| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 论文背景 | 第9页 |
| 1.2 国内外发展状况 | 第9-10页 |
| 1.3 本论文的主要研究内容 | 第10-13页 |
| 第2章 声纳图像的预处理 | 第13-25页 |
| 2.1 几种典型去噪方法的MTALAB仿真 | 第13-17页 |
| 2.2 声纳图像的目标分割 | 第17-24页 |
| 2.2.1 迭代法 | 第18页 |
| 2.2.2 最大熵法 | 第18-20页 |
| 2.2.3 最大类间方差法 | 第20-21页 |
| 2.2.4 图像分割实验 | 第21-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 目标的形状特征提取 | 第25-51页 |
| 3.1 形状特征的提取与实图应用 | 第25-34页 |
| 3.1.1 基本形状特征 | 第25-28页 |
| 3.1.2 一种基于形状特征去除假目标和目标区域合并的方法 | 第28-30页 |
| 3.1.3 形状特征特征提取在实际声纳图像中的应用 | 第30-34页 |
| 3.2 轮廓特征的提取 | 第34-48页 |
| 3.2.1 传统的形状上下文方法 | 第34-36页 |
| 3.2.2 改进的形状上下文方法 | 第36-41页 |
| 3.2.3 一种基于极值点的弦长向量分段对称度算法 | 第41-42页 |
| 3.2.4 改进的形状上下文方法用于目标识别 | 第42-48页 |
| 3.3 本章小结 | 第48-51页 |
| 第4章 基于PCNN的区域特征提取 | 第51-75页 |
| 4.1 PCNN神经元的结构和原理 | 第51-58页 |
| 4.1.1 PCNN在声纳图像处理中的应用设计 | 第52-55页 |
| 4.1.2 PCNN的参数分析 | 第55-58页 |
| 4.2 PCNN的周期性点火行为分析 | 第58-63页 |
| 4.2.1 无邻域连接情况下的动态行为分析 | 第58-61页 |
| 4.2.2 考虑邻域连接情况下的动态行为分析 | 第61-63页 |
| 4.3 PCNN在特征提取中的应用试验 | 第63-73页 |
| 4.3.1 无邻域连接的PCNN群点火 | 第63-66页 |
| 4.3.2 有邻域连接的PCNN群点火 | 第66-72页 |
| 4.3.3 PCNN激活率向量和群离散率向量用于目标识别 | 第72-73页 |
| 4.4 本章小结 | 第73-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81-83页 |
| 致谢 | 第83页 |
