• 交通场景图片&视频去雾
• 作者
• 项目简介
• • 1. 功能
  • 2. 性能
  • 3. 评估指标
  • 4. 使用数据集
• 运行环境与依赖
• 输入与输出
• 运行方式
• • 1. 模型训练
  • 2. 模型测试

交通场景图片&视频去雾

PCID-Net：Peng Cheng Image Dehazing Network

作者

Cong Wang

项目简介

1. 功能

针对雾天采集的交通场景图片及视频，引入自动去雾能力，对图片及视频进行增强。

2. 性能

雾霾视频经算法去雾后，在准确率99%条件下，车辆检测召回率提高6.3%。

3. 评估指标

采用目标检测算法对检测去雾前后图片中的车辆，在准确率99%条件下比较召回率。

4. 使用数据集

训练数据集：RESIDE-OTS 室外交通场景雾霾数据集 (https://sites.google.com/view/reside-dehaze-datasets/reside-%CE%B2).
测试数据集：TDT Dataset (trafic dehaze test dataset) 自建交通场景雾霾测试数据集。

运行环境与依赖

代码运行的环境与依赖。如下所示：

类别	名称	版本
os	ubuntu	16.04
计算框架	NVIDIA GPU + CUDA	10.0
语言	python	3.6.8
深度学习框架	pytorch	1.0.0
包依赖	numpy	1.19.1
	matplotlib	3.3.0
	tensorboardX	2.1

快速配置
在本 README 所在的文件夹下，直接执行以下命令配置环境

pip install -r requirements.txt

输入与输出

代码的输入与输出。如下所示：

名称	说明
输入	带雾RGB图像。大小为224X224（宽x高）
输出	去雾RGB图像。大小为224X224（宽x高）

运行方式

1. 模型训练

/data 文件夹中存放有来自于 OTS 数据集的24对训练图片和8对验证图片，供验证训练代码的可用性

在 OTS 数据集上训练模型，将文件路径切换至 ./net 下，可直接执行 train.sh

cd ./net
sh train.sh

2. 模型测试

训练得到的模型权重已放入 net/trained_models/ 文件夹中
测试图片放在 test_imgs/ 文件夹中

测试在 OTS 数据集上训练的模型，将文件路径切换至 ./net 下，可直接执行 test.sh
程序运行结束后，可在 pred_CID_ots/ 文件夹中得到处理后的图片。

cd ./net
sh test.sh

注意：如果待处理文件是视频，首先需要采用 ./small tools 文件夹下的 shipin_chaifen.m 文件将待处理视频拆分为逐帧图片，采用 PCID-Net 对逐帧图片去雾后，再使用 ./small tools 文件夹下的 shipin_pinjie.m 文件将逐帧去雾图片拼接成去雾视频。

./small tools 文件夹下的文件运行环境为 MATLAB 2019b。