| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文总体结构 | 第13-14页 |
| 第2章 数字图像处理 | 第14-26页 |
| 2.1 图像采集 | 第14-15页 |
| 2.2 图像预处理算法 | 第15-24页 |
| 2.2.1 图像灰度化 | 第15-17页 |
| 2.2.2 灰度图像二值化 | 第17-18页 |
| 2.2.3 图像背景分割 | 第18-20页 |
| 2.2.4 去噪处理 | 第20-23页 |
| 2.2.5 轮廓提取 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 淡水鱼多类特征提取和分析 | 第26-40页 |
| 3.1 淡水鱼图像颜色特征提取与分析 | 第26-28页 |
| 3.1.1 红、绿、蓝色分量 | 第26-27页 |
| 3.1.2 颜色特征分析 | 第27-28页 |
| 3.2 淡水鱼体型特征提取与分析 | 第28-31页 |
| 3.2.1 长短轴的提取 | 第28页 |
| 3.2.2 几何不变矩—Hu矩 | 第28-30页 |
| 3.2.3 体型特征分析 | 第30-31页 |
| 3.3 淡水鱼纹理特征提取与分析 | 第31-32页 |
| 3.3.1 灰度共生矩阵 | 第31-32页 |
| 3.3.2 纹理特征分析 | 第32页 |
| 3.4 特征降维 | 第32-39页 |
| 3.4.1 线性降维算法 | 第32-34页 |
| 3.4.2 主成分分析算法的一般步骤 | 第34-35页 |
| 3.4.3 主成分分析算法应用 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于极限学习机的淡水鱼自动归类 | 第40-52页 |
| 4.1 淡水鱼自动归类 | 第40页 |
| 4.2 极限学习机与支持向量机 | 第40-43页 |
| 4.2.1 极限学习机 | 第40-42页 |
| 4.2.2 支持向量机 | 第42-43页 |
| 4.3 基于粒子群优化算法的极限学习机淡水鱼自动归类设计 | 第43-47页 |
| 4.3.1 粒子群算法 | 第43-44页 |
| 4.3.2 基于粒子群优化算法的极限学习机 | 第44-47页 |
| 4.4 实验结果与分析 | 第47-51页 |
| 4.4.1 实验结果 | 第47-50页 |
| 4.4.2 实验分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 附录A（攻读硕士学位期间的研究成果） | 第58页 |