代码：采用python编码制作合成雾数据集，并且该代码可以实现批量处理，且可以实现合成之后的图片名称与原图片一致。

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

基于HSI(Hue, Saturation and Intensity)颜色空间提出一种快速偏振光学去雾方法。利用HSI颜色空间中强度与颜色无关的优势,在强度通道中利用偏振光学去雾方法进行去雾处理,然后利用颜色恒常性校正方法对图像的颜色畸变进行校正。该技术不仅具有良好的图像细节恢复能力,还有效地提高了偏振光学去雾方法的计算效率。与目前流行的去雾方法进行对比后可知,该技术可以得到更好或者相同的实验效果,但其执行效率更高。所提出的方法在图像实时去雾和视频去雾领域有广阔的应用前景。

使用VS2019创建工程并添加opencv环境后，新建c++文件后，复制代码即可运行

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。

叶子 LEAF是对于L ARGEênergy-甲洁具F A模拟器OG计算环境。 然后，它可以在分布式，异构且资源受限的基础架构中对复杂的应用程序图进行建模。 特别强调了能源消耗（以及不久的碳排放量）的建模。 请访问官方以获取有关此项目的更多信息和示例。 该Python实现是从移植而来的。 将来的所有开发都将在此存储库中进行。 安装 您可以通过直接克隆该存储库或通过安装最新版本来使用LEAF： $ pip install leafsim 我该怎么办？ LEAF可以对云，雾和边缘计算环境进行高级建模。 它建立在 （一个用于创建和操作复杂网络的库）和 （一个基于过程的离散事件仿真框架）之上。 除了可以研究资源受限环境中的调度和放置算法外，LEAF还特别关注： 动态网络：模拟在仿真过程中可以加入或离开网络的移动节点。 功耗建模：对单个计算节点，网络流量和应用程序的功耗进行建模。

直方图均衡同态滤波灰度变换等等，还有高斯低通，巴特沃斯低通，你想要的应有尽有，代码不算太难，自己编写，欢迎下载.

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。

Haze Detection and Removal in Remotely Sensed Multispectral Imagery这篇文章提出利用HTM雾厚度图改进暗物体减法进行去除雾霾