| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 图像预处理 | 第12-13页 |
| 1.2.2 图像特征提取和识别 | 第13页 |
| 1.2.3 卷积神经网络 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-17页 |
| 第2章 YellowFin声纳的性能分析与数据结构 | 第17-33页 |
| 2.1 侧扫声纳的工作原理和图像特点 | 第17-18页 |
| 2.1.1 侧扫声纳的工作原理 | 第17页 |
| 2.1.2 侧扫声纳的图像特点 | 第17-18页 |
| 2.2 YellowFin结构组成和性能 | 第18-24页 |
| 2.2.1 接口结构 | 第20-22页 |
| 2.2.2 数据结构 | 第22-24页 |
| 2.3 YellowFin数据提取技术 | 第24-27页 |
| 2.3.1 网络数据包传输基础 | 第25-26页 |
| 2.3.2 基于嗅探器的YellowFin数据获取技术 | 第26-27页 |
| 2.4 YellowFin数据格式解析 | 第27-31页 |
| 2.4.1 YellowFin通信流程图 | 第27-28页 |
| 2.4.2 YellowFin Switch数据包解析 | 第28-30页 |
| 2.4.3 YellowFin EchoData数据包解析 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于CNN的YellowFin声纳目标图像检测 | 第33-48页 |
| 3.1 卷积神经网络的相关概念 | 第33-36页 |
| 3.1.1 稀疏连接 | 第33-34页 |
| 3.1.2 权值共享 | 第34页 |
| 3.1.3 Softmax回归 | 第34-36页 |
| 3.2 卷积神经网络结构 | 第36-39页 |
| 3.2.1 卷积层 | 第36-38页 |
| 3.2.2 池化层 | 第38-39页 |
| 3.2.3 全连接层 | 第39页 |
| 3.3 卷积神经网络的训练方法 | 第39-42页 |
| 3.4 设计实验与分析 | 第42-46页 |
| 3.4.1 LeNet-5的结构 | 第42-43页 |
| 3.4.2 实验设计与分析 | 第43-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 CNN提取出侧扫声纳图像的预处理 | 第48-58页 |
| 4.1 侧扫声纳图像的去噪 | 第48-50页 |
| 4.1.1 中值滤波 | 第49页 |
| 4.1.2 自适应中值滤波 | 第49-50页 |
| 4.1.3 小波去噪 | 第50页 |
| 4.2 图像去噪的实验结果与分析 | 第50-52页 |
| 4.3 侧扫声纳的图像分割 | 第52-55页 |
| 4.3.1 阈值迭代法 | 第52-53页 |
| 4.3.2 直方图阈值法 | 第53-54页 |
| 4.3.3 FCM算法 | 第54-55页 |
| 4.4 其它水下目标图像分割的结果 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 侧扫声纳图像的特征提取与识别 | 第58-68页 |
| 5.1 边缘特征提取 | 第58-60页 |
| 5.1.1 Sobel算子 | 第58-59页 |
| 5.1.2 拉普拉斯算子 | 第59页 |
| 5.1.3 Canny算子 | 第59-60页 |
| 5.2 SIFT特征匹配 | 第60-63页 |
| 5.2.1 算法原理 | 第60-62页 |
| 5.2.2 特征点初步匹配 | 第62-63页 |
| 5.2.3 特征点精确匹配及变换矩阵求解 | 第63页 |
| 5.3 SIFT局部特征匹配的实验与分析 | 第63-66页 |
| 5.4 本章小结 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
