| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 1. 绪论 | 第11-13页 |
| 1.1 研究课题背景及意义 | 第11页 |
| 1.2 课题研究现状 | 第11页 |
| 1.3 本文主要工作及章节安排 | 第11-13页 |
| 2. 图像去雾算法研究现状 | 第13-27页 |
| 2.1 图像增强方法用于雾天图像清晰化 | 第13-16页 |
| 2.1.1. 用于雾天图像增强的图像增强方法 | 第13-14页 |
| 2.1.2. 视网膜皮层理论(Retinex)雾天图像增强 | 第14-16页 |
| 2.2 以大气散射模型为基础的数字图像去雾算法 | 第16-26页 |
| 2.2.1. 雾气影响图像质量的物理原理——大气散射模型[19-22] | 第16-18页 |
| 2.2.2. 基于场景深度信息的图像去雾算法 | 第18-19页 |
| 2.2.3. 结合光偏振特性的去雾算法 | 第19-21页 |
| 2.2.4. 基于先验知识的单幅图像去雾算法 | 第21-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3. 结合Quick Shift分割算法对暗原色先验去雾进行改进 | 第27-37页 |
| 3.1 暗原色先验去雾的具体原理 | 第27-28页 |
| 3.2 暗原色先验算法的不足 | 第28-29页 |
| 3.3 Quick Shift图像分割原理 | 第29-31页 |
| 3.4 Quick shift分割引导的暗原色先验去雾 | 第31-34页 |
| 3.5 实验结果 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4. 后向传播神经网络图像去雾算法 | 第37-49页 |
| 4.1 颜色特征与场景深度的关系 | 第38-39页 |
| 4.2 后向传播神经网络建模 | 第39-40页 |
| 4.3 样本收集 | 第40页 |
| 4.4 训练神经网络 | 第40-42页 |
| 4.5 使用神经网络恢复图像 | 第42-44页 |
| 4.6 实验结果 | 第44-48页 |
| 4.7 本章小结 | 第48-49页 |
| 5. 算法质量评价与分析 | 第49-61页 |
| 5.1 本节将使用的客观评测方法 | 第50-51页 |
| 5.2 去雾算法验证结果 | 第51-60页 |
| 5.3 本章小结 | 第60-61页 |
| 6. 总结与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表学术论文目录 | 第70页 |
