基于视觉传感器与深度神经网络的数字图像去雨系统设计
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 数字图像在国内外的发展 | 第11-12页 |
| 1.3 本文的组织结构及内容安排 | 第12-13页 |
| 第2章 深度神经网络概述 | 第13-22页 |
| 2.1 深度神经网络的发展历程 | 第13-20页 |
| 2.1.1 神经元 | 第13-15页 |
| 2.1.2 单层神经网络(感知器) | 第15-17页 |
| 2.1.3 两层神经网络(多层感知器) | 第17-19页 |
| 2.1.4 多层神经网络(深度学习) | 第19-20页 |
| 2.2 深度神经网络的技术特点 | 第20-21页 |
| 2.3 深度神经网络的应用 | 第21-22页 |
| 第3章 数字图像去雨系统整体结构及设计原理 | 第22-28页 |
| 3.1 系统整体结构 | 第22-23页 |
| 3.2 系统设计原理 | 第23-28页 |
| 3.2.1 数据采集组件设计 | 第23-25页 |
| 3.2.2 数据持久化与预处理组件设计 | 第25页 |
| 3.2.3 神经网络运算组件设计 | 第25-27页 |
| 3.2.4 用户交互组件的设计 | 第27-28页 |
| 第4章 数字图像去雨系统的算法设计 | 第28-40页 |
| 4.1 数字图像去雨数据集的建立 | 第28-32页 |
| 4.1.1 初始图片的获取 | 第28-29页 |
| 4.1.2 数据增强与归一化 | 第29-30页 |
| 4.1.3 图像的模拟加雨 | 第30-32页 |
| 4.2 数字图像去雨深度神经网络架构设计 | 第32-39页 |
| 4.2.1 简介 | 第32页 |
| 4.2.2 相关工作 | 第32-33页 |
| 4.2.3 本文参考的方法 | 第33-37页 |
| 4.2.4 本文提出的方法 | 第37-39页 |
| 4.3 神经网络的训练 | 第39-40页 |
| 第5章 结果分析、性能测试及开发环境 | 第40-45页 |
| 5.1 结果分析 | 第40-42页 |
| 5.1.1 模拟数据集上的结果 | 第40-41页 |
| 5.1.2 真实场景下的结果 | 第41-42页 |
| 5.2 性能测试 | 第42-43页 |
| 5.3 开发环境及功能演示 | 第43-45页 |
| 第6章 总结与展望 | 第45-47页 |
| 6.1 总结 | 第45-46页 |
| 6.2 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录 本文部分程序代码 | 第50-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间的研究成果 | 第62页 |
