| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-13页 |
| 1.1 课题研究背景 | 第6-7页 |
| 1.2 图像天气检测常用方法及研究现状 | 第7-10页 |
| 1.3 图像除雨常用方法及研究现状 | 第10-11页 |
| 1.3.1 基于视频的除雨方法 | 第10页 |
| 1.3.2 基于单幅图像的除雨方法 | 第10-11页 |
| 1.4 本文主要的研究内容 | 第11-12页 |
| 1.5 章节安排 | 第12-13页 |
| 2 系统需求分析 | 第13-16页 |
| 2.1 功能性需求 | 第13-14页 |
| 2.2 非功能性需求 | 第14页 |
| 2.3 可行性分析 | 第14-15页 |
| 2.3.1 编写目的和项目背景 | 第14页 |
| 2.3.2 图像天气检测及去除系统的技术可行性分析 | 第14-15页 |
| 2.3.3 使用该系统可能带来的影响 | 第15页 |
| 2.4 本章小结 | 第15-16页 |
| 3 图像天气检测算法 | 第16-29页 |
| 3.1 卷积神经网络的基本理论 | 第16-22页 |
| 3.1.1 神经网络概述 | 第16-19页 |
| 3.1.2 卷积神经网络的正向传播和反向传播 | 第19-21页 |
| 3.1.3 随机梯度下降算法 | 第21-22页 |
| 3.2 图像天气检测算法 | 第22-24页 |
| 3.2.1 天气检测卷积神经网络结构 | 第22-23页 |
| 3.2.2 损失函数 | 第23页 |
| 3.2.3 训练和测试 | 第23页 |
| 3.2.4 分层学习 | 第23-24页 |
| 3.3 实验测试结果及分析 | 第24-28页 |
| 3.3.1 数据集构建 | 第24-25页 |
| 3.3.2 实验参数设置 | 第25-26页 |
| 3.3.3 网络模型逐层分析 | 第26-27页 |
| 3.3.4 实验对比和分析 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 4 图像除雨算法 | 第29-45页 |
| 4.1 残差网络的基本理论 | 第29-33页 |
| 4.1.1 残差表示 | 第30-32页 |
| 4.1.2 短连接 | 第32-33页 |
| 4.2 交替方向乘子法的基本理论 | 第33-34页 |
| 4.2.1 对偶上升法和对偶分解法 | 第33页 |
| 4.2.2 增广拉格朗日和乘子法 | 第33-34页 |
| 4.2.3 交替方向乘子法 | 第34页 |
| 4.3 嵌入残差网络的交替方向乘子法除雨算法 | 第34-38页 |
| 4.3.1 除雨问题建模 | 第35-37页 |
| 4.3.2 网络结构和损失函数 | 第37页 |
| 4.3.3 数据集构建和训练 | 第37-38页 |
| 4.4 实验测试结果及分析 | 第38-43页 |
| 4.4.1 实验参数设置 | 第38页 |
| 4.4.2 使用ADMM框架除雨效果实验 | 第38-41页 |
| 4.4.3 合成雨图除雨实验 | 第41-42页 |
| 4.4.4 非合成现实雨图除雨实验 | 第42-43页 |
| 4.5 本章小结 | 第43-45页 |
| 5 系统实现 | 第45-52页 |
| 5.1 系统架构设计 | 第45-46页 |
| 5.2 系统框架介绍 | 第46页 |
| 5.3 系统实现 | 第46-48页 |
| 5.4 图像天气检测和去除系统的运行截图 | 第48-51页 |
| 5.5 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |