简介面向图像处理与深度学习研究者的AOD-Net去雾算法资源包提供基于Caffe框架的预训练模型与Matlab环境下的端到端去雾实现方案可帮助用户快速处理雾霾导致的能见度下降问题。压缩包共9个文件包含caffemodel权重、prototxt网络配置、Python测试脚本及jpg示例图像体积仅1.71MB另附README说明文档便于理解项目结构与用法。已有561人学习该资源适合希望掌握深度去雾模型原理并完成本地复现的初学者或中级开发者。通过该包可获取完整的模型推理流程与样例输出既能直接调用权重验证去雾效果也可参考配置调整网络参数为进一步研究AOD-Net的多任务图像增强能力提供基础。1. 被 MATLAB 工程师低估的 AOD-Net把物理去雾做成一站式推理做 MATLAB 图像处理的人第一次接触 AOD-Net 去雾时通常会被它轻量的一体化结构吸引输入一张雾图输出一张清晰图不像传统算法要分两步估计大气光和透射率。这个包里的 AOD_Net.caffemodel 是 Caffe 预训练权重DeployT.prototxt 是部署网络图test.py 已经写好了推理链路。老手只需要把 BGR/RGB 顺序、输入尺寸和输出裁剪处理好就能不经训练直接拿到去雾结果。对只想在检测、识别或 ISP 流程里插入一个去雾节点的人这是成本最低的接入方式。先理解它的成像模型与单变量重构逻辑后面导入网络、调参数才有依据。2. 大气散射与 K 估计AOD-Net 为什么不需要单独估透射率2.1 传统两步估计的问题在哪里有雾图像可以看作是场景辐射 J(x) 经过大气介质衰减后再叠加大气光 A 的结果成像模型通常写成J(x) (I(x) - A) / t(x) A这里 I(x) 是传感器实际收到的图t(x) 是透射率距离越远透射率越低。传统去雾算法会先估计一个大气光 A再反推透射率 t最后把 J 算出来。这个流程在 MATLAB 里可以用很短的代码模拟但工程上很难用好% 传统暗通道先验的示意代码仅用于和 AOD-Net 做思路对比 img im2double(imread(img/man.jpg)); dark min(img, [], 3); % 暗通道RGB 三通道取最小值 A max(dark(:)); % 大气光粗估计 t 1 - 0.95 * dark / A; % 透射率粗估计 t min(max(t, 0.1), 0.95); % 限制范围防止除零 J (img - A) ./ max(t, 0.1) A;这段代码里 A 和 t 都是粗估计A 一旦偏大t 会随之偏小最后重建 J 时误差被放大。真实场景还要额外处理天空区域因为暗通道先验在天空区域失效t 会被压得极低输出出现大片颜色畸变。这也是为什么传统方法总要在 t 后面再接引导滤波做平滑。2.2 把 A 和 t 揉进一个 K 变量AOD-Net 的关键做法不是换一个更好的滤波器而是做了一个代数变形定义中间变量 K(x)把重建公式改写成J(x) K(x) * I(x) - K(x) bb 是偏置常数常见实现里取 1。这样一来大气光和透射率不再单独出现神经网络只需要回归一张 K 图就能完成从雾图到清晰图的映射。部署版本的网络会把 K 的通道数设成 5K 图尺寸和输入一致网络输出端再通过一层固定计算把 J 恢复成三通道图。这种设计最直接的收益是误差不再像传统两步法那样逐级放大。A 和 t 的估计在 K 里是隐式耦合的反向传播时只用清晰图做监督梯度直接作用在同一套参数上模型就能自己学会平衡两个量。理论上讲K 重构把“两步估计”这个非光滑过程换成了一次平滑的回归问题这也是 AOD-Net 在 RESIDE 这类合成雾数据集上收敛更快的原因之一。物理量传统两阶段做法AOD-Net 的 K 化处理大气光 A单独估计一个标量融合进 K不单独输出透射率 t(x)单独估计一张图并滤波融合进 K不单独输出重建公式(I-A)/t AJK*I-Kb误差传播两步相乘误差放大单网络监督梯度直接2.3 “Beyond”在实际项目里的边界原论文标题里的“去雾之外”经常被理解成“也能做色彩恢复或对比度增强”这个说法需要打一个折扣。AOD-Net 的训练数据主要来自合成雾图它确实能学到对色偏和能见度的一并修复但这种修复是数据驱动的不是为任意低照度图像设计的。把网络输出直接当最终成片会丢失暗部细节比较稳妥的用法是把它当作检测或特征提取前的预处理而不是替代 ISP 里的白平衡和锐化。理解了这一边界再往下看部署参数才不会误判。