去雾/雾天数据集整理（done）

已于 2024-04-07 10:42:41 修改
阅读量1.8k 收藏 28
点赞数 16
分类专栏： 数据集 文章标签： 深度学习
于 2024-04-03 16:08:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lwqian102112/article/details/137348785
版权

雾天数据集整理

统计整理的信息

  1. 有哪些数据集：整理不完整，但是除雾的工作没有继续推进，因此本文仅作为先前工作的收尾。
  2. 数据来源：基本都是“极市”上看到的，网址：https://www.cvmart.net/dataSets/。
  3. 数据集中哪些数据是可用的：已完成筛选，见正文。
  4. 这些可用的数据图片大小，后续要如何预处理：见正文。

莫林：研究没有继续，但是对于每个自己花过心思的工作，再花少许经历整理好内容，进行收尾是十分值得的。不然某天你回顾的时候，看到的都是碎片化的资料，你会否定过去自己的努力，认为好像什么都没做。养成总结收尾的习惯！！！

文章目录

数据集名称图片信息
Frida640×480×18×4（模拟有雾图，渐变不合理）
> DENSEHAZE1600×1200×55
> D-Hazy的NYU640×480×1449
I-Hazy4657×2833×25（除此之外还有5张图大小不同）
> NH-Haze1600×1200×55
RESIDE/SOTS/indoor/nyuhaze640×480×50（真值加了白边） 620×460×50 ×10
RESIDE/SOTS/outdoor比较混乱，选择性使用
RESIDE/HSTS可用于测试的数据，10张真实有雾图，10组有真值的人工合成有雾图

数据集NH-HAZE ——315MB

NH-HAZE_55

  1. GT——55张图
  2. hazy——55张图

height of picture: Counter({1200: 55}) width of picture: Counter({1600: 55})

数据集IHAZE——311.7MB

I-HAZY_NTIRE 2018_30——图片质量不错，可用

  1. GT——30张图
  2. hazy——30张图

图片简介的数量不对或者是数据上传时丢失

4657 2833 （×25）
4476 2882
4086 2902
4706 3052
4576 3122
4776 3122

数据集DENSEHAZE——234MB

Dense_Haze_NTIRE19_55——图片质量好，可用

  1. GT——55张图
  2. hazy——55张图

Width×Height：1600×1200

height of picture: Counter({1200: 55}) width of picture: Counter({1600: 55})

数据集 RESIDE——43.21GB

就HSTS和SOTS数据可用，保留，其他全部删除！

1. HSTS——可用于测试

  1. real-world——10张图（真实有雾图，没有真值）
  2. synthetic——合成的图片人眼看比较真实，可用
    1. original——10张图
    2. synthetic——10张图

都没用，delete
2. ITS——生成的雾很奇怪+数据量很大，解压后打开不够流畅

  1. train

    1. ITS_clear——1000张图

      height of picture: Counter({460: 7897, 407: 2103})
      width of picture: Counter({620: 7897, 541: 2103})

    2. ITS_haze——10000张图

      height of picture: Counter({460: 78970, 407: 21030})
      width of picture: Counter({620: 78970, 541: 21030})

    3. ITS_trans——10000张图

  2. val

    1. clear——1000张图
    2. haze——10000张图
    3. trans——10000张图

  3. RTTS——没看到

  4. OTS——没看到

5. SOTS——可用

  1. indoor

    1. nyuhaze500

      1. gt——50张图

        height of picture: Counter({480: 50})
        width of picture: Counter({640: 50})

      2. hazy——500张图

        height of picture: Counter({460: 500})
        width of picture: Counter({620: 500})

  2. outdoor

    莫林：如果要使用这一组数据，要么对图片进行整体截图，截取成为统一大小。要么只选取其中大小为413×550的图片。

    1. gt——492张图

      height of picture: Counter({413: 260, 411: 68, 733: 43, 309: 12, 736: 10, 412: 8,

