| 第1章 绪论 | 第1-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·海面溢油监测方法的研究现状 | 第11-15页 |
| ·国内外海面溢油监测的方法 | 第11-12页 |
| ·海面溢油识别技术 | 第12-13页 |
| ·SAR遥感系统监测海面溢油的应用 | 第13-15页 |
| ·本论文的主要工作 | 第15-16页 |
| 第2章 SAR图像的预处理 | 第16-27页 |
| ·概要 | 第16-18页 |
| ·图像增强 | 第18-25页 |
| ·直方图均衡 | 第20-21页 |
| ·均值滤波 | 第21-25页 |
| ·边缘检测 | 第25-27页 |
| 第3章 SAR溢油图像特征提取 | 第27-35页 |
| ·SAR图像的特征提取 | 第27-28页 |
| ·纹理分析方法 | 第28-32页 |
| ·纹理 | 第28-29页 |
| ·纹理分析方法 | 第29-30页 |
| ·基于灰度共生矩阵的纹理分析方法 | 第30-32页 |
| ·纹理特征的提取 | 第32-35页 |
| ·纹理特征的选择 | 第32-33页 |
| ·纹理特征的提取 | 第33-34页 |
| ·图像特征描述 | 第34-35页 |
| 第4章 SAR图像的神经网络识别技术 | 第35-49页 |
| ·遥感图像识别 | 第35-37页 |
| ·遥感技术与溢油监测 | 第35-36页 |
| ·遥感图像识别方法 | 第36-37页 |
| ·人工神经网络识别方法 | 第37-41页 |
| ·人工神经网络概述 | 第37-38页 |
| ·人工神经网络的优点 | 第38页 |
| ·神经网络用于遥感图像分类 | 第38-41页 |
| ·BP神经网络 | 第41-42页 |
| ·Hopfield神经网络 | 第42-43页 |
| ·高阶神经网络 | 第43-49页 |
| ·HoNN网络结构 | 第43-45页 |
| ·高阶神经网络的学习方法 | 第45-47页 |
| ·高阶神经网络的模式分类 | 第47-49页 |
| 第5章 基于遗传算法优化神经网络的海面溢油图像识别系统 | 第49-62页 |
| ·遗传算法优化神经网络 | 第49-51页 |
| ·遗传算法 | 第49-50页 |
| ·遗传算法优化神经网络的优点 | 第50-51页 |
| ·SAR溢油图像分类识别系统结构模型 | 第51页 |
| ·SAR图像特征值的提取 | 第51-52页 |
| ·识别SAR溢油图像的遗传优化神经网络 | 第52-56页 |
| ·遗传神经网络算法的测试 | 第56-62页 |
| ·SAR溢油图像的选择 | 第56-57页 |
| ·溢油分类识别实现与结果分析 | 第57-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 攻读学位期间公开发表的论文 | 第65-67页 |
| 研究生履历 | 第67页 |