3. caffemodel、prototxt 与 MATLAB 导入边界3.1 拿到资源后先分清文件角色解压 06_AOD-Net.zip 之后真正决定推理结果的是三个文件。AOD_Net.caffemodel 保存所有卷积核、偏置和统计量DeployT.prototxt 定义推理时的网络拓扑不含 loss 和训练相关层test_template.prototxt 是训练/验证模板里面带数据层和 loss不能直接用来部署。test.py 是 Python 参考脚本README 里通常会在记录参数用法时顺带说明 prototxt 对应的 Caffe 版本。版本偏差较大时优先按 README 的版本走不要盲目升级 Caffe 大版本。文件角色导入 MATLAB 时是否必需AOD_Net.caffemodel模型权重必需DeployT.prototxt部署网络结构必需test_template.prototxt训练模板可选用于改结构或重训test.py推理参考脚本可选data/img/result输入输出示例可选注意项目标题虽然是 MATLAB 图像处理但仓库内多了一个 test.py这恰好说明 AOD-Net 是跨框架的权重用 Caffe 训练Python 端可以验证MATLAB 端也能导入。文件角色的清晰度直接影响后面每一步的参数设定特别是 test_template.prototxt它不能当作 DeployT 用否则导入时会出现数据层和 loss 层不被支持的问题。3.2 用 Deep Learning Toolbox 导入 Caffe 模型现代 MATLAB 从 R2017b 开始提供两个 Caffe 导入函数。importCaffeLayers 返回 LayerGraph适合要修改网络结构或者把 K 估计部分接到自己的处理逻辑里的场景importCaffeNetwork 直接生成可用于 predict 的模型适合只做推理。AOD-Net 以卷积、Concat 和 Eltwise 为主结构比较常规二者都能胜任。% 直接生成推理网络 net importCaffeNetwork(DeployT.prototxt, AOD_Net.caffemodel); % 如果需要改动网络结构用 LayerGraph lgraph importCaffeLayers(DeployT.prototxt, AOD_Net.caffemodel); disp(lgraph.Layers);如果 DeployT.prototxt 里存在多个输出MATLAB 会要求指定 OutputLayer此时打开 prototxt把网络末尾的 top 名称填进参数即可。importCaffeNetwork 的返回值是 DAGNetworkpredict 的输入必须是 single 类型这一点在下一章代码里会反复出现。3.3 prototxt 里最容易绊脚的三个位置第一个是输入层。DeployT.prototxt 若没有明确写 input_shapeMATLAB 可能按默认维度推断和实际输入图片尺寸不一致时容易报维度错误。第二个是带 phase 标记的数据层导入时可能被当成一个输入节点保留下来需要手动对网络输入名。第三个是层名的唯一性MATLAB 对同名层比 Caffe 严格同名层会导致 LayerGraph 构建失败。提示导入前用文本编辑器扫一遍 prototxt 里所有 name 字段确认没有重复再看一眼网络末尾的 layer 是不是带 loss 的层如果有损失层就换 DeployT.prototxt。4. 跑通一次 AOD-Net 推理Python 脚本和 MATLAB predict 双路径复现4.1 先用 test.py 验证权重可用性拿到资源后建议先用最短路跑通能排除权重损坏和网络图不匹配的问题。先看 test.py 里 import 的 caffe 模块能否被找到找不到就把对应 python 路径加进 sys.path。然后在终端执行python test.py --prototxt DeployT.prototxt --caffemodel AOD_Net.caffemodel --img img/gugong.jpg --out result/gugong_test.png这个命令只是常见脚本接口的写法参数名不一定和仓库里完全一致。更稳妥的做法是打开 test.py看它是用 argparse 还是硬编码变量。