| 摘要 | 第1-9页 |
| ABSTRACT | 第9-12页 |
| 致谢 | 第12-19页 |
| 第一章 绪论 | 第19-37页 |
| ·焦炭光学组织简介 | 第19-20页 |
| ·焦炭光学组织自动识别研究意义与背景 | 第20-22页 |
| ·国内外研究进展与分析 | 第22-25页 |
| ·焦炭光学组织图像采集 | 第25-28页 |
| ·本文图像采集系统 | 第25-27页 |
| ·光片制备与图像采集 | 第27-28页 |
| ·图像特征分析 | 第28-30页 |
| ·研究难点分析 | 第30-31页 |
| ·本文主要研究内容与结构安排 | 第31-33页 |
| ·本文主要研究内容 | 第31-33页 |
| ·论文结构安排 | 第33页 |
| 第一章 参考文献 | 第33-37页 |
| 第二章 焦炭光学组织图像的空间分辨率增强处理 | 第37-62页 |
| ·基于两步学习的单帧焦炭显微图像分辨率增强 | 第37-47页 |
| ·相关工作分析 | 第37-38页 |
| ·算法整体框架 | 第38-39页 |
| ·无监督 IPCA 学习算法 | 第39-40页 |
| ·残差预测补偿流形学习算法 | 第40-44页 |
| ·流形与流形学习 | 第40-41页 |
| ·图像残差分块处理 | 第41-42页 |
| ·残差块加权近邻嵌入流形学习算法 | 第42-44页 |
| ·实验与分析 | 第44-46页 |
| ·结论 | 第46-47页 |
| ·基于小波域凸集投影的焦炭序列图像空间分辨率增强 | 第47-58页 |
| ·相关工作分析 | 第47页 |
| ·空域 POCS 算法 | 第47-49页 |
| ·小波域 POCS 可行性与优势分析 | 第49-50页 |
| ·基于小波域 POCS 的焦炭序列图像分辨率增强算法 | 第50-55页 |
| ·基于 MAP 框架的简单空域估计器设计 | 第50-52页 |
| ·帧间凸集构造与投影 | 第52-53页 |
| ·帧内凸集构造与投影 | 第53-55页 |
| ·实验与分析 | 第55-58页 |
| ·算法高效性测试 | 第55-58页 |
| ·算法鲁棒性测试 | 第58页 |
| ·结论 | 第58页 |
| 本章小结 | 第58页 |
| 第二章 参考文献 | 第58-62页 |
| 第三章 焦炭光学组织区域分割 | 第62-77页 |
| ·相关工作分析 | 第62-63页 |
| ·非参数核密度估计 | 第63-64页 |
| ·传统均值偏移算法 | 第64-66页 |
| ·基于边缘置信度的改进均值偏移聚类分割算法 | 第66-71页 |
| ·边缘置信度的设计 | 第67-68页 |
| ·加权的均值偏移算法 | 第68页 |
| ·焦炭光学组织区域初次聚类分割 | 第68-70页 |
| ·焦炭光学组织区域二次分割 | 第70-71页 |
| ·实验结果与分析 | 第71-74页 |
| ·参量取值 | 第71-72页 |
| ·分割性能评价指标 | 第72页 |
| ·与传统均值偏移算法的比较 | 第72-73页 |
| ·与其他聚类算法的比较 | 第73-74页 |
| ·结论 | 第74-75页 |
| 本章小结 | 第75页 |
| 第三章 参考文献 | 第75-77页 |
| 第四章 基于多特征融合的焦炭光学组织自动识别 | 第77-97页 |
| ·相关工作分析 | 第77-78页 |
| ·基于小波分解的轮廓波变换（WBCT） | 第78-84页 |
| ·Contourlet 变换 | 第78-81页 |
| ·Contourlet 变换的频谱混叠现象与分析 | 第81-83页 |
| ·基于小波分解的 Contourlet 变换 | 第83-84页 |
| ·局部二进制模式（LBP） | 第84-87页 |
| ·传统 LBP 算子 | 第84-86页 |
| ·改进的 LBP 算子 | 第86-87页 |
| ·基于 WBCT 和 LBP 多特征融合的自动识别算法 | 第87-92页 |
| ·特征参量的选取 | 第87-90页 |
| ·多特征融合方案 | 第90-92页 |
| ·实验与分析 | 第92-94页 |
| ·特征融合权重α的确定 | 第92-93页 |
| ·不同算法的性能比较 | 第93-94页 |
| ·算法抗干扰性能测试 | 第94页 |
| ·结论 | 第94页 |
| 本章小结 | 第94页 |
| 第四章 参考文献 | 第94-97页 |
| 第五章 基于最优轮廓波包的焦炭光学组织自动识别 | 第97-113页 |
| ·相关工作分析 | 第97-98页 |
| ·小波轮廓波包变换（WBCPT） | 第98-100页 |
| ·2-方向 2-维主分量分析算法（(2D)2PCA） | 第100-101页 |
| ·基于最优轮廓波包的自动识别算法 | 第101-107页 |
| ·基于非抽样小波轮廓波包变换的图像分解（NS-WBCPT） | 第101-105页 |
| ·最优轮廓波包基的选择 | 第105-106页 |
| ·测试样本的识别分类 | 第106-107页 |
| ·实验结果与分析 | 第107-110页 |
| ·图像采集与预处理 | 第107页 |
| ·基于样本库 DA 的实验与分析 | 第107-109页 |
| ·基于样本库 DB 的实验与分析 | 第109-110页 |
| ·结论 | 第110页 |
| 本章小结 | 第110-111页 |
| 第五章 参考文献 | 第111-113页 |
| 第六章 总结与展望 | 第113-115页 |
| ·论文主要工作 | 第113页 |
| ·下一步工作展望 | 第113-115页 |
| 攻读博士学位期间发表的论文 | 第115-116页 |
| 攻读博士学位期间参加科研项目 | 第116-117页 |
