一、基于数学形态学的水声图像处理(论文文献综述)
兰鲁钰[1](2021)在《基于小波包的声呐图像分割方法研究》文中研究说明海洋是巨大的资源宝库,海洋资源的勘探推动了成像声呐的快速发展。声呐图像是分析海底的一种有价值的工具,在探测海底沉船、考古遗址、水下探雷、管道检查等重要任务时,尤其是在深度相当大的区域作业时,都需要借助声呐图像进行合理分析。分析图像信息的必要步骤是声呐图像分割,因为正确的分割结果是后续准确提取信息的前提。然而,受海洋悬浮物和海底底质不均的影响以及水声信道的不稳定变化作用,声呐图像普遍存在复杂的噪声,因此,为了获得正确的分割结果,需借助一种适用声呐图像的滤波方法,在平滑背景噪声的同时,尽量不损失边缘。小波变换和小波包变换多尺度多分辨率特性可以将图像层层剥离,在感兴趣的部分提取信息并加工处理,因此十分适合分析图像。本文主要是基于小波变换的声呐图像滤波处理和基于小波包变换的声呐图像分割方法研究,其主要贡献有以下几点:一是声呐图像滤波方面。分析声呐图像的噪声类型,其中以散斑噪声和环境噪声为主,为了兼顾两种噪声类型,据此,提出基于小波变换的改进的三维块匹配(Block-Matching and3D filtering,BM3D)的声呐图像滤波方法。经小波变换的声呐图像,舍弃高频对角线分量,滤除一部分环境噪声,在重构的声呐图像上做幂数变换和对数变换,将声呐图像的散斑噪声转换成对三维块匹配滤波方法响应敏感的高斯加性噪声,从而发挥三维块匹配滤波方法保边降噪优势的同时,使背景区平滑效果达到最佳。实验证明,本文方法优于中值滤波、Kuan滤波、小波软阈值滤波和原始的三维块匹配滤波方法。二是声呐图像分割方面。声呐图像的分割要求是将声呐图像的目标亮区、目标暗区和海底混响区有效划分,本文的声呐图像分割是基于区域边缘的,通过准确检测目标区域的边缘从而实现声呐图像的正确分割。针对目前的边缘检测方法处理声呐图像时存在检测结果连通性不佳、抗噪性能差及过量的伪边缘等问题,基于小波包变换检测声呐图像边缘。根据声呐图像经小波包分解后,边缘信息在各子带呈现的不同特点,在高频分量和低频分量上分别采用不同的方式检测区域边缘。小波包分解的低频分量,采用四个方向的形态学边缘检测方法;小波包分解的高频分量,借助Otsu合理区分边缘与噪声;最后,将高频检测边缘与低频检测边缘融合,获得区域边缘基本连续,噪声背景干扰小的边缘检测结果,从而实现声呐图像三个区域的有效分割。实验证明,本文方法的处理结果优于Otsu分割方法、FCM分割方法、Canny方法和小波模极大值方法。
李颢阳[2](2021)在《基于声图像序列的水下运动目标特征提取研究》文中研究说明随着水下无人设备与技术的发展,水下安保问题变得愈发突出,如何对水下运动目标进行探测识别就成为了亟待解决的难题。准确的识别离不开对目标特征的提取,其中对运动特征的提取显得尤为重要。水下目标识别领域现有的研究缺乏对水下目标运动特征的深入发掘,仍停留在利用速度、路径等简单信息作为运动特征的阶段,忽视了声纳图像序列中帧间相关性所包含的运动信息。近年来三维矩特征提取方法因其通用性、便捷性以及时空一体化处理能力被逐渐应用于三维图像的特征提取中。因此,本文首次将三维矩方法应用于水下运动目标的特征提取环节,以实现针对鱼类与水下机器人两类目标的运动特征描述。水下目标模式识别是一个系统性的工程,不仅需要提取特征来表征目标的身份,还需要目标检测、图像预处理等相关技术的配合。因此本文在充分调研相关文献的基础上,探索了适用于声图像序列的多种目标检测算法,并使用较为成熟的图像预处理技术,对经由自行实验获取的两类别目标的声纳图像序列进行了处理。之后分别应用三维中心矩、三维速度矩、三维Zernike速度矩三种运动特征提取算法,对处理后的图像序列进行特征提取,并从相似度测定和KNN分类器识别两方面对比分析了三种特征的分类性能,建立了水下运动目标的二分类模式识别框架。研究结果表明:(1)混合高斯模型较好地模拟了声纳图像序列中噪声背景随时间的变化规律,基本能够实现消除背景噪声的干扰,基于该模型的目标检测算法提取的前景目标形态完整、轮廓清晰,适用于从信噪比较低的声纳图像序列中进行目标检测。(2)KNN分类器对应用三种特征提取算法得到的特征进行分类,识别率均达到了90%以上。证明三种算法均能有效地表征不同类别水下目标的运动特征,并产生可分度较高的特征向量。反映出运动特征在水下目标识别中较高的应用价值和现实意义。(3)从特征相似度、分类识别率、特征维度等综合方面分析,证明了三维Zernike速度矩在进行鱼类和ROV二分类的识别中具有更好的性能,获得了优于传统方法的识别结果。
