简介：这是一套面向毕业设计的完整图像去雾算法研究系统，借助Python与Django框架搭建，覆盖前端交互、后端逻辑和MySQL数据库存储，适合计算机相关专业学生进行课程设计或毕业设计参考。压缩包共250个文件，约48.39MB，包含37个Python源码、38个编译后的pyc文件、76个演示动图、35个前端脚本、14个样式表、9个网页文件，以及数据库脚本、答辩演示文稿和详尽的说明文档。系统允许用户上传含雾图片并实时观察去雾效果，后端可集成暗通道先验、基于Retinex理论等多种常见算法，便于开展算法对比与效果调试。资源目录呈现清晰，已具备bootstrap、layui等前端框架文件，目前已有71人学习使用。借助附带说明文档与PPT，可帮助理解系统架构、模块划分、算法数学原理和关键代码实现，对图像去雾应用的二次开发、功能扩展或论文撰写具有较高参考价值。
1. 图像去雾算法研究系统：毕业设计里最容易被问崩的一个点
图像去雾算法研究系统，说白了就是把一张带雾的图片上传到网页，后端跑一遍去雾算法，再把清晰结果返回给浏览器，同时把处理前后的图片、处理时间、算法参数存进数据库，供用户随时回看。很多人在答辩时被问崩，不是因为算法跑不出来，而是被问到“你的去雾原理是什么”“数据库为什么这么设计”“图片存哪里了”时答不上来。这篇笔记把整条链路拆开讲——暗通道先验算法怎么落地成 Python 代码、Django 怎么接图片上传、MySQL 表怎么建、哪几个坑是毕业设计必踩的。适合正在做毕设、想把“算法 + Web 系统”做成一套完整交付物的人。
2. 暗通道先验去雾：核心算法怎么落地成可复现的代码
2.1 为什么毕业设计首选暗通道先验
图像去雾算法有很多条路线，基于深度学习的 AOD-Net、DehazeNet 效果确实好，但普通本科毕设跑深度学习模型要面对数据集标注、GPU 资源、训练时长这些问题，周期拉长，风险变大。传统方法里，暗通道先验（Dark Channel Prior）是何恺明 2009 年提出的经典工作，效果肉眼可见，公式推导能讲清楚，实现代码不超过 50 行，不用 GPU，普通笔记本就能跑——这三个特点让它成为毕业设计里性价比最高的选择。
暗通道先验的核心观察是：在无雾的清晰户外图像里，绝大多数局部区域（除了天空区域）的 RGB 三个通道里，至少有一个通道的像素值非常低，接近 0。这个“局部区域最低通道值”构成的图，就是暗通道。而有雾图像因为大气光散射，暗通道值会被抬高。基于这个差异，可以从单张有雾图反推透射率和大气光，进而恢复清晰图像。
2.2 最小可复现的暗通道去雾代码
我一般会把算法单独拆成一个dehaze.py文件，不混进 Django 的 views 里，这样以后换算法、调参、写单元测试都方便。下面是完整可跑的最小实现：
import cv2 import numpy as np def dark_channel(img, size=15): """计算暗通道图 :param img: BGR 图像，0-255 :param size: 最小值滤波窗口大小 :return: 暗通道图，单通道 """ b, g, r = cv2.split(img) min_channel = cv2.min(cv2.min(r, g), b) # 逐像素取三通道最小值 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (size, size)) dark = cv2.erode(min_channel, kernel) # 最小值滤波相当于腐蚀 return dark def estimate_atmospheric_light(img, dark, top_percent=0.001): """估计全局大气光 A 值 选取暗通道中最亮的前 0.1% 像素，取原图中这些像素的最大值作为 A """ h, w = dark.shape num_pixels = h * w top_num = max(1, int(num_pixels * top_percent)) dark_flat = dark.ravel() img_flat = img.reshape(-1, 3) indices = np.argsort(dark_flat)[-top_num:] # 暗通道最亮的像素下标 atmospheric = np.max(img_flat[indices], axis=0) # 对应原图中的最大值 return atmospheric.astype(np.float64) def transmission_estimate(img, A, omega=0.95, size=15): """估计透射率 t(x)""" normalized = img.astype(np.float64) / A dark_normalized = dark_channel(normalized, size).astype(np.float64) t = 1.0 - omega * dark_normalized return np.clip(t, 0.1, 1.0) # 下限 0.1 防止分母过小导致噪声放大 def guided_filter(guide, src, radius=40, eps=1e-3): """导向滤波，细化透射率图，避免边缘 halo 效应""" guide = guide.astype(np.float64) src = src.astype(np.float64) mean_i = cv2.boxFilter(guide, ddepth=-1, ksize=(radius, radius)) mean_p = cv2.boxFilter(src, ddepth=-1, ksize=(radius, radius)) mean_ip = cv2.boxFilter(guide * src, ddepth=-1, ksize=(radius, radius)) cov_ip = mean_ip - mean_i * mean_p mean_ii = cv2.boxFilter(guide * guide, ddepth=-1, ksize=(radius, radius)) var_i = mean_ii - mean_i * mean_i a = cov_ip / (var_i + eps) b = mean_p - a * mean_i mean_a = cv2.boxFilter(a, ddepth=-1, ksize=(radius, radius)) mean_b = cv2.boxFilter(b, ddepth=-1, ksize=(radius, radius)) return mean_a * guide + mean_b def dehaze(img, omega=0.95, window_size=15): """主流程：输入 BGR 雾图，返回去雾图""" img = img.astype(np.float64) dark = dark_channel(img, window_size) A = estimate_atmospheric_light(img, dark) t = transmission_estimate(img, A, omega, window_size) # 以原图灰度图作为导向图，细化透射率 gray = cv2.cvtColor(img.astype(np.uint8), cv2.COLOR_BGR2GRAY) t_refined = guided_filter(gray, t) # 恢复公式 J = (I - A) / t + A t_stack = np.stack([t_refined] * 3, axis=-1) result = (img - A) / t_stack + A return np.clip(result, 0, 255).astype(np.uint8)这段代码的逻辑链很直白：先算暗通道图，从暗通道最亮的 0.1% 像素里估计出大气光 A；再用 A 归一化图像，算出透射率 t；导向滤波把 t 细化一遍，避免物体边缘出现白色光晕；最后套恢复公式得到清晰图。
三个参数要记住：omega控制去雾强度，0.85 到 0.95 之间常用，调太高画面偏暗、颜色失真；window_size是暗通道的最小值滤波窗口，15 是论文默认值，窗口越大暗通道越“粗糙”，天空区域容易过曝；导向滤波的radius=40控制边缘保真度，图像分辨率超过 2000 像素时建议调到 60。
2.3 批量测试工具：拿真实雾图验证效果
算法写完了，单张图看不出好坏，我习惯写一个批量脚本，把测试目录里的雾图全部跑一遍，输出结果图和一个简单的 CSV 评估记录。这样答辩时能直接展示“我测了 50 张图，平均处理时间多少秒”——这比口头说“效果不错”有说服力得多。
import os import time import csv import cv2 from dehaze import dehaze input_dir = "test_foggy" output_dir = "test_result" os.makedirs(output_dir, exist_ok=True) records = [] for name in os.listdir(input_dir): path = os.path.join(input_dir, name) img = cv2.imread(path) if img is None: continue start = time.time() result = dehaze(img) elapsed = time.time() - start out_path = os.path.join(output_dir, name) cv2.imwrite(out_path, result) records.append([name, f"{elapsed:.3f}s", img.shape[1], img.shape[0]]) print(f"{name} 完成，耗时 {elapsed:.3f}s") with open("eval_results.csv", "w", newline="") as f: writer = csv.writer(f) writer.writerow(["文件名", "耗时", "宽度", "高度"]) writer.writerows(records)跑批量之前先确认输入目录里没有中文文件名，OpenCV 的imread遇到中文路径会静默返回None，程序不报错但会跳过图片。另外，如果测试图里有纯白天空占比很大的图，暗通道先验会把天空区域错误增强成灰黑色块，这不是代码 bug，而是算法本身的局限，答辩时被问到就如实说“暗通道先验在天空区域的先验假设不成立，可以加分割或亮通道补偿”。
3. Django 后端与图片上传链路：把一张雾图从浏览器送到算法再返回
3.1 创建项目与 App 划分：算法、业务和用户分开
拿到一套 Django 项目源码，第一件事不是急着跑，而是先看目录结构。标准做法是：一个项目放全局配置，两个 App 分别管用户与业务、管算法调用。我自己的习惯是拆成account和dehaze_app，account管登录注册和用户信息，dehaze_app管图片上传、去雾任务记录、历史列表展示。这样后面加“管理员审核图片”或者“给不同用户分配不同算法权限”时，不需要动全局配置文件。
django-admin startproject dehaze_system cd dehaze_system python manage.py startapp dehaze_app python manage.py startapp account创建完 App 后，需要去settings.py的INSTALLED_APPS里把dehaze_app和account加进去，同时配置数据库连接和静态文件目录。这一步漏掉是新手最常见的翻车点——App 没注册，跑makemigrations时系统根本找不到模型。
3.2 视图层怎么接文件、调算法、写记录
核心视图只需要两个：一个处理上传和去雾，一个展示历史记录。上传视图的职责是：接收request.FILES里的图片 → 校验格式 → 存一份原图到media目录 → 调用dehaze()处理 → 把结果图也落盘 → 把任务记录写进 MySQL → 跳转到结果页。
import os import uuid from datetime import datetime from django.conf import settings from django.shortcuts import render, redirect from django.contrib.auth.decorators import login_required from .models import DehazeTask from .dehaze import dehaze import cv2 @login_required def upload_and_dehaze(request): if request.method == "POST": image_file = request.FILES.get("image") if not image_file: return render(request, "upload.html", {"error": "请选择图片"}) # 1. 校验扩展名，防止上传非图片文件 ext = os.path.splitext(image_file.name)[1].lower() if ext not in (".jpg", ".jpeg", ".png", ".bmp"): return render(request, "upload.html", {"error": "仅支持 jpg/png/bmp 图片"}) # 2. 保存原图到 media/origin/ 下，文件名用 uuid 避免冲突 origin_path = os.path.join(settings.MEDIA_ROOT, "origin") os.makedirs(origin_path, exist_ok=True) unique_name = f"{uuid.uuid4().hex}{ext}" origin_full = os.path.join(origin_path, unique_name) with open(origin_full, "wb") as f: for chunk in image_file.chunks(): f.write(chunk) # 3. 调用算法处理 img = cv2.imread(origin_full) result_img = dehaze(img) # 4. 保存结果图 result_dir = os.path.join(settings.MEDIA_ROOT, "result") os.makedirs(result_dir, exist_ok=True) result_full = os.path.join(result_dir, unique_name) cv2.imwrite(result_full, result_img) # 5. 写 MySQL 记录 task = DehazeTask.objects.create( user=request.user, origin_image=f"origin/{unique_name}", result_image=f"result/{unique_name}", algorithm_name="DarkChannelPrior", created_at=datetime.now(), ) return redirect("result_page", task_id=task.id) return render(request, "upload.html")要注意两个细节：第一，request.FILES拿到的文件对象必须用chunks()分块写入，不要一次性read()到内存，大图会被撑爆；第二，cv2.imwrite写中文路径会失败，所以文件名全部改用uuid，彻底绕开编码问题。settings.MEDIA_ROOT在settings.py里要配好，同时MEDIA_URL = "/media/"也要设置，否则网页上<img src="...">无法访问到这些文件。
3.3 结果页展示：处理前后对比图
结果页要把原图和去雾图放在一起，配合任务信息展示。这里有个容易踩的坑：Django 模板里引用media文件时，如果MEDIA_URL没配对，图片会 404。模板里比较稳妥的写法是：
