| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.2 无人船国内外发展现状以及目标识别算法研究现状 | 第12-16页 |
| 1.2.1 无人船国内外发展现状 | 第12-13页 |
| 1.2.2 目标识别算法研究现状 | 第13-16页 |
| 1.3 论文的研究内容及章节安排 | 第16-18页 |
| 第2章 水面图像预处理与海天线检测方法研究 | 第18-36页 |
| 2.1 引言 | 第18页 |
| 2.2 水面图像特征分析 | 第18-21页 |
| 2.2.1 水面图像特点 | 第18-19页 |
| 2.2.2 水面图像描述方法研究 | 第19-21页 |
| 2.3 水面图像预处理算法研究 | 第21-29页 |
| 2.3.1 水面图像增强算法 | 第22-24页 |
| 2.3.2 水面图像增强算法实验对比结果 | 第24-25页 |
| 2.3.3 水面图像滤波算法 | 第25-27页 |
| 2.3.4 水面图像滤波算法实验对比结果 | 第27-29页 |
| 2.4 海天线检测算法研究 | 第29-34页 |
| 2.4.1 直线拟合法检测海天线 | 第29-31页 |
| 2.4.2 Hough变换法检测海天线 | 第31-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 水面图像分割方法研究 | 第36-50页 |
| 3.1 引言 | 第36页 |
| 3.2 水面图像分割方法分类 | 第36-38页 |
| 3.3 BP神经网络算法 | 第38-40页 |
| 3.3.1 BP神经网络模型 | 第38-39页 |
| 3.3.2 BP神经网络设计的基本方法 | 第39-40页 |
| 3.3.3 BP神经网络的缺陷及改进方法 | 第40页 |
| 3.4 遗传算法 | 第40-42页 |
| 3.4.1 遗传算法的基本思想 | 第41页 |
| 3.4.2 遗传算法求解过程 | 第41-42页 |
| 3.5 遗传神经网络 | 第42-44页 |
| 3.5.1 遗传神经网络编码方式 | 第42-43页 |
| 3.5.2 适应度函数的选择 | 第43页 |
| 3.5.3 遗传操作算子 | 第43-44页 |
| 3.5.4 遗传神经网络的建立 | 第44页 |
| 3.6 基于遗传神经网络的图像分割算法仿真实验 | 第44-48页 |
| 3.7 本章小结 | 第48-50页 |
| 第4章 基于形状外观的船舶图像特征提取算法研究 | 第50-62页 |
| 4.1 引言 | 第50-51页 |
| 4.2 船舶图像形状特征 | 第51-54页 |
| 4.2.1 船舶图像轮廓提取 | 第51-52页 |
| 4.2.2 船舶几何特征 | 第52-53页 |
| 4.2.3 船舶图像HU不变矩特征 | 第53-54页 |
| 4.3 目标特征提取仿真实验 | 第54-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 基于形状外观的无人船目标识别方法研究 | 第62-76页 |
| 5.1 引言 | 第62页 |
| 5.2 SVM算法的基本原理 | 第62-66页 |
| 5.2.1 线性SVM算法 | 第63-65页 |
| 5.2.2 非线性SVM算法 | 第65-66页 |
| 5.3 SVM算法分类方法研究 | 第66-73页 |
| 5.3.1 二分类SVM算法 | 第67页 |
| 5.3.2 多分类SVM算法 | 第67-70页 |
| 5.3.3 SVM算法关键技术研究 | 第70-73页 |
| 5.4 利用SVM算法识别船舶图像的仿真实验与数据分析 | 第73-74页 |
| 5.5 本章小结 | 第74-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间发表论文和取得的科研成果 | 第84-86页 |
| 致谢 | 第86页 |