| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外相关研究进展综述 | 第9-11页 |
| 1.2.1 冰雹识别与预测的研究现状 | 第9-10页 |
| 1.2.2 图像处理技术在强对流天气预测与预警系统中的应用 | 第10-11页 |
| 1.3 本文研究内容及研究方法 | 第11-13页 |
| 1.3.1 主要研究内容 | 第11-12页 |
| 1.3.2 研究方法 | 第12-13页 |
| 2 基于雷达云图的预处理 | 第13-20页 |
| 2.1 传统边缘检测算子 | 第13-14页 |
| 2.2 CNN细胞神经网络技术 | 第14-16页 |
| 2.2.1 CNN的数学结构与模型 | 第14-16页 |
| 2.3 仿真模拟 | 第16-18页 |
| 2.3.1 图像质量评价方法 | 第16-17页 |
| 2.3.2 图像质量评价 | 第17-18页 |
| 2.4 本章小结 | 第18-20页 |
| 3 图像特征提取 | 第20-35页 |
| 3.1 图像的颜色特征提取 | 第20-23页 |
| 3.1.1 几种典型的颜色空间 | 第20-22页 |
| 3.1.2 彩色图像颜色矩的提取 | 第22-23页 |
| 3.2 图像的纹理特征提取 | 第23-27页 |
| 3.2.1 灰度共生矩阵 | 第23-26页 |
| 3.2.2 小波变换 | 第26-27页 |
| 3.3 图像的形状特征提取 | 第27-33页 |
| 3.3.1 图像的形状描述 | 第27-29页 |
| 3.3.2 H不变矩 | 第29-33页 |
| 3.4 本章小结 | 第33-35页 |
| 4 识别指标数据库的建立与判别 | 第35-44页 |
| 4.1 识别指标数据库的建立 | 第35-37页 |
| 4.2 基于bayes判别法的雹云识别指标模型 | 第37-41页 |
| 4.2.1 Bayes判别数学模型 | 第37-38页 |
| 4.2.2 Bayes判别的实现 | 第38-41页 |
| 4.3 基于Adaboost算法的雹云识别指标模型 | 第41-43页 |
| 4.3.1 Adaboost算法 | 第41-42页 |
| 4.3.2 Adaboost算法的实现 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 结论和展望 | 第44-46页 |
| 5.1 结论 | 第44页 |
| 5.2 研究不足与展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 作者简介 | 第50页 |