| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 机器视觉的研究现状 | 第11-12页 |
| 1.3 图像增强技术的国内外研究现状 | 第12-14页 |
| 1.4 NAO机器人实验平台 | 第14-15页 |
| 1.5 课题来源及研究内容 | 第15-17页 |
| 第2章 正常环境下基于卷积神经网络的字符识别 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 图像处理的相关理论 | 第17-22页 |
| 2.2.1 图像的颜色模型 | 第17-19页 |
| 2.2.2 图像的直方图 | 第19-20页 |
| 2.2.3 图像质量的评价方法 | 第20-22页 |
| 2.3 基于卷积神经网络的字符识别 | 第22-29页 |
| 2.3.1 图像预处理 | 第23-24页 |
| 2.3.2 图像的分割 | 第24-25页 |
| 2.3.3 卷积神经网络识别字符 | 第25-28页 |
| 2.3.4 实验结果 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于Retinex算法低照度环境下的图像增强 | 第31-46页 |
| 3.1 引言 | 第31页 |
| 3.2 Retinex算法模型 | 第31-32页 |
| 3.3 基于加权引导滤波的Retinex算法 | 第32-38页 |
| 3.3.1 颜色空间的转换 | 第33页 |
| 3.3.2 估计照度图像 | 第33-35页 |
| 3.3.3 动态范围调整 | 第35-36页 |
| 3.3.4 反射图像拉伸 | 第36-38页 |
| 3.4 仿真与实验研究 | 第38-45页 |
| 3.4.1 仿真结果 | 第38-42页 |
| 3.4.2 实验结果 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于亮通道和暗通道先验相结合的图像去雾算法 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 退化图像的物理模型 | 第46-47页 |
| 4.3 基于亮通道和暗通道相结合的图像去雾算法 | 第47-53页 |
| 4.3.1 亮通道和暗通道的介绍 | 第48-50页 |
| 4.3.2 估计透射率 | 第50-51页 |
| 4.3.3 估计大气光 | 第51页 |
| 4.3.4 优化透射率 | 第51-53页 |
| 4.3.5 恢复图像 | 第53页 |
| 4.4 仿真结果分析 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65页 |