基于机器视觉的人工鱼礁建设评估方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景与意义 | 第11-12页 |
| 1.2 机器视觉概述 | 第12-13页 |
| 1.3 机器视觉的国内外现状 | 第13-16页 |
| 1.4 论文主要研究内容 | 第16-19页 |
| 第二章 目标图像处理技术研究 | 第19-30页 |
| 2.0 引言 | 第19页 |
| 2.1 图像灰度化 | 第19-20页 |
| 2.2 图像的增强处理 | 第20-24页 |
| 2.2.1 直方图的均衡化 | 第21-22页 |
| 2.2.2 图像空域滤波 | 第22-24页 |
| 2.3 图像的分割 | 第24-28页 |
| 2.4 边缘检测 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 目标图像的特征提取算法研究 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 样本库的建立 | 第30-31页 |
| 3.3 基于PCA的目标特征抽取 | 第31-38页 |
| 3.3.1 主分量的几何解释 | 第32-33页 |
| 3.3.2 主分量导出 | 第33-36页 |
| 3.3.3 主成分实验与分析 | 第36-38页 |
| 3.4 SURF特征提取 | 第38-41页 |
| 3.4.1 特征点检测 | 第38-40页 |
| 3.4.2 特征点的描述 | 第40-41页 |
| 3.5 基于Hu与SURF的鱼体特征融合 | 第41-45页 |
| 3.5.1 特征提取 | 第43-44页 |
| 3.5.2 基于k-means特征词典的建立 | 第44页 |
| 3.5.3 特征词典的量化 | 第44-45页 |
| 3.5.4 鱼体图像特征融合 | 第45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于BP神经网络的目标识别算法研究 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 BP神经网络概述 | 第46-51页 |
| 4.3 遗传算法概述 | 第51-52页 |
| 4.4 分类器的设计 | 第52-53页 |
| 4.5 实验结果与分析 | 第53-57页 |
| 4.5.1 基于PCA特征的BP网络识别试验 | 第53-55页 |
| 4.5.2 基于融合特征的BP网络识别试验 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 运动目标检测与跟踪 | 第58-73页 |
| 5.1 引言 | 第58页 |
| 5.2 基于混合高斯背景建模的运动检测与跟踪 | 第58-65页 |
| 5.2.1 高斯混合模型算法概述 | 第58-60页 |
| 5.2.2 卡尔曼滤波器算法概述 | 第60-61页 |
| 5.2.3 算法流程与实验验证 | 第61-65页 |
| 5.3 可变目标跟踪算法 | 第65-68页 |
| 5.4 算法验证与程序实现 | 第68-72页 |
| 5.4.1 SURF特征提取 | 第68-70页 |
| 5.4.2 SURF-KLT算法实验验证 | 第70-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士学位期间的科研成果 | 第80页 |
