| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-12页 |
| 1.1 图像去雾研究背景 | 第6-7页 |
| 1.2 图像去雾的研究目的和意义 | 第7页 |
| 1.3 图像去雾方法的研究现状 | 第7-9页 |
| 1.3.1 基于图像增强的去雾方法 | 第8页 |
| 1.3.2 基于图像复原的去雾方法 | 第8-9页 |
| 1.4 论文的结构安排及创新点 | 第9-12页 |
| 第二章 基于暗通道先验模型的去雾算法 | 第12-32页 |
| 2.1 雾的形成及雾天对图像的降质原因 | 第12-14页 |
| 2.1.1 雾的形成 | 第12-13页 |
| 2.1.2 雾对图像的降质影响 | 第13页 |
| 2.1.3 海边雾天图像特点 | 第13-14页 |
| 2.2 大气散射模型 | 第14-20页 |
| 2.2.1 直接衰减模型 | 第15-17页 |
| 2.2.2 大气衰减模型 | 第17-19页 |
| 2.2.3 大气散射模型 | 第19-20页 |
| 2.3 暗通道先验理论 | 第20-32页 |
| 2.3.1 暗通道先验规律 | 第20-23页 |
| 2.3.2 暗通道先验模型 | 第23-25页 |
| 2.3.3 透射率优化 | 第25-27页 |
| 2.3.4 大气光值估计 | 第27页 |
| 2.3.5 图像复原 | 第27-28页 |
| 2.3.6 基于暗通道先验模型去雾算法优缺点分析 | 第28-32页 |
| 第三章K-means聚类算法分割雾天图像 | 第32-42页 |
| 3.1 聚类综述 | 第32-35页 |
| 3.1.1 聚类分析的概念及数据结构 | 第32-33页 |
| 3.1.2 聚类分析相似性度量和准则函数 | 第33-35页 |
| 3.2 K-means聚类算法 | 第35-37页 |
| 3.2.1 K-means聚类算法基本思想 | 第35页 |
| 3.2.2 K-means聚类算法流程 | 第35-36页 |
| 3.2.3 K-means聚类算法优缺点分析及改进 | 第36-37页 |
| 3.3 改进的K-means聚类算法分割天空区域 | 第37-42页 |
| 3.3.1 图像分割定义及分类 | 第37-38页 |
| 3.3.2 利用改进的K-means聚类算法分割天空区域 | 第38-39页 |
| 3.3.3 估计大气光强度 | 第39-42页 |
| 第四章 海边雾天图像去雾算法的实现 | 第42-52页 |
| 4.1 引导滤波优化透射率 | 第42-44页 |
| 4.2 色调重映射 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-52页 |
| 4.3.1 中值滤波 | 第45-46页 |
| 4.3.2 双边滤波 | 第46-47页 |
| 4.3.3 实验结果分析与评价 | 第47-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间的研究成果 | 第58-60页 |
| 致谢 | 第60-61页 |