简介这份资源是面向计算机相关专业学生与图像处理初学者的Python图像去雾算法研究系统源码包可作为毕业设计、课程设计的实战参考。内容围绕大气散射模型、暗通道先验及后续深度学习改进方法展开帮助读者理解如何恢复雾天图像的对比度与色彩并借助OpenCV、PIL、Numpy等库完成算法实现与验证。压缩包共246个文件以37个py源码、38个pyc编译文件、35个js与14个css前端资源为主另含gif、png、jpg等图像素材及html页面整体约42.78MB结构上兼顾算法核心代码与可视化界面。目前已有191人学习下载。读者可从中获取完整的去雾算法实现思路、项目目录组织方式与前后端交互示例适合在阅读源码基础上修改参数、替换模型逐步完成从理论到工程落地的过渡。1. 图像去雾系统到底在做什么从一张灰蒙蒙的照片说起你手头有一张在雾天拍的风景照远处建筑轮廓模糊、颜色发灰、对比度低到像蒙了一层纱。图像去雾算法要做的就是从这张退化图像里把雾的影响“减掉”还原出接近晴天拍摄的清晰画面。这个方向在计算机视觉里属于图像复原的经典分支也是很多计算机毕业设计会选到的题目——因为它既有明确的理论模型大气散射模型又有直观的视觉效果去雾前后对比还方便做成一个带界面的演示系统。如果你正在找 python 图像去雾算法研究的毕业设计源码想搞清楚这套系统里到底有哪些模块、算法怎么选、代码怎么跑通、答辩时老师会问什么那这篇笔记就是按这个思路写的。我会按“先搞懂原理 → 再跑通最小系统 → 再替换算法做对比 → 最后处理踩坑”的顺序讲适合刚接触图像处理的新手跟着做也适合已经跑过 demo 但说不清细节的人查漏补缺。2. 大气散射模型与暗通道先验去雾算法的理论底座2.1 为什么去雾问题能写成一个公式图像去雾不是靠调对比度或者拉曲线就能做好的它背后有一个被广泛接受的物理模型叫大气散射模型。这个模型把雾天成像过程描述成两部分叠加一部分是物体表面反射光经过大气衰减后到达相机的直接透射光另一部分是大气中悬浮颗粒散射的环境光。写成公式就是I(x) J(x) · t(x) A · (1 - t(x))其中 I(x) 是相机拍到的雾图J(x) 是我们想恢复的无雾图像A 是大气光值可以理解成无穷远处天空的亮度t(x) 是透射率表示物体反射光能穿过雾到达相机的比例。这个公式的意义在于去雾问题被转化成了“已知 I估计 A 和 t然后反解 J”的过程。反解公式是J(x) (I(x) - A) / t(x) A所以整个去雾算法的核心就两件事估准大气光 A估准透射率 t。不同算法的差异基本都体现在这两步怎么估、估完怎么优化上。2.2 暗通道先验为什么能用来估透射率何恺明在 2009 年提出的暗通道先验Dark Channel Prior是去雾领域引用量最高的方法之一。它的统计观察是在绝大多数无雾的户外图像里总存在一些像素在至少一个颜色通道上的亮度非常低接近 0。这些像素通常来自阴影、深色物体或者鲜艳颜色的暗部。而雾会让这些本该很暗的像素被环境光抬亮所以“暗通道不够暗”就可以作为有雾的判断依据。暗通道的定义是对每个像素取 RGB 三个通道的最小值再在一个局部窗口内做最小值滤波。数学上写成J_dark(x) min_{y∈Ω(x)} ( min_{c∈{R,G,B}} J^c(y) )基于这个先验透射率的粗估计可以写成t(x) 1 - ω · min_{y∈Ω(x)} ( min_c ( I^c(y) / A^c ) )ω 是一个保留少量雾的系数通常取 0.95目的是让去雾后的图像看起来自然不至于像被“洗”过一样失真。这个粗透射率图会有块状效应需要用导向滤波或者软抠图做细化否则去雾结果边缘会出现光晕。2.3 从公式到代码最小可运行的去雾函数下面这段代码用 Python OpenCV NumPy 实现暗通道先验去雾的核心逻辑不依赖任何深度学习框架适合作为毕业设计里“传统算法对比组”的基础实现。import cv2 import numpy as np def dark_channel(img, patch_size15): 计算暗通道取RGB最小值后在patch内做最小值滤波 min_channel np.min(img, axis2) kernel cv2.getStructuringElement(cv2.MORPH_RECT, (patch_size, patch_size)) dark cv2.erode(min_channel, kernel) return dark def estimate_atmospheric_light(img, dark, top_percent0.001): 从暗通道最亮的0.1%像素里回到原图找最亮值作为大气光A h, w img.shape[:2] num_pixels max(int(h * w * top_percent), 1) dark_flat dark.ravel() indices dark_flat.argsort()[-num_pixels:] img_flat img.reshape(-1, 3) # 取这些位置中亮度最高的像素作为A candidates img_flat[indices] brightness candidates.sum(axis1) A candidates[brightness.argmax()] return A.astype(np.float32) def estimate_transmission(img, A, omega0.95, patch_size15): 根据暗通道先验估计粗透射率 norm_img img.astype(np.float32) / A transmission 1 - omega * dark_channel(norm_img, patch_size) return np.clip(transmission, 0.1, 1.0) def recover(img, A, transmission, t00.1): 反解无雾图像t0防止除零 img img.astype(np.float32) t np.maximum(transmission, t0)[:, :, np.newaxis] J (img - A) / t A return np.clip(J, 0, 255).astype(np.uint8) if __name__ __main__: img cv2.imread(hazy.jpg) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) dark dark_channel(img) A estimate_atmospheric_light(img, dark) t estimate_transmission(img, A) # 用导向滤波细化透射率减少光晕 gray cv2.cvtColor(img, cv2.COLOR_RGB2GRAY).astype(np.float32) / 255.0 t_refined cv2.ximgproc.guidedFilter(gray, t, radius40, eps1e-3) result recover(img, A, t_refined) cv2.imwrite(dehazed.jpg, cv2.cvtColor(result, cv2.COLOR_RGB2BGR))这段代码的逻辑链条是先算暗通道再根据暗通道最亮区域定位大气光 A然后用归一化图像的暗通道估计透射率 t最后用导向滤波细化 t 并反解出 J。参数方面patch_size 控制暗通道窗口大小取 15 是常见经验值太小会导致透射率估计噪声大太大会让边缘过渡变糊omega 取 0.95 是为了保留一点雾感如果你希望去得更彻底可以调到 0.98但容易过曝t0 取 0.1 是防止透射率过小导致分母趋零这个下限在浓雾区域会保留一部分雾属于合理妥协。导向滤波的 radius 和 eps 需要根据图像分辨率微调1080p 图像 radius 取 40 左右比较稳。3. 毕业设计系统怎么搭从单文件脚本到可演示的完整项目3.1 系统模块划分与目录结构一个能拿得出手的毕业设计系统不能只有一个去雾函数。老师看的是你有没有工程化能力所以至少要把项目拆成算法层、业务层和界面层。我一般会建议按下面这个结构组织dehaze_system/ ├── algorithms/ │ ├── dark_channel.py # 暗通道先验 │ ├── retinex.py # Retinex去雾 │ ├── cap.py # 颜色衰减先验 │ └── dehaze_net.py # 深度学习模型推理可选 ├── core/ │ ├── metrics.py # PSNR/SSIM计算 │ └── pipeline.py # 统一调度入口 ├── ui/ │ └── main_window.py # PyQt5或Tkinter界面 ├── data/ │ ├── hazy/ # 测试雾图 │ └── clear/ # 对应无雾参考图 ├── requirements.txt └── main.py算法层每个文件只负责一种去雾方法统一暴露dehaze(img)接口core 层负责指标计算和流程编排ui 层只做展示和按钮绑定。这样你在答辩时可以说“系统支持多算法切换和定量对比”而不是“我写了一个去雾函数”。3.2 用 PyQt5 做一个能切换算法的演示界面界面不需要花哨但要有原图、去雾结果、算法下拉框和指标显示。