面向室外监控场景的天气分类与低质图像增强技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景 | 第15-17页 |
| 1.2 室外智能监控技术面临的挑战 | 第17-18页 |
| 1.3 研究内容与主要贡献 | 第18-19页 |
| 1.4 论文结构 | 第19-22页 |
| 第二章 室外场景的天气分类与低质图像增强研究现状 | 第22-36页 |
| 2.1 室外图像天气分类 | 第22-24页 |
| 2.2 图像去雾 | 第24-29页 |
| 2.2.1 基于图像增强的方法 | 第24-25页 |
| 2.2.2 基于物理模型的方法 | 第25-28页 |
| 2.2.3 基于机器学习的方法 | 第28-29页 |
| 2.3 图像去雨 | 第29-34页 |
| 2.3.1 视频去雨 | 第29-32页 |
| 2.3.2 单幅图像去雨 | 第32-34页 |
| 2.4 小结 | 第34-36页 |
| 第三章 面向任意场景的图像多类天气分类 | 第36-54页 |
| 3.1 引言 | 第36-39页 |
| 3.2 多种天气特征提取 | 第39-45页 |
| 3.2.1 子类特征 | 第39-44页 |
| 3.2.2 全局特征 | 第44-45页 |
| 3.3 基于多核学习的特征融合 | 第45-47页 |
| 3.4 实验结果与分析 | 第47-52页 |
| 3.4.1 多类天气图像数据集 | 第47-49页 |
| 3.4.2 实验设置 | 第49-50页 |
| 3.4.3 实验结果分析 | 第50-52页 |
| 3.5 小结 | 第52-54页 |
| 第四章 基于对比度增强的图像去雾 | 第54-74页 |
| 4.1 引言 | 第54-58页 |
| 4.2 雾的浓度判断 | 第58-60页 |
| 4.2.1 暗通道特征 | 第59-60页 |
| 4.2.2 功率谱特征 | 第60页 |
| 4.2.3 对比度、饱和度及天空特征 | 第60页 |
| 4.3 自适应的对比度增强去雾算法 | 第60-63页 |
| 4.3.1 对比度增强 | 第61页 |
| 4.3.2 信息损失 | 第61-63页 |
| 4.3.3 透射率估计 | 第63页 |
| 4.4 去雾效果的评测结果与分析 | 第63-73页 |
| 4.4.1 数据集 | 第63-66页 |
| 4.4.2 实验设置 | 第66页 |
| 4.4.3 去雾效果评测 | 第66-73页 |
| 4.5 小结 | 第73-74页 |
| 第五章 基于卷积神经网络的图像去雨 | 第74-96页 |
| 5.1 引言 | 第74-76页 |
| 5.2 雨雾的联合去除 | 第76-83页 |
| 5.2.1 雨雾混合模型 | 第76-78页 |
| 5.2.2 基于卷积神经网络的图像去雨 | 第78-81页 |
| 5.2.3 基于暗通道引导卷积神经网络的图像去雨 | 第81-83页 |
| 5.3 实验结果与分析 | 第83-92页 |
| 5.3.1 数据集 | 第83-85页 |
| 5.3.2 实验设置 | 第85-86页 |
| 5.3.3 去雨效果的客观评测结果与分析 | 第86-88页 |
| 5.3.4 去雨效果的主观评测结果与分析 | 第88-90页 |
| 5.3.5 暗通道损失函数权重分析 | 第90-91页 |
| 5.3.6 暗通道滤波器大小分析 | 第91页 |
| 5.3.7 去雨算法的时间效率评测 | 第91-92页 |
| 5.4 小结 | 第92-96页 |
| 第六章 总结及展望 | 第96-100页 |
| 6.1 论文工作总结 | 第96-97页 |
| 6.2 进一步工作展望 | 第97-100页 |
| 参考文献 | 第100-110页 |
| 致谢 | 第110-112页 |
| 攻读学位期间发表的学术论文目录 | 第112-113页 |
