NH-HAZE数据集源于以下paper: [1] C.O. Ancuti, C. Ancuti, R. Timofte "NH-HAZE: An Image Dehazing Benchmark with Non-Homogeneous Hazy and Haze-Free Images", IEEE CVPR NTIRE Workshop, 2020 [2] C.O. Ancuti, C. Ancuti, F.A. Vasluianu, R. Timofte et al. "NTIRE 2020 Challenge on NonHomogeneous Dehazing", IEEE CVPR NTIRE Workshop, 2020

matlab图像融合源码 Haze-Removal-Project 主要参考文献 Visibility in bad weather from a single image Guided image filtering Fast Haze Removal Algorithm for Surveillance Video 这是一篇讲如何对视频进行快速去雾的文章，没涉及到具体的算法，不过可以看看。 Fast image dehazing using guided joint bilateral filter Efficient Image Dehazing with Boundary Constraint and Contextual Regularization 何恺明之前单幅图像去雾的经典方法是： （1）最大化局部对比度：R. Tan, Visibility in Bad Weather from a Single Image, CVPR’08 （2）独立成分分析：R. Fattal, Single Image Dehazing, SIGGRAPH’08 新的成果： 下面试几篇比较新的

三次样条差值matlab代码 原文： 理论上来说代码一定是能编译能过的。 用的opencv库版本有2.89和3.10 #前言 目前的图像去雾算法很多，思路基本上两条： 1,基于非物理模型，本质上是增强图像的对比度与颜色，并没有对雾天图像的形成原因进行分析而补偿。代表方法是直方图均衡化。效果一般。 2，基于物理模型，现在效果好的去雾算法都是基于物理模型，利用大气物理散射规律来建立图像还原模型，而不同的论文算法，用的模型都不尽相同。基于物理模型的算法因为基于模型更好的分析了含雾图像。并且与现实贴近，效果都不错，只是算法复杂度不同，计算时间长短不同而已。代表方法是何恺明博士的，即基于暗通道先验的去雾算法。 目前感觉效果最好的就是基于暗通道先验的去雾算法。 ##Single Image Haze Removal Using Dark Channel Prior 在去雾算法中，利用的以下物理模型： 其中I(x)是有雾后的图像，J(x)是无雾图像，A是全球大气光照值，t(x)是透射率图。 上式经过化简之后可得到： 其实就是已知I(x)，然后通过分析I(x)，算出J(x)。 ##暗通道 首先看什么是

CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。

深度学习天气照片数据集，分别包括clody，haze，sunrise，snow，shine，rain，thunder共7种天气数据集。 包括img_preprocess.py 预处理天气照片，缩放统一大小+修改名称 img_weather5.py 天气识别训练模型及验证文件 img_weather5_aug.py 升级版天气识别训练模型及验证文件，ImageDataGenerator扩充数据。使模型更好地推广。数据扩充涉及对现有训练数据添加随机旋转，平移，剪切和缩放比例。 img_minist1.py 数字识别（0-9） img_rgb2.py 彩色图片分类（'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'） img_fashion3.py 服装分类（T恤/上衣', '裤子', '套头衫', '连衣裙', '外套','凉鞋', '衬衫', '运动鞋', '包', '短靴）

基于暗通道的视频去雾处理

基于AODNet的图像雾度去除 在Pytorch中使用AODNet去除单图像雾霾 在ICCV 2017上实施Boyi Li的论文 。 内容 相依性 Python 3.6或更高版本 火炬== 1.7.1 枕头== 5.1.0 numpy的= = 1.14.3 matplotlib == 2.2.2 用法 使用方法：下载整个项目并运行inference.py 文件夹./saved_models：保存经过训练的模型的位置，文件为.pth格式。 ./data/gt文件夹： groundtruth（无雾图像）。 文件夹./data/hazy：训练数据的相应模糊图像。 文件夹./test_images：出现在原始纸张中的一些测试图像。 data.py：用于加载训练数据的函数。 train.py：使用保存在文件夹./data/中的训练数据从头开始训练新的AODNet。 model.py：A

ENVI去云补丁Haze Tool及其使用说明：ENVI去云补丁Haze_tool文件及其使用说明和安装方法，内附sav文件，使用说明PDF文件和安装方法TXT文件。

ENVI去云插件使用详细说明。云层厚度检测-云层厚度完善-云层去除

ENVI去云补丁Haze_tool云补丁去除方法