辛通[3](2020)在《基于声纳图像的沉底油识别软件设计与实现》文中提出伴随着全球海洋石油资源的不断开采,海上溢油事故随之增加。海上溢油事故一旦发生,会对环境造成几年甚至几十年的危害,因此受到当今各国的广泛重视。海上溢油事故发生后,如何快速有效的识别溢油是有效治理溢油事故的重中之重。本文基于前视声纳以及侧扫声纳两种声学探测设备得到的声纳图像开展研究,通过声纳图像与模式识别方法结合的方式完成水中沉底油目标识别,并基于软件工程技术完成软件的设计与开发。首先,本文对前视声纳、侧扫声纳两种声纳设备的成像原理进行阐述,并对声纳图像进行图像畸变校正、去噪、增强处理。第二,将预处理后的声纳图像结合图像分割、目标特征提取、分类器对声纳图像中沉底油目标进行识别,其中着重研究了sym4小波去噪方法、马尔可夫图像分割方法、图像灰度统计特征以及通过灰度共生矩阵获取的统计特征、基于支持向量机的分类识别方法。第三,以Py Charm2018(PyQt)为开发平台,结合基于声纳图像的目标识别技术,将沉底油目标识别软件设计为数据读取解析、图像处理辅助、图像预处理以及沉底油目标识别四个模块,完成基于声纳图像沉底油识别软件的设计与开发。该软件主要功能有:常见声纳原始数据Extended Triton Format(*.XTF)、Blueview Sonar Data(*.son)格式文件的读取解析、显示功能;侧扫声纳图像的速度修正、灰度修正以及声纳图像的图像增强功能;基于声纳图像的常见空间域滤波去噪功能以及小波去噪功能;基于最大类间方差法、C-means聚类分割方法以及马尔可夫随机场模型的图像分割功能;基于图像灰度统计方法以及图像灰度共生矩阵的特征提取功能;基于支持向量机分类方法的沉底油目标识别功能。在对本套基于声纳图像的沉底油软件功能验证过程中,分别使用前视声纳数据以及侧扫声纳数据进行功能验证,通过试验数据处理结果证明本套软件在功能上可以达到设计的预期要求,同时稳定完成水中沉底油的目标识别任务。
马味敏[4](2020)在《基于声图特征提取的水下目标检测识别研究》文中认为水下声纳探测是国内外海洋远距离探测的主要方式,而水下成像后的处理一直是目前具有应用价值和挑战性的研究热点。声学成像后的图像本身就不如传统光学图像分辨率高,水下环境复杂多变带来的声学成像质量更差,存在伪影和复杂的背景噪声,传统的目标检测识别的算法处理效果不尽人意。因此本课题针对水下声图的特征进行研究,提出多种适用于处理声纳图像的改进算法。水下声图的降噪预处理是声纳图像目标检测识别的前提,由于声图存在的噪声复杂,一般光学图像降噪的经典方法对其处理效果有限。本课题中采用非下采样轮廓波变换对声图进行分解得到高低频子带,在其基础上对脉冲耦合神经网络模型进行参数简化和改进并进行高、低频图像融合,经过反变换重构后的声图保留了声图的边缘信息的同时,较好的去除了斑点噪声。即使在噪声水平逐步添加时,本文提出的方法平均信噪比相比于频域降噪,双树双密度降噪,Lee滤波分别提高了34.8%,14.5%,9.4%,有较高的抗噪性能。广阔水域下的声纳探测传回的大量数据为目标识别带来一定困难,在声图目标识别匹配前,先判断声图的目标有无可以有效避免后期的冗余计算。本课题运用二维经验模态分解对声纳图像分解重构,对提取的差分极值点包络曲线进行检测,实验分析证明,在长短时窗检测时采用其差值代替比值能更好的凸显含有目标的声图包络曲线的波动幅度变化,方法简单而且检测准确率高达97.2%。对于正确识别水下声图中的目标是声图处理的关键研究问题,大多数的目标匹配都在探索降低特征点的误匹配率的方法。而本课题中是采用寻找声图目标区域最优特征点对的思想:运用改进后的恒虚警的技术,从surf算法匹配的大量特征点对中筛选目标区域的特征点对。同时再结合环形环状区域统计特征检测,判断二者是否匹配,匹配成功后计算其特征点对的几何关系,经过旋转校正后寻找匹配的目标区域。实验结果证明,该方法在声图复杂背景下,可以有效对抗目标形变旋转带来的影响,目标匹配重叠率相比于最好兄弟相似性算法及其改进算法分别提高了32.59%和16.57%。最后,本课题将目标检测与匹配的算法在Python环境下实现,充分运用其强大的资源环境,调用了Open CV图像视觉库和Py Qt5控件集,完成了可视化的图形交互系统的设计,可以兼容各操作平台,具有较高的可移植性。
魏阳洋[5](2020)在《三维水声数据体绘制中传递函数的研究》文中研究说明水声数据可视化是人类探索海洋世界的重要手段,在海洋资源探测、海底地貌勘察以及渔业领域等方面具有广泛的应用。随着GPU等并行处理技术的发展,绘制质量较高的直接体绘制技术成为了实现可视化的主要方式,而传递函数的设计作为其中的关键技术,一直是人们的关注焦点。为进一步提升水声数据的可视化效果,本文针对水声数据的特点,对体绘制中传递函数的设计进行了较为深入的研究,主要研究工作和成果如下:首先,针对现有传递函数对水声数据水体层和地底层分类效果较差的问题,提出了一种基于三维非下采样Brushlet变换的水声数据体绘制传递函数方法。利用三维Brushlet变换在检测和捕捉体数据中的高维奇异性信息及方向纹理信息方面的优越性,首先结合灰度共生矩阵在非下采样Brushlet变换的不同方向系数体积块中提取水声数据的纹理特征,然后利用模糊C均值聚类方法完成数据分类,最后根据分类结果分别设计不透明度和颜色映射函数实现可视化。实验结果表明,与其他方法相比,该方法具有更好的分类能力,并且能有效地滤除水声数据中的杂质,强化边界信息,从而增强绘制效果。其次,针对传统的水声数据目标检测算法对目标物体的分割效果不佳的缺点,提出了一种改进的自适应阈值三维区域生长算法对水声数据的目标物体进行检测,并将它应用于水声数据传递函数的设计当中。该算法能自动选取水声数据中最合适的初始种子点,根据生长规则自适应改变阈值并达到最佳的区域生长效果;接着结合三维数学形态学分别对水声数据中水体层和地底层的目标进行检测和数据分类;最后根据分类结果,分别为水体层非目标背景区域、地底层非目标背景区域以及目标物体设计相应的不透明度和颜色映射规则,并调用可视化工具包VTK完成可视化。实验结果表明,该方法能有效分割目标物体和背景区域,并获得比较理想的绘制效果。
陶金轩[6](2019)在《淀粉相变人工智能监控体系的构建及应用研究》文中进行了进一步梳理作为自然界第二丰富的天然高分子原料,淀粉及其衍生物已广泛应用在食品、医药、纺织和化工等领域。相变是淀粉体系中组分形态、超分子结构、多组分构效关系和行为响应的直观表达,可为新产品的研发及品质改善提供预测和理论指导。热台-偏光显微镜观察法是一种对淀粉相变行为进行在线研究的重要方法。然而传统的研究手段主要是通过在线数据采集和线下人工处理的方法对相变进程中淀粉的颗粒形态、溶胀能力、糊化特性等变化进行定量分析,存在时间消耗长、主观判定误差大等缺陷,而且无法对关键转变点进行在线即时界定和精准评估。如何使用更多元化的定量分析指标与智能化分析手段相结合的方式,实现对淀粉结构和相变行为的深入表征及调控已成为国内外研究的热点及突破口。本文在传统的显微镜观察和表征技术基础上,开发和设计出基于淀粉特征变化的人工智能算法模型(神经网络、边缘检测和数学形态学处理),通过研究相变过程中淀粉形态结构和光学结构特征的变化,构建出可对淀粉相变行为进行在线检测和结果评估的新型研究方法和体系,进而实现反应过程中淀粉形态结构和反应行为精准调控,主要研究结果如下:1.机器学习在淀粉溶胀特性研究中的应用:由于淀粉在正常光下呈现独特的透明、不规则颗粒形态,传统图像处理技术和软件无法对淀粉的颗粒形态和溶胀特性进行定量分析。本文采用Canny边缘检测和形态学处理两种机器学习算法联用的方式,对淀粉外部轮廓进行精准识别,并通过检测整体颗粒面积变化,建立了淀粉溶胀进程的智能化评估体系。2.淀粉糊化特性智能检测体系的建立:基于淀粉糊化过程中双折射特征的变化,将热台-偏光显微观察技术与卷积神经网络结合,开发出可对双折射特征在线检测、定位和分类的卷积神经网络算法模型Starch-SSD,利用该算法模型对淀粉的转变温度及糊化度等指标进行人工智能检测,相关评估可在4 s内完成。3、淀粉相变过程中在线调控体系的设计及构建:在淀粉溶胀进程智能化分析体系和新型淀粉糊化行为评估方法Starch-SSD的研究基础上,结合模糊逻辑控制器理论将传统的热台温度控制系统改进和优化,开发出可对淀粉糊化程度(Degree of gelatinizaiton,缩写DG)进行在线调控的DG控制体系,并对不同反应程度淀粉的颗粒形态、相变特性对比分析。
于金帅[7](2019)在《基于三维成像的声呐图像目标自动检测》文中指出近年来,世界各国纷纷加强了对海洋的研究和探索,声呐技术日益受到重视,我国对声呐目标检测的研究起步相对较晚,但也是奋起直追。而与日新月异的声呐设备相比,声呐目标检测和识别的相关技术还不能与之相匹配。杭州应用声学研究所研制了基于线阵合成孔径的三维成像声呐设备,数据量急剧增加,由二维拓展到三维,如果仅仅依靠人工进行检测,不仅效率低下,而且不利于对数据进行存储和维护。因此,研究基于三维成像的声呐图像目标自动检测的相关算法,并开发声呐目标自动检测系统就显得尤为重要。本文针对基于三维成像的声呐图像进行了算法研究,包括预处理、图像分割,目标识别这三个方面,最后设计和实现了声呐目标自动检测系统,研究内容和成果如下:(1)提出了一种适用于三维成像声呐图像的预处理方法。本文首先对声呐图像进行去噪处理,通过对不同的去噪方法进行对比,得出了中值滤波去噪能够取得更好的去噪效果,然后对去噪后的声呐图像进行白化处理,可以使图像的背景更加均衡,一定程度上抑制了海底混响的干扰。(2)提出了一种水体和地层分离的声呐图像分割方法。本文对声呐图像分割主要包括两个方面,一是对声呐图像进行水体和地层分离,将差异较大的两部分分割开来;二是针对水体图像和地层图像,分别研究了图像分割的算法。本文水体部分采用了 OTSU算法,地层部分采用了二维最大熵算法,为有效的特征提取奠定基础。(3)提出了一种以目标像素面积、长宽比和信噪比为特征参数的多维贝叶斯分类模型。本文通过提取目标的关键特征,构建了多维贝叶斯分类模型,并且与基于人工神经网络的目标识别和基于支持向量机的目标识别进行实验对比,得出多维贝叶斯分类模型可以较好地实现目标形态的分类。(4)设计和实现了声呐目标自动检测系统。通过本文的研究分析,整合了一套基于三维成像声呐图像数据的算法,严格按照软件工程的相关规范,设计和实现了声呐目标自动检测系统,通过实际验证,具有界面简洁、操作简单的特点,在声呐目标检测和识别上具有高检测率、低虚警率的优势。
张坤[8](2019)在《基于数学形态学的战场声目标的识别方法研究》文中研究说明本文以反坦克、反直升机智能雷为背景,研究了基于数学形态学的战场声目标识别方法,根据数学形态学分形维数在信号特征中表现的特征单一、区分度不高等问题,提出了三种改进的声信号特征提取方法,有效的提取了战场声目标的非线性特征。最后运用形态学神经网络对战场声目标进行了识别。将VMD算法与数学形态学分形维数相结合,提取直升机声与坦克声信号的非线性特征。首先根据信号能量集中频段决定了VMD分解的分量个数,再运用数学形态学方法计算了各个分量的容量维数与信息维数,作为信号的特征量。该方法相较于常用的EMD与盒维数的方法提取的特征具有更高区分度。为了提取更多的非线性特征,将多重分形维数运用于战场声目标识别。提出了基于双维度变化的形态学多重分形战场声目标识别方法。该方法定义了基于双维度变化的配分函数(Double Dimensions Changed Distributed Function,DDCDF),以运算速度与识别率为标准,筛选出最优尺度组合,并计算多重分形维数。将多重分形维数作为特征输入,使用支持向量机进行声目标识别,识别结果显示了本文算法所提取的多重分形维数特征较原算法具有更好的区分度,其识别率比现有算法提升了23.5%,为战场声目标的非线性特征快速识别提供了一种有效的技术手段。由于多重分形维数提取的非线性特征仍然有限,提出了基于SVD与数学形态学分形维数谱的特征提取方法(singular value decomposition and mathematical morphological fractal dimensions spectrum,SVD-MMFDS)。该方法首先利用采集到的声信号构造Hankel矩阵,再运用SVD分解方法对矩阵进行分解,接着利用奇异值与频率分量的关系重构信号分量。首先计算第一个频率分量的分形维数,再叠加第二个频率分量,计算叠加信号的分形维数,每叠加一次,就计算一次分形维数,直到形成完整的原信号,最后得到一个反映信号非线性的分形维数谱,即SVD-MMFDS。将该方法与EMD-盒计数法相比较,SVD-MMFDS提取的非线性特征具有更好区分度,同时也成功解决了分形维数不能充分反映信号非线性的问题。将形态学神经网络(Constructive Morphology Neural Network,CMNN)及模糊形态学神经网络(Fuzzy Lattice Constructive Morphology Neural Network,FL-CMNN)运用于战场声目标的识别。根据Sussner P的构造性神经网络模型,提出了一种基于单维盒的训练方法,以第三章提取的多重分形维数与第四章提取的SVD-MMFDS作为特征输入,与其他分类器如SVM、BP神经网络在训练效率、测试效率与分类精度上进行了对比,CMNN与FL-CMNN均表现出优良的性能。
赵彤洲,王海晖,王艳丽[9](2010)在《数学形态学在边缘检测中的教学方法》文中进行了进一步梳理数学形态学具有完备的数学理论体系,提供了一种基于图像几何特征的信息提取方法。在数字图像处理教学中,探索了数学形态学理论在边缘检测中的教学方法,并取得了较好的教学效果。
王斯朕,蒋立军[10](2009)在《数学形态学运算在声纳图像边缘检测处理中的应用》文中进行了进一步梳理声纳图像中经常存在较强的背景噪声,噪声的存在使图像中的目标边缘不易提取。本文采用了多尺度形态学算法减少图像中噪声的影响,采用形态学边缘检测方法对降噪后的图像进行处理,并利用形态学运算对得到的边缘图像作断裂曲线连接。实验结果证明本文中采用形态学运算边缘检测的方法优于传统的边缘检测方法。
二、基于数学形态学的水声图像处理(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于数学形态学的水声图像处理(论文提纲范文)
(1)基于小波包的声呐图像分割方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 声呐图像滤波研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 声呐图像分割研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 文献综述简析 |
1.5 本文组织结构及研究内容 |
第2章 相关理论基础 |
2.1 引言 |
2.2 声呐图像基本理论 |
2.2.1 成像原理 |
2.2.2 噪声分析 |
2.2.3 声呐图像特征 |
2.3 三维块匹配滤波方法 |
2.4 小波变换基本理论 |
2.4.1 小波定义 |
2.4.2 连续小波变换 |
2.4.3 离散小波变换 |
2.5 多分辨率分析 |
2.6 小波包变换基本理论 |
2.7 图像的小波变换和小波包变换 |
2.7.1 图像的小波变换 |
2.7.2 图像的小波包变换 |
2.8 本章小结 |
第3章 声呐图像滤波 |
3.1 引言 |
3.2 声呐图像滤波评价指标 |
3.3 小波变换改进的声呐图像三维块匹配滤波方法 |
3.4 滤波实验结果及分析 |
3.4.1 声呐图像滤波实验步骤 |
3.4.2 滤波实验结果分析 |
3.5 本章小结 |
第4章 基于小波包变换的声呐图像分割 |
4.1 引言 |
4.2 声呐图像分割定义 |
4.3 声呐图像分割的主要方法 |
4.3.1 基于边缘的声呐图像分割 |
4.3.2 基于区域的声呐图像分割 |
4.4 基于小波包变换的声呐图像边缘检测 |
4.4.1 小波基选择 |
4.4.2 结合数学形态学的小波包变换的低频分量处理 |
4.4.3 小波包变换高频分量处理 |
4.5 边缘检测实验及结果分析 |
4.5.1 声呐图像边缘检测实验步骤 |
4.5.2 边缘检测实验结果分析 |
4.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文 |
致谢 |
(2)基于声图像序列的水下运动目标特征提取研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景、目的及意义 |
1.2 国内外研究现状 |
1.2.1 水下目标的图像序列处理研究现状 |
1.2.2 水下目标运动特征提取研究现状 |
1.3 三维矩特征提取方法概述 |
1.4 本文主要工作与结构安排 |
2 相关技术理论概述 |
2.1 声纳技术原理与图像形成 |
2.2 常用的运动目标检测算法 |
2.2.1 帧间差分法 |
2.2.2 背景差分法 |
2.2.3 光流法 |
2.3 三维矩特征提取技术原理 |
2.3.1 二维几何矩 |
2.3.2 三维中心矩 |
2.3.3 三维速度矩 |
2.3.4 三维Zernike速度矩 |
2.4 本章小结 |
3 声纳图像序列的三维矩特征提取研究 |
3.1 图像声纳扫描实验 |
3.2 运动目标检测与帧图像的预处理 |
3.2.1 图像增强 |
3.2.2 图像去噪 |
3.2.3 目标检测与图像分割 |
3.2.4 形态学处理 |
3.3 基于三维中心矩的特征提取 |
3.4 基于三维速度矩的特征提取 |
3.5 基于三维Zernike速度矩的特征提取 |
3.6 本章小结 |
4 三维矩特征性能分析研究 |
4.1 特征相似度测定与分类器简介 |
4.1.1 特征相似度测定 |
4.1.2 K近邻分类器(KNN) |
4.2 基于特征相似度指标的特征性能分析 |
4.3 基于KNN分类器的特征性能分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(3)基于声纳图像的沉底油识别软件设计与实现(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 沉底油定义与典型沉底油探测系统 |
1.3 基于声学图像的沉底油识别软件国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 主要研究内容 |
第2章 基于声纳图像的沉底油识别方法研究 |
2.1 声学成像原理 |
2.1.1 前视透镜声纳成像原理 |
2.1.2 侧扫声纳成像原理 |
2.2 沉底油声图像的预处理 |
2.2.1 速度校正 |
2.2.2 区域比例校正 |
2.2.3 对比度受限的自适应直方图均衡(CLAHE) |
2.3 沉底油声图像的去噪 |
2.3.1 空间滤波去噪方法 |
2.3.2 小波滤波去噪方法 |
2.3.3 水下声纳图像去噪结果分析 |
2.4 沉底油声图像的分割 |
2.4.1 最大类间方差分割算法(Otsu) |
2.4.2 C-means分割算法 |
2.4.3 马尔可夫(MRF)分割算法 |
2.4.4 水下声纳图像分割结果分析 |
2.5 沉底油声图像的特征提取 |
2.5.1 图像灰度统计特征 |
2.5.2 灰度共生矩阵(GLCM)特征 |
2.6 基于支持向量机的沉底油目标识别方法 |
2.6.1 支持向量机分类理论基础 |
2.6.2 支持向量机核函数 |
2.7 本章小结 |
第3章 基于Python的沉底油识别软件设计与实现 |
3.1 软件架构设计 |
3.1.1 软件总体结构设计 |
3.1.2 软件总体工作流程 |
3.2 软件主体显示界面设计 |
3.2.1 基于Qt的软件结构设计 |
3.2.2 软件的主界面设计 |
3.3 数据读取解析模块设计 |
3.3.1 Blueview格式数据读入 |
3.3.2 XTF格式数据读入 |
3.4 图像处理辅助模块设计 |
3.4.1 图像区域选取功能 |
3.4.2 图像缩放、拖拽功能 |
3.4.3 图像伪彩色显示功能 |
3.4.4 图像相近灰度映射功能 |
3.5 图像预处理模块设计 |
3.5.1 侧扫声纳图像速度灰度校正 |
3.5.2 声纳图像去噪功能设计 |
3.5.3 自适应直方图均衡(CLAHE)功能设计 |
3.6 沉底油识别模块设计 |
3.6.1 图像分割功能设计 |
3.6.2 图像特征提取功能设计 |
