| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 浮游生物图像自动识别方法的国内外研究现状 | 第11-14页 |
| 1.3 本论文依托的课题背景 | 第14-16页 |
| 1.4 论文研究目的 | 第16页 |
| 1.5 论文的研究内容及结构 | 第16-18页 |
| 2 暗视场浮游动物图像预处理方法 | 第18-29页 |
| 2.1 前言 | 第18页 |
| 2.2 图像的直方图均衡化 | 第18-19页 |
| 2.3 基于自适应小波去噪算法 | 第19-22页 |
| 2.3.1 传统阈值函数 | 第20-21页 |
| 2.3.2 自适应阈值的计算 | 第21页 |
| 2.3.3 自适应阈值小波去噪的实验结果与分析 | 第21-22页 |
| 2.4 感兴趣目标检测 | 第22-23页 |
| 2.5 图像中的浮游动物目标分割方法 | 第23-26页 |
| 2.5.1 Sobel 算子边缘检测 | 第23-25页 |
| 2.5.2 基于形态重构的浮游动物图像分水岭分割方法 | 第25-26页 |
| 2.6 处理结果 | 第26-27页 |
| 2.7 本章小结 | 第27-29页 |
| 3 模式识别分类器 | 第29-36页 |
| 3.1 前言 | 第29页 |
| 3.2 基于机器学习的方法 | 第29-30页 |
| 3.2.1 监督学习和非监督学习 | 第29-30页 |
| 3.2.2 本文所选用机器学习的方法 | 第30页 |
| 3.3 基于支持向量机分类器 | 第30-35页 |
| 3.3.1 支持向量机最优分类面 | 第31-33页 |
| 3.3.2 C-SVC 类型的支持向量机 | 第33-34页 |
| 3.3.3 支持向量机核函数选择 | 第34-35页 |
| 3.4 小结 | 第35-36页 |
| 4 特征提取与分析 | 第36-53页 |
| 4.1 前言 | 第36页 |
| 4.2 基本形态特征 | 第36-41页 |
| 4.2.1 基本形状特征 | 第36-39页 |
| 4.2.2 矩特征 | 第39-40页 |
| 4.2.3 傅里叶形状描述符 | 第40-41页 |
| 4.3 纹理特征 | 第41-46页 |
| 4.3.1 基于灰度共生矩阵的纹理特征提取算法 | 第41-44页 |
| 4.3.2 局部二值模式算子 | 第44-46页 |
| 4.4 浮游生物类别 | 第46页 |
| 4.5 识别分析结果 | 第46-50页 |
| 4.6 讨论 | 第50-51页 |
| 4.7 小结 | 第51-53页 |
| 5 分层分类器在浮游动物图像自动识别的应用 | 第53-59页 |
| 5.1 前言 | 第53页 |
| 5.2 分层分类器设计 | 第53-54页 |
| 5.3 基于 ROC 曲线的分类器评价方法 | 第54-55页 |
| 5.3.1 混淆矩阵 | 第54页 |
| 5.3.2 ROC 曲线图评价标准 | 第54-55页 |
| 5.4 试验结果与讨论 | 第55-57页 |
| 5.5 小结 | 第57-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 个人简历、在学期间发表的学术论文 | 第66-67页 |