脚本核心逻辑通常分四步读取图像、把 BGR 转成 float32 并除以 255、按训练尺寸 resize、调用 caffe.Net 的 forward。Python 路径的意义不是替代 MATLAB而是让你在写 MATLAB 代码前先拿到一组基准输出后续用来核对 MATLAB 端的颜色顺序和缩放没有写反。4.2 在 MATLAB 里加载模型并推理MATLAB 端可以不依赖 Caffe 环境。关键点有两个一是导入时用 DeployT.prototxt二是 predict 的输入必须是 single 类型且为 H×W×C 布局。net importCaffeNetwork(DeployT.prototxt, AOD_Net.caffemodel); img imread(img/gugong.jpg); % uint8 RGB img im2single(img); % 归一化到 [0,1] img imresize(img, [320, 320]); % 和 prototxt 输入尺寸对齐 img img(:, :, [3 2 1]); % RGB - BGR匹配 Caffe 训练顺序 res predict(net, img); % 输出 HxWxC res res(:, :, [3 2 1]); % BGR 转回 RGB res min(max(res, 0), 1); % 裁剪到 [0,1]防止保存时溢出 imwrite(res, result/matlab_gugong.jpg);这段代码最容易漏的是img(:, :, [3 2 1])和res(:, :, [3 2 1])。很多人在 MATLAB 里跑完发现天空颜色发紫或发蓝不是模型问题而是输入时没做 RGB 到 BGR 转换或者输出时忘记转回 RGB。im2single 负责把 uint8 归一化到 [0,1]同时保证数据类型是 singleimresize 则把你的测试图统一到 320×320这个尺寸要和 DeployT.prototxt 里 input_shape 的 H 和 W 一致。4.3 批量去雾与 GPU 加速如果 data 目录下有多张雾图要一次处理用 imageDatastore 读取文件列表循环推理后写回 result 目录imds imageDatastore(data, ReadFcn, (f) im2single(imread(f))); files imds.Files; for i 1:numel(files) im read(imds); im imresize(im, [320 320]); im im(:, :, [3 2 1]); res predict(net, im); res res(:, :, [3 2 1]); res min(max(res, 0), 1); [~, name] fileparts(files{i}); imwrite(res, fullfile(result, [name _dehazed.png])); end如果这里出现类型错误多半是 imageDatastore 的 ReadFcn 返回的仍是 uint8后续 imresize 会把它转成 double导致 predict 收到 double 类型而报错。建议在 ReadFcn 里直接用(f) im2single(imread(f))让数据在进入循环前就统一成 single。GPU 加速也不复杂把输入转成 gpuArray 后传给 predict最后用 gather 收回结果。im_gpu gpuArray(img); res_gpu predict(net, im_gpu); res gather(res_gpu);CPU 推理 320×320 单张大约一两百毫秒GPU 下主要瓶颈变成数据从内存到显存的拷贝。真正处理大批量数据时把所有图像合并成一个 4D 张量一次 predict吞吐量会明显好于单张循环。4.4 常见错误对照表报错或现象根因处理方式输入通道数不匹配灰度图或 4 通道图没有统一成 3 通道对单通道图用 repmat 复制成三通道输出颜色整体偏蓝或偏红RGB/BGR 反转次数不对检查读入和输出各做一次通道置换predict 输出尺寸和预期不符prototxt 里 input_shape 与实际传入尺寸不一致打开 prototxt 修改 H 和 W全图偏黑或出现过曝输入图像未归一化到 [0,1]用 im2single 或在推理前除以 2555. 验证去雾效果与 ISP/检测流程中的接入顺序5.1 用 PSNR 和 SSIM 判断接入前后是否值得保留如果 data 目录里有对应的清晰图量化判断最直观。在 320×320 固定尺寸下分别计算处理前后的 PSNR 和 SSIM两张图都先转成 double 再比较reference im2double(imread(data/clean.png)); hazy im2double(imread(data/hazy.png)); dehazed im2double(imread(result/matlab_gugong.jpg)); psnr_before psnr(hazy, reference); psnr_after psnr(dehazed, reference); ssim_after ssim(dehazed, reference); fprintf(PSNR before %.2f dB, after %.2f dB, SSIM %.3f\n, ... psnr_before, psnr_after, ssim_after);如果 after 的 PSNR 不升反降优先观察天空区域和场景边缘。AOD-Net 对浓雾和低照度的恢复能力有限这类图片用暗通道方法或直接保留原图可能是更好的选择。SSIM 的提升通常比 PSNR 明显因为网络重建保留了局部结构信息主观视觉往往比数值指标更乐观。5.2 在项目里落地时的顺序建议把 AOD-Net 放进 ISP 图像处理链路时我习惯放在白平衡和去马赛克之后、目标检测之前。如果你在用 OpenCV 做形态学处理注意 MATLAB 写出的 PNG 是 RGB而 OpenCV 的 cv::Mat 默认按 BGR 读入两个环境之间传递图像时要显式转换颜色空间。AOD-Net 输出以 320×320 推理再上采样回 1080p和直接 1080p 推理的主观差异不大但耗时差距明显这也是它作为轻量模型最划算的使用方式。把输入缩到 256 或 320不要让主线程直接拿 1080p 原图去跑处理完后再核对一遍边缘和天空的颜色偏转确认无误就把那一组固定参数写进流程配置里不再每次调整。本文还有配套的精品资源点击获取 MATLAB部署AOD-Net去雾模型：从Caffe导入到推理实践
简介面向图像处理与深度学习研究者的AOD-Net去雾算法资源包提供基于Caffe框架的预训练模型与Matlab环境下的端到端去雾实现方案可帮助用户快速处理雾霾导致的能见度下降问题。压缩包共9个文件包含caffemodel权重、prototxt网络配置、Python测试脚本及jpg示例图像体积仅1.71MB另附README说明文档便于理解项目结构与用法。已有561人学习该资源适合希望掌握深度去雾模型原理并完成本地复现的初学者或中级开发者。通过该包可获取完整的模型推理流程与样例输出既能直接调用权重验证去雾效果也可参考配置调整网络参数为进一步研究AOD-Net的多任务图像增强能力提供基础。1. 被 MATLAB 工程师低估的 AOD-Net把物理去雾做成一站式推理做 MATLAB 图像处理的人第一次接触 AOD-Net 去雾时通常会被它轻量的一体化结构吸引输入一张雾图输出一张清晰图不像传统算法要分两步估计大气光和透射率。这个包里的 AOD_Net.caffemodel 是 Caffe 预训练权重DeployT.prototxt 是部署网络图test.py 已经写好了推理链路。老手只需要把 BGR/RGB 顺序、输入尺寸和输出裁剪处理好就能不经训练直接拿到去雾结果。对只想在检测、识别或 ISP 流程里插入一个去雾节点的人这是成本最低的接入方式。先理解它的成像模型与单变量重构逻辑后面导入网络、调参数才有依据。2. 大气散射与 K 估计AOD-Net 为什么不需要单独估透射率2.1 传统两步估计的问题在哪里有雾图像可以看作是场景辐射 J(x) 经过大气介质衰减后再叠加大气光 A 的结果成像模型通常写成J(x) (I(x) - A) / t(x) A这里 I(x) 是传感器实际收到的图t(x) 是透射率距离越远透射率越低。传统去雾算法会先估计一个大气光 A再反推透射率 t最后把 J 算出来。