| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容与章节安排 | 第12-14页 |
| 1.3.1 论文研究内容 | 第12-13页 |
| 1.3.2 论文章节安排 | 第13-14页 |
| 第二章 结构森林的低照度图像轮廓获取 | 第14-25页 |
| 2.1 低照度图像的特性 | 第14页 |
| 2.2 Retinex算法原理 | 第14-20页 |
| 2.2.1 单尺度Retinex算法 | 第16-17页 |
| 2.2.2 多尺度Retinex算法 | 第17-18页 |
| 2.2.3 带色彩恢复的多尺度Retinex算法 | 第18-20页 |
| 2.3 决策树模型 | 第20-22页 |
| 2.3.1 决策树的概念 | 第20-21页 |
| 2.3.2 决策树的训练与预测 | 第21页 |
| 2.3.3 信息增益与熵 | 第21-22页 |
| 2.4 决策森林模型 | 第22-24页 |
| 2.4.1 分支函数 | 第22-23页 |
| 2.4.2 预测输出 | 第23-24页 |
| 2.4.3 森林的随机性 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 改进的基于Retinex理论的低照度图像增强算法 | 第25-42页 |
| 3.1 改进的基于Retinex理论的低照度图像增强算法流程 | 第25-26页 |
| 3.2 光照分量图像和反射分量图像的获取 | 第26-28页 |
| 3.3 光照分量图像的相关处理 | 第28-30页 |
| 3.3.1 伽马变换 | 第28-29页 |
| 3.3.2 线性拉伸 | 第29-30页 |
| 3.4 反射分量图像的相关处理 | 第30-35页 |
| 3.4.1 双边滤波器 | 第30-32页 |
| 3.4.2 三边滤波器 | 第32-35页 |
| 3.5 颜色失真的矫正 | 第35-36页 |
| 3.6 实验结果与分析 | 第36-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第四章 基于结构森林的图像边缘检测 | 第42-57页 |
| 4.1 结构森林边缘检测器 | 第42-48页 |
| 4.1.1 训练样本的创建 | 第42页 |
| 4.1.2 随机决策森林 | 第42-45页 |
| 4.1.3 结构化随机森林 | 第45-46页 |
| 4.1.4 图像的边缘检测 | 第46-48页 |
| 4.2 改进的结构森林边缘检测器 | 第48-52页 |
| 4.2.1 最大类间方差法概述 | 第49页 |
| 4.2.2 最大类间方差法原理 | 第49-51页 |
| 4.2.3 对数函数灰度变换 | 第51-52页 |
| 4.3 实验结果与分析 | 第52-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 基于结构森林的低照度图像边缘检测的应用研究 | 第57-68页 |
| 5.1 系统应用框架 | 第57页 |
| 5.2 低照度图像增强算法在IP网络摄像机中的应用 | 第57-63页 |
| 5.2.1 IP网络摄像机概述 | 第58-59页 |
| 5.2.2 IP网络摄像机原理及内部结构 | 第59-60页 |
| 5.2.3 IP网络摄像机视频帧获取 | 第60-61页 |
| 5.2.4 颜色空间的转换 | 第61-62页 |
| 5.2.5 低照度图像增强算法在IPC中的应用 | 第62-63页 |
| 5.3 基于结构化边缘检测器的图像分割 | 第63-65页 |
| 5.3.1 定向分水岭算法 | 第63-64页 |
| 5.3.2 超度量轮廓图算法 | 第64-65页 |
| 5.4 实验结果与分析 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 攻读硕士学位期间撰写的论文 | 第74-75页 |
| 致谢 | 第75页 |
