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 |