matlab图像清晰处理代码DehazeNet：单图像雾度去除的端到端系统 蔡伯伦，徐向民，贾佳，青春梅，陶大成，[曾令科] 介绍 去除单个图像的雾霾是一个挑战性的不适定问题。 现有方法使用各种约束/先验来获得合理的除雾解决方案。 去除雾度的关键是为输入的雾度图像估计介质透射率图。 在本文中，我们提出了一种称为DehazeNet的可训练端到端系统，用于媒体传输估计。 DehazeNet将雾度图像作为输入，并输出其介质传输图，随后将其用于通过大气散射模型恢复无雾度图像。 DehazeNet采用基于卷积神经网络（CNN）的深度架构，其层经过专门设计，以体现图像去雾的既定假设/先验条件。 具体来说，Maxout单元的图层用于特征提取，可以生成几乎所有与雾度相关的特征。 我们还在DehazeNet中提出了一种新型的非线性激活函数，称为双边整流线性单元（BReLU），它能够提高恢复的无雾图像的质量。 我们在提议的DehazeNet的组件和现有方法中使用的组件之间建立连接。 在基准图像上进行的实验表明，DehazeNet比现有方法具有更高的性能，但保持高效且易于使用。 如果您在研究中使用这些代码，

单幅图像去雾方法研究综述

MATLAB典型去雾算法代码...rar

小波去雾代码matlab 快速优化的图像/视频增强方法 它是由Java实现的一组图像/视频增强方法，用于解决一些常见任务，例如除雾，去噪，水下去除，低照度增强，特征，平滑等。 请注意，此存储库是在上对Image / Video处理的几个存储库的集成，以后将不推荐使用那些独立的存储库。 RemoveBackScatter-已删除，其zip文件位于此处：。 OptimizedContrastEnhance-已删除，其zip文件位于此处：。 -将不推荐使用，其zip文件可在此处获取： HazeRemovalByDarkChannelPrior-已删除，其zip文件位于此处： ALTMRetinex-已删除，其zip文件位于此处： 通过Retinex和DT-CWT进行图像增强-已删除，其zip文件位于此处： 描述 这个Java项目包含五个不同的图像/视频增强方法模型，我们将它们分别作为MATLAB代码（在目录中）。 的灵感来自，由Ahn，Hyunchan出版。 详细信息和结果显示在此处：。 是由提出的算法。 详细信息和结果显示在此处：。 根据Cosmin Ancuti出版的中描述的方法实施。

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。

这篇论文研究的问题是图像的去雾技术，它可以还原图像的颜色和能见度，同时也能利用雾的浓度来估计物体的距离，这些在计算机视觉上都有重要应用（例如三维重建，物体识别）。但是之前人们还没找到简单有效的方法来达到这个目的。在这篇论文里，我们找到了一个非常简单的，甚至说令人惊讶统计规律，并提出了有效的去雾方法。

针对高分辨率遥感卫星图像采用单一算法难以有效去除不均匀云雾的问题,提出一种基于图像分割和暗原色先验改进方法相结合的优化算法。采用图像分割技术将原云雾图像分割成浓雾部分和淡雾部分。浓雾部分采用加权多尺度Retinex算法进行局部增强去雾处理;淡雾部分采用改进暗原色方法,将暗原色图像去雾模型由RGB颜色空间转换到HSI颜色空间,提取亮度分量,获取准确的大气光值,并采用容差机制优化获取大气透射率,在此基础上采用自动色阶法增强处理,获取去除云雾后的图像。实验对比表明提出的算法能够很好地还原图像细节,有效恢复图像的颜色和清晰度。

该课题为交通标志识别，平台是matlab，该课题为恶劣天气下的识别，雾霾。需要先进行雾霾去除，清晰化后图像达到增强后的效果。然后进行定位，分割，识别，带界面。语音播报。

针对场景中的图像笼罩在屋里，重要目标的辨识度低，因此需要做去雾处理

这是一个对图像去雾很有效的vc++程序，实际检验后非常有效。MFC soft：RemoveHaze