自适应图像实时增强算法的技术研究
| 摘要 | 第5-8页 |
| abstract | 第8-10页 |
| 第1章 绪论 | 第17-27页 |
| 1.1 课题研究背景及意义 | 第17-18页 |
| 1.2 图像增强算法的发展与应用 | 第18-22页 |
| 1.3 图像增强算法的分类 | 第22-24页 |
| 1.4 图像质量评价 | 第24页 |
| 1.5 论文的研究内容与章节安排 | 第24-27页 |
| 第2章 图像增强算法的实时性及应用场景分析 | 第27-49页 |
| 2.1 引言 | 第27-28页 |
| 2.2 图像的像素深度和色彩空间 | 第28-32页 |
| 2.3 图像去噪 | 第32-37页 |
| 2.4 图像增强 | 第37-47页 |
| 2.4.1 基于压缩感知的图像复原技术 | 第37-39页 |
| 2.4.2 针对图像模糊的增强算法 | 第39-42页 |
| 2.4.3 基于对比度增强的算法 | 第42-44页 |
| 2.4.4 基于图像融合的增强算法 | 第44-46页 |
| 2.4.5 实时处理优化技术 | 第46-47页 |
| 2.5 本章小结 | 第47-49页 |
| 第3章 固定噪声的自适应校正 | 第49-67页 |
| 3.1 引言 | 第49-50页 |
| 3.2 传统的去噪原理及校正模型 | 第50-56页 |
| 3.2.1 传统图像去噪原理 | 第50-52页 |
| 3.2.2 非均匀校正模型 | 第52-53页 |
| 3.2.3 条纹校正模型 | 第53页 |
| 3.2.4 MIRE去噪与全变分理论 | 第53-56页 |
| 3.3 实时红外图像的非均匀性校正算法 | 第56-58页 |
| 3.3.1 建立红外噪声模型 | 第56页 |
| 3.3.2 单一图像的非均匀性校正算法 | 第56-58页 |
| 3.4 实验结果与分析 | 第58-65页 |
| 3.4.1 实验设备 | 第58-59页 |
| 3.4.2 参数设置 | 第59-60页 |
| 3.4.3 算法对比及质量评价 | 第60-64页 |
| 3.4.4 基于多线程的算法实时性优化 | 第64-65页 |
| 3.5 本章小结 | 第65-67页 |
| 第4章 自适应Retinex的光照补偿实时处理 | 第67-91页 |
| 4.1 引言 | 第67-69页 |
| 4.2 色彩恒常及Retinex理论 | 第69-72页 |
| 4.3 Retinex算法介绍 | 第72-74页 |
| 4.4 基于亮通道的Retinex实时处理算法 | 第74-82页 |
| 4.4.1 光照图像的特性 | 第74-76页 |
| 4.4.2 亮通道先验 | 第76-78页 |
| 4.4.3 光照图像的细化 | 第78-82页 |
| 4.5 实验结果与分析 | 第82-89页 |
| 4.6 本章小结 | 第89-91页 |
| 第5章 基于人眼视觉的自适应增强模型 | 第91-119页 |
| 5.1 引言 | 第91-92页 |
| 5.2 相关工作 | 第92-99页 |
| 5.2.1 人眼视觉特点 | 第92-95页 |
| 5.2.2 去雾增强算法 | 第95-97页 |
| 5.2.3 水下图像增强 | 第97-99页 |
| 5.3 图像的有效空间模型 | 第99-101页 |
| 5.4 像素学习 | 第101-106页 |
| 5.4.1 迭代方程 | 第101-103页 |
| 5.4.2 映射模型 | 第103-104页 |
| 5.4.3 目标函数图 | 第104-106页 |
| 5.5 白平衡处理 | 第106-108页 |
| 5.6 实验结果与分析 | 第108-116页 |
| 5.7 讨论 | 第116-118页 |
| 5.8 本章小结 | 第118-119页 |
| 第6章 结论与展望 | 第119-123页 |
| 6.1 论文工作总结 | 第119-120页 |
| 6.2 论文创新点 | 第120页 |
| 6.3 研究展望 | 第120-123页 |
| 参考文献 | 第123-133页 |
| 致谢 | 第133-135页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第135页 |
