| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-14页 |
| ·研究目的和意义 | 第11-12页 |
| ·藻类图像预处理和识别的现状 | 第12-13页 |
| ·研究内容和结构安排 | 第13-14页 |
| 2 藻类图像的形态学预处理 | 第14-30页 |
| ·本文图像来源及图像噪声特点 | 第14-15页 |
| ·图像来源及算法仿真环境 | 第14页 |
| ·本文所用藻类图像的噪声特点 | 第14-15页 |
| ·形态学分水岭 | 第15-19页 |
| ·形态学分水岭分割算法原理 | 第15-17页 |
| ·基于控制标记符的分水岭分割方法 | 第17-18页 |
| ·使用控制标记符分水岭算法的藻类图像预处理 | 第18-19页 |
| ·基于高帽—低帽变换的藻类图像预处理算法 | 第19-23页 |
| ·高帽—低帽变换的基本原理 | 第19-21页 |
| ·基于高帽—低帽变换的藻类图像预处理 | 第21-23页 |
| ·基于高帽—低帽变换和一维最大类间方差的藻类图像预处理 | 第23-26页 |
| ·基于形状连通性的图像分割算法 | 第23-25页 |
| ·一维最大类间方差算法的基本原理 | 第25-26页 |
| ·基于数学形态学与一维最大类间方差法的藻类图像预处理 | 第26-29页 |
| ·总结 | 第29-30页 |
| 3 藻类图像的形状特征提取 | 第30-36页 |
| ·线检测 | 第30-31页 |
| ·Sobel 边缘检测器 | 第31-32页 |
| ·藻类图像的细化处理 | 第32-34页 |
| ·基于Sobel 边缘检测及细化处理的藻类图像形状特征提取 | 第34-35页 |
| ·总结 | 第35-36页 |
| 4 藻类图像的纹理特征提取 | 第36-45页 |
| ·小波变换的现状 | 第36-37页 |
| ·不完全树形小波分解原理 | 第37-41页 |
| ·小波变换的多分辨率分析 | 第37-39页 |
| ·图像的二维小波分解 | 第39-40页 |
| ·不完全树型小波分解 | 第40-41页 |
| ·基于不完全树形小波分解的藻类图像特征提取 | 第41-42页 |
| ·图像一致性判别 | 第41-42页 |
| ·基于不完全树形结构的子带正切值特征 | 第42页 |
| ·仿真结果 | 第42-44页 |
| ·总结 | 第44-45页 |
| 5 基于双概率神经网络的藻类图像识别 | 第45-52页 |
| ·双概率神经网络原理 | 第45-46页 |
| ·基于双概率神经网络的Brodatz 图像库纹理提取 | 第46-49页 |
| ·基于双概率神经网络的藻类图像纹理识别 | 第49-51页 |
| ·总结 | 第51-52页 |
| 6 总结和展望 | 第52-54页 |
| ·工作总结 | 第52页 |
| ·展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 个人简历 | 第55页 |
| 发表的学术论文 | 第55-56页 |
| 参考文献 | 第56-59页 |
