| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 基于图像增强的去雾算法 | 第15-17页 |
| 1.2.2 基于大气散射模型的去雾算法 | 第17-19页 |
| 1.3 本文研究内容和章节安排 | 第19-22页 |
| 1.3.1 本文研究内容 | 第19-20页 |
| 1.3.2 本文章节安排 | 第20-22页 |
| 第二章 图像去雾的基础理论 | 第22-34页 |
| 2.1 引言 | 第22页 |
| 2.2 大气散射模型 | 第22-24页 |
| 2.3 深度学习基础 | 第24-30页 |
| 2.3.1 深度学习技术 | 第24-25页 |
| 2.3.2 卷积神经网络介绍 | 第25-28页 |
| 2.3.3 卷积神经网络的基本构成 | 第28-30页 |
| 2.3.4 典型深度学习框架 | 第30页 |
| 2.4 基于深度学习的单幅图像去雾 | 第30-33页 |
| 2.4.1 MSCNN算法整体框架 | 第31-32页 |
| 2.4.2 训练数据及训练方法 | 第32页 |
| 2.4.3 无雾图像的恢复 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于深度全卷积回归网络的图像去雾算法 | 第34-50页 |
| 3.1 引言 | 第34页 |
| 3.2 DehazeNet和MSCNN算法的局限性分析 | 第34-36页 |
| 3.3 本章算法的整体流程 | 第36页 |
| 3.4 雾图训练数据合成 | 第36-37页 |
| 3.5 网络结构的设计 | 第37-39页 |
| 3.5.1 编码–解码网络类型介绍 | 第37-38页 |
| 3.5.2 DFCRN透射率估计网络结构 | 第38-39页 |
| 3.6 网络训练及图像恢复 | 第39-40页 |
| 3.7 实验结果与分析 | 第40-47页 |
| 3.7.1 合成雾图上的去雾效果对比 | 第41-44页 |
| 3.7.2 真实雾图下的去雾效果对比 | 第44-45页 |
| 3.7.3 DFCRN算法分析 | 第45-46页 |
| 3.7.4 DFCRN的学习特征分析 | 第46-47页 |
| 3.8 本章小结 | 第47-50页 |
| 第四章 基于卷积神经网络的联合估计图像去雾算法 | 第50-60页 |
| 4.1 引言 | 第50页 |
| 4.2 单独估计透射率的网络存在的问题 | 第50-51页 |
| 4.3 本章的算法框架 | 第51-53页 |
| 4.3.1 去雾结构 | 第52页 |
| 4.3.2 透射率及大气光值联合估计的网络结构 | 第52-53页 |
| 4.4 网络实现细节 | 第53-55页 |
| 4.4.1 训练数据 | 第53-54页 |
| 4.4.2 训练参数设置及图像恢复 | 第54-55页 |
| 4.5 实验结果与分析 | 第55-59页 |
| 4.5.1 合成雾图对比 | 第55-56页 |
| 4.5.2 真实雾图对比 | 第56页 |
| 4.5.3 算法分析 | 第56-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结和展望 | 第60-64页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 研究展望 | 第61-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |