一、前视声呐的后置图像处理算法研究（论文文献综述）
吴明星[1]（2021）在《基于多波束声呐的沉底油识别软件设计与实现》文中进行了进一步梳理
周曹韵[2]（2021）在《基于C6657的多波束三维避碰算法研究与实现》文中研究说明
杨波,汪伟,刘烨瑶,李欣国,梁涛,郭卫振,廖佳伟,潘锋[3]（2021）在《前视扫描声呐成像径向误差分析和补偿》文中研究指明该文提出了一种基于运动补偿的前视扫描声呐成像方法:采用后向映射,将扇形成像区域的直角坐标系转换成极坐标系,在极坐标系进行2维插值,提取幅度并转成图像格式。通过建立载体运动模型,分析载体运动,将载体运动影响转换为图像域移动,对前视声呐图像进行实时运动补偿,消除径向误差。分析了"深海勇士"号前视声呐数据,其单幅图像最大径向误差近似达到工作距离的19%。通过仿真和实验验证所提算法补偿了由载体运动造成的图像的径向误差,能准确表示目标信息。
徐炜翔[4]（2020）在《面向水下自主航行器回收的路径规划研究》文中认为近年来自主式水下航行器（Autonomous Underwater Vehicle,AUV）以其使命自主、便捷布放、改装空间大等优点在一系列水下潜器中脱颖而出,成为完成各类水下任务的首选设备。在回收任务中实现自主导航对接是AUV必备的能力,由于海洋环境的复杂多变特性还有AUV自身携带能源的限制,设计一条归航路径能够同时满足避障需求和提高AUV续航能力就显得十分关键,对保障回收对接成功具有重要意义。针对传统AUV路径规划中模型过于简单导致实际规划能力差、特异性研究不足导致无法应用于回收任务等问题,本文进行了深入研究。基于实验室参与研制的小型AUV与水下静基座回收对接平台,通过分析回收过程中不同阶段对路径规划的具体要求,将回收过程中的路径规划分为三个子问题分别研究,提出一种面向AUV回收对接的路径规划方法。主要研究内容如下:首先,针对全局路径规划中存在的海流干扰问题,提出基于AUV能耗模型融合不规则海流的航行能耗代价函数;针对传统路径规划方法中过早收敛路径曲折的问题,提出基于飞蛾焰火算法的路径更新机制,避免陷入局部最优、提高全局搜索能力,完成基于已知海洋环境信息的全局路径规划。通过设计对比仿真实验,验证了方法的可行性。然后,针对存在未知复杂运动障碍物威胁的实时避碰问题,利用扩展卡尔曼滤波算法对前视声呐传感器获取的障碍物状态信息进行状态估计和轨迹预测,判断AUV与障碍物的碰撞风险。采用同时调节航向和航速的复合避碰策略,提出基于速度矢量合成的规划方法,实现高效的实时避碰完成在线路径规划。通过设计不同环境下仿真实验,验证了方法的可行性。最后,针对回收任务末段对接口对AUV的对接艏向约束问题,提出基于改进人工势场法的导引路径规划方法。通过在对接口中心沿线后方设置虚拟球形斥力场,并设计引力场分段函数,使AUV从任意方向接近对接平台都可以沿光滑弧形路径到达对接口中心沿线上,提高对接成功率。通过设计仿真实验,验证了方法的可行性。
高强[5]（2020）在《基于小波矩的声呐图像特征提取方法研究》文中研究指明依赖声呐设备的水下目标分类识别技术,在海洋资源勘探、水下鱼类识别、水下打捞等环境中扮演着越来越重要的角色。水下目标识别的一般步骤为原始声呐图像获取,图像预处理,图像特征提取,目标分类识别四个步骤。在声呐图像目标识别的整个过程中,每一个环节都有着决定性作用。其中,特征提取环节尤为重要,特征的不变性,即位移、尺度和旋转不变性越好,以及抗噪性能越强,其分类识别能力也越高。基于小波不变矩特征提取算法的工作已经有了很多,但是前人基本上都是将其应用在光学图像。在声学图像层面,尤其是水下目标识别这一领域研究尚少。针对本试验特定的扇贝和海星目标,考虑到其声呐图像轮廓模糊、噪点多的缺陷,将Hu矩、Zernike矩和小波不变矩应用在该类图像上,主要内容和成果包括:（1）详细介绍了Hu矩、Zernike矩和小波不变矩特征的基本概念和原理,对算法的位移、尺度和旋转不变性进行了推导与证明。（2）声呐图像矩特征提取试验。以扇贝为研究对象,对原始声呐图像分别作位移、尺度和旋转变换,并加入不同程度的高斯噪声。使用MATLAB进行编程提取各种矩算法下的特征值,分析对比不同算法下特征的不变性及其抗噪性能。（3）基于BP神经网络的海星和扇贝分类识别试验。采集3000幅原始声呐图像,对其做预处理和特征提取,分别将三种不变矩算法提取的特征值进行特征选择以后,输入神经网络分类器,通过识别效果来评判三种不变矩算法的性能。本文的创新点总结如下:（1）对于本文的扇贝和海星声呐图像,在传统的全局矩Hu矩和Zernike矩基础上,提出了兼具局部特征和抗噪性能的小波不变矩,并通过试验数值验证了小波不变矩强大的适应性能。（2）为了取得更好的识别结果,提出了一种基于特征融合和特征降维的方法,试验结果表明,该方法提高了整体的识别率,同时降低了计算时间。
史志晨[6]（2020）在《水下作业机器人声呐图像目标跟踪研究及水面监控系统设计》文中指出随着社会经济的发展,我国陆地上的自然资源逐渐减少,因此对于海洋资源的开发就显得至为重要。有缆遥控水下机器人（Remotely Operated Vehicle,即ROV）能够代替人类进行海洋资源的勘测和开发,降低了海洋资源开发中存在的风险。对目标物进行有效的跟踪是进行海洋资源开发的重要研究内容,要想实现对于ROV本体的实时监控和有效的跟踪目标物,就需要一套完备的水面监控系统和声呐图像目标跟踪算法。本文针对水下作业机器人的工作需求,设计了一套水下机器人水面监控系统,在此基础之上开展了基于ln函数的声呐图像增强算法和基于粒子滤波的声呐图像目标跟踪算法研究,并将粒子滤波算法运用到实际的声呐图像目标跟踪之中。主要研究内容如下:首先,对声呐图像的预处理算法进行研究。针对传统中值滤波算法滤波时间长的问题,提出一种改进方法,有效的缩短了滤波时间。针对传统模糊增强算法中存在的低灰度值像素点丢失的问题,提出了一种新的基于ln函数的模糊增强算法,同时对该算法进行实验,使得声呐图像目标物区域和背景区域的对比得到明显增强,并且对声呐图像进行分割、形态学操作和特征提取研究。然后,针对基于采用次优重要性密度函数所造成的粒子采样过程也是次优的问题,设计了一种新颖的粒子群优化粒子滤波算法。通过粒子群优化算法来改进粒子滤波的采样过程,对粒子的位置进行优化,使得粒子往高似然区域移动,加快粒子的收敛速度,并将该优化后的粒子滤波算法应用于声呐图像目标跟踪之中。最后,介绍本文所研发设计的水下作业机器人水面监控系统的硬件和软件,并对水下作业机器人水面监控系统进行测试。具体包括:水面监控系统中控制板的各个功能模块的测试、监控软件通信测试、水下灯测试、水下推进器测试、多屏显示测试以及水面监控系统和水下控制系统联调测试,结果表明本文所设计的水面监控系统能满足设计要求。
王世豪[7]（2020）在《基于运动补偿的视频超分辨技术研究》文中研究指明视频超分辨是将细节粗拙的低分辨率视频进行处理,获得对应的具备更好视觉质量和细节信息的高分辨率视频的技术。运动补偿是视频超分辨技术中一种常用的对低分辨视频帧进行处理的方法,其目的是更好地利用相邻视频帧中的相似区域,以获得更高的视频超分辨质量。如何对低分辨视频中相邻帧的信息进行有效的提取和利用,是视频超分辨技术的重点,也是国内外研究的热点。本论文针对该问题,借助深度学习和卷积神经网络,开展了如下工作:1.分析视频超分辨的主要技术路线和研究历史,查阅大量资料,结合近年来图像处理领域研究最为集中的卷积神经网络,提出了一种对视频中多个相邻帧进行特征提取和融合的多帧融合网络。通过设计一个多支路的卷积神经网络,对输入网络的低分辨视频相邻帧分别进行特征提取和融合,提高了超分辨视频的连贯性和质量。