| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.3 本文研究的主要内容及结构安排 | 第18-21页 |
| 第二章 基于景深信息改进的RETINEX低质量航拍道路图像去雾算法 | 第21-40页 |
| 2.1 图像去雾算法概述 | 第21-27页 |
| 2.1.1 常规的图像去雾算法 | 第21-22页 |
| 2.1.2 Retinex算法概述 | 第22-27页 |
| 2.2 基于景深信息改进的尺度变化的Retinex算法 | 第27-32页 |
| 2.2.1 景深对Retinex尺度的影响 | 第27-29页 |
| 2.2.2 本章设计的改进算法 | 第29-31页 |
| 2.2.3 算法复杂度比较 | 第31-32页 |
| 2.3 实验结果及分析 | 第32-39页 |
| 2.3.1 评价指标 | 第32-34页 |
| 2.3.2 实验及结果分析 | 第34-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 基于分数阶微分的低质量航拍道路图像边缘增强算法 | 第40-64页 |
| 3.1 分数阶微分的分析研究 | 第40-51页 |
| 3.1.1 分数阶微积分的作用分析 | 第41-42页 |
| 3.1.2 分数阶微分算子的实现 | 第42-44页 |
| 3.1.3 微分阶数的选取 | 第44-51页 |
| 3.2 一种改进的分数阶微分算子 | 第51-55页 |
| 3.3 实验结果及分析 | 第55-62页 |
| 3.4 本章小结 | 第62-64页 |
| 第四章 结合K均值聚类和最小生成树的道路目标提取算法 | 第64-81页 |
| 4.1 图像分割方法概述 | 第64-65页 |
| 4.2 基于图论的图像分割方法 | 第65-69页 |
| 4.3 基于K均值聚类和最小生成树的道路目标提取算法 | 第69-75页 |
| 4.3.1 K均值初始聚类 | 第70页 |
| 4.3.2 最小生成树的阈值选取 | 第70-72页 |
| 4.3.3 骨架提取、毛刺消除及短线连接等后处理 | 第72-73页 |
| 4.3.4 算法实现过程 | 第73-75页 |
| 4.4 实验结果及分析 | 第75-80页 |
| 4.5 本章小结 | 第80-81页 |
| 第五章 基于山脊特性的道路目标提取算法 | 第81-102页 |
| 5.1 图像边缘检测简介 | 第81-84页 |
| 5.1.1 图像边缘检测算法概述 | 第81-82页 |
| 5.1.2 图像边缘检测研究内容 | 第82-83页 |
| 5.1.3 图像边缘检测与提取过程 | 第83-84页 |
| 5.2 几种常见的图像边缘检测算法 | 第84-87页 |
| 5.2.1 几种常规算法 | 第84-87页 |
| 5.2.2 几种算法存在的问题 | 第87页 |
| 5.3 山脊边界扫描算法 | 第87-95页 |
| 5.3.1 改进的山脊边界扫描算法 | 第88-92页 |
| 5.3.2 低质量航拍图像中山脊道路提取算法的具体步骤 | 第92-95页 |
| 5.4 实验结果及分析 | 第95-100页 |
| 5.5 本章小结 | 第100-102页 |
| 总结与展望 | 第102-105页 |
| 参考文献 | 第105-114页 |
| 攻读学位期间取得的研究成果 | 第114-116页 |
| 致谢 | 第116页 |
