| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景与意义 | 第9-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文的研究内容与结构安排 | 第13-15页 |
| ·主要工作 | 第13-14页 |
| ·结构安排 | 第14-15页 |
| 第2章 通过图像增强进行光照补偿 | 第15-29页 |
| ·空间域图像增强理论 | 第15-17页 |
| ·灰度变换 | 第15-17页 |
| ·直方图增强 | 第17页 |
| ·空间滤波 | 第17页 |
| ·频率域图像增强理论 | 第17-18页 |
| ·频率平滑滤波 | 第18页 |
| ·频域锐化滤波 | 第18页 |
| ·基于Retinex的彩色增强算法 | 第18-24页 |
| ·色彩恒常性理论 | 第19页 |
| ·Retinex理论基础 | 第19-20页 |
| ·基于迭代计算的Retinex算法 | 第20-21页 |
| ·基于中心/环绕的Retinex算法 | 第21-22页 |
| ·基于HSI空间改进的Retinex算法 | 第22-24页 |
| ·图像质量评价 | 第24-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 卷积神经网络 | 第29-51页 |
| ·卷积神经网络中的常见层 | 第29-36页 |
| ·卷积层 | 第30-33页 |
| ·池化层 | 第33-34页 |
| ·全链接层 | 第34-35页 |
| ·Dropout层 | 第35-36页 |
| ·损失函数 | 第36-41页 |
| ·SVM层 | 第37-39页 |
| ·Softmax层 | 第39-40页 |
| ·Softmax与SVM的对比 | 第40-41页 |
| ·卷积神经网络中的优化 | 第41-50页 |
| ·CNN中的常用激活函数 | 第41-44页 |
| ·CNN的预处理 | 第44-45页 |
| ·CNN的优化方法 | 第45-50页 |
| ·本章小结 | 第50-51页 |
| 第4章 光照鲁棒的卷积神经网络算法 | 第51-58页 |
| ·光照对图像识别的影响 | 第51页 |
| ·基于Reti Net的光照鲁棒的图像识别算法研究 | 第51-53页 |
| ·实验结果与对比 | 第53-57页 |
| ·Yale-B Crop人脸数据库 | 第53-55页 |
| ·Cifar10数据库 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 全文总结 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读学位期间发表的学术论文目录 | 第65-66页 |
| 致谢 | 第66页 |