qq_54509965的博客

完成了传统的DehazeNet去雾以及DehazeNet的小改进（在同样的去雾效果下，权重参数大大减少），资源中含本次设计的所有程序，以及传统去雾程序与AOD-Net，还编写了PSNR、SSIM等参数的计算便于与各类网络、算法进行比较，附带两篇关键论文，改进网络的编写可能纯在一定问题，但总体来看大大实现参数优化。 关于本篇DehazeNet网络训练的是传输透射图，故本设计采用的监督学习的目标文件是传输透射图，而传输透射图的数据集，是用别的训练好的网络求得的（因为确实没找到相关的数据集）。 关于程序运行顺序就是：1、运行train.py求得权重参数；2、运行test.py来得出去雾结果图。关于改进的网络，即把train和test中的myNet更改，和input_test = F.pad(input_test, [7, 8, 7, 8], mode='replicate')改为input_test = F.pad(input_test, [0, 0, 0, 0], mode='replicate')

本设计实现了多种传统的图像去雾算法，包括ACE算法、暗通道去雾算法、单尺度Retinex算法、引导滤波和单幅图像去雾算法。这些算法能够有效地改善因雾气造成的图像质量下降问题。此外，项目还集成了随机雾生成和噪声生成功能，以模拟不同的环境条件。为了直观展示去雾效果，设计了一个简洁的UI界面，用户可以方便地查看原始图像与去雾后的图像对比，从而直观评估算法的去雾效果。 项目中还有一个improve的程序可以不用官，当时是想改进暗通道去雾算法的缺陷编写的，最后中间去雾过程存在一定问题