该课题为基于MATLAB的图像去雾系统。具备一个GUI可视化界面，显示去雾前和去雾后的对比图，不同方法进行图像去雾，通过下拉框选择算法或者按钮选择算法。评价指标。需要你具备一定的计算机编程基础。

该课题为基于Matlab的交通标志识别系统。带有一个人机交互界面。可以判别红色精灵蓝色指示和黄色警示三类交通标志。可以进行二次拓展，也就是每次识别不需要人为手工的去选择颜色。也可以进行视频的识别。识别之后可以进行语音播报。

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。

MATLAB代码,图像去雾技术，包括全局及局部直方图均衡化和基于RETINEX理论去雾三种算法,含GUI界面

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。

matlab的egde源代码消色前的颜色衰减 该MATLAB代码是朱庆松，麦加明和邵凌在论文“使用颜色衰减先验的快速单图像雾消除算法”中提出的单图像去雾算法的实现。 （） 该代码可以在MATLAB R2014a上运行。 确保您的MATLAB包含了由Kaiming He，Sian Sun和Xiaoxiao Tang在“引导图像过滤”中提出的引导过滤器。 介绍： 将模糊图像放入目录“ inputImgs” 在“ runDehazing.m”开头修改图像路径 在MATLAB中运行“ runDehazing.m”脚本 尝试不同的Beta以获取最佳性能 这是发行版的版本1。 如有其他疑问，请随时与我们联系。 接触 2014年8月

matlab上的卷积方式实现何凯明大神的去雾算法，欢迎下载学习~

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%。

基于AODNet的图像雾度去除 在Pytorch中使用AODNet去除单图像雾霾 在ICCV 2017上实施Boyi Li的论文 。 内容 相依性 Python 3.6或更高版本 火炬== 1.7.1 枕头== 5.1.0 numpy的= = 1.14.3 matplotlib == 2.2.2 用法 使用方法：下载整个项目并运行inference.py 文件夹./saved_models：保存经过训练的模型的位置，文件为.pth格式。 ./data/gt文件夹： groundtruth（无雾图像）。 文件夹./data/hazy：训练数据的相应模糊图像。 文件夹./test_images：出现在原始纸张中的一些测试图像。 data.py：用于加载训练数据的函数。 train.py：使用保存在文件夹./data/中的训练数据从头开始训练新的AODNet。 model.py：A

针对传统的单幅图像去雾算法容易受到雾图先验知识制约及颜色失真等问题,提出了一种基于深度学习的多尺度卷积神经网络(CNN)单幅图像去雾方法,即通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。根据大气散射模型形成雾图机理,设计了一个端到端的多尺度全CNN模型,通过卷积层运算提取有雾图像的浅层特征,利用多尺度卷积核并行提取得到有雾图像的深层特征,然后将浅层特征和深层特征进行跳跃连接融合,最后通过非线性回归得到雾图对应的透射率图特征,并根据大气散射模型恢复出无雾图像。采用雾图数据集对该模型进行训练测试。实验结果表明,所提方法在合成有雾图像和真实自然雾天图像的实验中均能取得良好的去雾效果,在主观评价和客观评价上均优于其他对比算法。