- 博客(4)
- 问答 (2)
- 收藏
- 关注
Pytorch 深度学习图像去雾网络DehazeNet已经对网络权重参数的优化设计-可当本科毕业设计
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')
2024-09-10
基于python的传统图像去雾算法
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
2024-08-29
把vcpkg导入到visual studio中遇到问题 (win10)求教
2021-04-12
TA创建的收藏夹 TA关注的收藏夹
TA关注的人