| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 基于图像增强的雾天图像复原 | 第10-12页 |
| 1.2.2 基于物理模型的雾天图像复原 | 第12-13页 |
| 1.3 论文内容及结构 | 第13-15页 |
| 1.3.1 现有研究不足及本研究要解决的问题 | 第13-14页 |
| 1.3.2 主要研究内容 | 第14页 |
| 1.3.3 论文结构 | 第14-15页 |
| 第2章 图像去雾算法的基础理论研究 | 第15-28页 |
| 2.1 雾的形成原因及影响 | 第15-16页 |
| 2.2 大气散射模型 | 第16-20页 |
| 2.2.1 入射光的衰减模型 | 第17-18页 |
| 2.2.2 大气散射光模型 | 第18-19页 |
| 2.2.3 雾天降质图像的大气散射模型 | 第19-20页 |
| 2.3 经典去雾算法研究 | 第20-27页 |
| 2.3.1 基于暗原色先验的去雾算法 | 第20-24页 |
| 2.3.2 基于快速中值滤波的去雾算法 | 第24-26页 |
| 2.3.3 算法不足之处 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于构造简化模型和局部大气光遮罩的图像去雾算法 | 第28-37页 |
| 3.1 引导滤波 | 第28-30页 |
| 3.2 构造大气散射简化模型 | 第30-31页 |
| 3.2.1 改进的大气光值估计方法 | 第30页 |
| 3.2.2 构造简化大气散射模型 | 第30-31页 |
| 3.3 改进的介质透射率估计方法 | 第31-32页 |
| 3.4 基于改进方法的雾天图像复原 | 第32-33页 |
| 3.5 实验结果对比与分析 | 第33-36页 |
| 3.5.1 主观评价 | 第33-34页 |
| 3.5.2 客观评价 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于卷积神经网络的图像去雾算法 | 第37-50页 |
| 4.1 传统去雾算法相关的手工特征 | 第37-38页 |
| 4.2 卷积神经网络CNN | 第38-42页 |
| 4.2.1 卷积神经网络的网络结构 | 第38-39页 |
| 4.2.2 卷积层 | 第39-41页 |
| 4.2.3 池化层 | 第41-42页 |
| 4.3 基于提出的卷积神经网络模型的图像去雾算法 | 第42-44页 |
| 4.3.1 基于提出的卷积神经网络模型的透射率估计 | 第42-44页 |
| 4.3.2 雾天图像复原 | 第44页 |
| 4.4 实验结果对比与分析 | 第44-49页 |
| 4.4.1 卷积神经网络训练 | 第44-46页 |
| 4.4.2 实验对比分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 工作总结 | 第50-51页 |
| 5.2 研究展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间的研究成果 | 第58页 |