资源内容：基于Python实现图像去雨、去模糊、去噪（完整源码+数据）.rar 代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 适用对象：工科生、数学专业、算法等方向学习者。 作者介绍：某大厂资深算法工程师，从事Matlab、Python、C/C++、Java算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、智能控制、路径规划、无人机等多种领域的算法仿真实验。欢迎交流学习

【图像处理】 GUI Hough变换+PDE图像去雨【含Matlab源码 811期】.zip

我这个数据集跟以前的Rain100H的数据集不太一样，之前的数据集只有100张，我在他的基础上进行了上下翻转、左右翻转等翻转操作，将图像数量进行了扩充，有雨图像和无雨图像各400张，而且还分成了训练集和测试集

我这个数据集跟以前的Rain100L的数据集不太一样，之前的数据集只有100张，我在他的基础上进行了上下翻转、左右翻转等翻转操作，将图像数量进行了扩充，有雨图像和无雨图像各400张，而且还分成了训练集和测试集

1.pytorch 实现的图像去雨代码，附详细注释和实验操作流程，代码可以直接运行 2.利用 Rain100 已经有训练和测试数据集，也可以参考 readme 文档更换自己的数据集 3.可以直接运行查看去雨后的效果，代码包含在 Rain100H,Rain100L,Rain1400 上已经训练好的网络参数，需要测试哪个数据集只需要更换测试图片和参数文件即可 4.可以训练自定义的网络结构或者数据集 5.readme 文档中有详细的环境和包 6.附有计算 psnr 和 ssim 的代码 7.一次下载基本包含图像去雨涉及到的各方面，欢迎下载。

1.基于 pytorch 的深度学习去雨效果测试演示代码，适合只需要实现图像去雨，不关注训练的情况 2.代码有关键注释，方便自定义和学习 3.算法基于当前即快又好的图像去雨算法，在真实雨图和合成雨图上都取得相当不错的效果 3.代码简单易懂，直接运行就可以实现图像去雨，欢迎下载

本项目利用DCGAN网络训练数据集完成去雨 参考资料： #初步模型建立 #github code pytorch #深度理解 #资料总结 #其他应用实例文献

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

基于深度学习的雨天车道线检测代码，包含加雨、去雨、车道线检测等环节，效果非常好，也可以进行自定义。 1. 代码基于 pytorch，有 README 文档，对于关键代码都有功能注解和需要注意的地方，同时对于整体思路也有清晰的说明； 2. 可以自定义雨的大小，方向等属性，为视频加雨； 3. 利用目前最好的去雨算法去除雨痕，从而再识别车道线； 4. 去雨前后的车道线检测对比明显； 5. 附有若干实验视频，可以直接用来做对比； 6. 附有数据集下载路径和算法参考论文等； 7. 实际中只需要修改对应路径就可以进行实验。 代码清晰易懂，非常适合学习和直接应用，测试效果良好，欢迎大家下载。

RCDNet：用于单幅图像去除的模型驱动的深度神经网络（CVPR2020） ，谢琪，赵倩和 抽象的 深度学习（DL）方法在去除单个图像雨水的任务中已经达到了最先进的性能。 但是，当前的大多数DL体系结构仍然缺乏足够的可解释性，并且没有与常规降雨条纹中的物理结构完全集成。 为此，在本文中，我们针对任务提出了一种模型驱动的深度神经网络，它具有可完全解释的网络结构。 具体而言，基于表示雨的卷积字典学习机制，我们提出了一种新颖的单图像排水模型，并利用近邻梯度下降技术设计了仅包含用于求解模型的简单算子的迭代算法。 这种简单的实现方案有助于我们将其展开为一个称为雨卷积字典网络（RCDNet）的新的深层网络体系结构，几乎每个网络模块都一对一地对应于算法中涉及的每个操作。 通过对建议的RCDNet进行端到端培训，可以自动提取所有的雨粒和近端操作员，如实地表征雨层和干净的背景层的特征，从而自然地导致其更好