| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外发展现状 | 第8-11页 |
| 1.2.1 单幅图像去雨方法研究现状 | 第8-10页 |
| 1.2.2 视频图像去雨方法研究现状 | 第10-11页 |
| 1.3 论文的主要工作 | 第11-12页 |
| 1.4 论文内容与结构 | 第12-15页 |
| 第2章 雨线特征分析和视频图像去雨方法 | 第15-25页 |
| 2.1 雨线特征 | 第15-18页 |
| 2.1.1 雨滴的形状 | 第15-16页 |
| 2.1.2 雨滴的下落速度 | 第16页 |
| 2.1.3 雨线亮度的时域特征 | 第16-17页 |
| 2.1.4 雨线高亮度、低饱和度的特征 | 第17-18页 |
| 2.2 典型的视频去雨方法 | 第18-22页 |
| 2.2.1 基于雨线时域特征的视频去雨方法 | 第18-20页 |
| 2.2.2 基于雨线颜色特征的视频去雨方法 | 第20页 |
| 2.2.3 基于雨线频域特征的视频去雨方法 | 第20-22页 |
| 2.3 相位一致性特征 | 第22-24页 |
| 2.3.1 相位一致性函数的定义 | 第22-23页 |
| 2.3.2 相位一致性的计算 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于多尺度卷积神经网络的单幅图像去雨方法研究 | 第25-41页 |
| 3.1 卷积神经网络在图像复原领域应用 | 第25-26页 |
| 3.2 多尺度卷积神经网络结构 | 第26-29页 |
| 3.3 多尺度卷积神经网络去雨方法 | 第29-32页 |
| 3.3.1 有雨图像特征提取 | 第29-30页 |
| 3.3.2 非线性映射关系估计 | 第30-31页 |
| 3.3.3 去雨图像重建 | 第31页 |
| 3.3.4 网络训练方法 | 第31-32页 |
| 3.4 实验分析 | 第32-39页 |
| 3.4.1 模拟有雨图像实验 | 第33-35页 |
| 3.4.2 真实有雨图像实验 | 第35-37页 |
| 3.4.3 性能分析 | 第37-38页 |
| 3.4.4 算法实现 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 结合相位一致性的视频图像去雨方法研究 | 第41-57页 |
| 4.1 各种场景下的视频图像去雨 | 第41-42页 |
| 4.2 单幅图像去雨方法向视频图像去雨的扩展 | 第42-43页 |
| 4.3 结合相位一致性的视频图像去雨方法研究 | 第43-48页 |
| 4.3.1 算法流程 | 第44-45页 |
| 4.3.2 雨线检测 | 第45-47页 |
| 4.3.3 雨线去除 | 第47-48页 |
| 4.4 实验分析 | 第48-55页 |
| 4.4.1 静态场景视频去雨实验 | 第49-51页 |
| 4.4.2 动态场景视频去雨实验 | 第51-54页 |
| 4.4.3 性能分析 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 论文工作总结 | 第57-58页 |
| 5.2 前景展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 发表论文和参加科研情况说明 | 第65-67页 |
| 致谢 | 第67页 |