{% if task %} <div class="compare-box"> <div class="item"> <h3>原图</h3> <img src="{{ MEDIA_URL }}{{ task.origin_image }}" alt="原图"> </div> <div class="item"> <h3>去雾结果</h3> <img src="{{ MEDIA_URL }}{{ task.result_image }}" alt="去雾结果"> </div> <p>算法：{{ task.algorithm_name }} | 处理时间：{{ task.created_at }}</p> </div> {% endif %}模板里直接用{{ MEDIA_URL }}的前提是，在settings.py里配好MEDIA_URL并且在urls.py中用static()辅助函数挂载了 media 目录。另一个高频问题是历史记录页面查询出多条记录时，Django 默认懒加载外键会导致 N+1 查询，每显示一条记录就多查一次用户表。这时要用到select_related：
from django.views.generic import ListView from .models import DehazeTask class HistoryView(ListView): model = DehazeTask template_name = "history.html" paginate_by = 10 def get_queryset(self): # select_related 一次 join 查出 user，避免 N+1 查询 return (DehazeTask.objects .filter(user=self.request.user) .select_related("user") .order_by("-created_at"))这个列表页上的分页器、日期显示、图片缩略图，构成了“完整前后端”里前端最直观的部分。不需要写复杂 JavaScript，Django 模板 + 简单的 CSS 就够一个毕设系统用了。
4. MySQL 数据模型设计：用户、图片任务和算法记录怎么建表
4.1 两张核心表的结构与设计理由
图像去雾系统的数据模型其实很简单，核心就是“用户”和“去雾任务”两张表。任务表通过外键关联用户表，一个用户可以有多个任务，这就是一对多关系。建表时要注意字段类型：图片路径存varchar，不存二进制大对象；算法参数存 JSON 字符串，方便以后扩展；状态字段用tinyint，0 表示处理中、1 表示成功、2 表示失败。
-- 用户表 CREATE TABLE `account_user` ( `id` int NOT NULL AUTO_INCREMENT, `username` varchar(50) NOT NULL, `password_hash` varchar(128) NOT NULL, `email` varchar(100) DEFAULT NULL, `is_active` tinyint(1) NOT NULL DEFAULT '1', `date_joined` datetime(6) NOT NULL, PRIMARY KEY (`id`), UNIQUE KEY `username` (`username`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4; -- 去雾任务表 CREATE TABLE `dehaze_app_dehazetask` ( `id` int NOT NULL AUTO_INCREMENT, `user_id` int NOT NULL, `origin_image` varchar(255) NOT NULL, `result_image` varchar(255) NOT NULL, `algorithm_name` varchar(50) NOT NULL DEFAULT 'DarkChannelPrior', `params_json` longtext, `status` tinyint(1) NOT NULL DEFAULT '0', `created_at` datetime(6) NOT NULL, `finished_at` datetime(6) DEFAULT NULL, PRIMARY KEY (`id`), KEY `user_id` (`user_id`), CONSTRAINT `fk_task_user` FOREIGN KEY (`user_id`) REFERENCES `account_user` (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;表名要跟 Django 模型的Meta类里db_table对应，不然迁移时会创建新的默认表名，跟已有 SQL 脚本对不上。字符集统一用utf8mb4，因为utf8在 MySQL 里存不了 Emoji，虽然用户名一般用不到，但统一总归省心。
4.2 用 django 的 models.py 描述同一套结构
写 Django 的models.py时，要跟上面的 SQL 保持字段一致。这样既可以用 Django 的 ORM 做查询迁移，也可以理解底层表结构——答辩时老师大概率会问“任务表为什么要有status字段”。
