腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

图像去雾图像去雨图像处理图像去噪

看到许多小伙伴想进行图像去雨，图像去雾的任务，由于以前进行了此类项目，所以在此书写博客进行交流。去雨前言从静止图像中去除雨水是一项复杂且具有挑战性的任务。雨滴仅影响图像的很小区域，因此导致确定应考虑哪个区域和不应考虑哪个区域的混乱。其他市面算法如FFT去雨也已经实现！在本文中，已经实现了一种新技术，该技术有效地使用L0梯度最小化方法来去除雨像素。最小化技术可以全局控制图像中产生多少非零梯度。该方法与局部特征无关，而是全局定位重要边缘。保留了这些显着的边缘，并且减少了低振幅和微不足道的细节。以这种方式去除雨像素。实验结果表明，该算法在去除图像去雨方面有良好的效果算法流程去雨代码部分展开代码语言：TXTAI代码解释clear;closeall;I=imread('youwutu.jpg');%读入图像R=I(:, ));endend去雨结果matlab展示图像去雾去雾概述暗通道先验：首先说在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值，也就是说该区域光强是一个很小的值。

AI数据集中心

2026-06-07

3220

标签:

文本图像增强

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。

AI数据集中心

2026-05-31

2870

标签:

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。

小白学视觉

2024-12-19

8040

标签:

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。

公众号机器学习与AI生成创作

2023-08-22

2.4K0

标签:

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

小白学视觉

2025-01-11

1.2K0

标签:

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。

小白学视觉

2025-01-16

9130

标签:

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。

公众号机器学习与AI生成创作

2020-04-27

1.4K0

标签:

【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

深度学习技术前沿公众号博主

2022-06-27

2.6K0

标签:

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

git clone firc-dataset

2025-07-21

3240

标签:

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

2022-01-14

4.4K0

标签: