| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 目的和意义 | 第8-10页 |
| 1.2 图像能见度测量的国内外研究现状 | 第10-11页 |
| 1.3 论文主要内容及工作安排 | 第11-13页 |
| 第二章 图像能见度反演相关理论 | 第13-24页 |
| 2.1 图像能见度反演原理 | 第13-14页 |
| 2.2 稀疏表示和矩阵低秩分解基本理论 | 第14-20页 |
| 2.2.1 稀疏表示 | 第14-18页 |
| 2.2.2 低秩矩阵分解理论 | 第18-20页 |
| 2.3 卷积神经网络相关理论 | 第20-23页 |
| 2.3.1 卷积神经网络结构 | 第20-21页 |
| 2.3.2 全连接层 | 第21页 |
| 2.3.3 激活函数 | 第21-23页 |
| 2.3.4 减少过拟合的方法 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 数据采集及处理 | 第24-33页 |
| 3.1 数据采集 | 第24-26页 |
| 3.2 数据预处理 | 第26-32页 |
| 3.2.1 数据筛选 | 第26页 |
| 3.2.2 能见度数据归一化 | 第26-27页 |
| 3.2.3 能见度图像配准 | 第27-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于稀疏低秩表示的能见度反演 | 第33-46页 |
| 4.1 图像特征提取 | 第33-37页 |
| 4.1.1 特征定义 | 第33-36页 |
| 4.1.2 特征向量提取 | 第36-37页 |
| 4.2 基于稀疏低秩特征表示的能见度反演 | 第37-40页 |
| 4.2.1 稀疏低秩表示 | 第37-38页 |
| 4.2.2 字典构造 | 第38-39页 |
| 4.2.3 能见度的新特征表示 | 第39-40页 |
| 4.2.4 能见度反演的回归方法 | 第40页 |
| 4.3 实验结果分析 | 第40-45页 |
| 4.3.1 无目标物子窗以及分窗大小对测量结果的影响 | 第41-43页 |
| 4.3.2 不同图像特征对测量结果的影响 | 第43-44页 |
| 4.3.3 不同模型测量效果对比 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于卷积神经网络的能见度反演 | 第46-57页 |
| 5.1 神经网络模型 | 第46-47页 |
| 5.2 能见度模型训练 | 第47-49页 |
| 5.2.1 卷积层 | 第47-48页 |
| 5.2.2 池化层 | 第48-49页 |
| 5.2.3 输出层 | 第49页 |
| 5.3 模型优化 | 第49-51页 |
| 5.3.1 神经网络层数 | 第49-50页 |
| 5.3.2 卷积核数目 | 第50页 |
| 5.3.3 卷积核尺寸 | 第50-51页 |
| 5.4 实验及结果分析 | 第51-56页 |
| 5.4.1 实验设备 | 第51页 |
| 5.4.2 CNN和DPA实验对比和分析 | 第51-54页 |
| 5.4.3 CNN和SLRR实验对比和分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 作者简介 | 第65页 |