基于高斯过程回归及训练样本搜索的除雾研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-10页 |
| 1.1 除雾背景及意义 | 第6-7页 |
| 1.2 除雾研究的发展 | 第7-8页 |
| 1.2.1 先验除雾算法 | 第7-8页 |
| 1.2.2 基于数据驱动的除雾算法 | 第8页 |
| 1.3 训练集筛选的意义 | 第8-9页 |
| 1.4 本文研究内容及组织结构 | 第9-10页 |
| 2 数据驱动的除雾模型 | 第10-17页 |
| 2.1 雾图的物理模型 | 第10-11页 |
| 2.2 超像素 | 第11页 |
| 2.3 雾相关特征 | 第11-13页 |
| 2.4 高斯回归模型 | 第13-17页 |
| 2.4.1 高斯回归过程 | 第13-14页 |
| 2.4.2 从特征到透射率的高斯过程回归 | 第14-15页 |
| 2.4.3 邻域透射率的平滑处理 | 第15-17页 |
| 3 两层联合的高斯过程回归除雾算法 | 第17-26页 |
| 3.1 算法的主要思想 | 第17-18页 |
| 3.2 双层高斯过程回归模型的耦合优化 | 第18-21页 |
| 3.3 两步的训练集筛选算法 | 第21-25页 |
| 3.3.1 基于h标准的训练集筛选 | 第21-23页 |
| 3.3.2 基于t标准的训练集筛选 | 第23-25页 |
| 3.4 后处理过程 | 第25-26页 |
| 4 适应输入的训练样本快速搜索算法 | 第26-35页 |
| 4.1 现有高斯过程回归算法的优化 | 第26页 |
| 4.2 算法基本流程 | 第26-27页 |
| 4.3 训练样本字典建立方法 | 第27-29页 |
| 4.4 小预测方差训练集构建 | 第29-30页 |
| 4.5 建立测试集 | 第30-31页 |
| 4.5.1 基于Hue的雾分类标准 | 第30页 |
| 4.5.2 基于DCP的雾分类标准 | 第30-31页 |
| 4.6 基于k-d树的快速搜索算法 | 第31页 |
| 4.7 基于汉明嵌入的快速搜索算法 | 第31-35页 |
| 5 实验分析 | 第35-51页 |
| 5.1 两层联合的高斯过程回归除雾算法分析 | 第35-45页 |
| 5.1.1 方差分析 | 第35-36页 |
| 5.1.2 与现有除雾算法的比较 | 第36-43页 |
| 5.1.3 不同雾浓度训练集的比较 | 第43-45页 |
| 5.2 适应输入的训练样本快速搜索算法分析 | 第45-51页 |
| 5.2.1 方差分析 | 第45-46页 |
| 5.2.2 不同相似度训练集的比较 | 第46-47页 |
| 5.2.3 全部训练集与近邻训练集的比较 | 第47-48页 |
| 5.2.4 与现有除雾算法的比较 | 第48-50页 |
| 5.2.5 执行时间的比较 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-59页 |