2.针对视频帧中常常同时存在大尺度物体和小尺度物体的特点,提出多尺度残差网络。该网络块可以增强视频超分辨网络对不同尺度物体的超分辨能力,实现超分辨网络总体性能的提高。3.针对常规视频超分辨方法在初始特征提取阶段进行单一的卷积操作,不能很好地对多尺度特征进行提取的问题,提出多分支的初始感知模块,增强超分辨神经网络对图像特征的初始提取能力。4.针对光流法对时间跨度较大的视频相邻帧不适用,存在较大误差,进而影响超分辨性能的现象,提出渐进运动补偿策略,有效降低运动补偿误差。5.针对卷积神经网络难以提取空间跨度较大的相似图像块信息的现象,在初始特征提取阶段引入非局部神经网络,实现高效的空间特征提取。6.针对传统卷积神经网络简单地将组成网络的构建块进行级联,使得模型多尺度映射能力差、感受野单一的情况,提出多尺度网络架构作为网络的基础构建形式,可以嵌入多种多样的构建块,在不改变构建块结构的情况下,赋予神经网络多尺度映射能力,进一步提高了视频超分辨网络的性能。综合上述技术,本文构建了一个端到端的卷积神经网络。实验表明,整体神经网络的视频超分辨性能达到当下的先进水平。
肖超[8]（2020）在《语音与背景乐音信号的分离算法研究》文中研究说明语音和乐音是我们生活中常见的两种音频信号,在语音与乐音混合的信号中包含了很多有用的信息比如:说话人身份、语音内容、乐曲旋律等。因此在语音与乐音的混合信号中进行提取有效信息在语音识别、音频检索、计算机听觉等领域有着重要应用。盲源分离（blind source separation,BSS）技术可以实现混合的语音与乐音信号的分离,其可以理解为在源信号和传输通道参数未知的情况下,根据其输入源信号的统计特性,仅对观测信号进行处理而恢复出源信号的过程。在语音与乐音的混合信号中认为它们的源信号是相互独立的,当源信号各个分量具有独立性时,盲源分离过程称为独立分量分析（independent component analysis,ICA）。独立分量分析主要由准则函数与优化算法构成,在分离混合信号时的核心问题是选取性能优越的优化算法使准则函数结果达到最优。常用的准则函数有:互信息最小化法、负熵最大化法、极大似然法、四阶累积量等,利用这些准则函数来判断分离后各信号的独立程度。在准则函数确定以后,则选取恰当的优化算进行寻化使其独立性最大。常见的优化算法有:遗传算法、人工蜂群法、粒子群算法等。智能优化算法的应用,可以克服独立性准则函数的优化进入局部最优位置,但是,这些传统优化算法都具有一定局限性,这些优化算法的性能依赖控制参数的选择,因此,提出利用一种单参数的纯随机搜索的单形进化优化算法（surface-simplex swarm evolution,SSSE）,克服算法参数对优化算法性能的影响,提高盲分离算法的应用有效性,其思想是根据粒子的单形邻域特点利用单形邻域搜索机制与多角色进化搜索策略。仅需设置种群数目这一个参数,在全随机二维子空间中,利用单形邻域凸集逐步逼近与搜索定位进行寻优,减少了对初值的依赖。本算法采用群体协作搜索和竞争选择的方式,在搜索方案中利用粒子多角色态,实现粒子多样化,改进了搜索的全局性。实验根据语音与乐音信号特点选取四阶累积量作为独立分量分析的准则函数,将单形邻域与多角色进化优化算法与独立分量分析相结合,对语音与乐音混合信号进行盲分离,算法通过搜索算子的全随机搜索性与多角色态特性,对准则函数进行优化使分离效果达到最优。通过仿真实验,实验结果表明,该改进算法有效分离出语音成分与背景乐音成分,而且在稳定性和分离效果方面具有较好的性能。
