项目概述

本项目实现了论文《DehazeNet: An End-to-End System for Single Image Haze Removal》中提出的深度卷积神经网络，专门用于处理单张含雾图像的去雾任务。该模型采用端到端的神经网络架构，能够直接从有雾的输入图像预测出对应的传输图（transmission map），进而恢复出清晰的无雾图像。项目基于PyTorch框架开发，提供了完整的训练流程和推理接口，适合从事计算机视觉和图像处理研究的技术人员参考和使用。

环境配置与项目初始化

在开始使用本项目前，需要确保本地开发环境满足基本要求。建议使用Python 3.6及以上版本，并配置好PyTorch深度学习框架。项目采用模块化设计，将数据处理、模型定义、训练逻辑等核心功能分离，便于二次开发和定制化修改。

首先从代码仓库克隆完整项目到本地：

# 克隆项目仓库
git clone https://github.com/thuBingo/DehazeNet_Pytorch.git
cd DehazeNet_Pytorch

# 验证目录结构
ls -la

项目依赖包括PyTorch核心库、NumPy数值计算库、Pillow图像处理库等。推荐使用虚拟环境管理依赖，确保项目运行环境的一致性：

# 创建并激活虚拟环境（可选）
python -m venv dehaze_env
source dehaze_env/bin/activate  # Linux/Mac
# dehaze_env\Scripts\activate  # Windows

# 安装PyTorch（CPU版本示例）
pip install torch torchvision torchaudio

# 安装其他必要依赖
pip install numpy pillow opencv-python

数据集准备与处理

高质量的训练数据是模型性能的关键保障。项目提供了便捷的数据生成脚本，可以自动构建符合网络输入要求的训练数据集。运行数据生成脚本后，程序会自动完成图像预处理、标注数据生成等步骤。

# 执行数据集构建脚本
python create_dataset.py

# 数据集配置参数（可在配置文件中修改）
dataset_config = {
    'input_dir': './data/hazy_images',
    'output_dir': './data/train_dataset',
    'image_size': (224, 224),
    'augmentation': True
}

训练数据应当包含成对的图像：含雾图像及其对应的无雾清晰图像（Ground Truth）。如果使用户外场景数据，建议收集不同天气条件、光照强度下的样本，以增强模型的泛化能力。

模型训练流程

数据准备完成后，即可启动模型训练。项目采用命令行参数控制训练模式，通过传入不同的指令参数执行相应操作。训练过程中会自动保存模型权重和训练日志，便于后续分析和模型选择。

# 启动模型训练
python DehazeNet-pytorch.py train

# 自定义训练参数
train_config = {
    'epochs': 100,
    'batch_size': 8,
    'learning_rate': 0.001,
    'weight_decay': 1e-5,
    'checkpoint_dir': './checkpoints',
    'log_interval': 10
}

# 训练过程中的关键步骤示例
def train_epoch(model, dataloader, optimizer, criterion):
    model.train()
    total_loss = 0.0
    
    for batch_idx, (hazy_img, clear_img) in enumerate(dataloader):
        optimizer.zero_grad()
        
        # 前向传播
        predicted_transmission = model(hazy_img)
        
        # 计算损失
        loss = criterion(predicted_transmission, clear_img)
        
        # 反向传播与参数更新
        loss.backward()
        optimizer.step()
        
        total_loss += loss.item()
    
    return total_loss / len(dataloader)

训练初期建议使用较小的学习率进行预热，待模型收敛后再适当调整。监控训练损失曲线变化，当损失值趋于平稳时可以考虑提前停止训练或保存当前最优模型。

模型推理与图像去雾

训练完成的模型可以用于处理新的含雾图像。项目提供了简洁的推理接口，只需指定输入图像路径和模型权重即可完成去雾处理。推理过程中模型会输出预测的传输图，进而通过大气散射模型公式恢复出清晰图像。

# 执行图像去雾处理
python DehazeNet-pytorch.py defog

# 推理配置示例
inference_config = {
    'model_path': './checkpoints/best_model.pth',
    'input_image': './test_images/hazy_sample.jpg',
    'output_image': './results/dehazed_sample.jpg',
    'atmospheric_light': 0.8  # 大气光值，可自动估计
}

# 手动推理流程
import torch
from model import DehazeNet
from utils import load_image, save_image

def dehaze_single_image(image_path, model_path):
    # 加载并预处理图像
    hazy_input = load_image(image_path)
    hazy_input = torch.tensor(hazy_input).unsqueeze(0)
    
    # 加载训练好的模型
    trained_model = DehazeNet()
    trained_model.load_state_dict(torch.load(model_path))
    trained_model.eval()
    
    # 执行去雾推理
    with torch.no_grad():
        transmission_map = trained_model(hazy_input)
    
    # 应用大气散射模型恢复清晰图像
    dehazed_result = atmospheric_scattering_inverse(
        hazy_input, transmission_map
    )
    
    return dehazed_result

应用场景与优化建议

单图像去雾技术在多个领域具有广泛的应用价值。在智能交通系统中，去雾处理可以显著提升监控摄像头的图像质量，帮助系统准确识别车辆和行人；在摄影领域，去雾算法能够增强户外照片的对比度和清晰度，改善最终成片效果；此外，在无人机航拍、卫星遥感等场景中，去雾技术也是图像预处理的重要环节。

为了获得更优的去雾效果，建议考虑以下优化策略：首先，根据实际应用场景的光照条件选择合适的训练数据，使模型学习到对应环境下的图像特征；其次，可以结合传统的图像增强方法（如引导滤波、双边滤波等）对预测的传输图进行后处理，平滑噪声的同时保留边缘细节；最后，针对特定应用场景，可以对模型进行微调（Fine-tuning），以适应目标领域的图像特性。

相关技术参考

深度学习在图像去雾领域的研究持续推进，除了本项目实现的DehazeNet外，学术界还提出了DCP（Dark Channel Prior）、CAP（Color Attenuation Prior）、AOD-Net等经典方法。PyTorch社区也提供了其他优质的去雾开源项目，例如PyTorch-Image-Dehazing等，开发者可以对比不同方法的实现思路和效果表现，根据实际需求选择合适的解决方案。