| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 概述 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 水下图像增强方法研究现状 | 第9-10页 |
| 1.2.2 水下图像复原方法研究现状 | 第10-12页 |
| 1.3 问题的描述 | 第12页 |
| 1.4 本文主要工作及章节安排 | 第12-14页 |
| 第2章 海洋光学与水下图像理论基础 | 第14-26页 |
| 2.1 海洋光学及水下图像成像特点 | 第14-17页 |
| 2.1.1 光在水中的传输 | 第14-15页 |
| 2.1.2 水体对光的衰减作用 | 第15-16页 |
| 2.1.3 水体对光的散射作用 | 第16-17页 |
| 2.2 基于非物理模型的水下图像增强常用方法 | 第17-22页 |
| 2.2.1 直方图均衡化算法 | 第17-18页 |
| 2.2.2 基于Retinex的图像增强算法 | 第18-19页 |
| 2.2.3 颜色恒常性理论 | 第19-21页 |
| 2.2.4 基于小波变换的图像增强算法 | 第21-22页 |
| 2.3 基于物理模型的水下图像复原常用方法 | 第22-25页 |
| 2.3.1 图像退化及复原模型简介 | 第22-23页 |
| 2.3.2 基于点扩散函数估计复原方法 | 第23页 |
| 2.3.3 基于暗通道先验的去雾模型 | 第23-24页 |
| 2.3.4 基于前向散射的水下图像复原 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 卷积神经网络基础 | 第26-32页 |
| 3.1 卷积神经网络概述 | 第26页 |
| 3.2 卷积神经网络结构 | 第26-30页 |
| 3.2.1 卷积层 | 第27-28页 |
| 3.2.2 池化层 | 第28页 |
| 3.2.3 全连接层 | 第28-30页 |
| 3.3 卷积神经网络的权重调节 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于分层加权融合的水下图像增强算法 | 第32-44页 |
| 4.1 图像预处理 | 第32-35页 |
| 4.1.1 引导图像滤波处理 | 第32-33页 |
| 4.1.2 拉普拉斯金字塔分解 | 第33-35页 |
| 4.2 基于分层加权融合的水下图像增强算法 | 第35-39页 |
| 4.2.1 基于不同特点的输入图像的选取 | 第36-37页 |
| 4.2.2 多尺度图像融合权重选取 | 第37-39页 |
| 4.2.3 拉普拉斯金字塔融合及图像重建 | 第39页 |
| 4.3 实验结果对比 | 第39-43页 |
| 4.3.1 拉普拉斯金字塔不同分层融合算法性能比较 | 第40-41页 |
| 4.3.2 不同水下图像增强算法结果比较 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 基于卷积神经网络的水下图像复原算法 | 第44-54页 |
| 5.1 水下图像复原算法简介 | 第44页 |
| 5.2 水下图像退化模型分析 | 第44-45页 |
| 5.3 基于卷积神经网络的水下图像复原 | 第45-48页 |
| 5.3.1 水下图像库的建立 | 第45-46页 |
| 5.3.2 卷积神经网络结构的选取 | 第46-48页 |
| 5.4 实验结果及分析 | 第48-53页 |
| 5.4.1 实验配置 | 第48页 |
| 5.4.2 实验数据 | 第48页 |
| 5.4.3 实验步骤 | 第48页 |
| 5.4.4 网络参数选取 | 第48-50页 |
| 5.4.5 建立水下图像库的结果与分析 | 第50-51页 |
| 5.4.6 基于真实场景下水下图像的实验结果 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 论文总结分析 | 第54-55页 |
| 6.2 未来的展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 发表论文和参加科研情况说明 | 第60-62页 |
| 致谢 | 第62页 |