      549: 5, 734: 4, 367: 3, 310: 3, 562: 2, 574: 2, 420: 2, 552: 2, 582: 2, 626: 2, 975: 2, 410: 2, 347: 1, 348: 1, 525: 1, 485: 1, 490: 1, 644: 1, 565: 1, 369: 1, 551: 1, 745: 1, 483: 1, 601: 1, 640: 1, 638: 1, 604: 1, 836: 1, 563: 1, 351: 1, 718: 1, 591: 1, 774: 1, 579: 1, 596: 1, 653: 1, 721: 1, 592: 1, 649: 1, 674: 1, 504: 1, 699: 1, 722: 1, 807: 1, 715: 1, 731: 1, 550: 1, 564: 1, 578: 1, 524: 1, 730: 1, 588: 1, 717: 1, 667: 1, 673: 1, 612: 1, 656: 1, 557: 1, 502: 1, 492: 1, 544: 1, 580: 1, 543: 1, 723: 1, 970: 1, 918: 1, 531: 1, 572: 1, 738: 1, 665: 1, 630: 1, 652: 1})
      width of picture: Counter({550: 465, 549: 23, 560: 2, 540: 2})

    2. hazy——500张图，图片名称的两个参数是什么意思？

      height of picture: Counter({413: 265, 411: 69, 733: 43, 309: 12, 736: 10, 412: 8,

      549: 5, 734: 4, 367: 3, 310: 3, 574: 2, 420: 2, 552: 2, 351: 2, 582: 2, 562: 2, 674: 2, 626: 2, 975: 2, 410: 2, 565: 1, 369: 1, 551: 1, 745: 1, 483: 1, 601: 1, 640: 1, 638: 1, 604: 1, 836: 1, 563: 1, 718: 1, 591: 1, 807: 1, 673: 1, 630: 1, 644: 1, 774: 1, 579: 1, 596: 1, 653: 1, 721: 1, 592: 1, 649: 1, 504: 1, 699: 1, 722: 1, 715: 1, 731: 1, 550: 1, 564: 1, 578: 1, 524: 1, 730: 1, 588: 1, 717: 1, 667: 1, 612: 1, 656: 1, 557: 1, 502: 1, 492: 1, 544: 1, 580: 1, 543: 1, 723: 1, 970: 1, 918: 1, 531: 1, 572: 1, 738: 1, 665: 1, 652: 1, 347: 1, 348: 1, 525: 1, 485: 1, 490: 1})
      width of picture: Counter({550: 472, 549: 24, 560: 2, 540: 2})

      真值图0051.png对应的有2张有雾图
      真值图0076.png对应的有2张有雾图
      真值图0086.png对应的有2张有雾图
      真值图0108.png对应的有2张有雾图
      真值图0253.png对应的有2张有雾图
      真值图0287.png对应的有2张有雾图
      真值图0320.png对应的有2张有雾图
      真值图0330.png对应的有2张有雾图
      processing done!

      对于高为413的图片宽度统计结果为Counter({550: 260})

      对于高为411的图片宽度统计结果为Counter({550: 68})

      对于高为733的图片宽度统计结果为Counter({550: 43})

      对于高为309的图片宽度统计结果为Counter({550: 12})

      对于高为736的图片宽度统计结果为Counter({550: 10})

      对于高为412的图片宽度统计结果为Counter({550: 5, 549: 3})

不好用的数据，混乱不堪，直接delete
6. UnannotatedHazyImages(Unannotated Real-world Hazy)——4809张没有原图的雾天图片，看样子很像从互联网上爬虫抓取的

数据集 D-Hazy——1.86GB delete

D-HAZY_DATASET

  1. Middlebury_GT——23张图

    大小非常不统一！！！这很 drama

    2880 1988
    2940 2016
    2988 2008
    2796 1984
    3000 1920
    2300 1992
    2880 1980
    2632 1988
    2792 2008
    2964 2000
    2820 1920
    2960 1924
    2800 1908
    2724 1848
    2864 1924
    2952 2000
    2356 1996
    2864 2008
    2772 1980
    2912 2020
    2856 2000
    2960 2016
    2912 1924

  2. Middlebury_Hazy——23张图

  3. NYU_GT——2898张图，因为包括真值图片和对应的深度图，所以是有雾图数据量的两倍

    height of picture: Counter({480: 1449})

    width of picture: Counter({640: 1449})

  4. NYU_Hazy——1449张图，构建的有雾图

数据集 FRIDA（3D）delete

18 个场景共 5 组图片，合计 90 张图，这数量够用吗？——先不说数据够不够用了，它的雾好假！delete

height of picture: Counter({480: 90}) width of picture: Counter({640: 90})

数据集 DAWN——79.35GB delete

恶劣天气交通检测数据集。我看截图以为是最适用我们的应用场景，但实际打开后发现都是用鱼眼相机拍摄的结果。

解压存放位置：软件/DAWN

只用得上第一个，啊啊啊，花那么大精力下载最后只用上一个，我好恨啊！

不使用这组数据了，品质不高

  1. 766ygrbt8y-3 （都没有真值，这样的数据集要怎么使用？测试吗？）

    1. Fog——302张图，无真值
    2. Rain——202张图
    3. Sand——325张图
    4. Snow——206张图

  2. previous_images——8234张图，数据包括FV、RV、MVR、MVL（“Front View”、“Rear View”、“Mirror View Right”、“Mirror View Left”）鱼眼镜头的数据

  3. rgb_images——8234张图，数据包括FV、RV、MVR、MVL，不知道它和上一个文件夹的关系

  4. rgb_images(test_set)——1766张图，数据包括FV、RV、MVR、MVL

  5. soiling_dataset-006

    1. test——1000张图（FV、RV、MVR、MVL）
      1. gtLabels
      2. rgbImages
      3. rgbLabels
    2. train——4000张图（FV、RV、MVR、MVL）
      1. gtLabels
      2. rgbImages
      3. rgbLabels