张凯[9]（2019）在《声呐图像分割的偏微分方程方法》文中提出如今海洋领域的开发对一个国家乃至全世界越来越重要,而声呐技术是其开发的主要技术。对于获得的声呐图像一般需要依次进行声呐图像滤波处理、声呐图像分割处理以及进行最后的声呐图像特征提取及目标识别处理。在这些步骤中声呐图像分割处理的结果对声呐图像识别的最终结果至关重要。而只有做好对声呐图像的滤波,才能更好的进行声呐图像分割。至于本文应用偏微分方程（partial differential equations,简称PDE方程）方法是因为其在图像处理领域能使复杂多变的图像处理问题变成比较直观数学问题,针对复杂多变的声呐图像处理比较适合。各向异性扩散模型（由Perona和Malik提出,简称PM模型）的滤波在兼顾噪声去除和边缘细节保持方面更具优势,这就使得PM模型滤波成为图像滤波领域的研究热点。但PM模型滤波在噪声去除和边缘保持方面仍有待提高。本文结合扩散函数的滤波性能与图像局部信息参数,构建了根据图像局部信息参数自适应选取扩散函数的方式,提出了改进的针对声呐图像滤波的各向异性扩散模型。该模型不但能在一定程度上解决经典的PM模型滤波存在大量孤立噪声点的现象,而且能兼顾声呐图像边缘保持和声呐图像的噪声去除。图像分割往往是将图像用不同的灰度表示相互不重叠的区域。局部二元拟合能量模型（local binary fitting model,简称LBF模型）能依赖于图像的局部细节实现对灰度非均匀图像的精准分割。然而LBF模型的局部特性使得对初始零水平集曲线的位置较为敏感。针对LBF模型中存在的这一缺陷,本文提出一种全局和局部叠加的拟合能量活动轮廓模型。它是由一个局部拟合能量项、一个全局拟合能量项和各区域的拟合值与均值的方差项组成。因此该模型不但对初始零水平集曲线的位置不敏感,而且也能对灰度相近的边界进行分割。
王子麒[10]（2019）在《基于前视声呐的水下目标探测与跟踪算法研究及系统实现》文中研究表明随着国家海洋战略的转变和海洋地位的提高,有关水下潜器的水声技术备受国内外瞩目。因此,研究基于前视声呐的水下目标探测与跟踪,对水下潜器的水下探测与跟踪技术的发展有着重大实际意义。本文主要关注基于前视声呐的水下最近障碍物探测和目标跟踪问题,研究了基于前视声呐图像的图像处理方法,实现了一种适用于单波束步进前视声呐的目标探测与跟踪系统。本文根据Micorn DST型前视声呐图像的特点,研究了基于前视声呐图像的最近障碍物目标探测算法,由中值滤波,基于对数隶属度的模糊增强,最大熵分割,疑似目标筛选和改进反距离加权插值后向映射算法组成。然后根据有缆水下机器人平台的实际需求,研究实现了一种基于前视声呐的声探测系统,并取得了预期实验结果。之后本文分析了Micorn DST型前视声呐图像中水下目标的多种灰度,形状和纹理特征,最后选择使用不变矩构造特征集合,作为粒子滤波跟踪方法的观测模型。并且对比了使用灰度模板匹配作为观测模型的经典粒子滤波算法和以特征集合作为观测模型的粒子滤波算法,最终实现了一种基于前视声呐图像的粒子滤波算法,然后根据本文研究的声探测系统,完成了声探测系统的目标跟踪功能。本文研究实现的声探测系统可以提供水下最近障碍物的预警功能,具有较完整的软硬件结构,并且经过水池实验和海洋实验测试了声探测系统的性能。实现结果表明,声探测系统可以为水下机器人提供稳定可靠的最近障碍物预警功能。根据研究实现的声探测系统,继而开发了基于粒子滤波的目标跟踪模块,经实际数据验证,目标跟踪模块可以对水下目标进行有效的跟踪,为声探测系统提供目标跟踪的功能。
二、前视声呐的后置图像处理算法研究（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、前视声呐的后置图像处理算法研究（论文提纲范文）
（4）面向水下自主航行器回收的路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 AUV回收研究现状 |
| 1.2.1 国外现状 |
| 1.2.2 国内现状 |
| 1.2.3 AUV回收对接技术发展趋势 |