下面是一个最小可用的 PyQt5 窗口代码import sys import cv2 import numpy as np from PyQt5.QtWidgets import (QApplication, QMainWindow, QLabel, QPushButton, QComboBox, QVBoxLayout, QHBoxLayout, QWidget, QFileDialog) from PyQt5.QtGui import QImage, QPixmap from algorithms.dark_channel import dehaze as dark_dehaze from algorithms.retinex import dehaze as retinex_dehaze from core.metrics import compute_psnr, compute_ssim class DehazeWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(图像去雾算法研究系统) self.img_path None self.hazy None self.clear None self.algo_box QComboBox() self.algo_box.addItems([暗通道先验, Retinex, 颜色衰减先验]) self.btn_load QPushButton(加载雾图) self.btn_run QPushButton(执行去雾) self.label_orig QLabel(原图) self.label_result QLabel(去雾结果) self.label_metric QLabel(指标--) self.btn_load.clicked.connect(self.load_image) self.btn_run.clicked.connect(self.run_dehaze) layout QVBoxLayout() top QHBoxLayout() top.addWidget(self.btn_load) top.addWidget(self.algo_box) top.addWidget(self.btn_run) layout.addLayout(top) mid QHBoxLayout() mid.addWidget(self.label_orig) mid.addWidget(self.label_result) layout.addLayout(mid) layout.addWidget(self.label_metric) container QWidget() container.setLayout(layout) self.setCentralWidget(container) def load_image(self): path, _ QFileDialog.getOpenFileName(self, 选择雾图, , Images (*.png *.jpg)) if path: self.img_path path self.hazy cv2.cvtColor(cv2.imread(path), cv2.COLOR_BGR2RGB) self.show_image(self.hazy, self.label_orig) def run_dehaze(self): if self.hazy is None: return algo self.algo_box.currentText() if algo 暗通道先验: result dark_dehaze(self.hazy) elif algo Retinex: result retinex_dehaze(self.hazy) else: result dark_dehaze(self.hazy) # 占位实际替换为CAP实现 self.show_image(result, self.label_result) if self.clear is not None: psnr compute_psnr(self.clear, result) ssim compute_ssim(self.clear, result) self.label_metric.setText(fPSNR: {psnr:.2f} dB SSIM: {ssim:.4f}) def show_image(self, img, label): h, w, ch img.shape qimg QImage(img.data, w, h, ch * w, QImage.Format_RGB888) label.setPixmap(QPixmap.fromImage(qimg).scaled(400, 300)) if __name__ __main__: app QApplication(sys.argv) win DehazeWindow() win.show() sys.exit(app.exec_())这个界面的关键点是算法下拉框和指标联动。