計算機(jī)視覺中的顏色感知

目錄


第1章引言1
1.1背景與意義1
1.1.1顏色恒常性1
1.1.2HDR圖像處理3
1.2國內(nèi)外研究現(xiàn)狀5
1.2.1顏色恒常性計算5
1.2.2HDR圖像處理9
參考文獻(xiàn)12
第2章顏色恒常性計算13
2.1朗伯特反射模型13
2.2顏色恒常性計算14
2.3對角模型14
2.4顏色恒常性計算研究現(xiàn)狀15
2.4.1無監(jiān)督的顏色恒常性計算15
2.4.2有監(jiān)督的顏色恒常性計算20
2.4.3顏色恒常性融合算法25
2.4.4顏色不變性描述27
2.5顏色恒常性計算實驗數(shù)據(jù)集32
2.6光照估計的性能評價標(biāo)準(zhǔn)34
2.7本章小結(jié)35
參考文獻(xiàn)35
第3章基于樹結(jié)構(gòu)聯(lián)合稀疏表示的多線索光照估計36
3.1引言36
3.2研究背景373.2.1成像模型37
3.2.2光照估計相關(guān)工作37
3.2.3稀疏表示40
3.3基于樹結(jié)構(gòu)聯(lián)合稀疏表示的多線索光照估計40
3.3.1MC概述40
3.3.2樹結(jié)構(gòu)聯(lián)合稀疏正則化41
3.3.3TGJSR的優(yōu)化45
3.3.4核化TGJSR47
3.4MC光照估計的實現(xiàn)與分析48
3.4.1特征提取48
3.4.2由MC框架生成的其他方法49
3.5實驗結(jié)果50
3.5.1評價標(biāo)準(zhǔn)52
3.5.2GehlerShi數(shù)據(jù)集測試52
3.5.3SFU數(shù)據(jù)集測試54
3.5.4Barcelona數(shù)據(jù)集測試56
3.6比較與分析58
3.6.1TGJSR框架中方法的比較58
3.6.2與其他光照估計算法的比較63
3.6.3使用不同稀疏正則化的MC方法的比較67
3.6.4樹結(jié)構(gòu)聯(lián)合稀疏表示與最近鄰方法的比較68
3.6.5訓(xùn)練數(shù)據(jù)集大小的影響69
3.6.6線性MC和核化MC的比較69
3.7本章小結(jié)72
參考文獻(xiàn)72
〖4〗計算機(jī)視覺中的顏色感知〖2〗目錄〖4〗第4章基于紋理相似性的自然圖像的顏色恒常性計算73
4.1引言73
4.2相關(guān)工作介紹74
4.2.1基于自然圖像統(tǒng)計的顏色恒常性算法融合74
4.2.2存在的問題76
4.3基于紋理相似性的自然圖像的顏色恒常性計算77
4.3.1威布爾分布與圖像的紋理特征78
4.3.2基于紋理相似的顏色恒常性算法融合79
4.4實驗結(jié)果與分析80
4.4.1參數(shù)K的選擇實驗80
4.4.2交叉驗證實驗82
4.4.3圖像光照校正示例83
4.5本章小結(jié)85
參考文獻(xiàn)85
第5章自然場景光照估計融合算法的評價86
5.1引言86
5.2光照估計融合算法87
5.2.1無監(jiān)督融合88
5.2.2有監(jiān)督融合88
5.2.3引導(dǎo)式融合89
5.3單一顏色恒常性算法92
5.4實驗設(shè)置94
5.4.1圖像數(shù)據(jù)集94
5.4.2誤差評價標(biāo)準(zhǔn)96
5.4.3實驗參數(shù)選擇96
5.5實驗結(jié)果99
5.5.1GehlerShi數(shù)據(jù)集的結(jié)果分析99
5.5.2SFU子數(shù)據(jù)集的結(jié)果分析103
5.5.3Barcelona數(shù)據(jù)集的結(jié)果分析106
5.5.4時間性能比較110
5.6實驗結(jié)果分析111
5.6.1一致性分析111
5.6.2UC與SC算法的比較111
5.6.3SC和GC算法的比較113
5.6.4IGC算法的特征分析116
5.7場景類別對融合的影響117
5.8單一估計算法對融合的影響118
5.8.1使用UU和SU算法進(jìn)行融合的性能比較118
5.8.2單一算法數(shù)量對融合結(jié)果的影響119
5.9多光源場景的融合算法120
5.10本章小結(jié)122
參考文獻(xiàn)122
第6章基于亮度感知的HDR場景再現(xiàn)123
6.1引言123
6.2相關(guān)工作介紹124
6.3存在的問題126
6.4基于亮度感知理論的HDR場景再現(xiàn)算法126
6.4.1HVS亮度感知理論126
6.4.2基于“雙錨”理論的色調(diào)映射算法127
6.4.3對比度增強132
6.4.4顏色校正134
6.5實驗結(jié)果與分析136
6.5.1評價標(biāo)準(zhǔn)136
6.5.2性能分析與比較137
6.6本章小結(jié)147
參考文獻(xiàn)148
第7章基于稀疏表示和可平移復(fù)方向金字塔變換的多曝光融合149
7.1引言149
7.2可平移復(fù)方向金字塔變換150
7.3基于稀疏表示和可平移復(fù)方向金字塔變換的多曝光融合154
7.3.1稀疏表示簡介154
7.3.2基于稀疏表示和PDTDFB的多曝光融合算法155
7.4實驗結(jié)果與分析159
7.4.1評價標(biāo)準(zhǔn)160
7.4.2實驗結(jié)果與分析163
7.5本章小結(jié)169
參考文獻(xiàn)169
第8章一種端到端深度學(xué)習(xí)框架下的多曝光圖像融合算法170
8.1引言170
8.2存在的問題171
8.3端到端深度學(xué)習(xí)框架下的多曝光圖像融合171
8.4實驗結(jié)果與分析174
8.5本章小結(jié)177
參考文獻(xiàn)177
第9章基于生成對抗網(wǎng)絡(luò)的多曝光圖像融合框架178
9.1引言178
9.2GAN網(wǎng)絡(luò)結(jié)構(gòu)180
9.2.1標(biāo)準(zhǔn)GAN181
9.2.2相對GAN182
9.2.3相對平均GAN184
9.2.4最小二乘GAN185
9.3基于生成對抗網(wǎng)絡(luò)的多曝光圖像融合框架187
9.3.1基于GAN的多曝光圖像融合架構(gòu)187
9.3.2生成器網(wǎng)絡(luò)結(jié)構(gòu)188
9.3.3判別器網(wǎng)絡(luò)結(jié)構(gòu)199
9.3.4損失函數(shù)200
9.4實驗結(jié)果204
9.4.1評價指標(biāo)204
9.4.2結(jié)果分析204
9.5本章小結(jié)216
參考文獻(xiàn)217
第10章總結(jié)與展望218
10.1總結(jié)218
10.2展望221