| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 光源颜色直接估算法 | 第15-16页 |
| 1.2.2 基于机器学习的颜色恒常算法 | 第16-17页 |
| 1.2.3 多光谱图像颜色恒常性计算 | 第17页 |
| 1.3 论文研究内容及结构安排 | 第17-19页 |
| 第二章 颜色恒常研究的理论基础 | 第19-29页 |
| 2.1 颜色的视觉模型 | 第19-21页 |
| 2.2 表色系统 | 第21-24页 |
| 2.2.1 三刺激表色系统 | 第21-22页 |
| 2.2.2 光谱表色系统 | 第22-24页 |
| 2.3 颜色恒常的基本模型及理论 | 第24-29页 |
| 2.3.1Retinex理论 | 第24-25页 |
| 2.3.2 朗伯表面反射模型 | 第25页 |
| 2.3.3 有限维线性模型 | 第25-26页 |
| 2.3.4 双色反射模型 | 第26-27页 |
| 2.3.5 Von Kris对角模型 | 第27-29页 |
| 第三章 基于高光分析的颜色恒常性计算 | 第29-41页 |
| 3.1 相关工作介绍 | 第29-33页 |
| 3.1.1 现有算法及存在的问题 | 第29-30页 |
| 3.1.2 Inverse-Intensity Chromaticity空间 | 第30-32页 |
| 3.1.3 模糊聚类 | 第32-33页 |
| 3.2 单张图像基于高光区域的颜色恒常计算 | 第33-37页 |
| 3.2.1 算法描述 | 第33-34页 |
| 3.2.2 图像高光区域的选择 | 第34-35页 |
| 3.2.3 图像光源色度估计的实现 | 第35-36页 |
| 3.2.4 图像色彩校正 | 第36-37页 |
| 3.3 实验分析 | 第37-38页 |
| 3.4 小结 | 第38-41页 |
| 第四章 基于高斯过程回归的颜色恒常性计算 | 第41-51页 |
| 4.1 机器学习类算法的分析及问题 | 第41-42页 |
| 4.2 高斯过程回归 | 第42-44页 |
| 4.3 实验数据与算法过程 | 第44-45页 |
| 4.4 实验分析 | 第45-48页 |
| 4.4.1 实验数据 | 第45-46页 |
| 4.4.2 实验结果与性能分析 | 第46-47页 |
| 4.4.3 图像校正示例 | 第47-48页 |
| 4.5 小结 | 第48-51页 |
| 第五章 多光谱图像颜色恒常性计算概况 | 第51-59页 |
| 5.1 概述 | 第51-52页 |
| 5.2 增加图像表色通道数的颜色恒常算法 | 第52页 |
| 5.3 多光谱图像成像模型 | 第52-54页 |
| 5.4 多光谱图像光谱反射率重建方法 | 第54-56页 |
| 5.4.1 光学设备测量光谱反射率 | 第55页 |
| 5.4.2 维纳求逆法 | 第55-56页 |
| 5.4.3 伪逆法 | 第56页 |
| 5.5 基于监督学习的光谱反射率重建 | 第56页 |
| 5.6 小结 | 第56-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者简介 | 第67-69页 |
| 附录 （文中部分彩图） | 第69-71页 |