- 综合排序
- 最热优先
- 最新优先
- 来自专栏千行百业数据集中心
yolov8车牌识别+单目测距+图像去雨+图像去雾
YOLOv8-Plate是一种基于最新一代YOLO（YouOnlyLookOnce）算法框架，专门针对车牌识别、距离估算以及去雨功能优化的先进模型。 它能够实时处理视频流中的每一帧图像，精确地定位并识别车牌上的字符。通过深度学习技术，该模型不仅能够适应不同国家和地区的车牌格式，还能应对各种复杂环境下的挑战，比如低光照条件、部分遮挡等。 去雨功能在实际应用中，天气条件往往会影响视觉系统的性能，特别是下雨天时，雨水会在镜头上形成水滴或者导致画面模糊，影响车牌识别和车速估计的效果。 YOLOv8-Plate集成了去雨算法，能够有效去除视频图像中的雨水干扰。该算法通过分析图像中的频率成分，区分雨水和其他物体，进而恢复清晰的背景图像。 结论综上所述，YOLOv8-Plate作为一款集成车牌识别、车速识别及去雨功能于一体的高级模型，为智能交通领域提供了一种全面而有效的解决方案。
8400编辑于 2026-05-31 - 来自专栏深度学习和计算机视觉
ECCV 2024 | 高效频域图像去雨与对比正则化
论文信息 题目：Efficient Frequency-Domain Image Deraining with Contrastive Regularization 高效频域图像去雨与对比正则化 作者 摘要 大多数当前的单图像去雨（SID）方法都是基于Transformer，通过全局建模实现高质量的重建。然而，它们的架构仅从空间域构建长距离特征，这在保持有效性的同时带来了显著的计算负担。 它们使用VGG[40]构建对比空间特征以提高去雨性能，但仍存在问题：语义信息主要依赖于清晰图像，缺乏对不同雨迹模式的区分识别，限制了CPL在去雨中的有效性。 具体来说，FCR使用真实图像作为正样本，雨天图像作为负样本，同时使用FADformer的输出作为锚点。利用雨迹模式在频域中的显著特征，我们使用DFT进行特征提取，而不是很少考虑雨迹特征的网络如VGG。 这种方法捕获了图像的频域信息，并在频域空间测量L1距离。值得注意的是，我们使用与随机选择的其他雨天图像配对的雨天图像来形成一个负样本组，这提供了多种雨迹模式的信息。
65910编辑于 2024-12-19 - 来自专栏机器学习与生成对抗网络
CVPR 2023 | 去雨去噪去模糊，图像low-level任务，视觉AIGC系列
Learning A Sparse Transformer Network for Effective Image Deraining 基于Transformer的方法在图像去雨任务中取得了显著的性能， 为了克服这个问题，提出了一种有效的去雨网络，稀疏Transformer（DRSformer），它可以自适应地保留特征聚合的最有用的自关注值，以便聚合的特征更好地促进高质量的图像重建。 同时，由于Transformer中的简单前馈网络不能模拟对潜在清晰图像恢复很重要的多尺度信息，开发了一种有效的混合尺度前馈网络，以生成更好的图像去雨特征。 为了学习一个丰富的混合特征集，结合了CNN运算符的局部上下文，配备了专家特征补偿器混合的模型，以呈现协作细化去雨方案。 减少这种噪点是称为图像去噪的关键任务。深度学习已经成为图像去噪的事实标准方法，特别是在出现了基于Transformer的模型之后，在各种图像任务上取得了显著的最先进结果。
2.2K40编辑于 2023-08-22 - 来自专栏深度学习和计算机视觉
CVPR 2024 | 双向多尺度隐式神经表示用于图像去雨
，生成高质量的去雨结果。 级联尺度图像表示：作者提出了一种级联尺度图像表示的INR方法，通过训练两个不同的MLP（粗特征网格和细特征网格），实现更有效的信息传输和跨尺度信息共享，进一步提高模型的去雨效果。 摘要 如何有效探索雨纹的多尺度表示对于图像去雨至关重要。 因此，作者将INR的去雨能力归因于一个基本事实，即受雨影响的像素的强度值往往超过其邻近非雨像素的强度值。 与在固定尺度上表示图像的INR不同，作者提出了一种级联尺度图像表示的INR。 通过这种设计，跨尺度双向分支具有三个优势：（1）它可以利用后续（较细）尺度的互补信息来帮助当前（较粗）尺度的图像恢复，（2）它可以在不等待前一尺度去雨结果的情况下提前进行特征传播流，（3）它对图像内容的变化
96801编辑于 2025-01-11 - 来自专栏深度学习和计算机视觉
傅里叶与Mamba结合竟然能实现图像去雨！
