| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-11页 |
| 1.2 研究进展与分析 | 第11-14页 |
| 1.3 研究内容及主要工作 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 极光数据与极光图像常用特征 | 第17-26页 |
| 2.1 极光数据 | 第17-21页 |
| 2.1.1 极光图像预处理 | 第17-19页 |
| 2.1.2 极光分类机制 | 第19-21页 |
| 2.2 图像特征提取 | 第21-25页 |
| 2.2.1 局部二值模式纹理特征 | 第22-24页 |
| 2.2.2 PCA网络深度特征 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于多通道融合和卷积神经网络的极光图像分类 | 第26-40页 |
| 3.1 引言 | 第26-28页 |
| 3.2 多通道融合特征 | 第28-32页 |
| 3.2.1 原图通道 | 第28页 |
| 3.2.2 LBP通道 | 第28-30页 |
| 3.2.3 HS光流通道 | 第30-31页 |
| 3.2.4 多通道融合特征 | 第31-32页 |
| 3.3 预训练CNN | 第32-34页 |
| 3.4 基于SVM的极光图像特征分类 | 第34-35页 |
| 3.4.1 归一化 | 第35页 |
| 3.4.2 PCA降维 | 第35页 |
| 3.5 实验结果与分析 | 第35-39页 |
| 3.5.1 实验条件 | 第35-36页 |
| 3.5.2 极光图像四分类实验 | 第36-38页 |
| 3.5.3 分类效果对比实验 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于动态图像网络的极光序列分类 | 第40-52页 |
| 4.1 引言 | 第40-41页 |
| 4.2 动态图像 | 第41-47页 |
| 4.2.1 构建极光动态图像 | 第41-45页 |
| 4.2.2 使用动态图像 | 第45页 |
| 4.2.3 极光动态图像的快速计算 | 第45-46页 |
| 4.2.4 极光序列帧表示 | 第46-47页 |
| 4.3 极光序列动态图像网络 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 极光图像特征提取演示系统开发 | 第52-59页 |
| 5.1 开发环境介绍 | 第52页 |
| 5.2 系统总体框架 | 第52-55页 |
| 5.3 界面实体呈现 | 第55-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 论文总结 | 第59-60页 |
| 6.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第63-64页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第64-65页 |
| 致谢 | 第65页 |