摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第一章 绪论 | 第10-16页 |
1.1 引言 | 第10页 |
1.2 研究的目的和意义 | 第10-11页 |
1.3 颜色恒常的介绍 | 第11-14页 |
1.3.1 感知颜色恒常 | 第11-12页 |
1.3.2 计算颜色恒常 | 第12-13页 |
1.3.3 多光源的颜色恒常性 | 第13-14页 |
1.4 本文的主要贡献与创新 | 第14页 |
1.5 本文的结构安排 | 第14-16页 |
第二章 颜色恒常性研究相关工作介绍 | 第16-27页 |
2.1 成像模型及评价方式 | 第16-19页 |
2.1.1 成像模型 | 第16-17页 |
2.1.1.1 朗伯体反射模型 | 第16-17页 |
2.1.1.2 Von Kries假设 | 第17页 |
2.1.2 评价方式 | 第17-19页 |
2.2 目前颜色恒常性主流算法介绍 | 第19-22页 |
2.2.1 单光源算法 | 第19-21页 |
2.2.2 多光源算法 | 第21-22页 |
2.3 感受野模型简介 | 第22-24页 |
2.3.1 双极细胞、神经节细胞与外膝体(LGN)感受野机制 | 第23-24页 |
2.3.2 感受野的数学模型 | 第24页 |
2.4 亮度点在颜色恒常中的作用 | 第24-26页 |
2.5 本章小结 | 第26-27页 |
第三章 基于ON型感受野扩充方式的算法模型 | 第27-57页 |
3.1 利用ON型感受野的光源计算 | 第28-30页 |
3.2 基于亮度的分类方法 | 第30-37页 |
3.2.1 对于亮度区域为什么能够估计光源的验证 | 第30-34页 |
3.2.1.1 心理物理学实验对亮度区域作用的验证 | 第30-34页 |
3.2.1.2 图库统计实验对亮度区域作用的验证 | 第34页 |
3.2.2 分类的算法 | 第34-36页 |
3.2.3 聚类分类和简单的分类之间的差别验证 | 第36-37页 |
3.3 暗区域光源的获得 | 第37-40页 |
3.3.1 亮区域扩展理论 | 第37页 |
3.3.2 亮区域扩展算法 | 第37-39页 |
3.3.3 亮度区域分层的加权算法 | 第39-40页 |
3.4 后处理 | 第40-45页 |
3.4.1 暗区域的平滑 | 第40-43页 |
3.4.2 整体光源颜色的后处理 | 第43-45页 |
3.4.2.1 光源颜色集中实验依据 | 第43-44页 |
3.4.2.2 光源颜色集中算法介绍 | 第44页 |
3.4.2.3 光源颜色集中效果 | 第44-45页 |
3.5 计算机合成多光源图像库实验结果 | 第45-48页 |
3.5.1 图像库简介 | 第45-46页 |
3.5.2 实验结果及对比 | 第46-47页 |
3.5.3 实验图像结果展示 | 第47-48页 |
3.6 经典多光源图像库实验结果 | 第48-53页 |
3.6.1 图像库简介 | 第49页 |
3.6.2 实验结果及对比 | 第49-51页 |
3.6.3 实验图像结果展示 | 第51-53页 |
3.7 算法模型中参数的讨论 | 第53-56页 |
3.7.1 感受野大小参数讨论 | 第53-54页 |
3.7.2 外周感受野权重参数讨论 | 第54-55页 |
3.7.3 亮度分层参数讨论 | 第55-56页 |
3.8 本章小结 | 第56-57页 |
第四章 基于ON型和OFF型感受野的算法模型 | 第57-69页 |
4.1 生理学依据 | 第58页 |
4.2 基于两种感受野模型的算法描述 | 第58-61页 |
4.3 算法在图像处理中的意义 | 第61-62页 |
4.3.1 算法在数学表达式上的意义 | 第61页 |
4.3.2 算法在颜色恒常上的意义 | 第61-62页 |
4.4 结果与讨论 | 第62-68页 |
4.4.1 算法在不同图像库上的角度误差评价 | 第62-64页 |
4.4.2 算法的图像处理效果展示 | 第64-65页 |
4.4.3 算法模型中参数的讨论 | 第65-67页 |
4.4.4 两种算法之间的比较 | 第67-68页 |
4.5 本章小结 | 第68-69页 |
第五章 全文总结与展望 | 第69-71页 |
5.1 本文主要工作内容 | 第69-70页 |
5.2 工作展望 | 第70-71页 |
致谢 | 第71-72页 |
参考文献 | 第72-76页 |
攻读硕士期间取得的研究成果 | 第76-77页 |