| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-34页 |
| 1.1 引言 | 第12-13页 |
| 1.2 课题背景和研究意义 | 第13-14页 |
| 1.3 水下光视觉系统研究与应用现状 | 第14-20页 |
| 1.4 水下图像处理与识别分类方法的相关技术研究现状 | 第20-32页 |
| 1.4.1 水下图像预处理方法研究现状 | 第20-24页 |
| 1.4.2 水下图像分割与轮廓提取方法研究现状 | 第24-25页 |
| 1.4.3 图像目标识别与分类方法的研究现状 | 第25-32页 |
| 1.5 研究主要内容 | 第32-34页 |
| 第2章 水下微光图像降噪及增强方法 | 第34-70页 |
| 2.1 引言 | 第34页 |
| 2.2 水下照明环境及图像特征分析 | 第34-37页 |
| 2.2.1 水下照明环境分析 | 第34-36页 |
| 2.2.2 水下微光图像特征分析 | 第36-37页 |
| 2.3 水下微光图像降噪算法 | 第37-39页 |
| 2.3.1 水下微光图像噪声特点 | 第37-38页 |
| 2.3.2 图像降噪经典算法 | 第38-39页 |
| 2.4 基于MCA与KSVD结合的水下微光图像降噪 | 第39-51页 |
| 2.4.1 基本思想 | 第39-41页 |
| 2.4.2 基于MCA的水下图像稀疏表达 | 第41-43页 |
| 2.4.3 基于稀疏K-SVD的图像降噪 | 第43-46页 |
| 2.4.4 图像降噪实验结果与分析 | 第46-51页 |
| 2.5 水下微光图像增强算法 | 第51-60页 |
| 2.5.1 图像增强经典算法 | 第51-54页 |
| 2.5.2 Retinex图像增强算法 | 第54-58页 |
| 2.5.3 实验结果及分析 | 第58-60页 |
| 2.6 基于MCA与RETINEX结合的水下图像降噪与增强算法 | 第60-68页 |
| 2.6.1 基本思想 | 第60-61页 |
| 2.6.2 算法流程 | 第61-62页 |
| 2.6.3 实验与结果分析 | 第62-68页 |
| 2.7 本章小结 | 第68-70页 |
| 第3章 基于水平集方法的水下图像分割研究 | 第70-96页 |
| 3.1 引言 | 第70页 |
| 3.2 图像分割方法 | 第70-74页 |
| 3.2.1 面向数据的图像分割算法 | 第71-73页 |
| 3.2.2 面向模型的图像分割算法 | 第73-74页 |
| 3.3 水平集算法的基本理论 | 第74-82页 |
| 3.3.1 水平集方法 | 第74-77页 |
| 3.3.2 水平集函数初始化 | 第77-78页 |
| 3.3.3 水平集函数的数值计算 | 第78-79页 |
| 3.3.4 Chan-Vese图像分割模型 | 第79-80页 |
| 3.3.5 距离保持水平集演化图像分割模型 | 第80-81页 |
| 3.3.6 Local Binary Fitting图像分割模型 | 第81-82页 |
| 3.4 基于改进的自适应距离保持水下图像分割水平集方法 | 第82-86页 |
| 3.4.1 自适应距离保持水平集图像分割模型 | 第83-84页 |
| 3.4.2 结合阈值分段函数的可变权系数及停止函数 | 第84-85页 |
| 3.4.3 模型建立与数值计算 | 第85-86页 |
| 3.5 图像分割实验与结果分析 | 第86-94页 |
| 3.5.1 图像分割实验描述 | 第86页 |
| 3.5.2 图像分割结果评价方法 | 第86-88页 |
| 3.5.3 图像分割结果分析 | 第88-94页 |
| 3.6 本章小结 | 第94-96页 |
| 第4章 基于改进FISHER向量的图像分类方法 | 第96-126页 |
| 4.1 引言 | 第96页 |
| 4.2 图像特征描述及提取方法 | 第96-107页 |
| 4.2.1 图像的颜色及纹理特征 | 第97-98页 |
| 4.2.2 形状特征 | 第98-99页 |
| 4.2.3 图像SIFT特征 | 第99-104页 |
| 4.2.4 SIFT特征描述子演化 | 第104-107页 |
| 4.3 图像特征语义表达及分类器选择 | 第107-111页 |
| 4.3.1 图像特征BOV直方图表示 | 第108-109页 |
| 4.3.2 图像特征Fisher向量表示 | 第109-110页 |
| 4.3.3 分类器介绍 | 第110-111页 |
| 4.4 FISHER向量的图像目标分类原理 | 第111-116页 |
| 4.4.1 Fisher核编码方法 | 第111-112页 |
| 4.4.2 Fisher核应用于图像分类 | 第112-114页 |
| 4.4.3 Fisher向量归一化 | 第114-115页 |
| 4.4.4 Fisher向量算法 | 第115-116页 |
| 4.5 基于稀疏化FISHER向量的水下图像轮廓识别 | 第116-124页 |
| 4.5.1 稀疏化Fisher向量编码思想 | 第116-117页 |
| 4.5.2 Fisher向量编码过程分析 | 第117-118页 |
| 4.5.3 KNN-Fisher向量编码方法 | 第118-119页 |
| 4.5.4 KNN-Fisher向量的分类步骤 | 第119-120页 |
| 4.5.5 算法实验结果与分析 | 第120-124页 |
| 4.6 本章小结 | 第124-126页 |
| 第5章 水下光视觉目标分类系统 | 第126-146页 |
| 5.1 引言 | 第126页 |
| 5.2 水下光视觉目标分类系统的硬件组成 | 第126-127页 |
| 5.3 水下光视觉目标分类系统的软件体系构成 | 第127-129页 |
| 5.3.1 水下光视觉目标分类系统中层体系结构 | 第128页 |
| 5.3.2 水下光视觉目标分类系统高层体系结构 | 第128-129页 |
| 5.4 水下光视觉图像目标轮廓训练集 | 第129-135页 |
| 5.4.1 水下光视觉图像目标轮廓训练集介绍 | 第129页 |
| 5.4.2 水下光视觉图像目标轮廓训练集建立方法 | 第129-135页 |
| 5.5 水下光视觉图像识别实验及结果分析 | 第135-144页 |
| 5.5.1 水下光视觉图像目标采集 | 第135-138页 |
| 5.5.2 水下光视觉图像目标分类程序的数据流程 | 第138-139页 |
| 5.5.3 水下光视觉图像目标分类实验结果及分析 | 第139-144页 |
| 5.6 本章小结 | 第144-146页 |
| 结论 | 第146-150页 |
| 参考文献 | 第150-162页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第162-164页 |
| 致谢 | 第164-166页 |
| 个人简历 | 第166页 |
