单光照下颜色恒常性计算研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-18页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.4 论文研究内容及结构安排 | 第16-18页 |
| 1.4.1 论文研究内容 | 第16-17页 |
| 1.4.2 论文结构安排 | 第17-18页 |
| 第2章 颜色恒常性相关理论基础 | 第18-29页 |
| 2.1 光与色觉 | 第18-22页 |
| 2.1.1 光源的光谱特性 | 第18-19页 |
| 2.1.2 物体的光谱特性 | 第19-20页 |
| 2.1.3 视觉的生理基础 | 第20-22页 |
| 2.2 彩色图像成像原理 | 第22-23页 |
| 2.3 von Kries对角模型 | 第23-25页 |
| 2.4 实验数据集与算法性能评价 | 第25-28页 |
| 2.4.1 实验数据集 | 第25-27页 |
| 2.4.2 算法性能评价 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 经典的颜色恒常性算法对比 | 第29-44页 |
| 3.1 基于色域映射的颜色恒常性算法 | 第29-33页 |
| 3.1.1 CRULE算法 | 第29-31页 |
| 3.1.2 基于投影的色域映射法 | 第31-32页 |
| 3.1.3 色域映射算法性能分析 | 第32-33页 |
| 3.2 基于概率的颜色恒常性算法 | 第33-40页 |
| 3.2.1 基于贝叶斯的方法 | 第34-36页 |
| 3.2.2 基于颜色相关的方法 | 第36-39页 |
| 3.2.3 基于概率的颜色恒常性算法性能分析 | 第39-40页 |
| 3.3 基于神经网络的颜色恒常性算法 | 第40-42页 |
| 3.3.1 神经网络算法的基本思路 | 第40-42页 |
| 3.3.2 神经网络算法性能分析 | 第42页 |
| 3.4 经典的有监督的颜色恒常性算法总结 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于颜色和纹理对比度的颜色恒常性计算 | 第44-63页 |
| 4.1 几种候选的单一算法 | 第44-48页 |
| 4.1.1 Gray-World算法 | 第44-45页 |
| 4.1.2 White-Patch算法 | 第45页 |
| 4.1.3 Shades of Gray算法 | 第45-46页 |
| 4.1.4 Gray Edge算法 | 第46-48页 |
| 4.2 图像的特征描述 | 第48-52页 |
| 4.2.1 颜色特征 | 第49-50页 |
| 4.2.2 纹理、对比度 | 第50-52页 |
| 4.3 基于颜色和纹理对比度的算法的计算 | 第52-56页 |
| 4.3.1 基于自然图像统计特性算法存在的不足 | 第52-54页 |
| 4.3.2 基于颜色和纹理对比度的算法计算步骤 | 第54-56页 |
| 4.4 实验 | 第56-62页 |
| 4.4.1 实验结果及分析 | 第56-59页 |
| 4.4.2 部分图像校正示例 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读学位期间取得学术成果 | 第69页 |
