| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 车辆自动识别系统 | 第12-13页 |
| 1.2.2 去雾处理技术 | 第13-16页 |
| 1.2.3 高光修复技术 | 第16-17页 |
| 1.3 论文研究的主要内容和结构安排 | 第17-19页 |
| 第2章 车辆颜色识别总体方案简介 | 第19-31页 |
| 2.1 总体流程 | 第19-20页 |
| 2.2 预处理 | 第20-24页 |
| 2.2.1 灰度化 | 第20-21页 |
| 2.2.2 均衡化 | 第21-23页 |
| 2.2.3 去雾处理 | 第23页 |
| 2.2.4 高光检测和修复 | 第23-24页 |
| 2.3 颜色空间 | 第24-28页 |
| 2.3.1 RGB颜色空间 | 第24-25页 |
| 2.3.2 HSV颜色空间 | 第25-26页 |
| 2.3.3 YUV颜色空间 | 第26-27页 |
| 2.3.4 Lab颜色空间 | 第27-28页 |
| 2.4 车辆颜色识别 | 第28-30页 |
| 2.4.1 基于欧式距离车辆颜色识别方法 | 第28-29页 |
| 2.4.2 基于支持向量机车辆颜色识别方法 | 第29页 |
| 2.4.3 基于权重分块的车辆颜色识别方法 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于去雾处理的车辆颜色识别算法 | 第31-46页 |
| 3.1 算法设计概述 | 第31-32页 |
| 3.2 去雾处理 | 第32-35页 |
| 3.2.1 暗通道先验理论 | 第32页 |
| 3.2.2 基于大气耗散函数的图像去雾算法 | 第32-35页 |
| 3.3 基于权重分块的车辆颜色识别算法 | 第35-41页 |
| 3.3.1 权重分块 | 第36-38页 |
| 3.3.2 HSV颜色空间转换 | 第38-39页 |
| 3.3.3 HSV空间颜色直方图 | 第39-40页 |
| 3.3.4 颜色判决 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于高光修复的车辆颜色识别算法 | 第46-65页 |
| 4.1 算法设计概述 | 第46-47页 |
| 4.2 基于YUV空间的高光检测算法 | 第47-49页 |
| 4.3 车辆轮廓提取 | 第49-52页 |
| 4.3.1 自适应阈值 | 第50页 |
| 4.3.2 双阈值Canny边缘检测 | 第50-52页 |
| 4.4 车辆高光修复 | 第52-56页 |
| 4.4.1 传统的Criminisi算法 | 第52-53页 |
| 4.4.2 基于加权优先级和坐标欧氏距离的Criminisi算法 | 第53-54页 |
| 4.4.3 基于改进Criminisi理论和车辆轮廓的高光修复算法 | 第54-56页 |
| 4.5 实验结果与分析 | 第56-64页 |
| 4.5.1 高光修复算法 | 第56-62页 |
| 4.5.2 基于去雾和高光修复的颜色识别算法 | 第62-64页 |
| 4.6 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |