| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 颜色恒常算法的研究背景与意义 | 第10-11页 |
| 1.2 基于学习的颜色恒常方法改进策略研究现状 | 第11-12页 |
| 1.3 水下图像处理算法中的颜色恒常的研究背景与意义 | 第12-13页 |
| 1.4 本文的主要贡献与创新 | 第13-14页 |
| 1.5 本论文的结构安排 | 第14-15页 |
| 第二章 基于优化矫正来提升颜色恒常方法的性能 | 第15-34页 |
| 2.1 提出的方法 | 第15-18页 |
| 2.2 实验结果 | 第18-31页 |
| 2.2.1 SFUlab图像库 | 第20-24页 |
| 2.2.2 Gehler-Shidataset | 第24-27页 |
| 2.2.3 Greyball图像库 | 第27页 |
| 2.2.4 NUS图像库 | 第27-30页 |
| 2.2.5 运算时间成本 | 第30-31页 |
| 2.3 本章小结 | 第31-34页 |
| 第三章 视网膜机制启发的水下图像增强模型 | 第34-51页 |
| 3.1 水下生物视网膜结构和功能 | 第34-36页 |
| 3.2 视网膜机制启发的水下图像增强模型 | 第36-42页 |
| 3.2.1 感光细胞 | 第37-38页 |
| 3.2.2 水平细胞 | 第38-39页 |
| 3.2.3 双极细胞 | 第39-41页 |
| 3.2.4 神经节细胞 | 第41-42页 |
| 3.3 实验部分 | 第42-49页 |
| 3.3.1 不同层级细胞的功能 | 第43-46页 |
| 3.3.1.1 感光细胞 | 第43页 |
| 3.3.1.2 水平细胞 | 第43-44页 |
| 3.3.1.3 双极细胞与神经节细胞 | 第44-46页 |
| 3.3.2 有效性验证 | 第46-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 全文总结与展望 | 第51-53页 |
| 4.1 全文总结 | 第51-52页 |
| 4.2 后续工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-62页 |
| 攻读硕士学位期间取得的成果 | 第62页 |