这个流程在 MATLAB 里可以用很短的代码模拟但工程上很难用好% 传统暗通道先验的示意代码仅用于和 AOD-Net 做思路对比 img im2double(imread(img/man.jpg)); dark min(img, [], 3); % 暗通道RGB 三通道取最小值 A max(dark(:)); % 大气光粗估计 t 1 - 0.95 * dark / A; % 透射率粗估计 t min(max(t, 0.1), 0.95); % 限制范围防止除零 J (img - A) ./ max(t, 0.1) A;这段代码里 A 和 t 都是粗估计A 一旦偏大t 会随之偏小最后重建 J 时误差被放大。真实场景还要额外处理天空区域因为暗通道先验在天空区域失效t 会被压得极低输出出现大片颜色畸变。这也是为什么传统方法总要在 t 后面再接引导滤波做平滑。2.2 把 A 和 t 揉进一个 K 变量AOD-Net 的关键做法不是换一个更好的滤波器而是做了一个代数变形定义中间变量 K(x)把重建公式改写成J(x) K(x) * I(x) - K(x) bb 是偏置常数常见实现里取 1。这样一来大气光和透射率不再单独出现神经网络只需要回归一张 K 图就能完成从雾图到清晰图的映射。部署版本的网络会把 K 的通道数设成 5K 图尺寸和输入一致网络输出端再通过一层固定计算把 J 恢复成三通道图。这种设计最直接的收益是误差不再像传统两步法那样逐级放大。A 和 t 的估计在 K 里是隐式耦合的反向传播时只用清晰图做监督梯度直接作用在同一套参数上模型就能自己学会平衡两个量。理论上讲K 重构把“两步估计”这个非光滑过程换成了一次平滑的回归问题这也是 AOD-Net 在 RESIDE 这类合成雾数据集上收敛更快的原因之一。物理量传统两阶段做法AOD-Net 的 K 化处理大气光 A单独估计一个标量融合进 K不单独输出透射率 t(x)单独估计一张图并滤波融合进 K不单独输出重建公式(I-A)/t AJK*I-Kb误差传播两步相乘误差放大单网络监督梯度直接2.3 “Beyond”在实际项目里的边界原论文标题里的“去雾之外”经常被理解成“也能做色彩恢复或对比度增强”这个说法需要打一个折扣。AOD-Net 的训练数据主要来自合成雾图它确实能学到对色偏和能见度的一并修复但这种修复是数据驱动的不是为任意低照度图像设计的。把网络输出直接当最终成片会丢失暗部细节比较稳妥的用法是把它当作检测或特征提取前的预处理而不是替代 ISP 里的白平衡和锐化。理解了这一边界再往下看部署参数才不会误判。3. caffemodel、prototxt 与 MATLAB 导入边界3.1 拿到资源后先分清文件角色解压 06_AOD-Net.zip 之后真正决定推理结果的是三个文件。AOD_Net.caffemodel 保存所有卷积核、偏置和统计量DeployT.prototxt 定义推理时的网络拓扑不含 loss 和训练相关层test_template.prototxt 是训练/验证模板里面带数据层和 loss不能直接用来部署。test.py 是 Python 参考脚本README 里通常会在记录参数用法时顺带说明 prototxt 对应的 Caffe 版本。版本偏差较大时优先按 README 的版本走不要盲目升级 Caffe 大版本。文件角色导入 MATLAB 时是否必需AOD_Net.caffemodel模型权重必需DeployT.prototxt部署网络结构必需test_template.prototxt训练模板可选用于改结构或重训test.py推理参考脚本可选data/img/result输入输出示例可选注意项目标题虽然是 MATLAB 图像处理但仓库内多了一个 test.py这恰好说明 AOD-Net 是跨框架的权重用 Caffe 训练Python 端可以验证MATLAB 端也能导入。文件角色的清晰度直接影响后面每一步的参数设定特别是 test_template.prototxt它不能当作 DeployT 用否则导入时会出现数据层和 loss 层不被支持的问题。3.2 用 Deep Learning Toolbox 导入 Caffe 模型现代 MATLAB 从 R2017b 开始提供两个 Caffe 导入函数。importCaffeLayers 返回 LayerGraph适合要修改网络结构或者把 K 估计部分接到自己的处理逻辑里的场景importCaffeNetwork 直接生成可用于 predict 的模型适合只做推理。AOD-Net 以卷积、Concat 和 Eltwise 为主结构比较常规二者都能胜任。