基于支持向量机的天文图像筛选与研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 云的识别与提取 | 第11页 |
| 1.2.2 SVM在天文方面的应用 | 第11-12页 |
| 1.3 本文主要研究的内容及章节安排 | 第12-14页 |
| 第二章 光学成像链路中的噪声及模拟 | 第14-34页 |
| 2.1 成像系统噪声原理及模拟 | 第14-24页 |
| 2.1.1 从光子到电子的转化 | 第17-21页 |
| 2.1.2 从电子到模拟电压的转化 | 第21-23页 |
| 2.1.3 从模拟电压到数字电压的转化 | 第23-24页 |
| 2.2 图像像差的模拟 | 第24-26页 |
| 2.2.1 像差的来源 | 第24页 |
| 2.2.2 泽尼克多项式 | 第24-26页 |
| 2.3 天文图像的蒙特卡罗模拟 | 第26-32页 |
| 2.3.1 点状缺陷噪声模拟 | 第27-28页 |
| 2.3.2 类条状缺陷噪声模拟 | 第28-31页 |
| 2.3.3 云等复杂背景的模拟 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 基于支持向量机的噪声分类系统 | 第34-46页 |
| 3.1 支持向量机 | 第34-37页 |
| 3.1.1 理论知识 | 第34-36页 |
| 3.1.2 LIBSVM | 第36-37页 |
| 3.2 天文图像特征提取 | 第37-42页 |
| 3.2.1 数据规范化 | 第37页 |
| 3.2.2 灰度不一致度 | 第37-38页 |
| 3.2.3 点状缺陷 | 第38-39页 |
| 3.2.4 类条状缺陷 | 第39-40页 |
| 3.2.5 云噪声 | 第40-42页 |
| 3.3 SVM分类器的构建过程 | 第42-43页 |
| 3.4 GPU加速算法的原理与实现 | 第43-45页 |
| 3.4.1 GPU技术 | 第43-44页 |
| 3.4.2 GPU加速过程 | 第44-45页 |
| 3.4.3 加速比测试 | 第45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 分类器分类性能测试 | 第46-52页 |
| 4.1 模拟数据分类 | 第46-47页 |
| 4.2 真实数据分类 | 第47-48页 |
| 4.3 图像分类器长时间工作稳定性 | 第48-49页 |
| 4.4 当噪声特性变化时图像分类器分类性能 | 第49-50页 |
| 4.5 结果分析 | 第50页 |
| 4.6 本章小结 | 第50-52页 |
| 第五章 云的提取 | 第52-58页 |
| 5.1 云的分类 | 第52-54页 |
| 5.2 云的提取 | 第54-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文的研究成果 | 第58-59页 |
| 6.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间发表的学术论文和申请的专利 | 第66页 |
