基于图像声纳的浅海鱼群分类识别算法研究
| 第一章 引言 | 第1-18页 |
| 1. 本文研究背景和研究目的 | 第13-14页 |
| (1) 研究背景 | 第13-14页 |
| (2) 研究目的 | 第14页 |
| 2. 研究现状及发展方向 | 第14-16页 |
| (1) 研究现状 | 第14-15页 |
| (2) 发展方向 | 第15-16页 |
| 3. 课题意义及研究内容 | 第16-18页 |
| (1) 研究内容 | 第16页 |
| (2) 推广应用及其市场前景 | 第16-17页 |
| (3) 社会效益分析 | 第17页 |
| (4) 研究意义 | 第17-18页 |
| 第二章 相关技术概述 | 第18-42页 |
| 1. 图像形成技术 | 第18-22页 |
| (1) 声纳技术 | 第19-21页 |
| (2) 超声波发射器的设计 | 第21-22页 |
| 2. 声呐图像处理研究的现状 | 第22-23页 |
| (1) 旁扫声呐图像处理 | 第22页 |
| (2) 扇扫声呐图像处理 | 第22页 |
| (3) 声呐序列图像处理 | 第22-23页 |
| 3. 数字图像处理技术 | 第23-36页 |
| (1) 图像变换 | 第23-25页 |
| (2) 图像空域变换增强 | 第25-29页 |
| (3) 频域增强 | 第29-31页 |
| (4) 数字图像压缩和编码 | 第31-34页 |
| (5) 图像边缘检测和图像分割 | 第34-36页 |
| 4. 图像识别 | 第36-41页 |
| (1) 模式识别理论 | 第36-38页 |
| (2) 分类识别算法 | 第38-40页 |
| (3) 识别软件编写工具 MATLAB | 第40-41页 |
| 5. 本章小结 | 第41-42页 |
| 第三章 硬件设计 | 第42-58页 |
| 1. 为何使用图像声纳进行数据采集 | 第42-46页 |
| (1) 光学方法采集 | 第42-43页 |
| (2) 声学方法采集 | 第43-45页 |
| (3) 确定方案-声学方法 | 第45-46页 |
| 2. 数据的采集和传输 | 第46-50页 |
| (1) 超声波图像声纳设计 | 第46-48页 |
| (2) 数据的采集和缓存 | 第48-50页 |
| (3) 光纤数据传输 | 第50页 |
| 3. 高速声纳图像处理系统 | 第50-52页 |
| (1) 系统硬件结构 | 第50-51页 |
| (2) 图像的存储与处理的并行实现 | 第51-52页 |
| 4. 硬件电路设计附图 | 第52-56页 |
| (1) 监测设备原理框图 | 第52页 |
| (2) 电路原理框图和声纳头的工作原理图 | 第52-55页 |
| (3) 下位机的工作流程图 | 第55-56页 |
| 5. 数据采集图像结果 | 第56-57页 |
| 6. 本章小结 | 第57-58页 |
| 第四章 鱼群识别软件算法研究 | 第58-89页 |
| 1. 图像预处理 | 第58-70页 |
| (1) 鱼群图像增强 | 第58-68页 |
| (2) 图像分割及边缘检测算法应用 | 第68-70页 |
| 2. 基于声纳图像的鱼体特征提取 | 第70-73页 |
| (1) 预处理出合适找出鱼群特征的图像 | 第70-71页 |
| (2) 读取单个鱼体的长度及体态分布参数算法研究 | 第71-72页 |
| (3) 读取单个鱼体的长度算法补充说明 | 第72-73页 |
| 3. 鱼体数据库建立与目标匹配识别 | 第73-78页 |
| (1) 智能识别系统 | 第73-75页 |
| (2) 智能鱼群识别系统 | 第75-78页 |
| 4. 基于单体鱼识别基础上的鱼群算法 | 第78-81页 |
| (1) 自适应图像窗的提出及应用 | 第78-80页 |
| (2) 图像加窗准则及自适应的实现 | 第80页 |
| (3) 自适应图像窗算法的优化—像素门限的提出 | 第80页 |
| (4) 自适应图像窗函数应用缺陷 | 第80-81页 |
| 5. 识别软件的编写 | 第81-87页 |
| (1) 识别软件简介 | 第81-84页 |
| (2) 界面设计 | 第84-86页 |
| (3) m函数的编写 | 第86-87页 |
| 6. 本章小结 | 第87-89页 |
| 第五章 应用技术总结及其展望 | 第89-91页 |
| 1. 基于图像声纳的鱼群图像识别技术总结 | 第89-90页 |
| 2. 鱼群识别技术展望 | 第90-91页 |
| 参考文献 | 第91-96页 |
| 攻读学位期间发表的学术论文目录 | 第96-97页 |
| 致谢 | 第97页 |