% 直接生成推理网络 net importCaffeNetwork(DeployT.prototxt, AOD_Net.caffemodel); % 如果需要改动网络结构用 LayerGraph lgraph importCaffeLayers(DeployT.prototxt, AOD_Net.caffemodel); disp(lgraph.Layers);如果 DeployT.prototxt 里存在多个输出MATLAB 会要求指定 OutputLayer此时打开 prototxt把网络末尾的 top 名称填进参数即可。importCaffeNetwork 的返回值是 DAGNetworkpredict 的输入必须是 single 类型这一点在下一章代码里会反复出现。3.3 prototxt 里最容易绊脚的三个位置第一个是输入层。DeployT.prototxt 若没有明确写 input_shapeMATLAB 可能按默认维度推断和实际输入图片尺寸不一致时容易报维度错误。第二个是带 phase 标记的数据层导入时可能被当成一个输入节点保留下来需要手动对网络输入名。第三个是层名的唯一性MATLAB 对同名层比 Caffe 严格同名层会导致 LayerGraph 构建失败。提示导入前用文本编辑器扫一遍 prototxt 里所有 name 字段确认没有重复再看一眼网络末尾的 layer 是不是带 loss 的层如果有损失层就换 DeployT.prototxt。4. 跑通一次 AOD-Net 推理Python 脚本和 MATLAB predict 双路径复现4.1 先用 test.py 验证权重可用性拿到资源后建议先用最短路跑通能排除权重损坏和网络图不匹配的问题。先看 test.py 里 import 的 caffe 模块能否被找到找不到就把对应 python 路径加进 sys.path。然后在终端执行python test.py --prototxt DeployT.prototxt --caffemodel AOD_Net.caffemodel --img img/gugong.jpg --out result/gugong_test.png这个命令只是常见脚本接口的写法参数名不一定和仓库里完全一致。更稳妥的做法是打开 test.py看它是用 argparse 还是硬编码变量。脚本核心逻辑通常分四步读取图像、把 BGR 转成 float32 并除以 255、按训练尺寸 resize、调用 caffe.Net 的 forward。Python 路径的意义不是替代 MATLAB而是让你在写 MATLAB 代码前先拿到一组基准输出后续用来核对 MATLAB 端的颜色顺序和缩放没有写反。4.2 在 MATLAB 里加载模型并推理MATLAB 端可以不依赖 Caffe 环境。关键点有两个一是导入时用 DeployT.prototxt二是 predict 的输入必须是 single 类型且为 H×W×C 布局。net importCaffeNetwork(DeployT.prototxt, AOD_Net.caffemodel); img imread(img/gugong.jpg); % uint8 RGB img im2single(img); % 归一化到 [0,1] img imresize(img, [320, 320]); % 和 prototxt 输入尺寸对齐 img img(:, :, [3 2 1]); % RGB - BGR匹配 Caffe 训练顺序 res predict(net, img); % 输出 HxWxC res res(:, :, [3 2 1]); % BGR 转回 RGB res min(max(res, 0), 1); % 裁剪到 [0,1]防止保存时溢出 imwrite(res, result/matlab_gugong.jpg);这段代码最容易漏的是img(:, :, [3 2 1])和res(:, :, [3 2 1])。很多人在 MATLAB 里跑完发现天空颜色发紫或发蓝不是模型问题而是输入时没做 RGB 到 BGR 转换或者输出时忘记转回 RGB。im2single 负责把 uint8 归一化到 [0,1]同时保证数据类型是 singleimresize 则把你的测试图统一到 320×320这个尺寸要和 DeployT.prototxt 里 input_shape 的 H 和 W 一致。