  6. SynWoodScape_V0.1.1-002——数据是仿真合成的

    SynWoodScape_V0.1.0中的其他文件夹都不重要，只看
    rgb_images，25000张图，数据包括FV、RV、MVL、MVR、BEV

  7. WoodScape Dataset——好像是上传资料的人自己没有整理好。

数据集 REVIDE（视频去雾数据集） ——908MB stop

暂时觉得匹配度不够，不下载

木槿qwer
关注
  • 16
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
雾天道路数据集，去雾数据集
11-08
#1.雾天道路数据集 #2.去雾数据集
恶劣天气数据集（雨天，雪天，雾天）
04-28
恶劣天气数据集（雨天，雪天，雾天），三个天气各一万张，来源为爬虫，因为太大了，把雾天和雨天删除了1000张
Non-aligned Supervision for Real Image Dehazing
最新发布
qq_44185614的博客
06-12 1024
由于天气条件的不可预测性，导致模糊图像和清晰图像对的不对齐，从真实世界图像中去除雾霾是一项挑战。本文提出了一种创新的去雾框架，该框架在非对齐监督下运行。该框架基于大气散射模型，由三个相互连接的网络组成：去雾，空气光和传输网络。特别地，我们探索了一种非对齐场景，即利用与输入模糊图像不对齐的清晰参考图像来监督去雾网络。为了实现这一点，我们提出了一种多尺度参考损失，它比较了参考图像和去雾输出之间的特征表示。我们的场景使得在现实环境中收集模糊/清晰图像对变得更容易，即使在未对准和移位视图的条件下。
图像去雾——RESIDE数据集
猫脸码客的博客
05-16 1639
RESIDE数据集是一个包含合成和真实世界模糊图像的庞大集合，旨在模拟和呈现各种天气条件下的图像特点。该数据集通过精心设计和收集，突出了不同数据源和图像内容的多样性，为研究者们提供了丰富的实验素材。RESIDE数据集被划分为五个子集，每个子集都有其特定的训练或评估目的，以满足不同研究需求。
极端天气数据集（雾天道路-数据）
2301_78240361的博客
01-31 989
极端天气数据集是一种专门收集和整理的数据资源，用于研究和分析雾天道路条件下的交通情况、交通安全和车辆自动驾驶等相关问题。这类数据集对于改善交通管理、提高道路安全性以及促进智能交通系统的发展具有重要意义。
【去雾】|雾天图像数据集整理 雾图合成
热门推荐
qq_35608277的博客
12-25 2万+
D-hazy数据集 介绍了如何用深度图生成雾天 使用了以下室内数据集 middlebury http://vision.middlebury.edu/stereo/data/scenes2014/ 2.NYU2 Depth https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html 百度云链接及提取说明：https://blog.csdn....
[去雾论文]--AAAI2020-FFA-Net：Feature Fusion Attention Network for Single Image Dehazing
weixin_42096202的博客
11-27 6639
摘要： 在本文中，我们提出了一种端到端的特征融合注意力网络(FFA-Net)来直接恢复无雾图像。FFA-Net架构由以下三个主要部分组成: 1)提出了一种新的特征注意(FA)模块，该模块将通道注意与像素注意机制相结合，考虑到不同的信道特征所包含的加权信息完全不同，且不同图像像素上的雾霾分布不均匀。FA对不同的特征和像素的处理是不平等的，这为处理不同类型的信息提供了额外的灵活性，提高了CNNs的表...
极端天气数据集（雾天道路数据）
阿利同学的博客
11-01 4237
#极端天气数据集 #雾天道路数据集# 语义分割数据集#目标检测
Rethinking Performance Gains in Image Dehazing Networks
zhouaho2010的博客
01-20 2661
论文源码： https://download.csdn.net/download/zhouaho2010/87393184 Abstract图像去雾是低层视觉中的一个活跃话题，随着深度学习的快速发展，许多图像去雾网络被提出。尽管这些网络的工作良好，但提高图像去雾性能的关键机制仍不清楚。出于这个原因，我们不打算提出一个具有奇特模块的去雾网络；相反，我们对流行的U-Net进行最小的修改以获得紧凑的去雾网络。具体来说，我们将U-Net中的卷积块交换为具有门控机制的残差块，融合主路径的特征映射，并使用选择核跳过连接
高清图像数据集和有雾图像数据集调研
agonysome的博客
08-17 5119
有雾数据 & 一部分高清数据（不完整） 数据集 数量 描述 论文 1 DIV2K download 900 1000张高清图，800训练，100验证，100测试 测试集不公开，实际是900张图 超分数据集 NTIRE 2017 Challenge on Single Image Super-Resolution
Haze removal for single image: A comprehensive review单幅图像的雾霾去除:一个全面的回顾2023
m0_75262530的博客
08-21 1331
