| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 空间域图像去噪算法的研究现状 | 第12页 |
| 1.2.2 频域图像去噪算法的研究现状 | 第12页 |
| 1.2.3 波频域图像去噪算法的研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文章节安排 | 第15-16页 |
| 第2章 图像噪点识别与滤波算法的分析 | 第16-20页 |
| 2.1 常用的两种噪点识别算法 | 第16页 |
| 2.1.1 邻域识别法 | 第16页 |
| 2.1.2 连通域识别法 | 第16页 |
| 2.2 常用的四种噪点滤波算法 | 第16-18页 |
| 2.2.1 均值滤波法 | 第17页 |
| 2.2.2 中值滤波法 | 第17页 |
| 2.2.3 维纳滤波法 | 第17页 |
| 2.2.4 小波滤波法 | 第17-18页 |
| 2.3 不同噪点识别与滤波算法的比较 | 第18页 |
| 2.4 本章小结 | 第18-20页 |
| 第3章 BPNN_NI识别算法与FM_N识别算法 | 第20-31页 |
| 3.1 BPNN_NI算法基础 | 第20-21页 |
| 3.1.1 BP神经网络 | 第20页 |
| 3.1.2 ROAD因子 | 第20-21页 |
| 3.2 BPNN_NI算法原理与分析 | 第21-24页 |
| 3.2.1 BPNN_NI算法原理 | 第21页 |
| 3.2.2 BPNN_NI算法结构 | 第21-22页 |
| 3.2.3 训练图像 | 第22-23页 |
| 3.2.4 决策准则 | 第23-24页 |
| 3.3 FM_N算法基础 | 第24-25页 |
| 3.4 FM_N算法原理与分析 | 第25-30页 |
| 3.4.1 FM_N算法原理 | 第25页 |
| 3.4.2 FM_N算法结构 | 第25-26页 |
| 3.4.3 FM_N算法的模糊集与隶属度函数 | 第26-27页 |
| 3.4.4 隶属度函数的评价指标 | 第27页 |
| 3.4.5 FM_N算法模糊规则 | 第27-29页 |
| 3.4.6 FM_N算法识别准则 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 GAK滤波算法 | 第31-37页 |
| 4.1 GAK算法基础 | 第31页 |
| 4.1.1 卡尔曼滤波 | 第31页 |
| 4.1.2 遗传算法 | 第31页 |
| 4.2 GAK算法原理与分析 | 第31-36页 |
| 4.2.1 GAK算法原理 | 第31-32页 |
| 4.2.2 通过遗传算法分析GAK算法的性质 | 第32页 |
| 4.2.3 GAK算法的适应度函数设计 | 第32页 |
| 4.2.4 GAK算法功能和核心编程 | 第32-34页 |
| 4.2.5 GAK算法求解步骤 | 第34-36页 |
| 4.3 本章小结 | 第36-37页 |
| 第5章 实验与分析 | 第37-55页 |
| 5.1 BPNN_NI算法与FM_N算法的比较 | 第37-38页 |
| 5.1.1 漏检数的比较 | 第37-38页 |
| 5.1.2 参数误判率的比较 | 第38页 |
| 5.2 GAK算法的参数与种群数确定 | 第38-42页 |
| 5.2.1 GAK算法的P、Q、R参数确定 | 第38-40页 |
| 5.2.2 GAK算法的种群数确定 | 第40-41页 |
| 5.2.3 GAK算法的交叉与变异概率参数确定 | 第41-42页 |
| 5.3 GAK算法对椒盐图像去噪的试验结果与分析 | 第42-47页 |
| 5.3.1 图像的滤波效果 | 第42-45页 |
| 5.3.2 滤波图像的均方误差与峰值信噪比的分析 | 第45-47页 |
| 5.4 综合检验BPNN_NI算法和FM_N算法分别与GAK算法的结合应用 | 第47-54页 |
| 5.4.1 图像的滤波效果 | 第47-50页 |
| 5.4.2 滤波图像的均方误差与峰值信噪比的分析 | 第50-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论与展望 | 第55-57页 |
| 研究总结 | 第55-56页 |
| 工作展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |