| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-12页 |
| CONTENTS | 第12-16页 |
| 图表目录 | 第16-19页 |
| 1 绪论 | 第19-39页 |
| ·选题的科学依据和意义 | 第19-21页 |
| ·论文研究的必要性 | 第19-20页 |
| ·论文研究的可行性 | 第20-21页 |
| ·视觉图像特征提取及匹配技术概述 | 第21-26页 |
| ·颜色特征 | 第21-22页 |
| ·纹理特征 | 第22-24页 |
| ·形状特征 | 第24-25页 |
| ·空间关系特征 | 第25-26页 |
| ·国内外研究进展 | 第26-33页 |
| ·水下视觉图像研究 | 第26-29页 |
| ·船舶尾流图像特征研究 | 第29-32页 |
| ·机器视觉水中图像处理技术 | 第32-33页 |
| ·主要研究内容 | 第33-35页 |
| ·水中图像的智能分割及分析 | 第33-34页 |
| ·尺度不变特征变换匹配技术在水中图像里的应用研究 | 第34页 |
| ·基于纹理特征识别的图像型船舶尾流辨识问题研究 | 第34-35页 |
| ·论文研究逻辑与内容结构 | 第35-39页 |
| 2 图像空间几何变换模型与低层次信息特征提取技术 | 第39-64页 |
| ·引言 | 第39-40页 |
| ·图像空间几何变换模型 | 第40-45页 |
| ·摄像机成像模型 | 第40-44页 |
| ·图像几何变换模型 | 第44-45页 |
| ·边缘检测 | 第45-51页 |
| ·基于一和二阶导数的边缘检测算子 | 第46-48页 |
| ·其他边缘检测算法 | 第48-51页 |
| ·角点检测 | 第51-56页 |
| ·Moravec角点检测算子 | 第51-52页 |
| ·Harris角点检测算子 | 第52-55页 |
| ·SUSAN角点检测算子 | 第55-56页 |
| ·斑点检测 | 第56-63页 |
| ·高斯拉普拉斯(LoG)算子 | 第56-58页 |
| ·DoH算子 | 第58-59页 |
| ·尺度不变特征变换算法 | 第59-63页 |
| ·SURF算法 | 第63页 |
| ·本章小结 | 第63-64页 |
| 3 水下图像智能优化分割原理及其实现方法构建 | 第64-87页 |
| ·引言 | 第64页 |
| ·门限化处理 | 第64-70页 |
| ·基本原理 | 第64-65页 |
| ·门限化分割的分类方法 | 第65-70页 |
| ·信息熵 | 第70-74页 |
| ·信息熵介绍 | 第70-71页 |
| ·图像熵的概念 | 第71-72页 |
| ·图像的最大熵阈值分割 | 第72-74页 |
| ·蚁群算法介绍 | 第74-76页 |
| ·算法基本原理 | 第74页 |
| ·算法的数学模型分析 | 第74-76页 |
| ·蚁群算法在水下图像分割中的应用 | 第76-86页 |
| ·基于改进蚁群算法的图像像素聚类分析的基本原理 | 第76-80页 |
| ·实验结果与分析 | 第80-86页 |
| ·本章小结 | 第86-87页 |
| 4 经验模式分解算法与相位信息相结合的水下图像特征检测技术分析 | 第87-109页 |
| ·引言 | 第87-88页 |
| ·HHT方法原理 | 第88-92页 |
| ·经验模式分解中的基本概念 | 第88-90页 |
| ·EMD算法的计算过程 | 第90-92页 |
| ·Hilbert频谱分析 | 第92页 |
| ·EMD方法的扩展 | 第92-99页 |
| ·二维经验模式分解 | 第92-93页 |
| ·寻找图像的局部极值点 | 第93-96页 |
| ·构造图像的包络曲面 | 第96-99页 |
| ·图像边界问题的处理 | 第99页 |
| ·BEMD算法和相位信息相结合的水下图像特征检测 | 第99-108页 |
| ·相位信息的重要性和稳定性 | 第99-101页 |
| ·特征检测模型的建立 | 第101-102页 |
| ·实验结果与分析 | 第102-108页 |
| ·本章小结 | 第108-109页 |
| 5 水下图像尺度不变特征变换匹配技术研究 | 第109-123页 |
| ·引言 | 第109-110页 |
| ·水下图像的局部特征描述 | 第110-114页 |
| ·尺度不变特征变换中特征点方向分配 | 第111-112页 |
| ·尺度不变特征矢量生成 | 第112-114页 |
| ·尺度不变特征点匹配 | 第114-115页 |
| ·尺度不变特征匹配技术的改进 | 第115-116页 |
| ·实验结果与分析 | 第116-122页 |
| ·本章小结 | 第122-123页 |
| 6 基于纹理特征的图像型船舶尾流分类辨识技术 | 第123-148页 |
| ·引言 | 第123-124页 |
| ·图像特征提取 | 第124-130页 |
| ·灰度直方图统计特征 | 第125页 |
| ·局部二进制模式统计特征 | 第125-127页 |
| ·灰度共生矩阵方法 | 第127-130页 |
| ·神经网络分类器 | 第130-137页 |
| ·人工神经网络理论 | 第130-133页 |
| ·典型感知器神经网络——误差反向传播神经网络结构模型 | 第133-134页 |
| ·BP神经网络学习算法 | 第134-137页 |
| ·基于纹理特征的船舶尾流分类辨识方法 | 第137-147页 |
| ·船舶尾流目标的特征检测 | 第137-140页 |
| ·分类器结构设计 | 第140-141页 |
| ·实验结果与分析 | 第141-147页 |
| ·本章小结 | 第147-148页 |
| 7 结论与展望 | 第148-152页 |
| ·全文工作总结 | 第148-149页 |
| ·创新点摘要 | 第149-150页 |
| ·未来工作展望 | 第150-152页 |
| 参考文献 | 第152-160页 |
| 攻读博士学位期间科研项目及科研成果 | 第160-162页 |
| 致谢 | 第162-163页 |
| 作者简介 | 第163-164页 |