run_dehaze根据下拉框选择调用不同算法模块如果你有对应的无雾参考图还能实时算 PSNR 和 SSIM。参数上显示区域固定缩放到 400×300 是为了避免大图撑爆窗口实际保存结果时仍用原分辨率。指标计算函数放在 core/metrics.py 里用 skimage 的peak_signal_noise_ratio和structural_similarity即可注意 SSIM 要求输入是灰度图或指定channel_axis。3.3 定量对比PSNR 和 SSIM 怎么算才不出错毕业设计里如果只放几张视觉效果图说服力不够。加上 PSNR 和 SSIM 表格立刻显得有实验支撑。但这两个指标有几个容易翻车的点第一PSNR 要求两张图尺寸完全一致且数据类型是浮点或 uint8 要统一第二SSIM 对通道处理敏感彩色图建议转灰度后计算或者用channel_axis2第三如果去雾结果过曝或过暗PSNR 会很低但这不代表算法完全无效需要结合视觉判断。from skimage.metrics import peak_signal_noise_ratio, structural_similarity import cv2 def compute_psnr(clear, dehazed): clear和dehazed都是RGB uint8 return peak_signal_noise_ratio(clear, dehazed, data_range255) def compute_ssim(clear, dehazed): gray_clear cv2.cvtColor(clear, cv2.COLOR_RGB2GRAY) gray_dehazed cv2.cvtColor(dehazed, cv2.COLOR_RGB2GRAY) return structural_similarity(gray_clear, gray_dehazed, data_range255)参数说明data_range255对应 uint8 图像如果你的图像归一化到 0-1这里要改成 1.0。SSIM 的win_size默认是 7图像小于 7×7 会报错毕业设计用的测试图一般不会这么小。另外暗通道先验在浓雾区域容易产生颜色偏移PSNR 可能不如 Retinex但视觉上更通透这个差异可以在论文里作为分析点。4. 避坑与排查去雾系统从跑通到能答辩之间的五个坑4.1 坑一去雾结果整体偏暗或偏蓝现象跑完暗通道先验图像是清晰了但颜色发蓝、整体偏暗像加了冷色滤镜。原因大气光 A 估计偏了。如果 A 取到了天空区域的高亮值但天空本身偏蓝反解时就会把蓝色放大。另外透射率下限 t0 设得太小浓雾区域被过度拉伸。解决在估计 A 之前先排除天空区域。简单做法是限制 A 的搜索范围在图像上半部分之外或者对暗通道最亮像素做聚类取包含最多像素的那一簇的均值。t0 从 0.1 调到 0.2 也能缓解偏暗。4.2 坑二导向滤波报错“ximgproc 不存在”现象cv2.ximgproc.guidedFilter调用时报 AttributeError提示模块不存在。原因OpenCV 的主包opencv-python不包含 contrib 模块导向滤波在opencv-contrib-python里。解决卸载重装 contrib 版本命令是pip uninstall opencv-python然后pip install opencv-contrib-python。注意不要两个包同时装否则会冲突。如果不想换包可以用cv2.blur或双边滤波替代导向滤波做透射率细化效果差一些但能跑通。4.3 坑三PyQt5 界面加载大图后卡死现象点击“加载雾图”后界面无响应几秒后才恢复或者直接闪退。原因在 UI 线程里直接做了去雾计算暗通道最小值滤波是 O(n) 但常数大1080p 图像可能要几秒。另外 QImage 直接引用 NumPy 数组内存数组被回收后显示空白。解决把去雾计算放到 QThread 里通过信号槽更新结果。QImage 构造时用np.ascontiguousarray保证内存连续并且保留对数组的引用避免被 GC 回收。如果只是演示加载时先缩放到 800×600 再处理速度会快很多。4.4 坑四PSNR 算出来是 inf 或者负数现象指标显示PSNR: inf或者一个很大的负数。原因inf 说明两张图完全一样通常是加载参考图时路径写错把雾图当成了无雾图。负数说明数据类型不匹配比如一张是 0-255 uint8另一张是 0-1 float相减后出现大偏差。解决在计算前统一转成 float32 并检查max()值如果大于 1.5 就按 255 范围处理否则按 1.0 范围处理。