利用太阳光度计CE318进行基本的数据处理，反演气溶胶光学厚度和水汽含量

AOD-Net去雾网络训练数据集，其中包含两部分，一个是original_image，还有一个是training_images

基于TensorFlow的AOD-NET去雾算法，里面包含论文和python代码，测试效果较好，非常值得下载！

AOD网 ICCV 2017 AOD-Net是一种轻量但有效的端到端除雾神经网络。 您可以轻松，快速地进行培训或测试。 测试： 我们提供了test.py，相关的原型和数据。 您可以仅在GPU / CPU上使用“ python test.py”，就可以在数据/结果中获得结果。 祝您研究顺利。 带有位置归一化（PONO）的改进的AOD-Net 我们感谢AOD-Net的。 基于此代码，我们将简单的添加到AOD-Net中，从而有效地提高了性能。 以前的AOD-Net结果： 对于TestSet A，PSNR从19.69 dB增加到20.38 dB，SSIM从0.8478增加到0.8587。 对于TestSetB，PSNR从21.54 dB增加到21.67 dB，SSIM从0.9272增加到0.9285。 请在找到详细信息。 Bibtex： @inproceedings{ICC

行业分类-电信-AOD转炉侧吹风枪管路系统的流量控制方法.rar

UCAS-AOD基准 UCAS-AOD数据集的基准。 （仅测试了定向盒） 待续... 介绍 UCAS-AOD数据集没有官方划分，因此比较不同模型上的性能很麻烦。 如果采用相同的划分策略，则可以直接与我们的测试结果进行比较。 数据集重复 下载UCAS-AOD。 将数据集包解压缩到您的root_dir中，然后将文件夹重命名为UCAS_AOD 。 将我们的图像集文件train.txt ， val.txt和test.txt放入UCAS_AOD ImageSets文件夹中。 运行data_prepare.py （将数据集目录修改为您自己的目录），您将获得以下目录： UCAS_AOD └───AllImages │ │ P0001.png │ │ P0002.png │ │ ... │ └───P1510.png └───Annotations │ │ P00

利用MATLAB，提供MODIS气溶胶光学厚度二级日产品卫星数据的处理，批量读取，插值，重采样到标准网格等一系列数据操作。

气溶胶光学厚度(Aerial Optical Depth,AOD)是重要的大气参数,也是大气校正中不可缺少的变量。文中通过两种AOD反演算法的实施和比较,探讨了利用高光谱进行AOD反演的可行性和算法的适用性。通过两种方法,对四幅影像进行了气溶胶的反演,并以地基观测数据进行了对比验证。结果显示改进的V5.2算法在非浓密植被区域的精度较高,而在浓密植被区域与DDV算法精度相当,由于两种算法均依赖于波段固定的线性关系,使得两种算法在气溶胶的反演中均有误差。

AOD-Net去雾网络Python源代码（pytorch），通过卷积神经网络对雾霾图像进行去雾，通过pytorch进行实现

nrf52820 文档测向部分智能翻译后少量修正，方便学习研究。