| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 课题研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 白天图像去雾研究现状 | 第8-12页 |
| 1.2.2 夜晚图像去雾研究现状 | 第12页 |
| 1.3 论文主要工作和章节安排 | 第12-15页 |
| 1.3.1 论文主要工作 | 第13页 |
| 1.3.2 论文章节安排 | 第13-15页 |
| 第2章 雾天图像特性及去雾方法 | 第15-29页 |
| 2.1 大气散射模型 | 第15-18页 |
| 2.1.1 入射光衰减模型 | 第15-16页 |
| 2.1.2 环境光散射模型 | 第16-18页 |
| 2.1.3 大气散射模型 | 第18页 |
| 2.2 基于物理模型的去雾算法 | 第18-24页 |
| 2.2.1 基于暗通道先验的去雾算法 | 第18-22页 |
| 2.2.2 基于多光源的图像去雾算法 | 第22-24页 |
| 2.3 图像去雾质量评价 | 第24-28页 |
| 2.3.1 图像主观质量评价方法 | 第24-25页 |
| 2.3.2 图像客观质量评价方法 | 第25-26页 |
| 2.3.3 客观评价方法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于深度学习和透射率融合的图像去雾 | 第29-49页 |
| 3.1 基于多尺度CNN的去雾算法 | 第29-34页 |
| 3.1.1 基于MSCNN的去雾框架 | 第29-30页 |
| 3.1.2 MSCNN有雾图像数据集构造 | 第30-31页 |
| 3.1.3 MSCNN网络结构 | 第31-33页 |
| 3.1.4 实验与结果分析 | 第33-34页 |
| 3.2 基于DehazeNet的图像去雾 | 第34-38页 |
| 3.2.1 DehazeNet的层级结构 | 第34-36页 |
| 3.2.2 DehazeNet的训练过程 | 第36-37页 |
| 3.2.3 DehazeNet的去雾结果 | 第37-38页 |
| 3.3 基于深度学习和透射率融合的去雾算法 | 第38-44页 |
| 3.3.1 方向性大气光估计 | 第39-42页 |
| 3.3.2 基于Dehazenet和暗通道先验的透射率融合 | 第42-44页 |
| 3.3.3 基于深度学习和透射率融合的图像去雾算法流程 | 第44页 |
| 3.4 实验与结果分析 | 第44-46页 |
| 3.5 本章小结 | 第46-49页 |
| 第4章 基于统计特性和亮度估计的夜晚图像去雾 | 第49-61页 |
| 4.1 带有色偏因子的雾天图像成像模型 | 第49-50页 |
| 4.2 基于统计特性和亮度估计的夜晚图像去雾 | 第50-55页 |
| 4.2.1 夜晚雾天图像统计特性 | 第50-51页 |
| 4.2.2 带色偏的局部大气光估计 | 第51页 |
| 4.2.3 透射率估计和优化 | 第51-53页 |
| 4.2.4 复原图像 | 第53页 |
| 4.2.5 颜色校正 | 第53-55页 |
| 4.2.6 基于统计特性和亮度估计的夜晚图像去雾算法流程 | 第55页 |
| 4.3 实验与结果分析 | 第55-59页 |
| 4.3.1 主观评价 | 第55-56页 |
| 4.3.2 客观评价 | 第56-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第5章 总结和展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 发表论文和参加科研情况说明 | 第69-71页 |
| 致谢 | 第71页 |
