首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于互信息及蚁群算法的红外与可见光图像配准研究

摘要第1-6页
ABSTRACT第6-7页
缩略语表第7-11页
第一章 绪论第11-15页
   ·课题研究背景第11-13页
     ·理论意义及应用价值第11-12页
     ·国内外研究概况及现状第12-13页
   ·本文研究内容及组织结构第13-15页
第二章 红外与可见光图像配准第15-21页
   ·红外与可见光图像第15-16页
     ·红外成像的原理与应用第15-16页
     ·红外与可见光图像的关系第16页
   ·图像配准的方法第16-19页
     ·什么是图像配准第16-17页
     ·图像配准的主要方法第17-19页
     ·图像配准方法的发展趋势第19页
   ·红外与可见光图像的配准第19-20页
   ·小结第20-21页
第三章 基于互信息的红外与可见光图像配准第21-32页
   ·互信息的概念第21-22页
     ·熵第21-22页
     ·互信息第22页
   ·基于互信息的图像配准方法第22-28页
     ·基于互信息图像配准的基本步骤第22-23页
     ·图像的变换第23-24页
     ·图像的插值第24-26页
     ·出界点的处理第26-27页
     ·灰度级别对配准的影响第27-28页
   ·基于互信息的红外与可见光图像配准第28-31页
     ·图像互信息的统计方法第28-30页
     ·配准参数的最优化搜索第30页
     ·配准总体方案设计第30-31页
   ·亟待解决的问题第31页
   ·小结第31-32页
第四章 基于蚁群算法的红外与可见光图像配准第32-49页
   ·概述第32页
   ·蚁群算法简介第32-40页
     ·蚂蚁系统第32-34页
     ·蚁群系统第34-36页
     ·蚁群算法的特征第36-38页
     ·蚁群算法的应用第38-40页
   ·蚁群算法同其他仿生优化算法的比较与融合第40-41页
     ·相同点第40-41页
     ·不同点第41页
     ·与其他算法的融合第41页
   ·基于蚁群算法的红外与可见光图像配准第41-45页
     ·原理第41-42页
     ·设计第42-44页
     ·配准的具体步骤第44-45页
   ·蚁群算法参数的设置第45-46页
   ·实验结果与讨论第46-48页
   ·小结第48-49页
第五章 基于改进蚁群算法的红外与可见光图像配准第49-63页
   ·概述第49页
   ·遗传算法第49-51页
     ·遗传算法的特点第49-50页
     ·遗传算法与其他算法的不同第50页
     ·遗传算法的运行参数第50页
     ·遗传算法的运算过程第50-51页
     ·遗传算法的应用第51页
   ·基于遗传算法的图像配准第51-55页
     ·确定编码方式第51页
     ·确定适应度表示第51-52页
     ·确定种群数目P 及最小遗传代数N第52页
     ·初始化种群第52页
     ·轮盘赌法和最有保存策略第52-53页
     ·自适应交叉第53页
     ·自适应变异第53-54页
     ·算法实现流程图第54-55页
   ·动态融合的混合算法原理第55-58页
     ·基本思想第55-57页
     ·两种算法动态融合的临界点确定第57页
     ·结论第57-58页
   ·基于动态融合混合算法的红外与可见光图像配准第58-59页
     ·配准算法具体过程第58-59页
     ·算法实现流程图第59页
   ·配准算法实验结果及对比第59-62页
     ·基于改进算法的红外与可见光图像配准实验结果第60-61页
     ·算法的收敛过程第61页
     ·配准结果比较及讨论第61-62页
   ·小结第62-63页
第六章 结论与展望第63-65页
   ·总结第63-64页
   ·未来工作展望第64-65页
参考文献第65-70页
作者攻读硕士学位期间发表的论文第70-71页
致谢第71页

论文共71页,点击 下载论文
上一篇:语义模型、近似推理算法及其在网页分类的应用
下一篇:视频图像缩放算法在机载视频技术通用化项目中的应用