简介：这是一份面向计算机科学、人工智能及电子信息工程等专业学生的毕业设计参考方案，围绕暗通道先验理论实现图像去雾算法，并借助PyQt5搭建可视化交互界面，配合OpenCV与numpy完成核心计算。项目代码经过严格验证，运行稳定，曾在毕业答辩中获得优异评价，适合作为课程实践、毕业设计或科研项目的参考，也便于在此基础上进行功能调整与优化。资源包共37个文件，约30MB，包含3个Python源码文件、1个ui界面文件、1个md说明文档与1个license授权文件，另有17个png、7个jpg图像素材及若干zbak备份文件，覆盖算法实现、界面布局与测试样例等模块。目前已有50人学习下载。整体目录结构清晰，可帮助读者快速理解暗通道先验去雾的完整实现流程、界面与算法分离的组织方式，并获取可直接运行的工程代码与测试图像，为二次开发与排错提供参考。
1. 从一张灰蒙蒙的毕业设计照片说起：这套 PyQt5 + OpenCV 去雾系统到底能跑出什么
去年帮一个学弟看他的毕业设计答辩 PPT，封面放的是校园里拍的林荫道，结果整张图灰得像蒙了层纱，评委第一句就问“你这图是雾天拍的还是镜头脏了”。他做的是基于暗通道先验的图像去雾系统，界面用 PyQt5 搭，算法核心靠 OpenCV 和 numpy 手撸，结果因为参数没调好，去雾后的图要么过曝要么偏色，答辩现场差点翻车。这套hazeremoval-main.zip就是那类典型的计算机视觉课程设计/毕业设计资源：一个能点按钮、能拖进度条、能实时看中间结果（暗通道图、透射率图、去雾结果）的桌面工具，技术栈锁定在 PyQt5 + OpenCV + numpy，算法主线是暗通道先验（Dark Channel Prior）。它适合谁？正在做图像处理方向毕设、需要一份结构清晰可复现的参考实现、或者想搞懂“去雾到底在算什么”的电子信息/计算机专业学生和初级工程师。你拿到的不只是一份能跑的代码，而是一整套把论文公式落成像素的工程路径——从dark.png到unhazed.png，中间每一步都有中间产物可查，这对排查问题和写论文都极其友好。
2. 暗通道先验的工程化拆解：从公式到 numpy 数组的落地路径
2.1 为什么选暗通道先验而不是深度学习去雾
暗通道先验（DCP）是 2009 年 He Kaiming 那篇经典论文提出的统计规律：无雾的户外图像里，绝大多数非天空区域的局部块中，至少有一个颜色通道的强度值非常低，接近 0。这个“暗通道”在雾天会被大气光抬升，抬升的程度就对应雾的浓度。选它做毕业设计有几个现实理由：第一，算法完全基于物理模型，公式可推导，答辩时能讲清楚每一步的数学含义，不像 GAN 去雾那样容易被问“你的生成器损失函数为什么这么设计”；第二，依赖极轻，只需要 numpy 做矩阵运算、OpenCV 做滤波和形态学，不需要 GPU，普通笔记本就能跑；第三，中间结果可视化天然适合 PyQt5 做界面——暗通道图、透射率粗估计、导向滤波精修、大气光值，每一步都能单独显示，这对调试和演示都是加分项。常见做法是先用cv2.min在三个通道上取最小，再做最小值滤波，得到暗通道图，然后取暗通道最亮的前 0.1% 像素对应原图位置的均值作为大气光 A，接着用1 - omega * dark_channel / A估计透射率，最后用导向滤波或软抠图精修透射率，代入J = (I - A) / max(t, t0) + A还原无雾图像。这套流程在haze_removal_sharp.py里应该就是主算法入口，window.py负责界面逻辑，window.ui是 Qt Designer 拖出来的布局文件。
2.2 核心代码路径：暗通道计算与透射率估计
下面这段代码是我按暗通道先验标准流程重写的核心片段，和资源里的实现思路一致，你可以直接对照haze_removal_sharp.py看差异。重点看dark_channel函数里cv2.erode的用法——它等价于最小值滤波，比手动滑窗快一个数量级。
import cv2 import numpy as np def dark_channel(img, patch_size=15): """计算暗通道图：先取三通道最小值，再做最小值滤波""" # img 为 BGR 格式，astype float32 避免 uint8 溢出 b, g, r = cv2.split(img.astype(np.float32)) min_channel = cv2.min(cv2.min(b, g), r) # erode 用全 1 核等价于最小值滤波，patch_size 一般取 15 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_percent=0.001): """取暗通道最亮的前 0.1% 像素，对应原图位置均值作为大气光 A""" h, w = dark.shape num_pixels = max(int(h * w * top_percent), 1) # 按暗通道值降序取索引 flat_dark = dark.ravel() indices = np.argsort(flat_dark)[-num_pixels:] # 