| 摘要 | 第1-5页 |
| ABSTRACT | 第5-14页 |
| 第一章 绪论 | 第14-23页 |
| ·本课题研究的意义 | 第14-16页 |
| ·空中目标图像识别的研究现状 | 第16-20页 |
| ·硬件研究现状 | 第20-21页 |
| ·本课题的主要研究内容 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第二章 飞机目标图像前期处理技术研究 | 第23-43页 |
| ·引言 | 第23页 |
| ·图像分割技术 | 第23-34页 |
| ·图像分割概述 | 第23-25页 |
| ·图像预处理 | 第25-26页 |
| ·基于进化规划的二维交叉熵图像分割 | 第26-31页 |
| ·基于神经网络的图像分割 | 第31-34页 |
| ·运动目标检测技术 | 第34-42页 |
| ·运动目标检测算法 | 第35-37页 |
| ·自适应混合高斯模型 | 第37-38页 |
| ·基于自适应混合高斯模型的运动目标检测技术 | 第38-39页 |
| ·形态学滤波 | 第39-41页 |
| ·实验结果与分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 目标的特征提取和神经网络识别技术 | 第43-56页 |
| ·引言 | 第43页 |
| ·基于区域的矩不变量 | 第43-46页 |
| ·Hu 矩不变量 | 第44-45页 |
| ·改进的不变矩 | 第45页 |
| ·相对不变矩 | 第45-46页 |
| ·仿射不变量特征提取 | 第46-49页 |
| ·基于 Kohonen 神经网络的识别技术 | 第49-55页 |
| ·Kohonen 神经网络原理 | 第50-51页 |
| ·Kohonen 自组织特征映射算法 | 第51-52页 |
| ·SOFM 算法的改进措施 | 第52-53页 |
| ·Kohonen 网络在目标识别中的应用 | 第53-54页 |
| ·实验结果与分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第四章 基于支持向量机的目标识别技术 | 第56-69页 |
| ·引言 | 第56页 |
| ·支持向量机原理 | 第56-61页 |
| ·机器学习模型 | 第56-57页 |
| ·经验风险最小化和结构风险最小化 | 第57-58页 |
| ·支持向量机技术 | 第58-61页 |
| ·支持向量机在目标识别中的应用 | 第61-66页 |
| ·支持向量机的学习算法 | 第61-62页 |
| ·序贯最小优化算法 | 第62-65页 |
| ·SMO 算法实现 | 第65-66页 |
| ·实验结果与分析 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 图像处理与识别算法在DSP 上的实现及优化 | 第69-86页 |
| ·引言 | 第69页 |
| ·DSP 系统构成 | 第69-74页 |
| ·DAM6416P 图像处理系统结构 | 第69-73页 |
| ·硬件仿真器 | 第73-74页 |
| ·系统软件开发及仿真 | 第74-76页 |
| ·CCS 集成开发环境 | 第74-76页 |
| ·系统仿真 | 第76页 |
| ·图像处理算法的实现及优化 | 第76-85页 |
| ·软件实现 | 第76-79页 |
| ·图像的采集与显示 | 第79-80页 |
| ·代码的优化实现 | 第80-84页 |
| ·编程优化中应注意的问题 | 第84-85页 |
| ·本章小结 | 第85-86页 |
| 第六章 总结与展望 | 第86-88页 |
| ·论文工作总结 | 第86页 |
| ·研究展望 | 第86-88页 |
| 参考文献 | 第88-91页 |
| 致谢 | 第91-92页 |
| 在学校期间的研究成果及发表的学术论文 | 第92页 |