摘要 图像去雨旨在从雨天的图像中去除雨条纹并恢复清晰的背景。目前，一些使用傅里叶变换的研究已被证明对图像去雨有效，因为它作为捕捉雨条纹的有效频率先验。 最近出现的Mamba技术展示了其在多个领域（如空间、时间）中建模相关性的有效性和效率，作者认为将Mamba引入其未探索的傅里叶空间以关联不同频率将有助于改善图像去雨。 这促使作者提出了一种名为FourierMamba的新框架，该框架在傅里叶空间中使用Mamba进行图像去雨。 关键字 图像去雨，傅里叶变换，状态空间模型，Mamba，频率相关性 FourierMamba 2.3.1 整体框架 在图3中，作者展示了所提出的FourierMamba。 空间分支捕捉空间域中的全局特征，补充了傅里叶分支在频域中捕捉的频率相关性，从而有利于图像去雨的性能。因此，作者将空间和频率分支的输出连接起来，并使用卷积进行空间和频率信息的融合。
67510编辑于 2025-01-16 - 来自专栏机器学习与生成对抗网络
天降斯雨，于我却无！GAN用于去雨如何？
这次整理的是用GAN去雨的方向！来速览GAN怎么做的吧~ ? 雨雪天气条件下，严重影响捕获的图像在视觉上的效果，使它们无法用于进一步的使用和共享。另外，这种劣化的图像极大地影响视觉系统的性能。因此，如何解决单图像去雨？ 该方法单称为图像去雨条件生成对抗网络（ID-CGAN）。 ? 该方法在合成图像和真实图像上进行的实验评估表明，在定量和视觉性能方面，优于许多最新技术。 在本文中，为了从单图像中消除多种类型的雨水类型，提出了一种新颖的去雨框架（GRASPP-GAN）、具有更好的泛化能力。 单图像去雨的目标是：把受雨水条纹和雨水大片累积影响的图像区域恢复干净、清晰。早期方法采用代价函数的优化方法，并发展了各种先验知识来表示雨和背景场景层的特征。
1.3K10发布于 2020-04-27 winform基于attentive_derain_net深度学习算法进行图像去雨部署实现
attentive-gan-derainnet 【参考源码】 https://github.com/hpc203/attentive-gan-derainnet-onnxruntime 【算法介绍】 主要基于CVPR2018论文“单图像雨滴去除的注意生成对抗网络 ”，使用tensorflow实现图像去噪任务的深度卷积生成对抗网络。 netframework4.7.2 opencvsharp==4.8.0 onnxruntime==1.16.2 【视频演示】 C#winform基于attentive_derain_net深度学习算法进行图像去雨部署实现
20200编辑于 2025-07-21- 来自专栏深度学习技术前沿
【重磅开源】一文汇总顶会 SOTA 图像恢复算法，包括图像去噪、去雨、去模糊等等
【导读】今天给大家推荐一个很棒的开源项目，该项目主要汇总了一系列Low-Level-vision领域当前主流的SOTA算法网络结构，主要包括图像去噪，图像去雨、图像去模糊等。 本项目将作为图像恢复任务的一个灵活统一的工具。利用本项目可以快速实现图像去噪，图像/视频去模糊，图像去雨等一系列经典任务的训练。 希望本项目既能让图像处理初学者快速入门，又能服务科研和工业社区。 pyyaml requests scipy tb-nightly yapf lpip Build python setup.py develop --no_cuda_ext 数据集下载与配置： 图像去噪数据集 SIDD 图像去模糊数据集 GoPro 图像去模糊数据集REDS 图像去雨数据集 Rain13K Model Zoo 更多详细的模型结构、模型训练与测试信息见：https://github.com
2.4K11编辑于 2022-06-27 - 来自专栏机器学习与生成对抗网络
腾讯AI 2020 去雨对抗攻击 论文
利用雨痕和雨雾分析进行图像去雨 Rethinking Image Deraining via Rain Streaks and Vapors 本文由腾讯 AI Lab 与电子科技大学和上海交通大学合作完成 ，文中提出通过将雨痕建模为传输介质而非场景物体来实现图像去雨。 图像去雨模型是将含雨图像建模为场景图像、传输介质、雨痕和大气光的融合。尽管前沿的去雨模型不断涌现，但它们认为雨痕和场景内容物体具有相似的属性，而不是一种传输介质。 由于雨雾往往蕴含在传输介质中从而产生朦胧效果，因此雨痕和雨雾的融合无法很好地反映含雨图像的生成过程。本文提出重新将雨痕归为传输介质而与雨雾一起对含雨图像进行建模。 去雨模型整体架构示意图。这个新的去雨模型将雨痕与雨雾作为不同的传输介质来建模。该模型会通过上图中的公式计算去雨后的图像。公式中各项均有相对应的网络估计结果，从而实现最终的去雨图像生成。
1.3K40发布于 2020-09-22 - 来自专栏ISP图像处理相关
图像处理-图像去雾
图像处理-图像去雾 雾图模型 I(x)=J(x)t(x)+A(1-t(x)) I(x) ——待去雾的图像 J(x)——无雾图像 A——全球大气光成分 t——折射率（大气传递系数） 暗通道先验 在无雾图像中 总之，自然景物中到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的。 首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波(邻域中取最小值) 验证了暗通道先验理论的普遍性 计算折射率 t(x)=1-wmin(minI (y)/A) 估计大气光 1.选取暗通道图像暗通道最亮的0.1%的像素（一般来说，这些像素表示雾浓度最大的地方） 2.取输入图像里面这些像素对应的像素里面最亮的作为大气光 （暗图像最亮的0.1%的像素对应的原图最亮的为大气光 去雾 J(x)=I(x)-A/max(t(x),t0) +A t0=0.1 流程： 1.求图像暗通道 2.利用暗通道计算出折射率 3.利用暗通道估计大气光 4.代回雾图公式去雾 我的代码-图像去雾算法Matlab
4.1K20编辑于 2022-01-14 - 来自专栏深度学习和计算机视觉
前沿论文 Arxiv24 | FourierMamba: 傅里叶学习与Mamba结合的图像去雨
Fourier Learning Integration with State Space Models for Image Deraining FourierMamba: 傅里叶学习与状态空间模型结合的图像去雨 摘要 图像去雨旨在从雨天的图像中去除雨条纹并恢复清晰的背景。目前，一些使用傅里叶变换的研究已被证明对图像去雨有效，因为它作为捕捉雨条纹的有效频率先验。 最近出现的Mamba技术展示了其在多个领域（如空间、时间）中建模相关性的有效性和效率，作者认为将Mamba引入其未探索的傅里叶空间以关联不同频率将有助于改善图像去雨。 这促使作者提出了一种名为FourierMamba的新框架，该框架在傅里叶空间中使用Mamba进行图像去雨。 关键字 图像去雨，傅里叶变换，状态空间模型，Mamba，频率相关性 FourierMamba 2.3.1 整体框架 2.3.2 傅里叶空间交互SSM 2.3.3 傅里叶通道演化SSM 3.
49110编辑于 2025-01-22 - 来自专栏全栈程序员必看
图像去色算法_matlab去雾算法
先上图看一些算法效果 上图中从左到右依次是原图、photoshop去色结果、Matlab的rgb2gray函数处理效果、取rgb均值的效果、使用香港中文大学论文（见下）的结果 发现不同的去色算法存在非常大的差异。 这是图像lab彩色空间分量结果。
70120编辑于 2022-11-09 - 来自专栏机器学习、深度学习
深度去雨--Deep Joint Rain Detection and Removal from a Single Image
首先通过下图感性认识一下图像中去雨是怎么回事 针对去雨问题已经提出了各种算法，当前算法主要存在的问题如下： 1）因为雨水和背景纹理的内在重叠性，当前大部分算法会平滑没有雨区域的纹理细节。 为此我们提出了一个新的模型用于去雨,思路大致如下： 1）首先我们提出了一个基于区域的雨水模型，在模型中我们使用了一个二值雨水图，如果该像素位置有可见雨，那么二值图中的值为1，否则为0。 基于该模型，去雨水被看做是两个信号的分离问题，基于观察到的 O 恢复 B 和 S。 t is the overlapping streak numbers， 表示图像中含有的雨纹个数，即方向和形状类似种类，A 表示全局环境光，雨雾。 上图中的 contextualized dilated network 通过不同的 dilated factor 获取 contextual information，首先通过一个卷积层将输入图像转到特征空间去
1.5K20发布于 2019-05-26 - 来自专栏深度学习自然语言处理
【图像处理】图像去雾的前世今生
前言 其实之前对图像去雾也没有什么深入的理解，只是了解，实现过一些传统的图像去雾方法而已。 基于图像增强的去雾算法。基于图像增强的去雾算法出发点是尽量去除图像噪声，提高图像对比度，从而恢复出无雾清晰图像。 ，后面挑选的传统去雾算法例子也大多是基于图像复原的去雾算法。 中部小结 上面列出了一些经典的用传统算法去雾的例子（姑且把它叫作图像去雾的前世），接下来我们看看CNN是如何在这个领域发挥的（图像去雾的今生）。 而基于CNN的去雾需要训练集是成对的，即同时有有雾图像与无雾图像。而一个有效的去雾模型应该能够学习无雾图像到有雾图像的映射，无需使用成对监督。
3.7K14发布于 2020-03-23 - 来自专栏大数据文摘
雨天美图大法：单图去雨的RESCAN新方式
在今年的雨季，来自北京大学和上海交通大学的几位研究者，针对“单图去雨”任务进行了研究，他们基于深度卷积和循环神经网络，建立了一种新颖的神经网络架构，并获得了不错的结果。 除了论文成果，里边对之前各种关于单图去雨的历史研究论述总结颇为详细，在今天读来是个很应景的话题，感兴趣的同学可以自行下载大数据文摘微信公众号后台回复“下雨”获得本论文哟~~~ 我们对论文的精华编译如下： 然而，许多当前的方法基于图像补丁去除雨条纹，忽略了大区域的背景信息。 另一方面，由于大雨中的雨滴会呈现各种各样的方向和形状，它们会以不同的方式让背景模糊不清。 利用循环神经网络以保留前几个阶段的有用信息，有利于后期去雨。我们在合成和真实数据集上进行了大量实验，所有评估指标的表现都优于先前的方法。 在解决上述两个局限性后，我们提出了一种新颖的深层网络，从而用于单个图像的除雨。例如上图，体现了逐步消除雨条纹的阶段。 在每个阶段，我们都使用有多个卷积层的集成网络对背景图像的雨水条纹进行消除。
79300发布于 2018-07-31 - 来自专栏机器学习AI算法工程
Unet实现文档图像去噪、去水印
torch 1.2.0 torchvision 0.4.0 opencv-python 4.1.0.25 numpy 1.16.2 代码 以及运行教程 获取： 关注微信公众号 datayx 然后回复 去噪
2.6K30发布于 2020-09-04 - 来自专栏全栈程序员必看
图像去噪序列——BM3D图像去噪模型实现
BM3D模型简介 BM3D模型是一个两阶段图像去噪方法，主要包含两个步骤: (1) 在噪声图像上，利用局部区域搜索相似块，并进行堆叠，在变换域(DCT域、FFT域）利用硬阈值去噪方法对堆叠的图像块进行去噪 ，获得堆叠相似块的估计值，最后，根据均值权重进行聚合； (2) 通过步骤(1) 获取初步估计的图像，在初步估计的图像上进行相似块的聚合； 然后，利用维纳协同滤波进行图像去噪，从而，获取最后的去噪结果 , dwt, = 3, db1 % sigma: 噪声水平，默认值为10 % color_mode: 彩色图像去噪时采用的颜色空间, 默认值为0, color_mode: = 0 , YUV; = 1, YCbCr; = 2, OPP % Ouputs: % img_out: 去噪图像 % 参考文献：An Analysis and Implementation of ; = 1, DCT; = 2, DWT, = 3, db1 % Outputs: % img_denoise: 去噪图像 % % if ~exist('isDisplay', 'var'
4K30编辑于 2022-09-05 - 来自专栏python前行者
基于Python实现图像去重
python图像去重(imagededup) github：https://github.com/idealo/imagededup 安装库 pip install imagededup 示例代码 from Python具有丰富的图像处理库，因此Python图像去重也成为了一种流行的操作方法。 使用哈希算法进行图像去重 哈希算法是一种非常常用的去重算法，通过对图片进行哈希计算，得到一个指纹，再通过比较指纹的方式找到相似的图片。 hashLength): # 计算不同位数的数目 return bin(hash1 ^ hash2)[2:].zfill(hashLength).count("1") 使用局部敏感哈希算法进行图像去重 在实际的应用场景中，可以根据具体情况选择合适的方法来进行图像去重操作。
2.1K30编辑于 2023-10-10 - 来自专栏计算机视觉理论及其实现
遥感图像去雾文章解读
Haze Removal for a Single Remote Sensing Image Based on Deformed Haze Imaging Model提出了一种基于变形雾霾成像模型的新型去雾算法 首先定义图像的距离通道，从模糊图像中提取雾霾分布图(HDM)。然后，根据HDM设计了基于HDM的霾评估度量指标HDMHA。最后，利用对遥感图像的霾度进行预测。 为了客观验证本文提出的度量HDMHA的有效性，提出了一种基于雾霾成像模型的模拟雾霾遥感图像的方法，所模拟的雾霾图像在视觉上与真实图像有很大的相似性。 using fourth-order partial differential equations based trilateral filter提出了一种基于四阶偏微分方程的三边滤波(FPDETF)去雾方法来增强粗略估计的大气面纱 它还保存了无雾图像的辐射测量信息。此外，还对能见度恢复相位进行了改进，以减少去雾图像的色彩失真。
2.1K61编辑于 2022-09-02 - 来自专栏小鹏的专栏
OpenCV之图像去噪声
python代码： import cv2 as cv import cv2 as cv import numpy as np def add_salt_pepper_noise(image): h, w = image.shape[:2] nums = 10000 rows = np.random.randint(0, h, nums, dtype=np.int) cols = np.random.randint(0, w, nums, dtype=np.int)
1K30发布于 2021-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号