原图同样拉平后取对应位置，分通道求均值 flat_img = img.reshape(-1, 3) A = np.mean(flat_img[indices], axis=0) return A # 返回 [B, G, R] 顺序的数组 def estimate_transmission(img, A, omega=0.95, patch_size=15): """估计透射率 t = 1 - omega * dark(I/A)""" # 归一化：每个通道除以对应大气光值，注意 A 可能为 0 要加 eps norm_img = img.astype(np.float32) / (A + 1e-6) norm_img = np.clip(norm_img, 0, 1) dark_norm = dark_channel(norm_img, patch_size) transmission = 1 - omega * dark_norm return np.clip(transmission, 0.1, 1.0) # 下限 0.1 防止后续除零逻辑说明：dark_channel里用cv2.erode而不是cv2.minFilter，是因为 erode 对多通道和浮点支持更稳，且核大小直接对应论文里的 patch size。estimate_atmospheric_light里top_percent=0.001是论文推荐值，但实际图像如果天空占比大，这个值要调小到 0.0005，否则大气光会被天空像素拉高，导致去雾后整体偏暗。estimate_transmission里的omega是去雾强度系数，0.95 是经验值，调低到 0.8 会保留更多雾感，调高到 1.0 则去雾更彻底但容易产生光晕。参数patch_size一般取 15，图像分辨率超过 2000px 时可以加到 31，否则暗通道图会出现块状伪影。
2.3 透射率精修：导向滤波为什么比软抠图更适合工程落地
粗透射率图直接拿去还原，边缘会有明显白边和光晕，因为最小值滤波是逐块操作的，块与块之间不连续。论文原版用软抠图（soft matting）精修，但那个算法要解大型稀疏线性方程组，Python 里跑一张 1080p 图要几十秒，答辩演示时进度条卡住很尴尬。工程上普遍改用导向滤波（guided filter），OpenCV 的cv2.ximgproc.guidedFilter或者自己用 numpy 实现都行，速度能压到 1 秒以内。资源里refined.png和refined.jpg应该就是精修后的透射率图，你可以对比estimate.png看边缘改善。导向滤波的关键参数是半径radius和正则项eps，半径一般取 patch_size 的 4 倍（即 60），eps 取 1e-3 到 1e-2 之间，太小会保留噪声，太大会过度平滑导致去雾不彻底。如果资源里没带cv2.ximgproc，用cv2.blur做均值滤波也能凑合，但边缘保持效果差一截，答辩时容易被追问“为什么不用导向滤波”。
3. PyQt5 界面与算法线程的对接：别让去雾卡死你的窗口
3.1 从 window.ui 到 window.py：信号槽怎么绑到去雾按钮上
PyQt5 做图像处理工具最大的坑就是主线程跑算法导致界面假死。window.ui是 Qt Designer 生成的布局文件，里面应该有“打开图片”“去雾”“保存结果”几个按钮，以及几个 QLabel 用来显示原图、暗通道、透射率、去雾结果。window.py里通常用pyuic5把 ui 转成 py，然后手动写槽函数。常见做法是把去雾操作丢进QThread子类，通过信号把中间结果发回主线程更新 QLabel。下面是一个最小可用的线程封装示例，你可以对照资源里的window_function.py看它是不是这么组织的。
from PyQt5.QtCore import QThread, pyqtSignal import cv2 import numpy as np class HazeRemovalThread(QThread): # 定义信号：中间结果图、最终结果图、进度文本 sig_intermediate = pyqtSignal(np.ndarray, str) # 图像数组, 标签名 sig_finished = pyqtSignal(np.ndarray) sig_error = pyqtSignal(str) def __init__(self, img_path, omega=0.95, patch_size=15): super().