3.6.3 沉底油目标识别功能设计 |
3.7 本章小结 |
第4章 基于声纳图像的沉底油识别软件功能验证 |
4.1 试验设备及试验环境 |
4.1.1 试验设备 |
4.1.2 试验环境 |
4.2 软件模块功能验证 |
4.2.1 数据读取解析与预处理模块功能验证 |
4.2.2 声纳图像分割模块功能验证 |
4.2.3 目标分类识别模块功能验证 |
4.3 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(4)基于声图特征提取的水下目标检测识别研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究的背景与意义 |
1.2 国内外的研究现状 |
1.2.1 降噪预处理 |
1.2.2 目标检测识别 |
1.3 本文研究的主要内容 |
1.4 论文结构安排 |
第二章 基于NSCT-PCNN算法的水下声纳图像降噪 |
2.1 引言 |
2.2 水下声纳图像噪声分析 |
2.3 传统降噪方法 |
2.4 Lee滤波算法 |
2.5 基于改进型的PCNN-NSCT图像融合 |
2.5.1 NSCT原理 |
2.5.2 脉冲耦合神经网络模型及原理 |
2.5.3 NSCT-PCNN算法流程 |
2.6 实验结果分析 |
2.7 本章小结 |
第三章 基于BEMD的水下目标检测 |
3.1 引言 |
3.2 经验模态分解算法原理 |
3.2.1 一维经验模态分解 |
3.2.2 二维经验模态分解 |
3.3 包络提取分析 |
3.3.1 希尔伯特变换包络提取 |
3.3.2 数学形态学包络提取 |
3.3.3 差分极值点包络提取 |
3.4 长短时窗目标检测 |
3.5 实验结果分析 |
3.6 本章小结 |
第四章 融合特征点与环状域检测的水下声纳目标匹配 |
4.1 引言 |
4.2 SURF算法特征点检测 |
4.3 恒虚警检测技术 |
4.3.1 恒虚警基本思想 |
4.3.2 改进的恒虚警算法 |
4.4 环状域统计特征匹配 |
4.5 实验结果分析 |
4.6 本章小结 |
第五章 基于Python的水下声纳目标检测识别系统的实现 |
5.1 引言 |
5.2 环境搭建 |
5.2.1 Anaconda介绍 |
5.2.2 Open CV介绍 |
5.2.3 PyQt介绍 |
5.3 系统实现 |
5.3.1 系统登录模块 |
5.3.2 水下声纳图像目标检测模块 |
5.3.3 水下声纳图像目标匹配模块 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士期间发表论文 |
攻读硕士期间参与项目 |
(5)三维水声数据体绘制中传递函数的研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 三维水声数据可视化 |
1.2.1 三维水声数据 |
1.2.2 三维水声数据可视化流程 |
1.2.3 水声数据可视化研究现状 |
1.3 体绘制传递函数的研究现状 |
1.3.1 以图像为中心的传递函数设计方法 |
1.3.2 以数据为中心的传递函数设计方法 |
1.3.3 传递函数设计面临的问题及挑战 |
1.4 本文研究工作及内容安排 |
第2章 体绘制传递函数 |
2.1 直接体绘制 |
2.1.1 直接体绘制中的光学模型 |
2.1.2 直接体绘制算法 |
2.2 传递函数相关概念 |
2.2.1 传递函数的定义 |
2.2.2 传递函数的分类 |
2.3 本章小结 |
第3章 基于非下采样Brushlet变换的水声数据传递函数 |
3.1 引言 |
3.2 三维非下采样Brushlet |
3.2.1 构造局部光滑的标准正交基 |
3.2.2 构造一维Brushlet基 |
3.2.3 构造三维Brushlet基 |
3.3 基于三维非下采样Brushlet变换的水声数据分类 |
3.3.1 利用灰度共生矩阵提取特征 |
3.3.2 颜色和不透明度函数的映射 |
3.3.3 分类效果评价因子 |
3.4 实验与结果分析 |
3.4.1 不同传递函数方法的可视化效果比较 |
3.4.2 不同传递函数方法分类效果的定量评价 |
3.5 本章小结 |
第4章 基于改进的三维自适应区域生长的水声数据可视化研究 |
4.1 引言 |
4.2 自适应阈值三维区域生长算法 |
4.2.1 传统的区域生长算法及其流程 |
4.2.2 改进的三维自适应阈值区域生长算法 |
4.3 基于三维自适应阈值区域生长的传递函数 |
4.3.1 三维数学形态学 |
4.3.2 利用改进的自适应阈值区域生长算法对水声数据进行分类 |
4.3.3 不透明度和颜色的映射规则 |
4.4 实验结果与分析 |
4.4.1 区域生长算法中生长阈值和阈值增长步长分析 |
4.4.2 区域生长实验结果及可视化实验结果 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
作者在读期间发表的学术论文及参加的科研项目 |
