基于暗通道的图像去雾算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 智能交通系统简介及其发展状况 | 第11-14页 |
| 1.2.1 智能交通系统简介 | 第11页 |
| 1.2.2 智能交通系统的发展状况 | 第11-14页 |
| 1.3 图像去雾技术的研究现状 | 第14-16页 |
| 1.3.1 多幅图像去雾研究 | 第14-15页 |
| 1.3.2 单幅图像去雾研究 | 第15-16页 |
| 1.4 图像去雾技术面临的挑战 | 第16页 |
| 1.5 本文的主要内容及结构安排 | 第16-18页 |
| 第2章 图像去雾原理 | 第18-35页 |
| 2.1 图像去雾算法分类 | 第18页 |
| 2.2 基于图像增强的去雾算法 | 第18-28页 |
| 2.2.1 对比度增强 | 第19-20页 |
| 2.2.2 直方图均衡化 | 第20-23页 |
| 2.2.3 Retinex方法 | 第23-26页 |
| 2.2.4 同态滤波器 | 第26-28页 |
| 2.3 基于物理模型的去雾算法 | 第28-31页 |
| 2.3.1 基于偏微分方程的图像去雾 | 第28页 |
| 2.3.2 基于深度信息的图像去雾 | 第28页 |
| 2.3.3 基于先验信息的图像去雾 | 第28-31页 |
| 2.4 图像去雾算法性能评价指标 | 第31-32页 |
| 2.4.1 主观评价指标 | 第31-32页 |
| 2.4.2 客观评价指标 | 第32页 |
| 2.5 本章小结 | 第32-35页 |
| 第3章 基于暗通道先验的去雾算法 | 第35-44页 |
| 3.1 雾天成像基本原理 | 第35-38页 |
| 3.1.1 雾的形成 | 第35页 |
| 3.1.2 有雾图像光学模型 | 第35-37页 |
| 3.1.3 雾天成像模型 | 第37-38页 |
| 3.2 暗通道先验原理 | 第38-39页 |
| 3.3 估计大气光值 | 第39-40页 |
| 3.4 透射率的粗略估计 | 第40-42页 |
| 3.5 透射率的优化 | 第42-43页 |
| 3.6 本章总结 | 第43-44页 |
| 第4章 基于暗通道先验的改进图像去雾算法 | 第44-52页 |
| 4.1 基于形态学开操作的去雾方案 | 第44-47页 |
| 4.1.1 全局大气光的估计 | 第45页 |
| 4.1.2 估算并细化透射率 | 第45-46页 |
| 4.1.3 求出清晰图像 | 第46-47页 |
| 4.2 改进算法的实验结果的评价指标 | 第47-48页 |
| 4.2.1 主观评价指标 | 第47页 |
| 4.2.2 客观评价指标 | 第47-48页 |
| 4.3 几种常见的去雾算法结果比较与分析 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于MFC的图像去雾软件实现 | 第52-60页 |
| 5.1 软件的功能分析 | 第52页 |
| 5.2 软件开发平台 | 第52页 |
| 5.3 软件的设计与实现 | 第52-59页 |
| 5.3.1 软件设计总体流程 | 第52-53页 |
| 5.3.2 软件界面代码设计 | 第53页 |
| 5.3.3 软件设计代码嵌入 | 第53-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第68-69页 |
| 附录B 攻读学位期间参加的科研项目 | 第69页 |
