dehazing

图片去雾工具包，它通过深度卷积网络（DNN）对图片进行去雾处理。

特性

• 基于深度学习的高效去雾算法
• 支持 GPU 加速（CUDA）
• 简洁易用的 API 接口
• 支持与 image 库集成进行图像处理

快速开始

使用 cargo 安装 dehazing 与 image 库：

cargo add dehazing image

示例代码

以下是一个完整的示例，展示如何使用 dehazing 对图像进行去雾处理：

let device = candle_core::Device::cuda_if_available(0).unwrap();
let base_dir = env!("CARGO_MANIFEST_DIR");

// 加载预训练模型
let model = DehazeNet::with_device(&device).unwrap();

// 打开输入图像
let img = image::open(format!("{base_dir}/testdata/test2.png")).unwrap();

// 将图像转换为 RGB8 格式并转换为 Tensor
let raw = img.to_rgb8().into_vec();
let data = Tensor::from_vec(
    raw,
    (img.height() as usize, img.width() as usize, 3),
    &device,
)
.unwrap()
.to_dtype(candle_core::DType::F32)
.unwrap()
.broadcast_div(&Tensor::new(255f32, &device).unwrap())
.unwrap()
.permute((2, 0, 1))
.unwrap()
.unsqueeze(0)
.unwrap();

println!("{data:?}");

// 进行去雾推理
let out = model.forward(&data).unwrap();

// 处理输出张量
let out = out.squeeze(0).unwrap(); // 移除批次维度 [c, h, w]
let (_, height, width) = out.dims3().unwrap();

// 将输出张量转换为图像数据
let image_data: Vec<u8> = out
    .permute((1, 2, 0))
    .unwrap() // [H, W, C] 符合图像布局
    .flatten_all()
    .unwrap()
    .to_vec1::<f32>()
    .unwrap()
    .iter()
    .map(|&v| (v.clamp(0.0, 1.0) * 255.0) as u8)
    .collect();

// 保存图像
let img_out =
    image::RgbImage::from_raw(width as u32, height as u32, image_data).expect("创建图像失败");

img_out.save("result/dehazed_output.jpg").expect("保存图像失败");
println!("去雾结果已保存为 result/dehazed_output.jpg");

模型说明

本项目基于 DehazeNet 架构实现了一个端到端的去雾模型。该模型使用深度卷积神经网络来预测大气光和透射图，从而恢复清晰图像。

设备支持

• CPU：默认支持
• GPU（CUDA）：可通过 features = ['cuda'] 的 CUDA 支持启用

确保你的系统安装了合适的 CUDA 驱动，并在编译时启用 cuda 特性。

贡献

欢迎提交 PR 和 Issue 反馈！请遵循项目的编码风格和文档规范。

许可证

本项目采用 MIT License。详情请参阅 LICENSE 文件。

更多信息

如需了解模型细节、性能评估或训练方法，请查阅项目的官方文档或相关论文。