matlab代码影响AMEF-用于图像去雾的人工多重曝光融合 AMEF是一种快速除雾技术，可以将（模糊的）曝光不足的朦胧图像版本融合为单个无雾结果 描述 用于图像去雾的AMEF方法的Matlab实现，在以下内容中进行了介绍： Image Dehazing by Artificial Multi-Exposure Image Fusion Adrian Galdran Signal Processing, 149: 135-147, Aug. 2018. PDF ：遵循此 DOI ：遵循此 该代码的融合部分来自： “曝光融合”， 汤姆·梅滕斯（Tom Mertens），简·考茨（Jan Kautz）和弗兰克·范·瑞斯（Frank Van Reeth） 在Pacific Graphics 2007会议记录中 如果此代码对您有用，请考虑适当引用每项工作。 谢谢 ：） 指示 打开amef_demo.m m文件，然后修改图像名称以处理您自己的图像。 最相关的参数是clip_range ，在大多数实验中，论文clip_range其固定为c=0.010 ，但可以更改。 较大的clip_range会尝

AMEF 是一种快速除雾技术，可将不同（人为）曝光不足的朦胧图像融合为单个无雾效果。 您可以在https://github.com/agaldran/amef_dehazing 上找到描述此技术的相关论文的 pdf 版本链接，其中包含更多详细信息

数据融合matlab代码从多重曝光图像中学习深层单图像对比度增强器 抽象的 由于不良的照明条件和数字成像设备的动态范围有限，因此记录的图像通常曝光不足/曝光过度且对比度较低。 大多数以前的单图像对比度增强（SICE）方法都会调整色调曲线以校正输入图像的对比度。 但是，由于单个图像中的信息有限，这些方法通常无法揭示图像细节。 另一方面，如果我们可以从适当收集的培训数据中学习更多信息，则可以更好地完成SICE任务。 在这项工作中，我们建议使用卷积神经网络（CNN）来训练SICE增强器。 一个关键问题是如何为端到端CNN学习构建低对比度和高对比度图像对的训练数据集。 为此，我们建立了一个大规模的多重曝光图像数据集，其中包含589个精心挑选的高分辨率多重曝光序列和4,413张图像。 采用十三种代表性的多曝光图像融合和基于堆栈的高动态范围成像算法来生成每个序列的对比度增强图像，并进行主观实验以筛选质量最好的图像作为每个场景的参考图像。 利用构建的数据集，可以轻松地将CNN训练为SICE增强器，以改善曝光不足/曝光过度图像的对比度。 实验结果证明了我们的方法相对于现有SICE方法的优势，并且具有很

out=HDRblend(imagepath,image_type,contrast,gamma,verbose) 融合“image_type”类型的图像，位于“imagepath”指定的文件夹内，添加“contrast”定义的局部对比度增强，以及“gamma”定义的伽马校正-------------------------------------------------- ------------------------ imagepath: string - 包含不同曝光的文件夹的路径image_type: string - 图像文件格式 'jpg', 'png' 等。都应该是彩色图像！ 对比度： [0,100] 范围内的两倍 - 局部对比度补偿的程度伽马：逻辑 - 为总曝光过度和总曝光不足的图像启用伽马补偿详细：逻辑 - 显示中间结果所有图像必须具有相同的大小和格式！ -------

文章中介绍把图像分成若干块，通过计算熵值找出最优版块，最后融合在一起