| 1.3 路径规划方法研究现状 |
| 1.3.1 环境表示方法研究现状 |
| 1.3.2 路径规划算法研究现状 |
| 1.3.3 AUV路径规划研究趋势 |
| 1.4 本文主要内容的组织结构安排 |
| 第二章 AUV回收对接方案分析及环境建模 |
| 2.1 引言 |
| 2.2 探海-I型AUV结构设计 |
| 2.3 AUV回收对接技术要求 |
| 2.4 AUV回收对接控制方案 |
| 2.4.1 对接平台方案设计 |
| 2.4.2 探海-I型AUV回收对接过程 |
| 2.4.3 AUV回收过程中路径规划整体方案 |
| 2.5 AUV运动学模型建模 |
| 2.5.1 AUV坐标系建模 |
| 2.5.2 AUV运动学建模 |
| 2.6 环境及障碍物建模 |
| 2.6.1 静态障碍物模型 |
| 2.6.2 动态障碍物模型 |
| 2.6.3 静态海流模型 |
| 2.7 本章小结 |
| 第三章 基于飞蛾焰火算法的AUV全局路径规划 |
| 3.1 引言 |
| 3.2 飞蛾焰火算法基本原理 |
| 3.2.1 种群初始化 |
| 3.2.2 位置更新机制 |
| 3.3 基于飞蛾焰火算法的静态路径规划 |
| 3.3.1 初始路径生成 |
| 3.3.2 适应度函数设计 |
| 3.3.3 MFO算法路径寻优 |
| 3.4 仿真实验及分析 |
| 3.4.1 无海流环境下路径规划 |
| 3.4.2 海流环境下路径规划 |
| 3.5 本章小结 |
| 第四章 基于速度矢量合成的AUV在线路径规划 |
| 4.1 引言 |
| 4.2 AUV在线路径规划过程研究 |
| 4.3 障碍物轨迹预测 |
| 4.3.1 声呐采样 |
| 4.3.2 相对坐标系 |
| 4.3.3 障碍物运动状态估计 |
| 4.4 速度矢量合成原理 |
| 4.4.1 障碍物威胁预测 |
| 4.4.2 期望航向与航速求解 |
| 4.5 仿真试验及分析 |
| 4.5.1 障碍物轨迹估计试验 |
| 4.5.2 单个动目标避碰试验 |
| 4.5.3 复杂动目标避碰试验 |
| 4.6 本章小结 |
| 第五章 基于三维人工势场的末端路径引导 |
| 5.1 引言 |
| 5.2 人工势场法原理 |
| 5.3 改进人工势场法 |
| 5.4 仿真试验及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（5）基于小波矩的声呐图像特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 2 矩特征提取算法 |
| 2.0 几何矩 |
| 2.1 Hu矩 |
| 2.2 Zernike矩 |
| 2.3 小波不变矩 |
| 2.4 本章小结 |
| 3 声呐图像矩特征提取试验与结果分析 |
| 3.1 试验介绍 |
| 3.2 声呐图像预处理 |
| 3.3 Hu矩特征提取结果分析 |
| 3.4 Zernike矩特征提取结果分析 |
| 3.5 小波矩特征提取结果分析 |
| 3.6 本章小结 |
| 4 基于BP神经网络方法的声呐图像分类识别试验研究 |
| 4.0 声呐图像采集试验介绍 |
| 4.1 BP神经网络分类器介绍 |
| 4.2 全局矩与小波矩分类识别试验结果分析 |
| 4.3 基于特征融合的声呐图像分类识别 |
| 4.4 基于PCA算法的声呐图像分类识别 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）水下作业机器人声呐图像目标跟踪研究及水面监控系统设计（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 国内外研究现状 |
