基于卷积神经网络的去雾算法优化研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-19页 |
| 1.3 论文组织结构 | 第19-22页 |
| 第二章 卷积神经网络 | 第22-30页 |
| 2.1 卷积神经网络的概念 | 第22-23页 |
| 2.2 卷积神经网络实现原理 | 第23-28页 |
| 2.2.1 神经网络介绍 | 第23页 |
| 2.2.2 卷积神经网络的实现 | 第23-28页 |
| 2.3 卷积神经网络结构 | 第28-30页 |
| 第三章 典型去雾算法分析 | 第30-38页 |
| 3.1 基于大气光照物理模型的去雾算法 | 第30-33页 |
| 3.1.1 暗通道优先去雾算法 | 第30-32页 |
| 3.1.2 基于滤波的去雾算法 | 第32页 |
| 3.1.3 基于均值滤波的实时去雾算法 | 第32-33页 |
| 3.2 基于图像增强的去雾算法 | 第33-35页 |
| 3.2.1 自适应直方图均衡化算法 | 第33-34页 |
| 3.2.2 基于自适应对比度及色阶增强的图像算法 | 第34页 |
| 3.2.3 基于多尺度Retinex图像增强技术 | 第34-35页 |
| 3.3 几种去雾算法的结果对比 | 第35-38页 |
| 第四章 去雾CNN设计与暗通道优先算法优化 | 第38-52页 |
| 4.1 雾霾图像数据集的建立 | 第38-41页 |
| 4.1.1 数据集生成原理 | 第39-41页 |
| 4.1.2 图像数据集的处理与生成 | 第41页 |
| 4.2 去雾卷积神经网络 | 第41-43页 |
| 4.2.1 batchsize大小的选择 | 第42-43页 |
| 4.2.2 网络训练结果 | 第43页 |
| 4.3 暗通道优先去雾算法的优化 | 第43-49页 |
| 4.3.1 大气光值计算的优化 | 第44页 |
| 4.3.2 图像恢复公式中t(x)的替代 | 第44-46页 |
| 4.3.3 基于天空检测的天空修正 | 第46-47页 |
| 4.3.4 基于JND模型的图像修正 | 第47-49页 |
| 4.4 处理结果分析 | 第49-52页 |
| 第五章 基于OpenCL的CNN去雾算法优化 | 第52-72页 |
| 5.1 OpenCL结构分析 | 第52-56页 |
| 5.1.1 平台模型 | 第52-53页 |
| 5.1.2 执行模型 | 第53页 |
| 5.1.3 内存模型 | 第53-54页 |
| 5.1.4 OpenCL共享虚拟存储器 | 第54-56页 |
| 5.2 去雾卷积神经网络的设计 | 第56-61页 |
| 5.2.1 卷积神经网络结构选型 | 第56-59页 |
| 5.2.2 主要模块介绍 | 第59-61页 |
| 5.3 去雾卷积神经网络并行化结构设计与优化 | 第61-65页 |
| 5.3.1 单卷积过程并行 | 第62-63页 |
| 5.3.2 多卷积数据并行 | 第63-65页 |
| 5.4 去雾算法内核设计 | 第65-66页 |
| 5.5 结果分析 | 第66-72页 |
| 5.5.1 CNN训练与测试结果 | 第66-67页 |
| 5.5.2 卷积神经网络优化效果 | 第67页 |
| 5.5.3 暗通道优先去雾算法优化的时间对比 | 第67-68页 |
| 5.5.4 串、并行卷积神经网络训练时间对比 | 第68-70页 |
| 5.5.5 处理不同尺寸图像的用时对比 | 第70-72页 |
| 第六章 结论 | 第72-74页 |
| 参考文献 | 第74-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