另外确认参考图文件名和雾图有对应关系不要用同一张图自比。4.5 坑五换用深度学习模型后显存不够现象想加一个基于 CNN 的去雾模型做对比加载权重时提示 CUDA out of memory。原因毕业设计常用的 GPU 可能是 4GB 或 6GB 显存而一些去雾网络如 MSBDN、FFA-Net参数量大推理时中间特征图占显存。解决推理时用torch.no_grad()关闭梯度把输入裁剪成 512×512 的块分批处理再拼接。如果显存实在小直接改用轻量模型如 AOD-Net参数量只有几万CPU 也能跑。另外注意模型输入预处理要和训练时一致归一化方式不同会导致输出全黑。5. 把去雾系统做出差异化的三个进阶技巧5.1 用合成雾图做定量实验而不是只靠肉眼很多毕业设计的通病是只放几张真实雾图然后说“效果不错”。但真实雾图没有对应的无雾参考没法算 PSNR。我一般会建议用 NYU Depth 或 Middlebury 数据集里的清晰图按大气散射模型合成雾图这样你就有了 ground truth可以定量对比不同算法的 PSNR/SSIM。合成代码如下def synthesize_haze(clear, A0.8, beta1.2): 按 I J*t A*(1-t) 合成雾图beta控制雾浓度 h, w clear.shape[:2] depth np.random.uniform(0.3, 1.0, (h, w)) # 模拟深度实际可用深度图 t np.exp(-beta * depth) t np.clip(t, 0.1, 1.0)[:, :, np.newaxis] hazy clear.astype(np.float32) / 255.0 * t A * (1 - t) return np.clip(hazy * 255, 0, 255).astype(np.uint8)这段代码里 beta 控制雾的浓度beta 越大雾越浓。A 取 0.8 到 1.0 之间比较自然。如果你有真实深度图把随机 depth 替换成归一化深度图合成效果会更真实。用这套合成数据你可以做一张表格横向列算法纵向列 PSNR 和 SSIM答辩时直接展示。5.2 透射率细化用导向滤波的替代方案导向滤波虽然效果好但依赖 contrib 包有些环境装不上。我常用的替代方案是快速双边滤波或者用cv2.ximgproc之外的cv2.blur做平滑后再用原图做一次引导。更简单的做法是用形态学闭运算填掉暗通道的块状空洞再高斯模糊。下面这个函数不依赖 contribdef refine_transmission_fast(img_gray, t_coarse, radius20): 用高斯模糊边缘保持的简化细化 t_blur cv2.GaussianBlur(t_coarse, (radius*21, radius*21), 0) # 用原图灰度做权重边缘处保留粗透射率 edge cv2.Canny(img_gray, 50, 150).astype(np.float32) / 255.0 edge cv2.GaussianBlur(edge, (radius*21, radius*21), 0) t_refined t_coarse * edge t_blur * (1 - edge) return np.clip(t_refined, 0.1, 1.0)这个方法的逻辑是在边缘区域相信粗透射率在平坦区域用模糊后的透射率减少光晕。参数 radius 控制平滑范围20 左右适合 720p 图像。效果不如导向滤波但胜在零依赖适合环境受限的情况。5.3 答辩时老师最可能追问的三个问题第一个问题通常是“你为什么选暗通道先验而不是深度学习”。回答思路暗通道先验有明确的物理模型支撑参数少、可解释性强适合作为毕业设计的算法基础深度学习去雾需要大量配对数据训练在缺乏数据集和算力的情况下不是最优选择。第二个问题是“透射率为什么要细化”。回答粗透射率基于局部窗口最小值滤波窗口内透射率被统一成最小值导致边缘处透射率偏低反解后出现光晕细化是为了让透射率在边缘处更准确。第三个问题是“你的系统和现有开源代码有什么区别”。这时候要强调你做了多算法统一接口、定量对比模块和可视化界面而不是只跑了一个脚本。5.4 我踩过的最深的一个坑最后说一个我自己的血泪教训。早期做去雾系统时我把所有算法都写在一个main.py里用 if-else 切换结果加到第四种算法时文件超过 800 行改一个参数要在三个地方同步答辩前一周发现 Retinex 分支的大气光估计和暗通道分支共用了变量导致结果互相污染。后来重构成每个算法独立文件、统一接口才把问题理清。如果你现在还在单文件阶段建议趁代码量没膨胀之前先拆模块不然后悔药很难吃。希望帮到你。本文还有配套的精品资源点击获取