(6)淀粉相变人工智能监控体系的构建及应用研究(论文提纲范文)
摘要 |
ABSTRACT |
主要符号表 |
第一章 绪论 |
1.1 淀粉概述 |
1.1.1 淀粉的化学结构 |
1.1.2 淀粉的颗粒结构 |
1.1.3 淀粉的晶体特征 |
1.2 淀粉相变 |
1.2.1 淀粉溶胀 |
1.2.2 淀粉糊化 |
1.2.3 淀粉重结晶(老化) |
1.3 淀粉相变的研究方法 |
1.3.1 DSC对淀粉相变的研究 |
1.3.2 热台-偏光显微观察法对淀粉相变的研究 |
1.3.2.1 淀粉双折射原理 |
1.3.2.2 热台-偏光显微镜在淀粉相变研究中的应用 |
1.4 人工智能及其在食品中的应用 |
1.5 本课题的研究意义和研究内容 |
1.5.1 研究意义 |
1.5.2 主要研究内容 |
第二章 机器学习在淀粉溶胀特性研究中的应用 |
2.1 引言 |
2.2 机器学习算法 |
2.2.1 边缘检测 |
2.2.2 数学形态学 |
2.2.2.1 结构元素 |
2.2.2.2 膨胀 |
2.2.2.3 腐蚀 |
2.2.2.4 开运算与闭运算 |
2.3 实验材料与仪器设备 |
2.3.1 实验材料 |
2.3.2 实验仪器和设备 |
2.4 试验方法 |
2.4.1 热台-偏光显微观察 |
2.4.2 Canny边缘检测 |
2.4.3 形态学处理 |
2.4.4 淀粉溶胀能力 |
2.5 结果与讨论 |
2.5.1 淀粉显微图像的边缘检测 |
2.5.2 形态学处理 |
2.5.3 淀粉溶胀能力评估 |
2.6 本章小结 |
第三章 淀粉糊化特性智能检测评估体系的建立 |
3.1 引言 |
3.2 卷积神经网络的结构 |
3.2.1 神经元 |
3.2.2 卷积层 |
3.2.3 池化层 |
3.2.4 全连接层 |
3.2.5 激活函数 |
3.3 实验材料与仪器设备 |
3.3.1 实验材料 |
3.3.2 实验仪器和设备 |
3.4 试验方法 |
3.4.1 热台-偏光显微观察 |
3.4.2 算法模型Starch-SSD的构建 |
3.4.2.1 数据采集和处理 |
3.4.2.2 神经网络的构建 |
3.4.2.3 目标检测框的选择 |
3.4.2.4 样本训练 |
3.4.3 糊化特性评估 |
3.5 结果与讨论 |
3.5.1 偏光显微镜下淀粉的糊化 |
3.5.2 目标检测结果 |
3.5.3 糊化特性评估 |
3.6 本章小结 |
第四章 淀粉相变在线调控体系的设计及应用研究 |
4.1 引言 |
4.2 实验材料与仪器设备 |
4.2.1 实验材料 |
4.2.2 实验仪器和设备 |
4.3 试验方法 |
4.3.1 热台偏光显微观察 |
4.3.2 智能化DG控制体系的构建 |
4.3.3 差示扫描量热法(DSC) |
4.3.4 特定糊化度淀粉的制备及表征 |
4.3.4.1 样品制备 |
4.3.4.2 显微观察 |
4.3.4.3 X-射线衍射测定 |
4.4 结果与讨论 |
4.4.1 淀粉糊化特性 |
4.4.2 新型糊化度(DG)控制体系 |
4.4.2.1 温度控制器的设计 |
4.4.2.2 糊化度控制器的设计 |
4.4.3 特定糊化度下淀粉的形态 |
4.4.4 DSC与新型糊化度控制体系比较研究 |
4.5 本章小结 |
结论与展望 |
一 结论 |
二 创新点 |
三 展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(7)基于三维成像的声呐图像目标自动检测(论文提纲范文)
中文详细摘要 |
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 引言 |
1.2 研究目的和意义 |
1.3 国内外研究趋势和发展现状 |
1.3.1 声呐目标检测和识别研究趋势和发展现状 |
1.3.2 成像声呐设备研究趋势和发展现状 |
1.4 声呐图像目标自动检测流程 |
1.5 论文结构安排 |
第2章 声呐图像预处理 |
2.1 引言 |
2.2 三维成像声呐图像数据概述 |
2.3 常用图像去噪方法介绍 |
2.3.1 均值滤波去噪 |
2.3.2 中值滤波去噪 |
2.3.3 小波变换去噪 |
2.4 声呐信号的信噪比和白化处理 |
2.5 声呐图像预处理实验与分析 |
2.6 本章小结 |
第3章 声呐图像分割 |
3.1 引言 |
3.2 声呐图像水体和地层分离 |
3.2.1 基于迭代阈值法的水体和地层分离算法 |
3.2.2 数学形态学运算 |
3.3 针对水体和体层的声呐图像分割 |
3.3.1 基于边缘的分割算法 |
3.3.2 基于聚类的分割算法 |
3.3.3 基于门限的分割算法 |
3.4 声呐图像分割实验及分析 |
3.5 本章小结 |
第4章 声呐目标识别 |
4.1 引言 |
4.2 三种声呐目标识别算法简介 |
4.3 基于多维贝叶斯分类模型的声呐目标识别 |
4.4 基于BP神经网络的声呐目标识别 |
