暗通道优先(dark channel prior)规律在处理单幅户外场景图像去雾方面取得了非常好的效果,但是该方法在处理较高分辨率图像时需消耗大量的存储和计算资源,同时对于部分场景会得到不够准确的结果.仍然基于暗通道优先,根据观察实验,得到透射梯度优先规律,并结合多分辨率处理,提出了改进的图像去雾新方法.经过大量实验和理论分析,透射梯度优先不仅显著减小了去雾处理的计算量,它所引起的优化方法和参数变化还可能提升透射图计算的准确性.实验结果也证明,新方法仅需原方法1/8左右的计算时间和存储空间,就能够得到与原方法基本一致甚至更准确的去雾结果.

一种单幅图像相机自动标定方法，王美珍，，本文提出了一种顾及多种几何特征的单幅图像相机自标定方法，几何特征包括平行线段和圆形。在自动化提取几何特征的基础上，本文首

单幅图像去雾方法研究综述

针对传统的单幅图像去雾算法容易受到雾图先验知识制约及颜色失真等问题,提出了一种基于深度学习的多尺度卷积神经网络(CNN)单幅图像去雾方法,即通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。根据大气散射模型形成雾图机理,设计了一个端到端的多尺度全CNN模型,通过卷积层运算提取有雾图像的浅层特征,利用多尺度卷积核并行提取得到有雾图像的深层特征,然后将浅层特征和深层特征进行跳跃连接融合,最后通过非线性回归得到雾图对应的透射率图特征,并根据大气散射模型恢复出无雾图像。采用雾图数据集对该模型进行训练测试。实验结果表明,所提方法在合成有雾图像和真实自然雾天图像的实验中均能取得良好的去雾效果,在主观评价和客观评价上均优于其他对比算法。

此实现估计图像中的噪声水平，如论文中所述标题为盲去噪的单图像噪声水平估计刘心豪、田中正之和奥富正敏。 函数 NLEstimate 是执行此任务的主要文件。 细节如下， 输入： 我 = 图像ps = 补丁大小（可选）； 默认大小为 7 maxiter = 迭代次数（可选）； 默认值为 5 输出： ENL = 估计噪声水平 如果 I 是单个值如果 I 是 1 X 3 维的灰度图像或向量以红色、绿色和蓝色通道表示的 RGB 图像 用法： 使用默认值估计噪声水平。 ENL = NLEstimate(imread('football.jpg')); % Return 估计噪音水平对于图像中的所有通道，即红色、绿色和蓝色ENL = NLEstimate(rgb2gray(imread('football.jpg'))); % 预计回报噪音水平。 参考： [1] [Xian Zhu, and Pe

matlab代码加法DID-MDN 使用多流密集网络的密度感知单图像去雨 ， []（CVPR'18） 我们提出了一种新颖的基于密度感知的多流密集连接的卷积神经网络算法，称为DID-MDN，用于联合降雨密度估计和除雨。 所提出的方法使网络本身能够自动确定雨量密度信息，然后有效地去除由估计的雨量密度标签指导的相应雨斑。 为了更好地表征具有不同尺度和形状的雨条纹，提出了一种多流密集连接的排水网络，该网络可有效利用不同尺度的特征。 此外，将创建一个新的数据集，其中包含带有雨水密度标签的图像，并将其用于训练建议的密度感知网络。 @inproceedings{derain_zhang_2018, title={Density-aware Single Image De-raining using a Multi-stream Dense Network}, author={Zhang, He and Patel, Vishal M}, booktitle={CVPR}, year={2018} } 先决条件： Linux Python 2或3 CPU或NVIDIA GPU + CUDA CuD

matlab si模型代码ECCV-通过多尺度卷积神经网络进行单幅图像去雾 任文奇、刘思、张华、潘金山、曹晓春、杨明轩 2016 年 10 月 10 日发布。 这些代码基于 MatConvNet。 描述 这是 ECCV16 论文的测试实现：Single Image Dehazing via Multi-scale Convolutional Neural Networks。 我们提供测试演示以及预训练模型。 脚本和预训练模型 这是我们在 ECCV16 中的去雾论文的演示实现。 此测试代码基于 MatConvNet 工具箱。 您应该首先在您的计算机上编译 MatConvNet，然后使用“demo_MSCNNdehazing.m”来测试您的图像。 “MSCNN_dehazing\matlab”文件夹中当前发布的编译版本可以直接在Win7电脑上使用。 引文 @inproceedings{Ren-ECCV-2016, 作者 = {任、文奇与刘、司与张、华与潘、金山与曹、小春与杨、明轩}， title = {通过多尺度卷积神经网络进行单图像去雾}， booktitle = {欧洲计算机视觉会议}

ppt共有59页，讲解的十分详细，对于何提出的暗通道先验算法去雾有了非常详细的解释，看后十分有收获。

雨雾天气严重影响了户外拍摄图像质量,针对图像去雾存在的边缘伪影问题,提出了一种基于流形粒子滤波的去雾新方法,通过优化大气透射率,获得精确的透射率,解决了景深边缘伪影问题;针对去雨雾存在雨痕和不清晰问题,提出了一种优化注意生成对抗网络的去雨雾方法,通过将高斯模型与生成对抗网络相结合,去除背景干扰,提高了背景层与雨线分离的准确性,同时在生成对抗网络中加入流形粒子滤波去雾模块,恢复出清晰无雨雾图。采用自然场景雨雾天图像进行测试,并进行定性定量分析比较。实验结果表明,与现存去雨算法相比,所提算法能较好地去除图像中的雨线,且细节特征更加丰富,同时去雾模块的加入显著提高了图像清晰度,客观指标也得到了提升。

2009年的IEEE最佳论文翻译，基于暗通道先验的图像去雾