haze:Python实现经典图像去雾算法

基于暗通道先验的图像去雾算法.zip

Paper - Single Image Haze Removal Using Dark Channel Prior, 论文复现 - 基于暗通道先验的图像去雾算法 Reference Paper： Single Image Haze Removal Using Dark Channel Prior - Kaiming He, Jian Sun, and Xiaoou Tang, Fellow, IEEE. Algorithm demonstration： Requirements: * Matlab toolsbox

改进的基于暗原色先验的图像去雾算法 蒋建国 侯天峰 齐美彬

做毕设的时候看到的一篇比较好的，关于去雾算法的文章，写的非常详细

图像去雾（增强）算法，2019年的一篇sci程序（matlab），欢迎引用对比，Multilayer Fusion and Chunk-Based Transmittance Estimation for Natural Hazy Image Enhancement

该代码是由C语言开发的，是一种全局Retinex灰度图像去雾算法，效果很不错的。

夜间图像去雾对夜间场景中的视频监控、目标识别等有重要应用价值。目前夜间图像去雾研究较少，且处理结果存在失真度高、细节模糊、稳健性差等缺点。针对以上情况，结合大气散射模型和夜间雾天图像成像特点，提出基于Retinex理论和暗通道先验的去雾算法。首先，根据Retinex理论求得夜间场景的有雾入射光图像和有雾反射光图像；其次，利用暗通道先验得到场景的无雾反射光图像；然后，分别根据夜间雾天图像和有雾反射光图像求得光源位置和景深，利用相机成像机理求得场景点与各光源的距离之和，进而求得无雾入射光图像；最后，利用Retinex理论复原得到夜间无雾图像。实验结果表明，本文算法不仅能彻底去雾，提高图像对比度，更能大幅度降低去雾过程中的颜色失真。

提出了一种基于深度学习的单幅图像去雾算法。利用卷积神经网络,通过学习雾天图像与清晰图像的YUV(Y代表的是亮度,UV代表的是彩度)各个通道之间的映射关系实现去雾。网络结构由两个相同的特征模块组成,主要包括多尺度卷积、卷积和跳跃连接结构。实验结果表明,无论是针对合成雾天图像数据集还是针对自然雾天图像数据集,所提去雾算法恢复的图像皆具有较高的清晰度和对比度,在主观评价和客观评价上均优于其他对比算法。

（1）对传统图像去雾领域的一些典型去雾算法进行深入分析，并与基于深度学习的图像去雾算法进行性能对比分析。本文在经典图像去雾数据集 RESIDE 和 O-HAZE 上进行实验，并采用无参考图像质量评估指标以及运行时间来衡量多种典型图像去雾算法的去雾效果。实验结果表明基于深度学习的去雾算法不仅具有不错的去雾效果，而且在单幅图像上的去雾效率更高。 （2）针对目前去雾网络模型训练参数过多，影响图像去雾效率的问题，本文提出一种新的基于轻量级网络的图像快速去雾模型 FAOD-Net 用于单幅图像去雾。 FAOD-Net 模型基于轻量化的体系结构，该体系结构使用深度可分离卷积来构建轻量级卷积神经网络。此外，本文在 FAOD-Net 模型中添加了金字塔场景解析网络来聚合图像不同区域的上下文信息，从而提高网络模型提取全局信息的能力。本文使用 RESIDE 训练集来训练 FAOD-Net模型，并在RESIDE 测试集上进行了广泛的实验，使用全参考和无参考图像质量评估指标来衡量去雾效果。实验结果表明 FAOD-Net 模型在去雾效果和速度上均具有令人满意的结果。 （3）针对目前图像去雾算法易导致去雾后的图像出现颜色失真的问题，本文提出一种新的基于颜色特征提取卷积网络的图像去雾模型 CIASM-Net。CIASM-Net 模型包括颜色特征提取卷积网络和深度去雾卷积网络。其中，颜色特征提取卷积网络用于提取有雾图像 RGB 颜色空间的特征，深度去雾卷积网络改进了逆大气散射模型卷积网络 IASM-Net，并使用多尺度卷积层来估计透射率图。此外，本文在 CIASM-Net 模型中添加了金字塔场景解析网络来提取全局特征。本文使用经典的 RESIDE 训练集来训练 CIASM-Net 模型，在 RESIDE 测试集上的实验结果表明 CIASM-Net 模型具有令人满意的去雾效果。