首页--天文学、地球科学论文--地球物理勘探论文--磁法勘探论文

基于图像水平集分割的航磁图像信息提取方法研究

摘要第4-5页
abstract第5-6页
第1章 绪论第9-15页
    1.1 课题研究背景与现状第9-10页
    1.2 课题研究意义第10-11页
    1.3 本文航磁图像处理思路与步骤第11-12页
    1.4 本文的内容安排第12-13页
    1.5 本文的主要创新点第13-15页
第2章 基于小波变换的图像去噪研究第15-25页
    2.1 引言第15-16页
    2.2 小波分析的发展过程第16-17页
    2.3 小波变换在图像去噪的应用第17-21页
    2.4 小波去噪实验结果第21页
    2.5 基于小波算法图像去噪相关问题分析第21-23页
        2.5.1 小波分解层数对去噪效果的影响第21-22页
        2.5.2 小波基函数对去噪效果的影响第22-23页
    2.6 航磁图像的小波去噪实验第23-25页
第3章 水平集图像分割模型综述第25-41页
    3.1 参数活动轮廓模型第25-27页
    3.2 水平集方法的基本理论第27-35页
    3.3 水平集方法的研究现状第35-40页
    3.4 本章小结第40-41页
第4章 基于局部信息的改进型CHAN-VESE模型第41-58页
    4.1 引言第41-44页
    4.2 相关水平集能量模型第44-47页
    4.3 LOCAL CHAN-VESE模型第47-49页
    4.4 LOCAL CHAN-VESE模型分割实验第49-53页
        4.4.1 初始化参数设置第49-50页
        4.4.2 灰度分布均匀图像分割实验第50-52页
        4.4.3 LCV模型与C-V模型的分割结果对比第52-53页
    4.5 小波去噪与CHAN-VESE模型的融合分析第53-55页
    4.6 航磁图像的极值区域的分割实验第55-58页
第5章 图像轮廓编码链融合神经网络的图像识别研究第58-83页
    5.1 引言第58页
    5.2 图像轮廓属性编码链的提出第58-63页
        5.2.1 传统的轮廓编码算法第58-61页
        5.2.2 本文的图像轮廓编码链算法第61-63页
    5.3 基于水平集分割模型提取图像的轮廓编码链分析第63-69页
        5.3.1 不同方式的轮廓编码链分析第63-66页
        5.3.2 不同参数轮廓属性编码链的分析第66-67页
        5.3.3 轮廓编码的抗性分析第67-69页
        5.3.4 图像编码总结第69页
    5.4 神经网络的图像识别技术应用第69-73页
        5.4.1 各种神经网络模型应用第69-71页
        5.4.2 神经网络模型的构建及网络相关参数第71-73页
    5.5 全局象素编码的神经网络模型识别效果分析第73-76页
    5.6 CHAN-VESE模型提取图像轮廓编码链与神经网络算法融合的图像识别技术第76-82页
        5.6.1 轮廓编码链与神经网络算法融合的图像识别流程第76页
        5.6.2 轮廓编码链与神经网络算法融合的图像识别效果分析第76-78页
        5.6.3 轮廓编码链与神经网络模型的图像识别抗干扰与识别评价分析第78-81页
        5.6.4 航磁图像区域识别灵敏度分析第81-82页
    5.7 本章小结第82-83页
第6章 东北区域地质特征和航磁异常分析第83-96页
    6.1 大地构造背景第83-84页
    6.2 主要深大断裂分布第84-86页
    6.3 主要地质体分布第86-87页
    6.4 构造演化史第87-88页
    6.5 东北地区区域地层分区第88-91页
        6.5.1 古生代地层划分第88-90页
        6.5.2 中、新生代地层区划第90-91页
    6.6 基于LCV模型的图像分割方法在东北地区航磁异常解释中的应用第91-96页
第7章 总结与展望第96-99页
参考文献第99-111页
作者简介及在学期间所取得的科研成果第111-112页
致谢第112页

论文共112页,点击 下载论文
上一篇:辽河盆地东部凹陷古近纪火山岩:从岩石成因到勘探应用
下一篇:黄海冷水团年际变化研究