| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.2.1 紫外极光图像极光卵分割研究现状 | 第16-17页 |
| 1.2.2 紫外极光图像极光卵边界建模研究现状 | 第17页 |
| 1.3 论文的研究成果与章节安排 | 第17-21页 |
| 第二章 相关算法介绍 | 第21-25页 |
| 2.1 紫外极光图像极光卵分割 | 第21-22页 |
| 2.1.1 HKM算法 | 第21页 |
| 2.1.2 AMET算法 | 第21-22页 |
| 2.1.3 LLS -RHT算法 | 第22页 |
| 2.2 极光卵边界建模 | 第22-23页 |
| 2.2.1 单变量回归模型 | 第22-23页 |
| 2.2.2 多变量回归模型 | 第23页 |
| 2.3 小结 | 第23-25页 |
| 第三章 紫外极光图像极光卵分割 | 第25-33页 |
| 3.1 理论基础 | 第25-28页 |
| 3.1.1 最大相似性区域合并 | 第25页 |
| 3.1.2 直接最小二乘椭圆拟合 | 第25-26页 |
| 3.1.3 算法流程 | 第26-28页 |
| 3.2 实验结果与分析 | 第28-31页 |
| 3.2.1 主观评价结果与分析 | 第28-29页 |
| 3.2.2 客观评价结果与分析 | 第29-31页 |
| 3.3 小结 | 第31-33页 |
| 第四章 基于深度学习的极光卵边界位置建模 | 第33-51页 |
| 4.1 理论基础 | 第33-35页 |
| 4.1.1 受限玻尔兹曼机 | 第33-34页 |
| 4.1.2 径向基函数神经网络 | 第34-35页 |
| 4.2 极光卵边界位置模型 | 第35-37页 |
| 4.2.1 图像分割 | 第35页 |
| 4.2.2 坐标转换 | 第35页 |
| 4.2.3 边界提取 | 第35-36页 |
| 4.2.4 模型构建 | 第36-37页 |
| 4.3 实验结果与分析 | 第37-50页 |
| 4.3.1 数据库构建 | 第37-38页 |
| 4.3.2 实验结果与分析 | 第38-50页 |
| 4.4 小结 | 第50-51页 |
| 第五章 基于环形分区的感知哈希极光图像检索 | 第51-61页 |
| 5.1 基于环形分区的感知哈希极光图像检索算法 | 第51-53页 |
| 5.1.1 感知哈希概述 | 第51-52页 |
| 5.1.2 基于环形分区的感知哈希数字摘要生成算法 | 第52-53页 |
| 5.1.3 感知哈希查询算法 | 第53页 |
| 5.2 实验结果与分析 | 第53-57页 |
| 5.2.1 主观评价结果与分析 | 第54-56页 |
| 5.2.2 客观评价结果与分析 | 第56-57页 |
| 5.3 基于环形分区的感知哈希极光图像检索平台 | 第57-59页 |
| 5.3.1 系统设计 | 第57-58页 |
| 5.3.2 平台界面 | 第58页 |
| 5.3.3 事例分析 | 第58-59页 |
| 5.4 小结 | 第59-61页 |
| 第六章 结论和展望 | 第61-63页 |
| 6.1 研究结论 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |