较，进一步验证算法可行性和准确性。由于实验室试验条件的限制，如果租用能见度仪 来检测能见度，费用太过昂贵。我们通过人眼目测出能够看到的最远点，然后进行实际 测量，获取目测能见度，与检测出的能见度相比较。 根据第三章能见度图像距离转换模型，将图4—13中的最远可视点对应的能见度转 换出来，与目测能见度相比较，结果如表4—1所示。从早上06：30：02到07：55：24，由天 气图像的变化过程，可以看到能见度在逐渐变大。由实验数据的变化可以看出，实验结 果与实际情况变化也相符。 表4—1能见度检测结果 图像 a b C d 目测能见度(m) 53．0 55．0 59．0 67 检测能见度(m) 45．2 46．8 50．6 59．7 绝对误差(m) 7．8 8．2 8．4 7．3 相对误差 14．7％ 14．9％ 14．2％ 10．9％ 对于非雾天情况下，实验中选取2幅图像进行能见度检测，此时能见度值较大。实 验中，本文只获取非雾天下的最远可视点，如图4—14所示。对于非雾天的最远可视点 的检测，本文采用基于逐行对比度的检测算法，利用该方法检测出天空与道路的交接点 作为最远可视点。由检测结果可以看出，最远可视点的检测结果与实际基本相符。 47

雾天等级分类图像集1.0.rar

雾天图像增强算法研究.doc

基于黑暗通道算法的图像去雾matlab仿真,测试多个雾天场景+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。

为提高雾天图像增强的对比度并保持颜色恒常性，提出了基于全变分 Retinex 及梯度域的雾天图像增强算法。首先，采用高斯—赛德尔 GS（Gauss-Seidel）迭代算法对基于 Retinex 的全变分能量泛函数进行求解，从而有效地保持颜色恒常性；其次，采用相对梯度与绝对梯度相结合的方式拉伸雾天图像较亮处的梯度， 在全变分Retinex理论下重建增强后的雾天图像，并将该增强算法应用到彩色图像；最后，加权融合基于全变分Retinex增强算法与梯度域增强算法的增强结果，使得增强结果既能提高对比度又能保持色彩恒常性。实验结果表明，本算法提高了雾天图像增强后的对比度和清晰度，具有颜色恒常性、颜色保真高等特性。

基于双边滤波去图像云雾处理,通过暗通道处理和滤波透射来实现的matlab仿真,测试场景为雾天交通线路

雾天车牌识别，可完整运行