本书系统介绍了相关方法的研究背景、理论基础和算法描述，并给出了相应的实验结果，主要内容包括：雾、雨形成机理，数学模型以及图像去雾，图像去雨研究现状（第1章）；图像去雾典型算法及常用数据集（第2章）；图像去雨典型算法及常用数据集（第3章）；基于深度学习的图像去雾算法（第4～7章）；图像去雨算法（第8章）等。 本书内容新颖、结构清晰、语言简练，可作为大专院校及科研院所模式识别、图像处理和机器视觉等领域的高年级本科生、研究生的教材和参考书，也可作为相关领域的教师、科研人员以及从事图像恢复、图像增强工程技术人员的参考书。

第1章 绪论
1.1 智能视频监控技术
1.1.1 视频监控技术发展阶段
1.1.2 典型视频监控系统
1.2 图像质量增强技术
1.2.1 图像去雾技术
1.2.2 图像去雨技术
1.3 本书内容安排
参考文献
第2章 图像去雾典型算法及常用数据集
2.1 基于暗通道先验的图像去雾算法
2.2 监督学习图像去雾算法
2.2.1 DCPDN
2.2.2 ACRE
2.2.3 SID
2.3 弱监督图像去雾算法
2.3.1 CycleGAN方法
2.3.2 物理分解方法
2.4 图像去雾常用数据集
2.5 图像去雾常用评价指标
参考文献
第3章 图像去雨典型算法及常用数据集
3.1 基于混合高斯模型的图像去雨算法
3.2 基于深度学习的图像去雨算法
3.2.1 监督学习图像去雨算法
3.2.2 半监督学习图像去雨算法
3.3 图像去雨常用数据集
3.4 图像去雨常用评价指标
参考文献
第4章 基于递归卷积的多尺度深度图像去雾算法
4.1 算法总体框架
4.2 算法具体实现
4.2.1 递归特征提取模块
4.2.2 多尺度特征融合模块
4.2.3 损失丽数
4.3 实验结果及其分析
4.3.1 实验设置
4.3.2 合成数据集实验结果
4.3.3 真实雾天图像实验结果
参考文献
第5章 基于先验信息引导的多编码器图像去雾算法
5.1 基于自适应通道融合的图像去雾算法
5.1.1 算法总体框架
5.1.2 SAGFA模块
5.1.3 SE模块
5.1.4 损失函数
5.2 基于特征调制的图像去雾算法
5.2.1 算法总体框架
5.2.2 自适应批归一化
5.2.3 优化模块
5.2.4 损失函数
5.3 实验结果及其分析
5.3.1 实验设置
5.3.2 IHAZE和OHAZE数据集实验结果
5.3.3 NHHAZE数据集实验结果
5.3.4 定量比较与分析
参考文献
第6章 基于物理模型引导的多解码器图像去雾算法
6.1 算法总体框架
6.2 算法具体实现
6.2.1 多尺度特征提取与融合模块
6.2.2 注意力模块
6.2.3 多尺度监督模块
6.2.4 损失函数
6.3 实验结果及其分析
6.3.1 实验设置
6.3.2 HAZERD数据集实验结果
6.3.3 DAHAZE数据集实验结果
参考文献
第7章 基于物理分解的弱监督图像去雾算法
7.1 算法总体框架
7.2 算法具体实现
7.2.1 DWD判别器
7.2.2 DWT特征提取
7.2.3 损失函数
7.3 实验结果及其分析
7.3.1 实验设置
7.3.2 合成数据集对比结果
7.3.3 真实数据集对比结果
参考文献
第8章 基于多阶段特征融合的图像去雨算法
8.1 算法总体框架
8.2 算法具体实现
8.2.1 浅特征提取模块
8.2.2 改进的编码-解码器
8.2.3 剩余密集子网
8.2.4 阶段特征的渐进融合
8.2.5 损失函数
8.3 实验结果及其分析
8.3.1 实验设置
8.3.2 实验结果
参考文献