| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第13-31页 |
| 1.1 课题研究的背景和意义 | 第13-17页 |
| 1.1.1 自主水下航行器的优势和发展前景 | 第13-14页 |
| 1.1.2 课题研究目的和重要意义 | 第14-17页 |
| 1.2 AUV技术研究发展现状 | 第17-20页 |
| 1.3 AUV的光视觉认知技术发展现状与趋势 | 第20-27页 |
| 1.3.1 水下光学图像恢复方法 | 第20-22页 |
| 1.3.2 水下光学图像增强方法 | 第22-23页 |
| 1.3.3 水下目标自主检测方法 | 第23-24页 |
| 1.3.4 水下目标自主识别方法 | 第24-27页 |
| 1.3.5 水下光视觉认知技术发展趋势 | 第27页 |
| 1.4 论文的主要研究内容 | 第27-31页 |
| 第2章 基于成像模型的水下光学图像恢复方法 | 第31-65页 |
| 2.1 引言 | 第31页 |
| 2.2 选通式水下激光成像系统 | 第31-33页 |
| 2.3 水下光学成像模型 | 第33-42页 |
| 2.3.1 吸收效应模型 | 第34-36页 |
| 2.3.2 散射效应模型 | 第36页 |
| 2.3.3 简化Jaffe-McGlamery成像模型 | 第36-39页 |
| 2.3.4 点扩散模型 | 第39-42页 |
| 2.4 水下光学图像恢复方法 | 第42-56页 |
| 2.4.1 基于优化Jaffe-McGlamery成像模型的恢复方法 | 第43-46页 |
| 2.4.2 基于点扩散模型的盲恢复方法 | 第46-49页 |
| 2.4.3 基于分层模型的线性反卷积恢复方法 | 第49-52页 |
| 2.4.4 自适应双边滤波方法 | 第52-54页 |
| 2.4.5 脉冲耦合神经网络滤波方法 | 第54-56页 |
| 2.5 实验结果对比分析 | 第56-63页 |
| 2.6 本章小结 | 第63-65页 |
| 第3章 基于视觉显著性的水下光学图像增强方法 | 第65-103页 |
| 3.1 引言 | 第65页 |
| 3.2 水下激光图像质量 | 第65-69页 |
| 3.3 模糊增强方法 | 第69-80页 |
| 3.3.1 经典模糊增强方法 | 第70-72页 |
| 3.3.2 自适应模糊增强方法 | 第72-74页 |
| 3.3.3 多层次模糊增强方法 | 第74-76页 |
| 3.3.4 实验结果对比分析 | 第76-80页 |
| 3.4 基于Retinex理论的增强方法 | 第80-89页 |
| 3.4.1 单尺度Retinex小波增强方法 | 第81-83页 |
| 3.4.2 多尺度自适应权值Retinex增强方法 | 第83-85页 |
| 3.4.3 实验结果对比分析 | 第85-89页 |
| 3.5 直方图均衡化方法 | 第89-101页 |
| 3.5.1 全局直方图均衡化方法 | 第90-92页 |
| 3.5.2 自适应直方图区间均衡化方法 | 第92-94页 |
| 3.5.3 显著性加权直方图均衡化方法 | 第94-96页 |
| 3.5.4 实验结果对比分析 | 第96-101页 |
| 3.6 本章小结 | 第101-103页 |
| 第4章 基于在线模型学习的水下目标自主检测方法 | 第103-145页 |
| 4.1 引言 | 第103-104页 |
| 4.2 基于图像分割的目标检测方法 | 第104-121页 |
| 4.2.1 基于自适应PCNN的图像分割方法 | 第104-108页 |
| 4.2.2 基于区域对比度的GrabCut分割方法 | 第108-113页 |
| 4.2.3 基于二值水平集主动轮廓模型的分割方法 | 第113-117页 |
| 4.2.4 实验结果对比分析 | 第117-121页 |
| 4.3 基于模型学习的目标检测方法 | 第121-143页 |
| 4.3.1 候选区域生成方法 | 第122-125页 |
| 4.3.2 基于在线霍夫森林的目标检测方法 | 第125-131页 |
| 4.3.3 基于压缩感知的目标检测方法 | 第131-137页 |
| 4.3.4 实验结果对比分析 | 第137-143页 |
| 4.4 本章小结 | 第143-145页 |
| 第5章 基于在线提升的水下目标自主识别方法 | 第145-175页 |
| 5.1 引言 | 第145-146页 |
| 5.2 在线Adaboost目标识别方法 | 第146-154页 |
| 5.2.1 自适应权值Adaboost方法 | 第146-148页 |
| 5.2.2 压缩Haar类特征提取方法 | 第148-152页 |
| 5.2.3 在线贝叶斯分类器 | 第152-154页 |
| 5.3 基于LBP块特征的金字塔匹配识别方法 | 第154-161页 |
| 5.3.1 LBP块特征 | 第155-157页 |
| 5.3.2 稀疏编码金字塔表达方法 | 第157-160页 |
| 5.3.3 线性SVM方法 | 第160-161页 |
| 5.4 基于深度卷积神经网络的目标识别方法 | 第161-167页 |
| 5.4.1 深度卷积神经网络的模型构建方法 | 第162-166页 |
| 5.4.2 反向传播训练方法 | 第166-167页 |
| 5.5 实验结果对比分析 | 第167-173页 |
| 5.6 本章小结 | 第173-175页 |
| 第6章 水下光视觉认知试验 | 第175-193页 |
| 6.1 引言 | 第175页 |
| 6.2 AUV的光视觉认知系统 | 第175-180页 |
| 6.2.1 光视觉认知系统的硬件体系结构 | 第176-177页 |
| 6.2.2 光视觉认知系统的软件体系结构 | 第177-179页 |
| 6.2.3 光视觉认知信息处理流程设计 | 第179-180页 |
| 6.3 光视觉认知验证试验 | 第180-191页 |
| 6.3.1 光视觉认知系统硬件配置 | 第181-182页 |
| 6.3.2 光视觉认知系统方法配置 | 第182-183页 |
| 6.3.3 试验结果分析与讨论 | 第183-191页 |
| 6.4 本章小结 | 第191-193页 |
| 结论 | 第193-195页 |
| 参考文献 | 第195-205页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第205-207页 |
| 致谢 | 第207-208页 |
| 个人简历 | 第208页 |