| 1.2.1 水下作业机器人研究现状 |
| 1.2.2 水下作业机器人水面监控系统研究现状 |
| 1.2.3 水下作业机器人声呐图像目标跟踪研究现状 |
| 1.3 本论文的主要内容 |
| 第2章 水下作业机器人声呐图像处理算法研究 |
| 2.1 引言 |
| 2.2 Gemini720is声呐简介 |
| 2.3 声呐图像去噪分析 |
| 2.4 改进的中值滤波算法 |
| 2.5 声呐图像模糊增强算法 |
| 2.5.1 传统的模糊图像增强算法 |
| 2.5.2 基于ln函数的声呐图像模糊增强算法 |
| 2.5.3 增强效果对比 |
| 2.6 声呐图像的目标分割 |
| 2.6.1 Otsu阈值分割算法 |
| 2.6.2 声呐图像分割算法比较 |
| 2.7 声呐图像的数学形态学运算 |
| 2.8 基于声呐图像的边缘检测与特征提取 |
| 2.8.1 声呐图像的边缘检测 |
| 2.8.2 基于Hough变换的快速椭圆特征提取与识别 |
| 2.9 本章小结 |
| 第3章 水下作业机器人声呐图像目标跟踪研究 |
| 3.1 引言 |
| 3.2 粒子滤波 |
| 3.2.1 粒子滤波原理 |
| 3.2.2 贝叶斯滤波原理 |
| 3.2.3 蒙特卡洛采样原理 |
| 3.2.4 贝叶斯重要性采样 |
| 3.2.5 序列重要性采样 |
| 3.2.6 粒子滤波的实现步骤 |
| 3.3 粒子群优化粒子滤波算法 |
| 3.3.1 粒子群优化粒子滤波算法实现 |
| 3.3.2 基于粒子群优化粒子滤波算法的仿真实验 |
| 3.3.3 基于粒子群优化粒子滤波算法目标跟踪实验 |
| 3.4 本章小结 |
| 第4章 水下作业机器人水面监控系统设计 |
| 4.1 引言 |
| 4.2 水下作业机器人水面监控系统硬件设计 |
| 4.2.1 水面控制台硬件设计 |
| 4.2.2 操作面板设计 |
| 4.2.3 STM32单片机控制板设计 |
| 4.2.4 工控机选型 |
| 4.2.5 水面控制台的组装布局 |
| 4.2.6 电源柜设计 |
| 4.2.7 多屏显示设计 |
| 4.3 水下作业机器人水面监控系统软件设计 |
| 4.3.1 数据通信协议设计 |
| 4.3.2 STM32单片机控制板软件与上位机监控软件设计 |
| 4.4 本章小结 |
| 第5章 水下作业机器人水面监控系统测试与结果分析 |
| 5.1 引言 |
| 5.2 水面监控系统调试 |
| 5.2.1 操作面板的控制电路板调试 |
| 5.2.2 QT监控软件调试 |
| 5.3 系统联调 |
| 5.3.1 控制水下灯亮灭测试和水下推进器控制测试 |
| 5.3.2 水面监控系统和水下控制系统联调 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务和主要成果 |
| 致谢 |
（7）基于运动补偿的视频超分辨技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究内容的研究背景及意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 基于插值的方法 |
| 1.2.2 基于重构的方法 |
| 1.2.3 基于学习的方法 |
| 1.3 本论文的研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 超分辨技术基本理论 |
| 2.1 超分辨技术基本理论 |
| 2.1.1 图像分辨率 |
| 2.1.2 单图像超分辨和多帧图像超分辨 |
| 2.2 超分辨图像评价指标 |
| 2.3 基于深度学习的超分辨技术 |
| 2.3.1 人工神经网络基本结构 |
