| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 论文研究的背景及目的和意义 | 第9-12页 |
| 1.1.1 论文研究的背景 | 第9-10页 |
| 1.1.2 论文研究的目的和意义 | 第10-12页 |
| 1.2 国内外非监督特征学习的研究现状 | 第12-13页 |
| 1.3 聚类图像分割的研究现状及其与其他方法的比较 | 第13-19页 |
| 1.3.1 基于阈值的图像分割方法 | 第14-15页 |
| 1.3.2 基于区域的图像分割方法 | 第15页 |
| 1.3.3 基于边缘检测的图像分割方法 | 第15-16页 |
| 1.3.4 其他分割方法 | 第16-17页 |
| 1.3.5 基于聚类的图像分割方法 | 第17-18页 |
| 1.3.6 聚类分割算法在侧扫声呐图像分割中的应用优势 | 第18-19页 |
| 1.4 论文的主要研究内容及结构安排 | 第19-21页 |
| 第2章 图像降噪方法研究 | 第21-33页 |
| 2.1 声呐图像的噪声来源 | 第21-23页 |
| 2.1.1 声呐的工作原理 | 第21-22页 |
| 2.1.2 噪声分类与模型 | 第22-23页 |
| 2.1.3 声呐图像的去噪方法 | 第23页 |
| 2.2 去噪算法 | 第23-26页 |
| 2.2.1 非局部均值去噪 | 第23-24页 |
| 2.2.2 最小均方误差滤波 | 第24页 |
| 2.2.3 双边滤波 | 第24-25页 |
| 2.2.4 三维块匹配 | 第25-26页 |
| 2.3 去噪效果的比较与评价 | 第26-32页 |
| 2.3.1 常用的噪声评价指标 | 第26-27页 |
| 2.3.2 声呐图像的去噪实验 | 第27-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 侧扫声呐图像的特征提取与特征学习 | 第33-51页 |
| 3.1 常用的图像特征 | 第33-36页 |
| 3.1.1 局部二值模式 | 第34-35页 |
| 3.1.2 类哈尔特征 | 第35-36页 |
| 3.2 特征学习 | 第36-42页 |
| 3.2.1 特征学习概述 | 第36-37页 |
| 3.2.2 稀疏自编码器的原理 | 第37-40页 |
| 3.2.3 侧扫声呐图像数据的预处理与稀疏自编码器的训练 | 第40-42页 |
| 3.3 PCA降维 | 第42-43页 |
| 3.4 特征的可视化 | 第43-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 侧扫声呐的聚类分割算法研究 | 第51-65页 |
| 4.1 聚类算法在图像分割中的应用 | 第51-52页 |
| 4.2 经典聚类算法介绍 | 第52-56页 |
| 4.2.1 K均值聚类 | 第52-53页 |
| 4.2.2 层次聚类 | 第53-54页 |
| 4.2.3 模糊聚类 | 第54-55页 |
| 4.2.4 谱聚类 | 第55-56页 |
| 4.3 经典聚类算法的侧扫声呐图像分割实验 | 第56-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 基于并行计算的K均值聚类分割 | 第65-69页 |
| 5.1 K均值的并行化原理 | 第65-66页 |
| 5.2 K均值并行化的实现 | 第66-67页 |
| 5.2.1 OpenMP并行编程 | 第66页 |
| 5.2.2 CUDA并行计算 | 第66-67页 |
| 5.3 侧扫声呐图像K均值聚类并行化加速算法试验 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第77-79页 |
| 致谢 | 第79页 |
