基于深度学习的单幅图像去雾算法研究

目录

声明

第1章 绪 论

1.1 课题研究背景及意义

1.2 国内外研究现状分析

1.2.1 传统的图像去雾算法

1.2.2 基于深度学习的去雾算法

1.3 本文的主要研究内容及组织结构安排

第2章 图像去雾技术

2.1 引言

2.2 图像去雾的物理模型

2.3 基于深度学习的图像去雾技术

2.3.1 卷积神经网络介绍

2.3.2 AOD-Net算法

2.3.3 PFFNet算法

2.4 图像去雾质量的评价指标

2.5 本章小结

第3章 基于YCbCr融合残差稠密网络的单幅图像去雾算法

3.1 引言

3.2 色彩空间

3.3 网络结构

3.3.1 亮度通道去雾网络结构

3.3.2 融合网络

3.3.3 损失函数

3.4 网络的训练和测试

3.5 实验结果

3.5.1 与其他算法的对比实验

3.5.2 IN层对网络性能的影响

3.5.3 多尺度增强模块对网络性能的影响

3.6 本章小结

第4章 基于多尺度残差稠密网络的单幅图像去雾算法

4.1 引言

4.2 暗通道先验

4.3 网络结构

4.3.1 总体结构

4.3.2 残差稠密注意力模块

4.3.3 损失函数

4.4 网络的训练及测试

4.5 实验结果

4.5.1 与其他算法的对比实验

4.5.2 多尺度网络结构对去雾性能的影响

4.6 本章小结

第5章 基于多尺度八度卷积的单幅图像去雾算法

5.1 引言

5.2 八度卷积

5.3 网络结构

5.3.1 RAB模块

5.3.2 Decoder模块

5.3.3 损失函数

5.4 网络训练及测试

5.5 实验结果

5.5.1 其他算法的对比实验

5.5.2 八度卷积对去雾性能的影响

5.5.3 各章算法的对比实验

5.6 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