| 2.3.2 卷积神经网络 |
| 2.3.3 基于卷积神经网络的超分辨技术 |
| 2.4 运动补偿与视频超分辨 |
| 2.4.1 运动补偿与超分辨 |
| 2.4.2 空间变换网络 |
| 2.4.3 视频超分辨中的运动补偿 |
| 2.5 本章小结 |
| 第三章 基于多帧融合策略和多尺度残差网络的视频超分辨技术 |
| 3.1 应用于视频超分辨的多帧融合网络 |
| 3.1.1 早融合与晚融合 |
| 3.1.2 多帧融合网络 |
| 3.2 多尺度残差网络 |
| 3.2.1 残差连接和残差学习 |
| 3.2.2 感受野 |
| 3.2.3 多尺度残差网络 |
| 3.3 多帧融合视频超分辨网络 |
| 3.3.1 多帧融合视频超分辨网络架构 |
| 3.3.2 神经网络的训练及实验数据 |
| 3.4 实验对比 |
| 3.4.1 网络总体性能对比 |
| 3.4.2 有效性验证 |
| 3.5 本章小结 |
| 第四章 基于运动估计的多尺度视频超分辨网络 |
| 4.1 光流 |
| 4.1.1 光流的基本概念 |
| 4.1.2 光流基本约束方程 |
| 4.1.3 Horn-Schunck光流模型 |
| 4.1.4 Lucas-Kanade光流模型 |
| 4.2 初始感知模块 |
| 4.3 主旁融合网络 |
| 4.4 基于运动估计的多帧融合视频超分辨网络 |
| 4.5 实验结果 |
| 4.5.1 网络总体性能对比 |
| 4.5.2 有效性验证 |
| 4.6 本章小结 |
| 第五章 基于渐进运动补偿的视频超分辨网络 |
| 5.1 渐进运动补偿策略 |
| 5.2 非局部神经网络 |
| 5.3 多尺度网络架构 |
| 5.4 基于渐进运动补偿的视频超分辨网络 |
| 5.5 实验对比 |
| 5.5.1 网络总体性能对比 |
| 5.5.2 有效性验证 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读专业硕士学位期间取得的成果 |
（8）语音与背景乐音信号的分离算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 盲源分离概述 |
| 1.1.1 盲源分离简介 |
| 1.1.2 盲源分离常用的方法 |
| 1.2 研究背景及意义 |
| 1.3 研究现状及趋势 |
| 1.4 盲源分离的应用 |
| 1.5 本文的主要工作及结构 |
| 第二章 盲源分离的基本理论 |
| 2.1 统计独立性基本知识 |
| 2.1.1 统计独立性的条件 |
| 2.1.2 高阶统计量的特点 |
| 2.2 信息论 |
| 2.2.1 熵的特性 |
| 2.2.2 Kullback-Leibler熵的特性 |
| 2.2.3 互信息的特性 |
| 2.2.4 负熵的特性 |
| 2.3 评价标准 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第三章 盲源分离中的独立分量分析 |
| 3.1 独立分量分析概念 |
| 3.1.1 独立分量分析简介 |
| 3.1.2 独立分量分析的模型 |
| 3.1.3 ICA的假设条件和不确定性 |
| 3.2 独立分量分析的求解 |
| 3.3 ICA的预处理环节 |
| 3.3.1 中心化 |
| 3.3.2 白化 |
| 3.4 ICA的目标函数 |
| 3.4.1 基于最大化非高斯性的目标函数 |
| 3.4.2 其他目标函数 |
| 3.5 常见的智能优化算法 |
| 3.6 单形进化优化算法 |
| 3.6.1 算法简介 |
| 3.6.2 单形邻域搜索机制 |
| 3.6.3 多角色态进化策略 |
| 3.6.4 单形进化算法的步骤 |
