| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第16-32页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 研究现状 | 第17-23页 |
| 1.2.1 基于模板匹配的目标检测 | 第17-19页 |
| 1.2.2 基于图像分割的目标检测 | 第19-21页 |
| 1.2.3 基于机器学习的目标检测 | 第21-22页 |
| 1.2.4 基于深度学习的目标检测 | 第22-23页 |
| 1.3 主要技术 | 第23-30页 |
| 1.3.1 感兴趣区域获取 | 第23-25页 |
| 1.3.2 特征提取 | 第25-29页 |
| 1.3.3 分类 | 第29-30页 |
| 1.4 本文的研究内容及结构安排 | 第30-32页 |
| 第二章 一种滤除混合高斯噪声和信号依赖噪声的图像去噪方法 | 第32-47页 |
| 2.1 图像去噪理论 | 第34-36页 |
| 2.1.1 图像噪声类型 | 第34-35页 |
| 2.1.2 图像去噪方法的评价 | 第35-36页 |
| 2.2 基于对数变换的混合噪声图像降噪方法 | 第36-38页 |
| 2.3 实验结果及分析 | 第38-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第三章 一种基于形状的图像目标识别方法 | 第47-67页 |
| 3.1 基于形状矩阵的傅里叶描述特征提取 | 第47-53页 |
| 3.1.1 形状矩阵的产生 | 第48-49页 |
| 3.1.2 基于形状矩阵的傅里叶描述子的构建 | 第49-52页 |
| 3.1.3 基于SMFD的相似性度量 | 第52-53页 |
| 3.2 基于SVM和主动学习的相关反馈图像标示检测与识别方法 | 第53-61页 |
| 3.2.1 支持向量机 | 第54-56页 |
| 3.2.2 主动学习 | 第56-57页 |
| 3.2.3 SVM-AL算法 | 第57-61页 |
| 3.3 实验与分析 | 第61-66页 |
| 3.3.1 实验数据与评价指标 | 第61-62页 |
| 3.3.2 实验结果与分析 | 第62-66页 |
| 3.4 本章小结 | 第66-67页 |
| 第四章 基于区域目标直线模型的遥感图像快速检测方法 | 第67-86页 |
| 4.1 目标库直线矢量模型 | 第68-69页 |
| 4.2 目标的检测定位 | 第69-75页 |
| 4.2.1 直线矢量模型的数据准备 | 第69-70页 |
| 4.2.2 待检测图像的直线检测 | 第70-71页 |
| 4.2.3 直线匹配定位 | 第71-75页 |
| 4.3 异常情况处理 | 第75-76页 |
| 4.4 实验结果与分析 | 第76-85页 |
| 4.4.1 仿真实验 | 第76-77页 |
| 4.4.2 真实数据实验 | 第77-84页 |
| 4.4.3 实验结果分析 | 第84-85页 |
| 4.5 本章小结 | 第85-86页 |
| 第五章 一种基于分段三阶张量分解的高光谱图像异常检测方法 | 第86-98页 |
| 5.1 相关背景知识 | 第87-90页 |
| 5.1.1 张量 | 第87-88页 |
| 5.1.2 三阶张量TUCKER分解 | 第88-90页 |
| 5.1.3 TENB异常检测方法 | 第90页 |
| 5.2 一种分段的三阶张量分解的高光谱异常检测算法 | 第90-92页 |
| 5.3 实验结果及分析 | 第92-97页 |
| 5.3.1 数据集描述 | 第92-94页 |
| 5.3.2 实验结果分析 | 第94-97页 |
| 5.4 本章小结 | 第97-98页 |
| 第六章 全文总结与展望 | 第98-100页 |
| 6.1 全文总结 | 第98-99页 |
| 6.2 后续工作展望 | 第99-100页 |
| 致谢 | 第100-102页 |
| 参考文献 | 第102-115页 |
| 攻读博士学位期间取得的成果 | 第115-116页 |
