首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于卷积神经网络的水下图像质量提升方法

摘要第4-5页
Abstract第5-6页
第一章 绪论第11-17页
    1.1 研究背景及意义第11-12页
    1.2 研究现状第12-15页
        1.2.1 基于图像处理的增强技术第12-13页
        1.2.2 基于成像模型的复原技术第13-14页
        1.2.3 基于深度学习的方法第14-15页
    1.3 论文主要内容与结构第15-17页
        1.3.1 研究内容第15-16页
        1.3.2 结构安排第16-17页
第二章 相关研究工作第17-33页
    2.1 引言第17页
    2.2 水下图像质量提升理论基础第17-25页
        2.2.1 水中光传播的光学特性第17-18页
        2.2.2 图像预处理技术第18-25页
    2.3 深度学习理论基础第25-32页
        2.3.1 前馈神经网络第26-29页
        2.3.2 卷积神经网络第29-31页
        2.3.3 卷积神经网络在恶劣成像环境下的图像应用第31-32页
    2.4 本章小结第32-33页
第三章 基于卷积神经网络的水下图像质量提升方法第33-49页
    3.1 引言第33页
    3.2 仿真水下数据集第33-40页
        3.2.1 自然水下场景图像收集第34页
        3.2.2 仿真水下图像集第34-37页
        3.2.3 仿真水下图像集对比第37-40页
    3.3 深度卷积水下图像质量提升网络第40-47页
        3.3.1 网络架构第40-43页
        3.3.2 图像预处理第43-45页
        3.3.3 训练过程第45-47页
    3.4 本章小结第47-49页
第四章 实验验证第49-71页
    4.1 引言第49页
    4.2 评价指标第49-53页
        4.2.1 有参考图像质量评价第49-50页
        4.2.2 无参考图像质量评价第50-53页
        4.2.3 主观质量评价第53页
    4.3 实验验证第53-69页
        4.3.1 预处理和批量归一化的影响第54-56页
        4.3.2 仿真水下图像第56-58页
        4.3.3 真实水下图像第58-67页
        4.3.4 高层任务应用第67-69页
    4.4 本章小结第69-71页
第五章 总结与展望第71-73页
    5.1 总结第71页
    5.2 展望第71-73页
参考文献第73-79页
致谢第79-81页
攻读硕士学位期间的研究工作及成果第81页

论文共81页,点击 下载论文
上一篇:基于移动设备的核磁共振谱仪监控和数据处理功能升级
下一篇:基于细径光纤的马赫-增德尔干涉型传感器研究