gUnet源码，Rethinking Performance Gains in Image Dehazing Networks源码 我们不打算提出一个具有奇特模块的去雾网络；相反，我们对流行的U-Net进行了最小的修改，以获得一个紧凑的脱雾网络，这是论文的源码。

去雾matlab,dehaze.m。具体操作流程可私信我本人

包括滤波算法等可用代码及相关说明文档，但是未整合到平台，不能直接运行

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

摘要以雾灵山固定标准地群落调查数据为基础，分析比较了不同植物群落的结构特征及乔灌草各层的物种多样性。结果表明①不同植物群落高位芽植物种类最多，地下芽植物种类次之

MATLAB视频图像去雾，读取雾霾视频，分帧，去雾增强，合并视频，GUI界面

随着智能交通的发展，自动驾驶、智能车载交互、安全预警等新型车载应用不断涌现，独立车辆依靠自身有限的计算资源难以运行这些种类繁多且具有大量计算需求和时延需求的应用。雾计算通过将计算任务分布在网络边缘的设备中，运用虚拟化、分布式计算和并行计算技术，使用户能够按需动态地获取计算能力、存储空间等服务。将雾计算架构应用于车联网能够有效缓解计算量大、低时延车载应用与车辆有限且不均的资源分布之间的矛盾。从分析车—车通信、车—基础设施通信以及车辆时延容忍网络通信的信道容量入手，建立车联网异构接入的多业务资源优化模型，通过联合调度各类车联雾资源，实现智能交通应用的高效处理。仿真结果表明，所提出的强化学习算法能够有效地应对异构车联雾架构下的资源优化。

GB_T6461-2002_盐雾试验评级标准，标准方法。。。。。。。

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，特性，平滑等。 请注意，此存储库是多个图像/视频处理存储库的集成，这些独立的存储库将在以后弃用。 RemoveBackScatter-已删除，其zip文件在此处可用： 。 OptimizedContrastEnhance-已删除，其zip文件位于此处： 。 将不推荐使用，其zip文件位于此处： HazeRemovalByDarkChannelPrior-已删除，其zip文件在此处可用： ALTMRetinex-已删除，其zip文件在此处可用：

实现去雾算法，发现其中的问题，并对算法进行改进。 我首先实现了基于暗原色先验的去雾算法，并从运算速度和去雾效果方面进行了一定的改进。 之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 Python 实现，使用 pyqt 设计了用户界面。