单幅图像去雾方法的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 课题的研究现状 | 第10-14页 |
| 1.2.1 基于多幅图像的去雾方法研究现状 | 第11页 |
| 1.2.2 基于单幅图像的去雾方法研究现状 | 第11-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第2章 基于图像增强的去雾方法研究 | 第16-29页 |
| 2.1 图像去雾的评价标准 | 第16页 |
| 2.2 图像增强的相关知识 | 第16-17页 |
| 2.3 直方图均衡化方法去雾 | 第17-20页 |
| 2.3.1 全局直方图均衡化去雾 | 第17-18页 |
| 2.3.2 子块不重叠的直方图均衡化去雾 | 第18-19页 |
| 2.3.3 子块重叠全局直方图均衡化去雾 | 第19-20页 |
| 2.4 同态滤波算法去雾 | 第20-23页 |
| 2.5 Retinex 算法去雾 | 第23-28页 |
| 2.5.1 Retinex 算法的理论背景及概述 | 第23-25页 |
| 2.5.2 单尺度 Retinex 算法 | 第25-27页 |
| 2.5.3 多尺度 Retinex 算法 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于图像复原的去雾方法研究 | 第29-38页 |
| 3.1 雾的形成及分类 | 第29页 |
| 3.2 大气散射模型 | 第29-32页 |
| 3.2.1 衰减模型 | 第30-31页 |
| 3.2.2 环境光模型 | 第31页 |
| 3.2.3 雾天物理模型的建立 | 第31-32页 |
| 3.3 基于暗通道先验规律的图像复原 | 第32-37页 |
| 3.3.1 暗通道先验理论 | 第32-33页 |
| 3.3.2 透射率的估计 | 第33-34页 |
| 3.3.3 透射率的优化 | 第34-36页 |
| 3.3.4 环境光的估计 | 第36页 |
| 3.3.5 无雾图像的复原 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于 PCNN 图像去雾的实现 | 第38-50页 |
| 4.1 生物神经元介绍 | 第38-39页 |
| 4.2 PCNN 模型介绍 | 第39-41页 |
| 4.3 基于 PCNN 的灰度图像增强 | 第41-44页 |
| 4.3.1 人眼的视觉特性分析 | 第41-42页 |
| 4.3.2 改进的 PCNN 模型 | 第42-43页 |
| 4.3.3 PCNN 对人眼视觉特性的模拟和实现 | 第43-44页 |
| 4.4 基于 PCNN 的彩色图像去雾 | 第44-49页 |
| 4.4.1 彩色空间转化 | 第44-45页 |
| 4.4.2 基于 PCNN 图像去雾的实现 | 第45-48页 |
| 4.4.3 本文算法与传统算法的比较 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 总结 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读学位期间取得学术成果 | 第56页 |
