摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第8-16页 |
1.1 研究目的和意义 | 第8-9页 |
1.1.1 研究背景 | 第8-9页 |
1.1.2 研究目的和意义 | 第9页 |
1.2 国内外研究现状 | 第9-12页 |
1.3 主要研究内容 | 第12页 |
1.4 技术路线 | 第12-13页 |
1.5 论文章节安排 | 第13-16页 |
第二章 数据与方法 | 第16-28页 |
2.1 研究数据 | 第16页 |
2.2 数据预处理 | 第16-22页 |
2.2.1 颜色空间的转换 | 第16-20页 |
2.2.2 去噪处理 | 第20-21页 |
2.2.3 分窗格处理 | 第21-22页 |
2.3 基于图像的能见度监测算法设计 | 第22-26页 |
2.3.1 能见度的定义 | 第22-23页 |
2.3.2 能见度检测原理 | 第23-25页 |
2.3.3 基于图像的能见度监测算法设计 | 第25-26页 |
2.4 本章小结 | 第26-28页 |
第三章 基于图像的能见度特征分析 | 第28-48页 |
3.1 图像特征的定义 | 第28-31页 |
3.1.1 像素特征的选取 | 第28-30页 |
3.1.2 监测因子的计算 | 第30-31页 |
3.2 图像特征的对比分析 | 第31-38页 |
3.2.1 像素特征的对比分析 | 第32-35页 |
3.2.2 监测因子的对比分析 | 第35-36页 |
3.2.3 窗格尺寸的对比分析 | 第36-38页 |
3.3 能见度分段监测研究 | 第38-43页 |
3.3.1 能见度分段区间模型的建立 | 第38-40页 |
3.3.2 分段模型结果分析 | 第40-43页 |
3.4 兴趣窗格的相关性分析及分布 | 第43-46页 |
3.4.1 兴趣窗格的相关性分析 | 第43-45页 |
3.4.2 兴趣窗格的位置分布 | 第45-46页 |
3.5 本章小结 | 第46-48页 |
第四章 基于能见度区间的图像分类 | 第48-56页 |
4.1 随机森林算法 | 第48-49页 |
4.2 基于随机森林的能见度区间判定模型 | 第49-51页 |
4.2.1 图像特征提取 | 第49-50页 |
4.2.2 随机森林的构建 | 第50-51页 |
4.3 结果与分析 | 第51-53页 |
4.4 本章小结 | 第53-56页 |
第五章 基于图像的能见度监测模型 | 第56-68页 |
5.1 能见度监测模型的构建 | 第56-59页 |
5.1.1 二元线性回归模型的构建 | 第56-57页 |
5.1.2 BP神经网络模型 | 第57-58页 |
5.1.3 BP神经网络修正线性残差组合模型的构建 | 第58-59页 |
5.2 训练模型结果分析 | 第59-61页 |
5.2.1 模型精度指标的制定 | 第59-60页 |
5.2.2 能见度监测模型结果分析 | 第60-61页 |
5.3 验证模型结果分析 | 第61-67页 |
5.3.1 不同光照强度对模型精度的影响 | 第62-64页 |
5.3.2 不同能见度级别对模型精度的影响 | 第64-66页 |
5.3.3 实验结果分析 | 第66-67页 |
5.4 本章小结 | 第67-68页 |
第六章 总结与展望 | 第68-72页 |
6.1 讨论与结论 | 第68-70页 |
6.2 创新点 | 第70页 |
6.3 展望 | 第70-72页 |
参考文献 | 第72-76页 |
作者简介 | 第76-78页 |
致谢 | 第78页 |