| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于光学原理的大气能见度检测 | 第13-14页 |
| 1.2.2 基于摄像法的大气能见度检测 | 第14-17页 |
| 1.3 发展趋势及方向 | 第17-18页 |
| 1.4 本文章节安排 | 第18-21页 |
| 第2章 高速公路能见度等级预判 | 第21-32页 |
| 2.1 引言 | 第21-22页 |
| 2.2 灰度直方图 | 第22-25页 |
| 2.3 基于灰度直方图的高速公路能见度预判方法 | 第25-28页 |
| 2.3.1 图像灰度化 | 第26-27页 |
| 2.3.2 能见度预判 | 第27-28页 |
| 2.4 实验结果与分析 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于GLCM和SURF的特征提取方法 | 第32-54页 |
| 3.1 引言 | 第32页 |
| 3.2 全局特征提取方法 | 第32-40页 |
| 3.2.1 颜色特征 | 第32-35页 |
| 3.2.2 灰度共生矩阵GLCM特征 | 第35-38页 |
| 3.2.3 形状特征 | 第38-40页 |
| 3.3 局部特征 | 第40-53页 |
| 3.3.1 Sift特征提取 | 第40-46页 |
| 3.3.2 SURF特征点提取 | 第46-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 基于BAPSO优化的IPNN检测结果分类算法 | 第54-66页 |
| 4.1 引言 | 第54页 |
| 4.2 概率神经网络PNN | 第54-56页 |
| 4.3 增量概率神经网络IPNN | 第56-57页 |
| 4.4 传统粒子群算法PSO | 第57-59页 |
| 4.5 改进的粒子群优化算法BAPSO | 第59-61页 |
| 4.6 基于BAPSO优化的IPNN | 第61-65页 |
| 4.7 本章小结 | 第65-66页 |
| 第5章 基于图像处理的能见度检测结果分析 | 第66-78页 |
| 5.1 引言 | 第66-67页 |
| 5.2 .GLCM-SURF组合特征向量 | 第67-69页 |
| 5.2.1 灰度共生矩阵GLCM特征 | 第67页 |
| 5.2.2 SURF匹配程度特征 | 第67-69页 |
| 5.3 基于BAPSO-IPNN的检测结果分类 | 第69-74页 |
| 5.3.1 能见度等级分类分析 | 第69-71页 |
| 5.3.2 样本图像特征向量分类 | 第71-73页 |
| 5.3.3 能见度等级分类结果 | 第73-74页 |
| 5.4 实验结果与分析 | 第74-77页 |
| 5.5 本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第85-86页 |
| 致谢 | 第86-87页 |