日侧全天空极光图像分类及动态过程分析方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-21页 |
| §1.1 研究意义和背景 | 第13-15页 |
| ·研究极光的意义 | 第13页 |
| ·研究背景与基础 | 第13-15页 |
| §1.2 基于图像的极光研究的发展与现状 | 第15-16页 |
| ·极光图像研究的意义 | 第15页 |
| ·机器视觉技术在极光图像分析中的应用 | 第15-16页 |
| ·目前存在的问题 | 第16页 |
| §1.3 本文研究内容及组织结构 | 第16-21页 |
| ·本文研究方向及主要贡献 | 第16-18页 |
| ·论文基本研究框架 | 第18-21页 |
| 第二章 基于表象特征的全天空极光图像分类 | 第21-43页 |
| §2.1 引言 | 第21-25页 |
| ·极光图像的表象特征提取 | 第21-22页 |
| ·现有的极光分类机制 | 第22-25页 |
| §2.2 全天空极光图像的表象特征提取方法 | 第25-27页 |
| ·基于空间纹理的全天空极光图像表征 | 第25-27页 |
| ·空间纹理特征的距离度量 | 第27页 |
| §2.3 全天空极光图像的预处理及数据标记 | 第27-31页 |
| ·数据预处理 | 第27-28页 |
| ·数据标记 | 第28-31页 |
| §2.4 全天空极光图像的自动检索与分类 | 第31-37页 |
| ·全天空极光图像检索 | 第31-33页 |
| ·全天空极光图像分类 | 第33-37页 |
| §2.5 在交叉数据库上的分类 | 第37-40页 |
| §2.6 本章小结 | 第40-43页 |
| 第三章 基于表象特征的全天空极光图像聚类分析 | 第43-63页 |
| §3.1 引言 | 第43-44页 |
| §3.2 聚类算法 | 第44-46页 |
| §3.3 聚类有效性评估 | 第46-55页 |
| ·聚类有效性指标 | 第46-53页 |
| ·聚类有效性评估 | 第53-55页 |
| §3.4 聚类结果解释 | 第55-61页 |
| ·聚类趋势 | 第56-57页 |
| ·两类的聚类结果分析 | 第57-59页 |
| ·四类的聚类结果分析 | 第59-61页 |
| §3.5 本章小结 | 第61-63页 |
| 第四章 极光序列的运动特征提取及分析 | 第63-85页 |
| §4.1 引言 | 第63-65页 |
| ·研究极光动态过程的意义 | 第63页 |
| ·极光动态过程研究的现状及问题 | 第63-65页 |
| §4.2 基于流体的运动场计算 | 第65-66页 |
| §4.3 多尺度正则化方法 | 第66-70页 |
| §4.4 实验结果 | 第70-76页 |
| ·主观评估：有效性、准确性、鲁棒性 | 第70-74页 |
| ·客观评估：检测极向运动特征 | 第74-76页 |
| §4.5 极光事件检测 | 第76-84页 |
| ·基于局部运动场的时空统计特征 | 第77页 |
| ·极光事件检测方法 | 第77-78页 |
| ·极向运动检测 | 第78-81页 |
| ·多目标事件评估 | 第81-84页 |
| §4.6 本章小结 | 第84-85页 |
| 第五章 基于动态纹理的极光动态过程分析 | 第85-99页 |
| §5.1 引言 | 第85-87页 |
| ·极光图像序列的动态纹理 | 第85页 |
| ·基于运动场的动态纹理识别研究 | 第85-86页 |
| ·极光事件分析 | 第86-87页 |
| §5.2 局部向量差 | 第87-89页 |
| ·局部向量差算法 | 第87-88页 |
| ·性能评估 | 第88-89页 |
| §5.3 极光序列的自动分割 | 第89-94页 |
| ·突变检测 | 第90-91页 |
| ·自动分割的结果 | 第91-94页 |
| §5.4 极光事件的聚类 | 第94-97页 |
| §5.5 本章小结 | 第97-99页 |
| 第六章 结束语 | 第99-103页 |
| 致谢 | 第103-105页 |
| 参考文献 | 第105-113页 |
| 研究成果 | 第113-114页 |