from django.db import models from django.contrib.auth.models import AbstractUser class User(AbstractUser): """扩展 Django 默认用户模型，保留 username/password 之外加手机号等可选字段""" phone = models.CharField(max_length=20, blank=True, null=True, verbose_name="手机号") class Meta: db_table = "account_user" class DehazeTask(models.Model): user = models.ForeignKey(User, on_delete=models.CASCADE, verbose_name="所属用户") origin_image = models.CharField(max_length=255, verbose_name="原图路径") result_image = models.CharField(max_length=255, verbose_name="结果图路径") algorithm_name = models.CharField(max_length=50, default="DarkChannelPrior", verbose_name="算法名称") params_json = models.TextField(blank=True, null=True, verbose_name="算法参数JSON") status = models.BooleanField(default=False, verbose_name="是否完成") created_at = models.DateTimeField(auto_now_add=True, verbose_name="创建时间") finished_at = models.DateTimeField(null=True, blank=True, verbose_name="完成时间") class Meta: db_table = "dehaze_app_dehazetask" ordering = ["-created_at"]ForeignKey(on_delete=models.CASCADE)表示用户被删除时，他的去雾任务一并删除，这是最常见的级联策略。ordering = ["-created_at"]让所有查询默认按创建时间倒序，历史记录页不用每次写order_by。
4.3 外键查询优化：select_related 的对应 SQL
在历史记录页里，每一条任务记录都要显示用户名。如果不做优化，查 10 条记录会执行 1 条任务查询 + 10 条用户查询，这是典型的 N+1 问题。select_related会把 JOIN 提前到一次查询完成，对应的 SQL 大致是：
SELECT * FROM dehaze_app_dehazetask INNER JOIN account_user ON dehaze_app_dehazetask.user_id = account_user.id WHERE dehaze_app_dehazetask.user_id = 1 ORDER BY dehaze_app_dehazetask.created_at DESC LIMIT 10;除了select_related处理一对多查询，还有prefetch_related处理多对多查询。在本系统里，一个任务只属于一个用户，用select_related就够了。把这条区别讲清楚，答辩时是一个加分点。
5. 跑通系统的避坑清单：从环境到数据库的 5 个典型翻车现场
5.1 Django 版本与 MySQL 驱动不兼容
现象：执行python manage.py runserver后，访问登录页正常，但一注册用户就报django.db.utils.OperationalError: (2059, "Authentication plugin 'caching_sha2_password' cannot be loaded")。
原因：MySQL 8.0 默认加密插件是caching_sha2_password，而老版本 PyMySQL 或 mysqlclient 不支持这个协议。
解决：装新版本驱动，并在settings.py的数据库配置里加"OPTIONS": {"charset": "utf8mb4"}。如果还报错，就用requirements.txt锁定版本组合。常见组合是：
pip install django==4.2 pymysql==1.1.0 cryptography然后在项目__init__.py里加两句：
import pymysql pymysql.install_as_MySQLdb()5.2 media 文件在模板里 404
现象：上传图片成功后，结果页<img>标签地址是/media/origin/xxxx.jpg，浏览器直接 404。
原因：开发环境没挂载 media 目录。Django 的runserver默认只处理静态文件，不处理 media 文件。
解决：在根urls.py里加：
from django.conf import settings from django.conf.urls.static import static urlpatterns = [ # 其他路由 ] if settings.DEBUG: urlpatterns += static(settings.MEDIA_URL, document_root=settings.MEDIA_ROOT)5.3 cv2.imread 读不到中文路径图片
