将所有的图片根据 亮度 值分成4个区间，能看出不同的 亮度 值对模型的影响。比如有的论文按80，130将图片分为Low，Middle和High。 from PIL import Image, ImageStat import math import os import matplotlib.pyplot as plt import numpy as np import cv2 import shutil def brightness(im_file): im = Image.open(im_file) 对于R,G,B三个通道，每个通道增加相同的增量。 线性 亮度 调整： 利用HSL颜色空间，通过只对其L（ 亮度 ）部分调整，可达到 图像 亮度 的线性调整。但是，RGB和HSL颜色空间的转换很繁琐，一般还需要浮点数的运算，不仅增加了代码的复杂度，更重要的是要逐点将RGB转换为HSL，然后确定新的L值，再将HSL转换为RGB，运行速度可想而知是很慢的。要想提高 图像 亮度 线性调整的速度，应该从三方面考虑，一是变浮点运算为整数运算，二是只 提取 HSL的L部分进行调整，三是采用汇编代码，在Delphi中，当然是BASM。下面是按照这三方面考虑写的 图像 亮度 线性调整代码： L := (Max(

基于 python 的暗原色先验算法与AOD神经网络实现 图像 去雾源码+项目说明文档+实验报告+可执行程序.zip 【项目介绍】 该资源内项目代码都是经过测试运行成功，功能ok的情况下才上传的，请放心下载 使用 ！ 本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载 使用 ，也适合小白学习进阶， 或者实际项目借鉴参考！ 当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。如果基础还行，也可在此代码基础上进行修改，以实现其他功能。 图像 去雾 本项目用暗原色先验算法和AOD神经网络实现 图像 去雾 暗原色先验 可执行程序 可程序程序带有UI用户界面，在Windows系统下打开“可执行程序\暗原色先验\dehaze.exe”来 使用 。 点击“选择图片”按钮选择要处理的图片，点击“去雾”按钮获得 图像 去雾结果，可选择对结果进行直方图均衡，可以调整结果图片的 亮度 。 可以将测试图片放在testbench文件夹内，运行main.m，在results文件夹内查看结果。 - mygui.m: UI用户界面的代码 - main.m: 对同目录下“testbench”文件夹中的图片进行去雾，存储在results文件夹下。 - dehaze.m: 图像 去雾主逻辑 - getA.m: 获得全局背景光。 - getA_ave.m: 获得全局背景光， 使用 平均值的方式。 - guidFilter.m: 快速引导滤波算法. - hist_equal.m: 对rgb分别进行rgb均衡 AOD神经网络 可执行程序 由于可执行程序太大（780M），所以上传至清华网盘 https://cloud.tsinghua.edu.cn/d/6be1526e6dfb4fc08e57/。 下载ui.exe和epoch11.pth，放在同一目录下，运行ui.exe 点击“选择图片”按钮选择要处理的图片，点击“去雾”按钮获得 图像 去雾结果，可选择对结果进行直方图均衡，可以调整结果图片的 亮度 。 - ui.py: UI用户界面的代码。 - train.py: 训练网络所用代码。 - dataloader.py: 提取 图片数据。 - utilis.py: 附加函数，如保存模型参数等。 - model.py: AOD模型。 - test.py: 载入模型参数并在给定图片上进行测试。 - torch 1.2.0 - python 3.5.2 - Cuda compilation tools, release 10.1, V10.1.105 - cudnn 6 - **FC_LR = 1e-4** (learning rate of fully-connected parameters) - **NET_LR = 1e-4** (learning rate of other parameters) - **BATCH_SIZE = 64** (training batch size) - **OPTIMIZER = 'adam'** (optimizer choice, adam or sgd) - **WEIGHT_DECAY = 1e-4** (weight decay, applied only when using SGD) - **MOMENTUM = 0.9** (momentum, applied only when using SGD) - **DECAY_RATE = 0.1** (decay rate of learning rate every 10 epoches) 训练 方法 首先需要从https://sites.google.com/site/boyilics/website-builder/project-page下载训练数据集放在code文件夹同目录data文件夹内 data文件夹内应该由data文件夹（有雾图片）和images文件夹（原图） 在根目录下运行 python code/train.py

首先，需要将彩色 图像 转换为HSI模型。HSI模型分别表示色相（Hue）、饱和度（Saturation）和 亮度 （Intensity），可以通过以下代码实现： ``` python import cv2 import numpy as np # 读取彩色 图像 img = cv2.imread('color_image.jpg') # 转换为HSI模型 img_hsi = cv2.cvtColor(img, cv2.COLOR_BGR2HSV_FULL) # 分离H、S、I通道 h_channel, s_channel, i_channel = cv2.split(img_hsi) 接着，可以对 亮度 （I通道）进行增强。这里 使用 对数变换 方法 实现： ``` python # 对数变换增强 亮度 i_log = np.log(i_channel.astype(np.float32) + 1) i_log = (i_log - np.min(i_log)) / (np.max(i_log) - np.min(i_log)) * 255 i_log = i_log.astype(np.uint8) 最后，将增强后的 亮度 通道与原来的色相和饱和度通道合并，转换回BGR模型即可。 ``` python # 合并H、S、I通道 img_hsi_enhanced = cv2.merge([h_channel, s_channel, i_log]) # 转换为BGR模型 img_enhanced = cv2.cvtColor(img_hsi_enhanced, cv2.COLOR_HSV2BGR_FULL) # 显示增强后的 图像 cv2.imshow('Enhanced Image', img_enhanced) cv2.waitKey(0) cv2.destroyAllWindows() 完整代码示例： ``` python import cv2 import numpy as np # 读取彩色 图像 img = cv2.imread('color_image.jpg') # 转换为HSI模型 img_hsi = cv2.cvtColor(img, cv2.COLOR_BGR2HSV_FULL) # 分离H、S、I通道 h_channel, s_channel, i_channel = cv2.split(img_hsi) # 对数变换增强 亮度 i_log = np.log(i_channel.astype(np.float32) + 1) i_log = (i_log - np.min(i_log)) / (np.max(i_log) - np.min(i_log)) * 255 i_log = i_log.astype(np.uint8) # 合并H、S、I通道 img_hsi_enhanced = cv2.merge([h_channel, s_channel, i_log]) # 转换为BGR模型 img_enhanced = cv2.cvtColor(img_hsi_enhanced, cv2.COLOR_HSV2BGR_FULL) # 显示增强后的 图像 cv2.imshow('Enhanced Image', img_enhanced) cv2.waitKey(0) cv2.destroyAllWindows()