4.3 批量去雾与 GPU 加速如果 data 目录下有多张雾图要一次处理用 imageDatastore 读取文件列表循环推理后写回 result 目录imds imageDatastore(data, ReadFcn, (f) im2single(imread(f))); files imds.Files; for i 1:numel(files) im read(imds); im imresize(im, [320 320]); im im(:, :, [3 2 1]); res predict(net, im); res res(:, :, [3 2 1]); res min(max(res, 0), 1); [~, name] fileparts(files{i}); imwrite(res, fullfile(result, [name _dehazed.png])); end如果这里出现类型错误多半是 imageDatastore 的 ReadFcn 返回的仍是 uint8后续 imresize 会把它转成 double导致 predict 收到 double 类型而报错。建议在 ReadFcn 里直接用(f) im2single(imread(f))让数据在进入循环前就统一成 single。GPU 加速也不复杂把输入转成 gpuArray 后传给 predict最后用 gather 收回结果。im_gpu gpuArray(img); res_gpu predict(net, im_gpu); res gather(res_gpu);CPU 推理 320×320 单张大约一两百毫秒GPU 下主要瓶颈变成数据从内存到显存的拷贝。真正处理大批量数据时把所有图像合并成一个 4D 张量一次 predict吞吐量会明显好于单张循环。4.4 常见错误对照表报错或现象根因处理方式输入通道数不匹配灰度图或 4 通道图没有统一成 3 通道对单通道图用 repmat 复制成三通道输出颜色整体偏蓝或偏红RGB/BGR 反转次数不对检查读入和输出各做一次通道置换predict 输出尺寸和预期不符prototxt 里 input_shape 与实际传入尺寸不一致打开 prototxt 修改 H 和 W全图偏黑或出现过曝输入图像未归一化到 [0,1]用 im2single 或在推理前除以 2555. 验证去雾效果与 ISP/检测流程中的接入顺序5.1 用 PSNR 和 SSIM 判断接入前后是否值得保留如果 data 目录里有对应的清晰图量化判断最直观。在 320×320 固定尺寸下分别计算处理前后的 PSNR 和 SSIM两张图都先转成 double 再比较reference im2double(imread(data/clean.png)); hazy im2double(imread(data/hazy.png)); dehazed im2double(imread(result/matlab_gugong.jpg)); psnr_before psnr(hazy, reference); psnr_after psnr(dehazed, reference); ssim_after ssim(dehazed, reference); fprintf(PSNR before %.2f dB, after %.2f dB, SSIM %.3f\n, ... psnr_before, psnr_after, ssim_after);如果 after 的 PSNR 不升反降优先观察天空区域和场景边缘。AOD-Net 对浓雾和低照度的恢复能力有限这类图片用暗通道方法或直接保留原图可能是更好的选择。SSIM 的提升通常比 PSNR 明显因为网络重建保留了局部结构信息主观视觉往往比数值指标更乐观。5.2 在项目里落地时的顺序建议把 AOD-Net 放进 ISP 图像处理链路时我习惯放在白平衡和去马赛克之后、目标检测之前。如果你在用 OpenCV 做形态学处理注意 MATLAB 写出的 PNG 是 RGB而 OpenCV 的 cv::Mat 默认按 BGR 读入两个环境之间传递图像时要显式转换颜色空间。AOD-Net 输出以 320×320 推理再上采样回 1080p和直接 1080p 推理的主观差异不大但耗时差距明显这也是它作为轻量模型最划算的使用方式。把输入缩到 256 或 320不要让主线程直接拿 1080p 原图去跑处理完后再核对一遍边缘和天空的颜色偏转确认无误就把那一组固定参数写进流程配置里不再每次调整。本文还有配套的精品资源点击获取