现象：图片上传成功，算法也没报错，但处理结果是一张纯黑图。
原因：OpenCV 的imread在 Windows 上不支持中文路径，静默失败返回None，转成空数组后处理结果全黑。
解决：上传的图片一律用uuid重命名为纯英文文件名，同时在测试阶段用os.path.exists加上断言检查：
assert os.path.exists(origin_full), f"文件不存在: {origin_full}" img = cv2.imread(origin_full) assert img is not None, "图片读取失败，检查路径是否含中文"5.4 上传大图导致内存溢出或超时
现象：上传一张 5000x3000 的高清雾图，页面转圈很久最后 502，或者内存直接吃满。
原因：暗通道算法里np.argsort(dark_flat)对 5000x3000 的图要排 1500 万个元素，耗时和内存都很夸张。同时 Django 默认上传大小没有硬限制，但 Web 服务器有超时时间。
解决：前端用accept="image/*"过滤类型，后端在视图中限制图片尺寸和文件大小。文件超过 5MB 或像素超过 2500 万就直接拒绝。算法侧可以先把长边压缩到 1600 像素再处理，肉眼基本看不出差别。
MAX_PIXELS = 2500 * 10000 # 2500 万像素 MAX_FILESIZE = 5 * 1024 * 1024 # 5MB if image_file.size > MAX_FILESIZE: return render(request, "upload.html", {"error": "图片不能超过 5MB"})5.5 注册完 App 忘记迁移，数据库没有表
现象：python manage.py runserver不报错，但登录反而提示no such table: dehaze_app_dehazetask。
原因：Django 不会自动建表。改了models.py之后必须执行makemigrations再migrate。如果是直接导入别人的 SQL 脚本，要确认脚本里的表名跟models.py里db_table完全一致。
解决：
python manage.py makemigrations dehaze_app account python manage.py migratemigrate之后用python manage.py showmigrations检查是否全部打勾。如果中途改过字段，直接migrate可能报冲突，这时可以python manage.py migrate dehaze_app zero回退后重新迁移——这是后悔药，但会丢表数据，开发阶段无所谓，有正式数据时谨慎使用。
6. 把系统做成能答辩的完整项目：定量评估、说明文档和 PPT 怎么组织
系统跑通只是第一步，毕设评分的差距往往在“能不能讲清楚效果”。去雾算法最容易被问的是“你怎么证明你的算法有效”。单说“看起来清晰了”不够，需要定量指标。实践中最常用的两个指标是 PSNR（峰值信噪比）和 SSIM（结构相似性）。PSNR 越高表示像素还原越接近参考图，SSIM 越接近 1 表示结构信息保留越好。计算时用 OpenCV 自带的函数就行。
import cv2 def calc_metrics(foggy_path, result_path, clear_path): foggy = cv2.imread(foggy_path) result = cv2.imread(result_path) clear = cv2.imread(clear_path) psnr_foggy = cv2.PSNR(foggy, clear) psnr_result = cv2.PSNR(result, clear) ssim_result = cv2.compareSSIM(result, clear, full=False) print(f"原图 PSNR: {psnr_foggy:.2f} dB") print(f"去雾后 PSNR: {psnr_result:.2f} dB，提升 {psnr_result - psnr_foggy:.2f} dB") print(f"SSIM: {ssim_result:.4f}")需要先准备成对的质量评估数据，也就是同一场景的雾图和清晰图。公开数据集常见的是 RESIDE 标准数据集里的合成雾图，有对应的 ground truth 清晰图。拿 20 张图算一组平均指标，然后把“处理前 PSNR/处理后 PSNR”的对比表截图放进 PPT，比任何渲染图都有说服力。
关于 LW（论文）和 PPT 的整理顺序，我一般遵循“先做图表，再写文字”的顺序。先把上传页截图、历史列表截图、去雾对比图、指标对比表这四类图准备好，再按“研究背景 → 算法原理 → 系统设计 → 实验结果 → 总结展望”的结构填充文字。论文里放算法的公式推导时，建议把暗通道定义的公式单独拎出来解释两句，不要直接整段公式堆上去——答辩老师的耐心有限，他能看到你理解了自己的公式，比看到你背了十页推导更关键。
最后说一个我自己的教训：很多毕设翻车不在功能上，而在环境复制上。明明代码是好的，换了电脑跑不起来。所以交付前一定要把requirements.txt锁好版本，把README.md写完整，包括 Python 版本、Django 版本、MySQL 初始化脚本怎么执行、测试账号密码是什么。这套系统真正做完时，你会发现自己花在调试环境上的时间可能比写算法还多，而提前把这些写进说明文档的人，在答辩现场是真的能从容很多。希望帮到你。
本文还有配套的精品资源，点击获取
