| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 声学探测 | 第10页 |
| 1.1.2 光学探测 | 第10页 |
| 1.1.3 磁探测 | 第10-11页 |
| 1.2 水下机器人AUV水下目标探测中的意义 | 第11页 |
| 1.3 光在水中的传播特性以及对水下图像的影响 | 第11-12页 |
| 1.4 光学检测水下目标的研究现状[1][6] | 第12-14页 |
| 1.5 AUV光视觉系统的构成以及本文的主要研究内容 | 第14-17页 |
| 第2章 水下图像的获取及预处理 | 第17-35页 |
| 2.1 水下成像的基本理论和实验 | 第17-20页 |
| 2.1.1 水下成像概述 | 第17-18页 |
| 2.1.2 自然光源下的水下成像特性及图像获取 | 第18-19页 |
| 2.1.3 水下激光成像特性及图像获取 | 第19-20页 |
| 2.2 水下图像预处理 | 第20-33页 |
| 2.2.1 空域图像处理的背景知识 | 第21-22页 |
| 2.2.2 灰度变换 | 第22-25页 |
| 2.2.3 空域滤波 | 第25-33页 |
| 2.3 本章小节 | 第33-35页 |
| 第3章 水下图像分割 | 第35-47页 |
| 3.1 常用的边缘检测方法 | 第35-39页 |
| 3.2 主动轮廓边缘检测算法 | 第39-44页 |
| 3.2.1 传统参数主动轮廓模型的数学模型 | 第40-42页 |
| 3.2.2 GVF-Snake主动轮廓模型 | 第42-44页 |
| 3.3 算法流程和检测结果 | 第44-46页 |
| 3.3.1 算法流程 | 第44页 |
| 3.3.2 检测结果 | 第44-45页 |
| 3.3.3 初始轮廓线对于检测结果的影响 | 第45-46页 |
| 3.4 本章小节 | 第46-47页 |
| 第4章 改进的主动轮廓模型算法 | 第47-57页 |
| 4.1 算法的自主性要求 | 第47-48页 |
| 4.2 人机交互设置初始轮廓线方法 | 第48-50页 |
| 4.3 改进的机器自主设置初始轮廓的方法 | 第50-55页 |
| 4.4 本章小节 | 第55-57页 |
| 第5章 基于微光/激光信息融合的检测算法 | 第57-68页 |
| 5.1 真实图像单独自动设置初始轮廓线 | 第57-58页 |
| 5.2 微光/激光图像信息融合算法 | 第58-62页 |
| 5.2.1 融合算法的基础 | 第58-60页 |
| 5.2.2 融合方式的选取 | 第60-61页 |
| 5.2.3 融合算法的实现 | 第61-62页 |
| 5.3 图像的后处理工作 | 第62-67页 |
| 5.3.1 二值图像的细化操作 | 第63-67页 |
| 5.4 本章小节 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-76页 |
| 致谢 | 第76页 |