| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-18页 |
| 1.2 研究现状 | 第18-20页 |
| 1.2.1 红外焦平面阵列非均匀性校正技术 | 第18-20页 |
| 1.2.2 GPU并行加速技术 | 第20页 |
| 1.3 主要研究内容及章节安排 | 第20-23页 |
| 第二章 基于正则项的图像去噪模型研究 | 第23-41页 |
| 2.1 图像质量评价标准 | 第23-25页 |
| 2.1.1 主观评价法 | 第23页 |
| 2.1.2 客观评价法 | 第23-24页 |
| 2.1.3 测试图像 | 第24-25页 |
| 2.2 经典的基于正则项的去噪模型 | 第25-30页 |
| 2.2.1 Tikhonov模型 | 第25-27页 |
| 2.2.2 TV模型 | 第27-28页 |
| 2.2.3 实验对比 | 第28-30页 |
| 2.3 改进的全变分模型 | 第30-34页 |
| 2.3.1 双边全变分模型 | 第30-32页 |
| 2.3.2 非局部全变分模型 | 第32-34页 |
| 2.4 分块双边全变分模型 | 第34-35页 |
| 2.5 实验结果 | 第35-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 基于场景的非均匀性校正算法研究 | 第41-61页 |
| 3.1 经典的神经网络法 | 第41-43页 |
| 3.2 全变分非均匀性校正算法 | 第43-47页 |
| 3.2.1 传统TV非均匀性校正方法 | 第43-44页 |
| 3.2.2 基于TV正则项的神经网络法 | 第44-45页 |
| 3.2.3 实验结果 | 第45-47页 |
| 3.3 基于分块双边全变分正则项的神经网络校正算法 | 第47-48页 |
| 3.4 实验对比 | 第48-56页 |
| 3.4.1 实验场景 | 第49页 |
| 3.4.2 实验参数设置 | 第49-52页 |
| 3.4.3 实验结果 | 第52-56页 |
| 3.5 鬼影现象 | 第56-59页 |
| 3.5.1 算法分析 | 第56-57页 |
| 3.5.2 实验对比 | 第57-59页 |
| 3.6 本章小结 | 第59-61页 |
| 第四章 基于OpenCL的非均匀性校正算法加速研究 | 第61-77页 |
| 4.1 OpenCL简介 | 第61-65页 |
| 4.1.1 平台模型 | 第61-62页 |
| 4.1.2 执行模型 | 第62-63页 |
| 4.1.3 内存模型 | 第63-64页 |
| 4.1.4 编程模型 | 第64-65页 |
| 4.2 算法分析 | 第65-67页 |
| 4.3 并行算法实现及优化策略 | 第67-70页 |
| 4.3.1 主机程序设计 | 第67-68页 |
| 4.3.2 内核程序设计 | 第68-69页 |
| 4.3.3 优化策略 | 第69-70页 |
| 4.4 实验结果 | 第70-75页 |
| 4.5 本章小结 | 第75-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 全文总结 | 第77页 |
| 5.2 展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-87页 |