4.5 基于支持向量机的声呐目标识别 |
4.6 声呐目标识别实验及分析 |
4.7 本章小结 |
第5章 声呐目标自动检测系统设计及实现 |
5.1 引言 |
5.2 系统运行流程简介 |
5.3 系统模块设计 |
5.3.1 图像处理模块 |
5.3.2 文件读写模块 |
5.3.3 系统显示模块 |
5.4 系统运行检测与报警界面截图 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 作者在读期间发表的学术成果及参加的科研项目 |
(8)基于数学形态学的战场声目标的识别方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 战场声目标识别技术研究现状 |
1.2.1 声信号预处理 |
1.2.2 声目标特征提取方法 |
1.2.3 声目标识别分类器设计 |
1.3 基于数学形态学的信号处理方法研究现状 |
1.3.1 基于数学形态学的信号预处理方法 |
1.3.2 基于数学形态学的信号特征提取方法 |
1.3.3 基于数学形态学的神经网络分类方法 |
1.4 本文研究内容与结构 |
1.4.1 主要研究内容 |
1.4.2 结构框架 |
2 基于变分模态分解与形态学的战场声特征提取 |
2.1 引言 |
2.2 变分模态分解原理 |
2.3 基于数学形态学的分形维数计算方法 |
2.4 基于VMD与分形维数的支持向量机识别方法 |
2.5 战场声信号实例分析 |
2.5.1 战场声信号的VMD分解 |
2.5.2 分形维数的形态学计算 |
2.5.3 结果分析 |
2.6 本章小结 |
3 基于双维度变化的形态学多重分形的战场声特征提取 |
3.1 引言 |
3.2 多重分形维数 |
3.3 双维度变化的数学形态学的多重分形 |
3.3.1 数学形态学覆盖 |
3.3.2 双维度变化的形态学分形维数计算方法 |
3.4 试验分析与比较 |
3.5 本章小结 |
4 基于SVD与数学形态学分形维数谱的时序信号特征提取 |
4.1 引言 |
4.2 SVD-MMFDS的理论与方法 |
4.2.1 基于Hankel矩阵的奇异值分解与重构原理 |
4.2.2 非零奇异值与信号频率成分的关系 |
4.2.3 数学形态学分形维数谱估计方法 |
4.2.4 SVD-MMFDS与 EMD-boxcounting的算法流程 |
4.3 仿真信号特征提取 |
4.4 战场声目标信号的特征提取 |
4.5 本章小结 |
5 基于形态学神经网络的战场声目标识别 |
5.1 引言 |
5.2 形态学神经网络基本理论 |
5.3 构造形态学神经网络(CMNN)的改进训练方法 |
5.4 模糊形态学神经网络(FL-CMNN) |
5.5 基于CMNN与 FL-CMNN的战场声目标特征分类 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
(9)数学形态学在边缘检测中的教学方法(论文提纲范文)
1. 引言 |
2. 数学形态学与图像边缘检测的理论基础 |
3. 数学形态学理论在边缘检测中的教学方法 |
3.1 与其它理论相结合讲述 |
3.2 对比法 |
3.3 举例法 |
3.4 应用领域的拓展 |
4. 结论 |
(10)数学形态学运算在声纳图像边缘检测处理中的应用(论文提纲范文)
1 数学形态学 |
1.1数学形态学概述 |
1.2 数学形态学的基本运算 |
1.3 形态学顶帽变换和底帽变换 |
2 边缘检测及边缘连接方法 |
2.1 传统边缘检测算子 |
2.2 形态学边缘检测算子 |
2.3 简单断裂曲线修复方法 |
3 基于多尺度形态学运算的降噪方法 |
3.1 多尺度膨胀的应用 |
4 实验结果 |
6 结束语 |
四、基于数学形态学的水声图像处理(论文参考文献)
- [1]基于小波包的声呐图像分割方法研究[D]. 兰鲁钰. 东北电力大学, 2021(09)
- [2]基于声图像序列的水下运动目标特征提取研究[D]. 李颢阳. 大连理工大学, 2021(01)
- [3]基于声纳图像的沉底油识别软件设计与实现[D]. 辛通. 哈尔滨工程大学, 2020(05)
- [4]基于声图特征提取的水下目标检测识别研究[D]. 马味敏. 南京信息工程大学, 2020(02)
- [5]三维水声数据体绘制中传递函数的研究[D]. 魏阳洋. 杭州电子科技大学, 2020(01)
- [6]淀粉相变人工智能监控体系的构建及应用研究[D]. 陶金轩. 华南理工大学, 2019
- [7]基于三维成像的声呐图像目标自动检测[D]. 于金帅. 杭州电子科技大学, 2019(01)
- [8]基于数学形态学的战场声目标的识别方法研究[D]. 张坤. 南京理工大学, 2019(06)
- [9]数学形态学在边缘检测中的教学方法[J]. 赵彤洲,王海晖,王艳丽. 电脑与电信, 2010(12)
- [10]数学形态学运算在声纳图像边缘检测处理中的应用[J]. 王斯朕,蒋立军. 微计算机应用, 2009(10)