| 论文摘要 | 第4-5页 |
| Abstract of Thesis | 第5页 |
| 引言 | 第8-9页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究的背景与意义 | 第9-10页 |
| 1.2 计算机视觉在水产养殖的应用研究现状 | 第10-13页 |
| 1.2.1 计算机视觉技术在养殖生物的生物量估计的应用研究现状 | 第10-11页 |
| 1.2.2 计算机视觉技术在养殖生物行为监测应用研究现状 | 第11-13页 |
| 1.3 相关技术的研究现状 | 第13-17页 |
| 1.3.1 图像分割技术的研究现状 | 第13-15页 |
| 1.3.2 运动目标检测技术的研究现状 | 第15-16页 |
| 1.3.3 目标跟踪技术的研究现状 | 第16-17页 |
| 1.4 课题来源 | 第17页 |
| 1.5 课题主要研究内容以及章节安排 | 第17-19页 |
| 2.研究方案设计 | 第19-23页 |
| 2.1 需求分析 | 第19-20页 |
| 2.2 总体设计 | 第20-21页 |
| 2.3 相关的硬件设计 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 梭子蟹目标检测 | 第23-31页 |
| 3.1 特征选取 | 第24-25页 |
| 3.2 积分图 | 第25-28页 |
| 3.2.1 积分图的定义 | 第25-26页 |
| 3.2.2 特征值的计算 | 第26-28页 |
| 3.3 分类器选择 | 第28-29页 |
| 3.3.1 boosting 算法简介 | 第28页 |
| 3.3.2 AdaBoost 算法简介 | 第28-29页 |
| 3.3.3 梭子蟹分类器的训练 | 第29页 |
| 3.4 试验结果 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 梭子蟹的跟踪算法 | 第31-36页 |
| 4.1 特征选择 | 第31-32页 |
| 4.1.1 多尺度图像特征 | 第32页 |
| 4.1.2 随机投影矩阵 | 第32页 |
| 4.2 分类器算法 | 第32-34页 |
| 4.2.1 朴素贝叶斯分类器的原理 | 第32-33页 |
| 4.2.2 朴素贝叶斯分类器的构建和更新 | 第33-34页 |
| 4.3 梭子蟹跟踪算法的步骤 | 第34页 |
| 4.4 试验结果 | 第34-35页 |
| 4.5 本章小结 | 第35-36页 |
| 5 基于计算机视觉技术的梭子蟹质量估计方法的研究 | 第36-43页 |
| 5.1 梭子蟹图像采集装置与材料 | 第36页 |
| 5.2 图像处理 | 第36-40页 |
| 5.2.1 图像校准 | 第37页 |
| 5.2.2 图像分割 | 第37-38页 |
| 5.2.3 形态学处理 | 第38-39页 |
| 5.2.4 轮廓处理 | 第39-40页 |
| 5.2.5 面积参数的获取 | 第40页 |
| 5.3 结果与分析 | 第40-42页 |
| 5.4 本章小结 | 第42-43页 |
| 6 急性低盐胁迫下梭子蟹应激反应活动量变化 | 第43-49页 |
| 6.1 材料和方法 | 第43-44页 |
| 6.1.1 试验材料与条件 | 第43页 |
| 6.1.2 试验设计 | 第43-44页 |
| 6.2 图像处理 | 第44-46页 |
| 6.2.1 背景建模 | 第44页 |
| 6.2.2 形态学操作和轮廓处理 | 第44-45页 |
| 6.2.3 目标标定 | 第45页 |
| 6.2.4 活动量量化 | 第45-46页 |
| 6.3 结果与讨论 | 第46-48页 |
| 6.4 本章小结 | 第48-49页 |
| 7 总结与展望 | 第49-51页 |
| 7.1 本文总结 | 第49页 |
| 7.2 今后展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 在学研究成果 | 第55-56页 |
| 致谢 | 第56页 |