单幅图像中雨滴检测与去除方法的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-18页 |
| 1.1 图像去雨的背景及意义 | 第10-12页 |
| 1.2 图像去雨的国内外研究现状 | 第12-15页 |
| 1.2.1 基于视频图像的去雨方法 | 第12-13页 |
| 1.2.2 基于单幅图像的去雨方法 | 第13-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.3.1 研究目的 | 第15-16页 |
| 1.3.2 研究贡献 | 第16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 图像去雨技术的原理 | 第18-33页 |
| 2.1 图像中雨滴的建模 | 第18-23页 |
| 2.1.1 雨滴的物理特性 | 第18-20页 |
| 2.1.2 雨滴的视觉模型 | 第20-23页 |
| 2.2 图像去雨方法综述 | 第23-29页 |
| 2.2.1 视频图像去雨滴技术 | 第23-25页 |
| 2.2.2 单幅图像去雨滴技术 | 第25-29页 |
| 2.3 图像去雨的衡量标准与评价指标 | 第29-32页 |
| 2.3.1 雨滴检测的评价 | 第29-30页 |
| 2.3.2 雨滴去除的评价 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于模型分类的单幅图像雨滴检测 | 第33-43页 |
| 3.1 引言 | 第33-34页 |
| 3.2 单幅图像中的雨滴检测 | 第34-39页 |
| 3.2.1 图像分块--数据集的构建 | 第34-35页 |
| 3.2.2 基于CNN算法的图像特征提取 | 第35-37页 |
| 3.2.3 方向梯度直方图(HOG)特征提取 | 第37页 |
| 3.2.4 离线训练过程 | 第37-38页 |
| 3.2.5 雨滴图像的在线分类与检测 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-42页 |
| 3.3.1 实验数据库与实验设置 | 第39-40页 |
| 3.3.2 实验结果与分析 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 基于图像块重构和补全的单幅图像雨滴去除 | 第43-52页 |
| 4.1 单幅图像中雨滴的去除 | 第43-48页 |
| 4.1.1 图像块重构 | 第44-45页 |
| 4.1.2 基于样本块的图像修复算法 | 第45-47页 |
| 4.1.3 基于平面结构引导的图像补全算法 | 第47-48页 |
| 4.2 实验结果与分析 | 第48-51页 |
| 4.2.1 本文方法之间的实验对比 | 第48-50页 |
| 4.2.2 本文方法与卷积神经网络的实验对比 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 结论 | 第52-54页 |
| 5.1 工作总结 | 第52页 |
| 5.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第57-59页 |
| 学位论文数据集 | 第59页 |
