| 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 |