海洋浮游植物自动识别系统中的外轮廓提取和形状分析
| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第一章 引言 | 第13-18页 |
| ·课题的研究背景及意义 | 第13-14页 |
| ·相关课题的研究现状 | 第14-15页 |
| ·本人的主要研究内容及创新点 | 第15-16页 |
| ·系统的概述 | 第16-18页 |
| 第二章 浮游植物图像的预处理与粗定位 | 第18-29页 |
| ·引言 | 第18-19页 |
| ·图像的滤波去噪 | 第19-21页 |
| ·均值滤波器 | 第19-20页 |
| ·中值滤波器 | 第20-21页 |
| ·图像的边缘提取算法 | 第21-25页 |
| ·常用边缘提取算法概述 | 第21页 |
| ·Canny边缘检测算子 | 第21-23页 |
| ·Canny算子的阈值选取-Otsu算法 | 第23-24页 |
| ·常见边缘检测算法的效果比较 | 第24-25页 |
| ·海洋浮游植物图像的粗定位 | 第25-28页 |
| ·算法的描述与分析 | 第25页 |
| ·算法流程 | 第25-26页 |
| ·算法结果分析 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 浮游植物图像外轮廓的细提取 | 第29-42页 |
| ·引言 | 第29页 |
| ·直方图均衡化 | 第29-30页 |
| ·二值化阈值的选取 | 第30-33页 |
| ·常见的阈值选取算法 | 第30-32页 |
| ·结果分析 | 第32-33页 |
| ·基于PCNN的孔洞填充算法 | 第33-39页 |
| ·概述 | 第33页 |
| ·PCNN原理 | 第33-35页 |
| ·基于PCNN的孔洞填充算法 | 第35-38页 |
| ·PCNN算法的效果分析 | 第38-39页 |
| ·边缘的细提取 | 第39-41页 |
| ·算法的流程 | 第39-40页 |
| ·结果分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 浮游植物图像的形状特征提取 | 第42-49页 |
| ·轮廓的平滑处理 | 第42-45页 |
| ·多边形近似 | 第42-44页 |
| ·方向包围盒 | 第44-45页 |
| ·滑动框平滑 | 第45页 |
| ·形态特征提取 | 第45-47页 |
| ·Zernike矩的提取 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 浮游植物图像的层次分类 | 第49-62页 |
| ·引言 | 第49页 |
| ·浮游植物图像的粗分类 | 第49-54页 |
| ·Hausdorff距离 | 第49-50页 |
| ·旋转相似性判定 | 第50-53页 |
| ·结果分析 | 第53-54页 |
| ·各种形状的浮游植物图像的细分类特征 | 第54-61页 |
| ·矩形浮游植物图像的细分类特征 | 第55-57页 |
| ·线形浮游植物图像的细分类特征 | 第57-60页 |
| ·其他形状浮游植物图像的细分类特征 | 第60-61页 |
| ·本章小节 | 第61-62页 |
| 第六章 基于SVM的细分类器 | 第62-77页 |
| ·支持向量机的基本理论 | 第62-69页 |
| ·支持向量机方法的基本思想 | 第62-63页 |
| ·支持向量机方法的原理 | 第63-68页 |
| ·支持向量机方法的优点 | 第68-69页 |
| ·支持向量机在系统中的应用 | 第69-72页 |
| ·LIBSVM | 第69-70页 |
| ·核函数的选取及其参数的选择 | 第70-72页 |
| ·浮游植物图像的细分类器设计 | 第72-76页 |
| ·矩形浮游植物的分类识别 | 第72-73页 |
| ·线性藻类的分类识别 | 第73-75页 |
| ·其他形状藻类的分类识别 | 第75-76页 |
| ·结果分析 | 第76页 |
| ·本章小结 | 第76-77页 |
| 第七章 总结与展望 | 第77-79页 |
| ·总结 | 第77页 |
| ·对未来工作的展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 硕士期间发表的论文和参与的项目 | 第83-84页 |
| 致谢 | 第84页 |
