| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 图像去雾研究现状 | 第8-13页 |
| 1.2.1 基于图像增强的去雾方法 | 第9-11页 |
| 1.2.2 基于图像融合的去雾方法 | 第11-12页 |
| 1.2.3 基于图像复原的去雾方法 | 第12-13页 |
| 1.3 图像的雾气浓度分类研究现状 | 第13-14页 |
| 1.4 本文的研究内容和结构安排 | 第14-16页 |
| 1.4.1 主要工作内容 | 第14页 |
| 1.4.2 本文章节安排 | 第14-16页 |
| 第二章 基于暗通道先验理论的图像去雾 | 第16-24页 |
| 2.1 暗通道先验理论 | 第16-17页 |
| 2.2 雾图模型 | 第17-18页 |
| 2.3 暗通道理论在图像去雾中的应用 | 第18-20页 |
| 2.3.1 透射率的求解 | 第18-19页 |
| 2.3.2 大气光值的确定 | 第19页 |
| 2.3.3 暗通道先验图像去雾 | 第19-20页 |
| 2.4 导向滤波 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于图模型分割和大气光细化的天空区域去雾优化算法 | 第24-33页 |
| 3.1 区分天空的改进暗通道去雾算法 | 第24-25页 |
| 3.2 基于图模型的天空区域分割 | 第25-27页 |
| 3.2.1 图模型分割 | 第25-26页 |
| 3.2.2 天空区域的获取 | 第26-27页 |
| 3.3 天空区域大气光的改进 | 第27-29页 |
| 3.3.1 块大气光值法 | 第28页 |
| 3.3.2 细粒度大气光值法 | 第28-29页 |
| 3.4 去雾结果融合 | 第29页 |
| 3.5 实验结果与分析 | 第29-31页 |
| 3.5.1 基于图模型的天空区域分割实验 | 第29-30页 |
| 3.5.2 基于大气光优化的天空区域去雾实验 | 第30-31页 |
| 3.6 本章小结 | 第31-33页 |
| 第四章 多特征雾天图像分类研究 | 第33-45页 |
| 4.1 系统概述 | 第33-34页 |
| 4.2 特征的构建 | 第34-37页 |
| 4.2.1 颜色特征 | 第34-36页 |
| 4.2.2 边缘梯度分布 | 第36页 |
| 4.2.3 透射率分布 | 第36-37页 |
| 4.3 分类器的选择 | 第37-40页 |
| 4.3.1 神经网络 | 第38-39页 |
| 4.3.2 支持向量机 | 第39-40页 |
| 4.4 实验及分析 | 第40-44页 |
| 4.4.1 神经网络分类器的分类性能 | 第41-43页 |
| 4.4.2 支持向量机分类器的分类性能 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 论文工作总结 | 第45页 |
| 5.2 今后工作展望 | 第45-47页 |
| 参考文献 | 第47-53页 |
| 攻读硕士学位期间出版或发表的论著、论文 | 第53-54页 |
| 致谢 | 第54页 |