__init__() self.img_path = img_path self.omega = omega self.patch_size = patch_size def run(self): try: img = cv2.imread(self.img_path) if img is None: self.sig_error.emit("图片读取失败，检查路径") return # 第一步：暗通道 dark = dark_channel(img, self.patch_size) self.sig_intermediate.emit(dark, "dark") # 第二步：大气光 A = estimate_atmospheric_light(img, dark) # 第三步：透射率 t = estimate_transmission(img, A, self.omega, self.patch_size) self.sig_intermediate.emit(t, "transmission") # 第四步：导向滤波精修（若 ximgproc 可用） if hasattr(cv2, 'ximgproc'): t_refined = cv2.ximgproc.guidedFilter( guide=img, src=t, radius=60, eps=1e-3 ) else: t_refined = cv2.blur(t, (60, 60)) self.sig_intermediate.emit(t_refined, "refined") # 第五步：还原 t_refined = np.clip(t_refined, 0.1, 1.0) J = np.zeros_like(img, dtype=np.float32) for i in range(3): J[:, :, i] = (img[:, :, i].astype(np.float32) - A[i]) / t_refined + A[i] J = np.clip(J, 0, 255).astype(np.uint8) self.sig_finished.emit(J) except Exception as e: self.sig_error.emit(str(e))逻辑说明：sig_intermediate信号带一个字符串标签，主线程收到后根据标签决定更新哪个 QLabel，这样暗通道、透射率、精修图可以分步显示，答辩演示时视觉效果很好。run里每一步之间没有 sleep，但 Qt 信号槽是队列连接的，主线程会在事件循环里逐个处理，不会丢帧。参数omega和patch_size应该从界面上的 QSlider 或 QSpinBox 读取，让评委能现场调参看效果，这是加分项。注意cv2.ximgproc在标准opencv-python包里没有，需要装opencv-contrib-python，资源里如果 import 了 ximgproc 但你没装 contrib 包，会直接报ModuleNotFoundError: No module named 'cv2.ximgproc'，这是热词里“modulenotfounderror: no module named 'opencv'”的变体，排查方法一样：pip list看包名，pip install opencv-contrib-python补上。
3.2 图像显示：QImage 与 ndarray 的格式转换陷阱
OpenCV 读进来是 BGR 顺序，PyQt5 的 QImage 默认按 RGB 解释，直接塞进去颜色会偏蓝。常见做法是cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转一下，然后构造 QImage 时注意第三个参数是每行字节数，必须用img.strides[0]而不是img.shape[1] * 3，否则图像会错位。资源里window_function.py大概率封装了一个cv2_to_qimage函数，你可以重点看它有没有处理 stride。另外 QLabel 显示大图时要setScaledContents(True)或者手动QPixmap.scaled，否则窗口会被撑爆。如果界面里用了QGraphicsView做缩放拖拽，那window.ui里应该有个QGraphicsScene，转换逻辑又不一样，需要把 QImage 转成 QPixmap 再 addPixmap。这些细节在答辩时如果被问到“你的图像怎么显示的”，能答出 BGR/RGB 和 stride 这两点，说明你真动手调过。
4. 避坑与排查：去雾效果不对时先查这五个地方
4.1 去雾后整体偏暗或偏亮
现象：unhazed.png比原图暗一大截，或者亮到发白。原因：大气光 A 估计不准。如果图像里天空面积大，暗通道最亮的 0.1% 像素全落在天空上，A 被拉到接近 255，还原时(I - A)变成大负数，结果自然偏暗。解决：把top_percent从 0.001 降到 0.0005，或者先做天空区域掩膜排除。反过来如果 A 估计偏低（比如图像里没有天空，最亮像素是白色物体），去雾后会偏亮，这时要检查暗通道图dark.png里最亮区域是不是对应了非雾的白色物体。
4.2 边缘出现白边或光晕
现象：去雾后物体边缘有一圈亮边，像描了白线。原因：透射率粗估计的块状效应，最小值滤波在边缘处把透射率拉低，还原时除出来就过亮。解决：必须上导向滤波精修，radius取 60 左右，eps取 1e-3。如果资源里refined.png看起来和estimate.png差不多，说明精修没生效，检查cv2.ximgproc是否可用，或者导向滤波的 guide 图是不是传了原图而不是灰度图。
