图像去雾算法Matlab代码，可以实现图像去雾（Haze remove code）处理

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。

图像去雾算法及其应用研究.pdf

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

遥感图像去雾算法研究 武汉大学 石文轩 李婕

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。

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。

参数说明： I： 已有的图像(待去雾的图像) J： 要恢复的无雾图像 A： 全球大气光成分，分r、g、b三个通道，三维向量 te： 透射率矩阵 t： 滤波平滑后的透射率矩阵 求出每个像素RGB分量 中的最小值，存入一幅和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定。暗通道先验的理论指出，J_dark会趋向于0。