======简单的雨量预报====== 该项目的目标是根据几个参数来预测明天的天气会下雨还是不出现默认值。 由于我不是气象和气候领域的专家，因此，为了防止在选择阈值时出现偏差，我将使该应用程序的结果除二进制分类外还添加一定百分比的默认值。 有了这个简单的应用程序，人们将可以更轻松地预测明天是否会下雨。 该数据集来自澳大利亚各地多个地方的每日气象观测资料，该资料集是从澳大利亚联邦气象局获得的，经过处理后创建了这个非常大的样本数据集，用于说明分析。 如果要查看有关此项目的更多详细信息，请单击下面的链接： 应用链接= Linkedin =

该图片为包含很多噪点的香港街景图片。博客中通过高斯平滑滤波消除噪点。

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）

UEFI下的数码雨（含源代码）。本人移植的数码雨。运行截图请参考https://blog.csdn.net/jasongaoks/article/details/101269377。原版链接：https://github.com/DavidWKnight/Digital-Rain

Digital Rain FX是为菜单背景设计的效果集合。包括效果的 2D 和 3D 版本。 雨效果沿设定方向移动，同时在 5x5 纹理表上随机选取字母/符号。效果具有现代风格和复古DOS风格。两种样式都具有毛刺样式的纹理变体。 扫描线效果也使用简单的粒子系统进行。 标准和 URP 支持。 WebGL 演示 功能： - 11 个场景 - 11 个 2D 版本的 预制件 - 7 个 3D 版本的 预制件 - 4 个用于符号的高分辨率纹理表 （2048x2048） - 1 个用于复古符号的低分辨率纹理表 - 场景每个场景 最多使用 8 个预制件 - 场景设计为 16：9 屏幕比例 - Unity 2017.4.1f1+ 的 URP 升级

源码简介与安装说明： Rain-Cloud云盘源码java后端服务器 前端electron前后端分离式 作者言：Rain-Cloud 其实本质上是我的第一次，前后端分离式开发demo，自从学习了一点点electron基础命令(也就是几个标准单词)，我就突发奇想，想写一款桌面基本的应用，但是也不知道该写什么demo，然后就这样子，想啊想…，直到发生了震惊国人pandownload事件，我痛恨百度云的机制，但也无法忘记它带给我们的资源， 所有我就想尝试写一个页面稍微可以上台面的桌面云盘应用。那么rain-Cloud就诞生了.. 源码无详细搭建教程，有简单部署教程。

现有的除雪/雨水清除方法通常无法应对大雪/雨水和动态场景。 失败的原因之一是基于这样的假设，即在雪/雨场景中所有的雪花/雨条纹都很稀疏。 另一个是现有方法通常无法区分运动物体和雪花/雨纹。 为了解决上述问题，本文提出了一种基于矩阵分解的视频去噪和排水模型。 我们将雪花/雨条纹分为两类：稀疏的和密集的。 借助背景波动和光流信息，将移动物体和稀疏雪花/雨条纹的检测公式化为多标签马尔可夫随机场（MRF）。 至于浓密的雪花/雨纹，它们被认为服从高斯分布。 场景背景中的雪花/雨条纹，包括稀疏的和浓密的条纹，通过背景的低级表示来去除。 同时，我们模型中的组稀疏性术语旨在过滤运动对象中的雪/雨像素。 实验结果表明，我们提出的模型的效果优于最新的除雪和除雨方法。

自己写的雨滴检测与消除程序，输入是视频序列，matlab下运行，亲测好用

rainmeter贴吧皮肤合集

使用条件生成对抗网络进行图像去雨 [] [] 何章，Vishwanath Sindagi，Vishal M.Patel 在本文中，我们研究了解决单图像去水印问题的新观点。 我们不仅要确保决定什么是实现良好的定量和定性性能的良好先验或良好框架，还应确保排水良好的图像不会降低给定计算机视觉算法（如检测和分类）的性能。 换句话说，消除雨水的结果应该与其对应的清晰图像与给定的鉴别器没有区别。 通过使用最近引入的条件生成对抗网络（GAN），可以将该标准直接合并到优化框架中。 为了最大程度地减少GAN引入的伪像并确保更好的视觉质量，引入了新的精确损失函数。 @article{zhang2017image, title={Image De-raining Using a Conditional Generative Adversarial Network}, author={Zhan