该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~

上一篇文章主要介绍目标检测原理，通过七个问题来普及什么是目标检测，然后利用ImageAI实现最简单的目标检测案例。这篇文章将详细介绍图像去雾算法，经过图像增强后的图像也能应用于目标检测或图像分类领域，并且效果更好。本文主要讲解ACE去雾算法、暗通道先验去雾算法以及雾化生成算法，并且参考了两位计算机视觉大佬（Rizzi 何恺明）的论文。希望您喜欢，且看且珍惜。

第二阶段我们进入了Python图像识别，该部分主要以目标检测、图像识别以及深度学习相关图像分类为主，将会分享近50篇文章，感谢您一如至往的支持。作者也会继续加油的！

一.图像去雾

二.ACE去雾算法

1.算法原理

2.代码实现

三.暗通道先验去雾算法

1.算法原理

2.算法实现

四.图像噪声和雾生成

基于Vision Transformer的 图像去雾 算法 研究与实现 python 源码+项目介绍使用说明.zip 如果要继续对模型进行训练：--pretrain_weights 设置预训练权重路径，我的模型预训练权重在My_best_model文件夹下，以数据集划分不同预训练权重 训练所有参数设置在option.py文件种，主要的参数含义： --train_ps 训练样本的补丁大小，默认为128，指多大的patches输入到模型中 更多介绍请看详细说明文档或者访问博文： https://blog.csdn.net/DeepLearning_/article/details/129492330?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22129492330%22%2C%22source%22%3A%22DeepLearning_%22%7D 在绝大多数非天空的局部区域中，某些像素总会至少有一个颜色通道的值很低。对于一幅图像J(x)，其 暗通道 的数学定义表示如下：其中，Ω(x)表示以x为中心的局部区域，上标c表示RGB三个通道。该公式的意义用代码表达也很简单，首先求出每个像素RGB分量中的最小值，存入一副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。 资源包含文件：设计报告word+运行说明+ Python 代码+MATLAB代码+可执行exe文件+项目截图 室外图像的质量有时会因为 雾 和霾的原因有所下降，空气中的灰尘和水气对光线的吸收和散射，使得进入摄像机镜头的光混杂了白光，从而导致实际景象的对比度降低。 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。 详细介绍参考:https://biyezuopin.blog.csdn.net/article/details/122512619?spm=1001.2014.3001.5502 本文创新点： 作者提出 暗通道 先验 算法 ，即：在户外无 雾 图像中（非天空区域）的大部分局部区域，存在一些像素点（暗像素）在至少一个颜色通道中具有非常低的值，趋近于0。（ 暗通道 图可以估计 雾 浓度信息） 大气散射模型 在计算机视觉中，描述有 雾 图像的模型可以表示为 I(x)=J(x)t(x)+A(1−t(x))I(x)=J(x)t(x)+A(1-t(x))I(x)=J(x)t(x)+A(1−t(x)) ... 一、 算法 背景 暗通道 先验 去雾算法 是大神何恺明2009年发表在CVPR上的一篇论文，还获得了当年的CVPR最佳论文。   根据论文的介绍， 暗通道 去雾算法 是基于一个关键的观察：在没有 雾 霾的室外图像中，大多数局部区域包含一些像素，这些像素在至少一个颜色通道中具有非常低的强度(原文：It is based on a key observation - most local patches in haz... 因为 雾 霾的影响，在 雾 天条件下拍摄到的图像导致图像可能会存在细节丢失、对比度低的情况，将会影响图像后续的分析识别工作。在 雾 天情况下，空气中存在大量的 悬浮颗粒物，会对光线产 生散射，导致物体反射出 的光线发生衰减，同时反射光与观察者直接接受到光线发生混合，造成观察者获取到的图像的对比 度和清晰度等特征都发生改变，细节信息大量丢失。 图像去雾 是以满 足特定条件下应用需求为目的，通过对有 雾 图像进行分析和预处理，突出图像中的细节信息使之更加适合人机识别的一种 图像预处理 方法。 目前 图像去雾 算法 主要包括 基于 暗通道 先验 的单幅 图像去雾 算法 来自于何凯明博士2009年的CVPR论文：《Single Image Haze Removal Using Dark Channel Prior》，2009年的CVPR只有一篇文章被选为那年的最佳论文。这是CVPR创立25年以来首次由中国人获得这个奖项。他根据Dark Object Subtraction原理通过大量实验发现局部找最暗点进行均匀去 雾 有很好的... 新手刚入门 图像去雾 领域时，论文不知从何看起，往往是看了最新的论文，然后发现其引用的知识点自己不知道，然后“递归”读论文，越来越迷糊。因此，本篇文章旨在给新手入门 图像去雾 领域推荐一些可以看的论文，从基础一点的看起。由于本人知识水平有限，主要按照个人理解，分几个大的方法种类推荐一些我看过觉得不错的论文，不一定很全面，但是对小白应该有些帮助~一、基于物理模型去 雾 1.1 大气光照模型在介绍这一种类的去 雾 算... 为了解决这个问题，学术界提出了一种称为“ 暗通道 先验 ”的方法，这种方法基于如下假设：在一个自然场景中，像素值中至少有一个是非常小的。据此，可以通过计算每个像素点周围像素的最小值来得到 暗通道 图，再根据大气光估计出全局大气光，并通过逆向滤波器去除 雾 霾。当然，这个 算法 也有它的局限性，例如对于具有颜色噪声的图像的去 雾 效果可能不太好。总之， 暗通道 去雾算法 是一种简单而有效的 图像去雾 方法，通过理解其原理并使用 Python 实现，不仅可以提高我们的代码能力，还可以帮助我们更好地理解和处理复杂的图像。接下来，计算 暗通道 图。 基于导向滤波的 暗通道 先验 去雾算法 （ Python 语言，可直接运行）1 编译环境2 原理介绍2.1 暗通道 先验 2.1.1 暗通道 先验 理论与去 雾 模型2.1.2 处理步骤2.2 导向滤波求t(x)3 代码4 处理结果4.1 第一组结果及其比较， 暗通道 图![在这里插入图片描述](https://img-blog.csdnimg.cn/20190801162445783.png?x-oss-process=i... 基于何恺明博士的Single Image Haze Removal Using Dark Channel Prior和Guided Image Filtering两篇论文的 去雾算法