4.3 颜色偏蓝或偏绿
现象：去雾后整体色调不对，天空变成青蓝色。原因：大气光 A 的三个通道值不均衡，或者透射率在某个通道上估计偏差。解决：检查estimate_atmospheric_light返回的 A 是不是[B, G, R]顺序，如果代码里用了cv2.split后按[r, g, b]存，后面还原时通道对不上就会偏色。另外omega调到 1.0 时容易过校正，降到 0.9 试试。
4.4 程序运行报 ModuleNotFoundError
现象：import cv2或from cv2 import ximgproc直接报错。原因：包没装或者装错了版本。opencv-python不含 contrib 模块，opencv-contrib-python才含ximgproc。解决：pip uninstall opencv-python opencv-contrib-python然后pip install opencv-contrib-python==4.5.5.64，这个版本和 PyQt5 兼容性较好。如果报No module named 'PyQt5'，用pip install PyQt5==5.15.4，别装最新版，新版在某些 Python 版本上会缺 DLL。
4.5 界面卡死或进度条不动
现象：点了“去雾”按钮后窗口无响应，几秒后恢复但中间结果没显示。原因：算法跑在主线程，Qt 事件循环被阻塞。解决：把去雾逻辑放进QThread，用信号发中间结果。如果资源里window.py直接在按钮槽函数里调haze_removal_sharp.py的函数，那就是没做线程分离，你需要自己包一层。另外cv2.imread读大图也耗时，可以放到线程里一起做。
5. 进阶调参与验证：用中间产物反推算法是否跑对
5.1 用 dark.png 和 estimate.png 做单元验证
拿到资源后别急着跑完整流程，先单独验证暗通道和透射率。打开dark.png，它应该是一张灰度图，雾越浓的地方越亮，天空区域接近白色，深色物体接近黑色。如果dark.png全黑或全白，说明patch_size设错了或者图像读取失败。再看estimate.png，透射率图应该和暗通道图反相——雾浓处透射率低（暗），无雾处透射率高（亮）。如果两者看起来一样，说明1 - omega * dark / A里的 A 没归一化或者 omega 设成了 0。这种中间产物验证法比直接看最终结果靠谱得多，因为最终结果受多个参数耦合影响，出了问题不好定位。
5.2 参数敏感性表格：omega 和 patch_size 怎么选
下面这张表是我在 1080p 校园风景图上实测的经验值，你可以拿资源里的test_vertical.jpg和test_horizontal.png复现。注意不同图像最优参数不同，表格只是起点。
| 参数 | 取值范围 | 效果趋势 | 推荐场景 |
|---|---|---|---|
| omega | 0.80 ~ 1.00 | 越大去雾越彻底，但易过曝 | 浓雾用 0.95，薄雾用 0.85 |
| patch_size | 15 ~ 31 | 越大暗通道越平滑，但边缘越模糊 | 1080p 用 15，4K 用 31 |
| top_percent | 0.0005 ~ 0.001 | 越小大气光越保守，去雾后越亮 | 天空多时用 0.0005 |
| guided radius | 40 ~ 80 | 越大边缘保持越好，但速度越慢 | 默认 60 |
| guided eps | 1e-3 ~ 1e-2 | 越大平滑越强，细节越少 | 默认 1e-3 |
调参顺序建议：先固定patch_size=15、omega=0.95、top_percent=0.001跑一遍，看unhazed.png整体亮度；偏暗就降top_percent，偏亮就升；然后看边缘，有白边就加导向滤波并调radius；最后看颜色，偏色就检查 A 的通道顺序。每次只调一个参数，否则你永远不知道是哪个起了作用。
5.3 从备份文件里挖版本差异
资源里有一堆.zbak后缀的文件，比如window.py.zbak、haze_removal_sharp.py.zbak、README.md.zbak，还有备份文件.zip。这些是作者迭代过程中的快照，别忽略。常见做法是 diff 一下.zbak和当前版本，看作者改了什么——比如haze_removal_sharp.py.zbak里可能用的是软抠图，当前版换成了导向滤波，这个改动理由就是答辩时“为什么这么优化”的素材。README.md.zbak里可能有更详细的运行说明或依赖列表，当前README.md可能被精简过。用diff window.py window.py.zbak或者直接解压备份文件.zip对比，能省去很多猜作者意图的时间。我一般拿到这种带备份的包，第一件事就是 diff 主算法文件，往往能发现作者踩过的坑和最终选型理由，比读十篇论文都直接。
从那以后我每次拿到带.zbak的代码包，都强制先 diff 一遍主逻辑文件再跑，这个习惯帮我省了至少三次“为什么当前版和论文对不上”的困惑。希望帮到你。
本文还有配套的精品资源，点击获取
