车载红外图像彩色化算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题背景及研究目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 车载红外夜视辅助驾驶系统发展现状 | 第10-12页 |
| 1.2.2 红外图像彩色化研究现状 | 第12-17页 |
| 1.3 论文主要内容 | 第17-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第2章 基本理论及实验环境 | 第20-28页 |
| 2.1 红外成像原理和特点 | 第20-21页 |
| 2.2 彩色图像处理基础 | 第21-24页 |
| 2.2.1 颜色空间变换 | 第21-22页 |
| 2.2.2 颜色校正 | 第22-23页 |
| 2.2.3 直方图处理 | 第23-24页 |
| 2.3 图像质量评价 | 第24-26页 |
| 2.3.1 主观效果评价 | 第24-25页 |
| 2.3.2 客观效果评价 | 第25-26页 |
| 2.4 实验环境 | 第26-27页 |
| 2.4.1 深度学习框架选取 | 第26-27页 |
| 2.4.2 Matconvnet工具箱 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 夜间彩色图像增强算法 | 第28-38页 |
| 3.1 传统图像增强算法 | 第28-32页 |
| 3.2 亮度映射估计算法 | 第32-34页 |
| 3.3 改进的非线性分段调节算法 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 图像超分辨率重建 | 第38-52页 |
| 4.1 卷积神经网络基本理论 | 第38-46页 |
| 4.1.1 卷积运算 | 第41页 |
| 4.1.2 网络组成 | 第41-44页 |
| 4.1.3 学习过程 | 第44-45页 |
| 4.1.4 模型优化设计 | 第45-46页 |
| 4.2 图像超分辨率重建方法 | 第46-48页 |
| 4.3 单幅图像超分辨率算法 | 第48-49页 |
| 4.4 基于卷积神经网络的超分辨率重建 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于卷积神经网络的彩色化算法 | 第52-67页 |
| 5.1 基于多分支卷积神经网络的彩色化算法 | 第52-55页 |
| 5.1.1 网络结构 | 第53-55页 |
| 5.1.2 目标函数 | 第55页 |
| 5.2 实验数据集 | 第55-61页 |
| 5.2.1 MIT Places2数据集 | 第55-57页 |
| 5.2.2 KASIT多光谱行人数据集 | 第57-58页 |
| 5.2.3 CVC-14 可视远红外行人数据集 | 第58-59页 |
| 5.2.4 HIT-FIC图像数据集 | 第59-61页 |
| 5.3 网络训练过程 | 第61-62页 |
| 5.4 测试结果分析 | 第62-66页 |
| 5.5 本章小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间发表的学术论文 | 第71-73页 |
| 致谢 | 第73页 |