摘要：图像去雾一直是计算机视觉领域的研究热点，雾霾对相机成像质量影响很大。因此，在过去的几十年里，人们提出了许多图像去雾方法。为了帮助初涉该领域的研究人员快速了解图像除雾的发展历史和现状，本文对几种具有代表性的除雾方法进行了分析，评价了它们的优缺点，并从不同的角度指出了最佳的除雾方法。大量实验表明，一般认为AECR-Net是最好的除雾算法，Tarel方法是最好的实时除雾方法。此外，本文还讨论了图像去雾的主流基准、指标、挑战和机遇。 Introduction 雾霾对机器视觉系统的性能有很大的影响。雾霾
RESIDE数据集(包括RTTS、OTS、ITS、SOTS、HSTS、Unannotated Real-world Hazy)
05-14
RESIDE六种数据集全收集，txt内有搜集好的六种数据集百度网盘链接，已经把数据集放在我的网盘内，进入txt内的我的百度网盘链接下载即可。
去雾算法数据集：NH-HAZE数据集
04-13
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
雾天图片集合
07-01
最近在研究图像去雾，相信这些图片会为研究图像去雾的同学带来一定的帮助
去雾（图像处理）
03-29
针对场景中的图像笼罩在屋里，重要目标的辨识度低，因此需要做去雾处理
极端道路天气数据集 雨天 雾天 道路晴朗
2301_78240361的博客
03-27 689
是一系列专为自动驾驶、智能交通系统研发以及计算机视觉算法测试而设计的真实世界或模拟的道路环境图像和视频集合。这些数据集包含了在各类极端天气条件下捕捉到的道路场景，例如大雾、暴雨、暴雪、冰雹、雾霾、道路结冰等，这些都是对车辆安全行驶构成极大挑战的环境条件。
雾天行人车辆检测数据集VOC+YOLO格式
2402_83140078的博客
04-15 355
今天，介绍雾天行人车辆检测数据集VOC+YOLO格式 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：4415 标注数量(xml文件个数)：4415 标注数量(txt文件个数)：4415 标注类别数：5 标注类别名称:["bicycle","bus","car","motorbike","person"] 每个类别标注的框数： bicycle 框数 = 710 bus 框
HardGAN: A Haze-Aware RepresentationDistillation GAN for Single Image Dehazing（ECCV2020）
yanglong6666的博客
02-13 779
摘要：在本文中，我们提出了一种雾霾感知表示蒸馏生成对抗网络(HardGAN)用于单图像去雾。与以往的研究不同的是，我们使用一个由我们提出的雾霾感知表示蒸馏层组成的多尺度结构神经网络来处理这个恢复问题。此外，我们重新巧妙地利用归一化层，而不是像之前那样直接与卷积层叠加，以避免有用的信息被洗掉，正如许多图像质量增强研究中所声称的那样。在几个合成基准数据集和NTIRE 2020真实世界图像上的大量实验表明，我们提出的HardGAN在PSNR、SSIM、LPIPS和个人主观评价方面优于最先进的方法。 1.主要贡献
图像去雾开源数据集资源汇总
极市平台的技术博客
09-19 4566
图像去雾开源数据集汇总
雾天数据集 csdnxiazai
07-13
### 回答1： CSDN下载是一个资源分享平台，其中包含了各种关于雾天数据集的下载信息。雾天数据集是指在雾霾天气下采集的一系列数据集合，用于研究和分析雾霾的成因、特征以及对环境和健康的影响。 这个数据集可能包含了雾霾天气下的空气质量指数（AQI）数据、PM2.5和PM10颗粒物浓度记录、病例和医疗数据以及其他相关的气象数据等等。 这些数据可以帮助科学家和研究人员进行雾霾的分析研究，探究雾霾形成的机理和规律，为防治雾霾提供科学依据。通过分析雾霾数据集，可以发现雾霾的时空分布特征、与气象因素的关系以及对人体健康的危害程度等。 在CSDN下载平台上，用户可以找到与雾天数据集相关的资源文件，例如数据集的CSV格式文件、研究报告、分析工具或者代码等。用户可以根据自己的需求下载这些资源，进行数据分析和研究。 总之，CSDN下载平台为研究雾天数据集的用户提供了方便快捷的资源下载渠道，有助于推动雾霾研究的进展和保护人类健康。 ### 回答2： 雾天数据集是一个被广泛应用于计算机视觉领域的数据集，它包含了许多在雾天环境下拍摄的图片样本。这些样本可以用于研究和开发雾天图像处理算法。 雾天是指大气中悬浮颗粒物的浓度较高，导致能见度降低的天气现象。在雾天环境下，由于透过大气的光线会发生散射、吸收和屈折等现象，导致图像出现模糊、不清晰的问题。这对于视觉任务如目标检测、图像分割和人脸识别等都会带来挑战。 雾天数据集收集了在不同场景和条件下的雾天图片样本。这些样本涵盖了不同的天气状况、景观和光照条件。通过使用这些数据集，研究人员可以开展关于雾天图像处理的研究，并提出针对雾天图像的算法和技术。 在雾天图像处理方面，研究人员可以进行图像去雾、图像增强和图像恢复等任务。图像去雾旨在减少雾气对图像质量的影响，使图像更加清晰和可见。图像增强则是通过增加对比度、调整色彩和增强细节等方式，改善雾天图像的视觉效果。图像恢复则是通过估计场景的深度信息，尝试重建出雾天图像中的真实景物。 通过使用雾天数据集，可以评估和比较不同的雾天图像处理算法的性能和效果。研究人员可以使用这些数据，进行算法的训练和测试，并不断改进和优化算法的性能。 综上所述，雾天数据集是一个非常有用的资源，可以为研究人员提供丰富的雾天图像样本，并帮助他们开展雾天图像处理的研究和算法开发工作。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值