| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 图像去雾技术 | 第10-13页 |
| 1.2.2 基于深度学习的图像去雾技术 | 第13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 第2章 基于卷积神经网络的图像去雾技术基础 | 第17-25页 |
| 2.1 雾天图像衰退机理分析 | 第17-18页 |
| 2.2 大气散射模型 | 第18-22页 |
| 2.2.1 入射光衰减模型 | 第19-20页 |
| 2.2.2 大气光成像模型 | 第20-22页 |
| 2.2.3 雾天图像的大气散射模型 | 第22页 |
| 2.3 卷积神经网络 | 第22-24页 |
| 2.4 基于卷积神经网络的图像去雾流程 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于卷积神经网络的图像去雾方法 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 图像去雾的卷积神经网络模型 | 第25-32页 |
| 3.2.1 多尺度卷积神经网络模型的整体架构 | 第25-27页 |
| 3.2.2 多尺度卷积神经网络模型的数学模型 | 第27-30页 |
| 3.2.3 网络训练 | 第30-32页 |
| 3.3 基于大气散射模型进行图像去雾 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-40页 |
| 3.4.1 实验数据集 | 第33页 |
| 3.4.2 在自然图像上的去雾对比实验 | 第33-36页 |
| 3.4.3 在合成图像上的去雾对比实验 | 第36-40页 |
| 3.4.4 运行时间 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于DCP特征改进的卷积神经网络图像去雾方法 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 暗通道优先去雾算法 | 第41-43页 |
| 4.3 基于DCP特征的卷积神经网络图像去雾方法 | 第43-46页 |
| 4.3.1 基于DCP特征的去雾网络模型 | 第43-45页 |
| 4.3.2 网络训练 | 第45页 |
| 4.3.3 基于大气散射模型进行图像去雾 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-51页 |
| 4.4.1 实验数据集 | 第46页 |
| 4.4.2 在自然图像上的去雾对比实验 | 第46-48页 |
| 4.4.3 在合成图像上的去雾对比实验 | 第48-50页 |
| 4.4.4 运行时间 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 原型系统的设计与实现 | 第53-59页 |
| 5.1 引言 | 第53页 |
| 5.2 系统设计流程 | 第53-54页 |
| 5.3 系统各模块设计与实现 | 第54-57页 |
| 5.3.1 预测透射图模块 | 第55-56页 |
| 5.3.2 图像去雾模块 | 第56页 |
| 5.3.3 系统测试 | 第56-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 结束语 | 第59-61页 |
| 6.1 主要工作与创新点 | 第59-60页 |
| 6.2 后续研究工作 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第69页 |