基于人工/非人工特征的声纳图像识别研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 图像预处理 | 第9-10页 |
| 1.2.2 纹理特征提取 | 第10-11页 |
| 1.2.3 卷积神经网络 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 第2章 声纳图像预处理 | 第15-27页 |
| 2.1 声纳图像去噪 | 第15-17页 |
| 2.1.1 典型去噪方法 | 第15-17页 |
| 2.1.2 三维块匹配算法 | 第17页 |
| 2.2 去噪实验结果与分析 | 第17-20页 |
| 2.3 声纳图像分割 | 第20-24页 |
| 2.3.1 迭代法 | 第20页 |
| 2.3.2 最大类间方差法 | 第20-21页 |
| 2.3.3 最大熵方法 | 第21-22页 |
| 2.3.4 快速行进算法 | 第22-24页 |
| 2.4 分割实验结果与分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 特征提取与分类识别 | 第27-45页 |
| 3.1 基于灰度共生矩阵的特征提取 | 第27-32页 |
| 3.1.1 纹理特征概述 | 第27-29页 |
| 3.1.2 灰度共生矩阵算法 | 第29-32页 |
| 3.2 GLCM仿真实验与分析 | 第32-35页 |
| 3.3 基于支持向量机的图像分类 | 第35-40页 |
| 3.3.1 机器学习概述 | 第35-36页 |
| 3.3.2 支持向量机原理 | 第36-40页 |
| 3.4 基于SVM的图像分类实验 | 第40-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 特征学习与识别 | 第45-59页 |
| 4.1 卷积神经网络基础 | 第45-48页 |
| 4.1.1 感知器单元 | 第45-47页 |
| 4.1.2 反向传播算法 | 第47-48页 |
| 4.2 卷积神经网络结构 | 第48-53页 |
| 4.2.1 网络结构 | 第48-50页 |
| 4.2.2 卷积神经网络的反向传播算法 | 第50-51页 |
| 4.2.3 相关问题 | 第51-53页 |
| 4.3 Softmax分类器 | 第53-55页 |
| 4.4 ConvNets仿真实验与分析 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
