| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 图像去雾研究现状 | 第13-14页 |
| 1.3 论文主要研究工作 | 第14-17页 |
| 2 雾天图像退化机理及特性分析 | 第17-23页 |
| 2.1 概述 | 第17页 |
| 2.2 大气散射物理模型 | 第17-20页 |
| 2.2.1 入射光衰减模型 | 第18-19页 |
| 2.2.2 大气光成像模型 | 第19-20页 |
| 2.2.3 雾天图像退化模型 | 第20页 |
| 2.3 雾天图像特性分析 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 基于图像增强的去雾算法 | 第23-33页 |
| 3.1 空域滤波增强 | 第23-24页 |
| 3.2 频域处理增强 | 第24-31页 |
| 3.2.1 同态滤波 | 第24-26页 |
| 3.2.2 基于Retinex理论的雾天图像增强算法 | 第26-31页 |
| 3.3 本章小结 | 第31-33页 |
| 4 暗通道先验图像去雾算法及其改进 | 第33-45页 |
| 4.1 暗通道先验规律 | 第33-35页 |
| 4.2 暗通道先验去雾算法 | 第35-39页 |
| 4.2.1 算法原理 | 第35-38页 |
| 4.2.2 算法仿真 | 第38-39页 |
| 4.2.3 结果分析 | 第39页 |
| 4.3 基于暗通道先验的图像去雾算法的改进 | 第39-43页 |
| 4.3.1 算法原理 | 第39-42页 |
| 4.3.2 算法仿真 | 第42-43页 |
| 4.3.3 结果分析 | 第43页 |
| 4.4 本章小结 | 第43-45页 |
| 5 基于卷积神经网络的图像去雾算法及其改进 | 第45-61页 |
| 5.1 卷积神经网络 | 第45-49页 |
| 5.1.1 概述 | 第45页 |
| 5.1.2 卷积神经网络的基本思想 | 第45页 |
| 5.1.3 卷积神经网络的结构 | 第45-49页 |
| 5.2 卷积神经网络去雾算法 | 第49-55页 |
| 5.2.1 算法原理 | 第49-53页 |
| 5.2.2 算法仿真 | 第53-55页 |
| 5.2.3 结果分析 | 第55页 |
| 5.3 经过改进的卷积神经网络去雾算法 | 第55-59页 |
| 5.3.1 算法原理 | 第55-56页 |
| 5.3.2 算法仿真 | 第56-58页 |
| 5.3.3 结果分析 | 第58-59页 |
| 5.4 本章小结 | 第59-61页 |
| 6 树莓派硬件设计及去雾网络算法实现 | 第61-73页 |
| 6.1 硬件模块及其电路设计 | 第61-64页 |
| 6.1.1 树莓派 | 第62-64页 |
| 6.1.2 摄像头模块 | 第64页 |
| 6.2 嵌入式开发环境 | 第64-67页 |
| 6.2.1 操作系统的安装 | 第65页 |
| 6.2.2 计算机视觉库概述 | 第65-66页 |
| 6.2.3 编程语言 | 第66页 |
| 6.2.4 上位机连接 | 第66-67页 |
| 6.2.5 卷积神经网络框架 | 第67页 |
| 6.3 在树莓派上实现改进后的卷积神经网络去雾算法 | 第67-70页 |
| 6.3.1 训练数据获取 | 第67-68页 |
| 6.3.2 网络预训练 | 第68-69页 |
| 6.3.3 在树莓派中运行模型 | 第69-70页 |
| 6.4 结果与分析 | 第70-71页 |
| 6.5 本章小结 | 第71-73页 |
| 7 总结与展望 | 第73-75页 |
| 7.1 总结 | 第73页 |
| 7.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 作者简介及读研期间主要科研成果 | 第79页 |