一种基于深度的图像雾效模拟算法，高仁杰，王祎，雾是自然场景中常见的天气现象，雾效的存在能够提升虚拟场景的真实感，并能为真实场景带来艺术美感效果。在基于机器学习的雾相关

里面有实验报告，还有相关的代码，无加密。诚信

为实现室外模糊红外图像对比度增强，提出一种基于去雾模型的红外图像增强方法。结合红外图像特点，对可见光去雾增强方法进行改进优化。采用三级高斯金字塔分解扩展实现图像快速均值滤波，获取透射率粗估计；通过图像统计信息自适应细化透射率，恢复出无雾图像；针对无雾图像整体亮度较暗现象，进一步采用背景抑制的分段对比度增强。实验结果表明：增强后图像细节信息突出，层次感丰富，人眼视觉效果良好。客观测评结果表明，该算法能有效增强红外图像对比度。嵌入式平台测试耗时28ms，可以实现实时红外图像增强处理。

图像去雾效果

2021年CVPR去雾赛道DW-GAN论文训练代码 作者开放的源码中只提供了测试代码 训练源码包括perceptual.py、train.py、train_dataset.py、utils_test.py共4个文件 已成功跑通

GUI图像去雾，MATLAB方法。带界面，实现不同方法选择，显示去雾前后效果图。

全部reside用于图像去雾数据集，包括子集，进入网盘下载即可

针对传统去雾算法结果中颜色和对比度失真等问题,提出了一种基于多尺度融合和对抗训练的图像去雾算法。采用多尺度特征提取模块从多个不同尺度中提取雾霾相关特征,利用残差密集连接模块实现图像特征的交互,避免了梯度消失。由于其不基于大气散射模型,直接将图像的浅层特征和深层特征进行多尺度融合,所以克服了物理模型的不精确性。去雾网络的训练采用生成对抗机制,由多尺度特征提取模块和残差密集连接模块构成的生成器估计清晰的无雾图像,由两个不同尺度感受野的子网络构成的鉴别器完成对抗训练。在RESIDE(Realistic single image dehazing)数据集上进行对比实验,结果表明本算法生成的去雾图像在全参考和无参考的视觉质量指标方面优于其他对比算法。

结合Retinex和CLAHE图像去雾，Retinex有ssr，msr，msrcr。

MATLAB雾霾天气交通标志识别。传统的交通标志识别比较多人做了，可以增加雾霾下的识别。先进行去雾，然后识别。 学习对象：MATLAB爱好者，编程，学生，课设，作业，大型作业。