| 3.7 本章小结 |
| 第四章 语音与背景乐音分离实验 |
| 4.1 基于MATLAB的音频混叠 |
| 4.2 基于单形进化算法的ICA |
| 4.2.1 单形进化算法步骤 |
| 4.3 分离实验测试与结果 |
| 4.3.1 语音与背景乐音的混叠分离实验 |
| 4.3.2 不同信号环境下的混叠分离实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文内容总结 |
| 5.2 研究与展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读硕士学位期间主要成果) |
（9）声呐图像分割的偏微分方程方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声呐图像滤波与分割的研究现状 |
| 1.2.2 基于偏微分方程滤波与分割的研究现状 |
| 1.2.3 声视觉技术与水下图像处理技术的现状 |
| 1.3 本文的结构安排 |
| 第二章 偏微分方程基本理论 |
| 2.1 偏微分方程的基本概念 |
| 2.2 变分法和梯度下降流 |
| 2.2.1 变分原理 |
| 2.2.2 梯度下降流 |
| 2.3 曲线演化的水平集方法 |
| 2.4 偏微分方程的数值计算 |
| 2.5 本章小结 |
| 第三章 基于偏微分方程的声呐图像滤波的方法 |
| 3.1 热传导方程滤波法 |
| 3.2 各向异性扩散模型图像滤波算法 |
| 3.3 自变量为局部图像方差的扩散函数 |
| 3.4 基于局部图像方差的选择梯度为自变量的扩散函数的滤波算法 |
| 3.4.1 扩散函数的选取 |
| 3.4.2 改进的各项异性扩散模型 |
| 3.5 基于局部图像梯度选择方差为自变量的扩散函数的滤波算法 |
| 3.5.1 扩散函数的选取 |
| 3.5.2 改进的各项异性扩散模型 |
| 3.6 评价指标 |
| 3.7 实验结果与分析 |
| 3.8 本章小结 |
| 第四章 基于偏微分方程的声呐图像分割方法 |
| 4.1 Mumford-Shah模型 |
| 4.2 CV模型(全局二元拟合能量模型) |
| 4.3 LBF模型(局部二元拟合能量模型) |
| 4.3.1 偏移场数学模型 |
| 4.3.2 构造能量方程 |
| 4.3.3 能量方程水平集表示 |
| 4.3.4 LBF模型的优缺点 |
| 4.4 全局与局部叠加的拟合能量活动轮廓模型 |
| 4.4.1 图像的二相分割 |
| 4.4.2 图像的二相分割下的全局与局部叠加的拟合能量活动轮廓模型 |
| 4.4.3 图像的三相分割下的全局与局部叠加的拟合能量活动轮廓模型 |
| 4.4.4 模型的优缺点 |
| 4.5 评价指标 |
| 4.6 实验步骤及结果分析 |
| 4.6.1 实验步骤 |
| 4.6.2 结果分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（10）基于前视声呐的水下目标探测与跟踪算法研究及系统实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.3 水下目标探测技术 |
| 1.4 水下目标跟踪技术 |
| 1.5 本论文主要研究内容 |
| 第2章 前视声呐目标探测算法研究 |
| 2.1 引言 |
| 2.2 前视声呐图像分析 |
| 2.3 前视声呐最近障碍物探测算法 |
| 2.3.1 最近障碍物探测算法综述 |
| 2.3.2 图像滤波算法 |
| 2.3.3 图像增强算法 |
| 2.3.4 图像分割算法 |
| 2.3.5 疑似目标筛选算法 |
| 2.3.6 坐标变换与插值算法 |
| 2.4 算法处理结果与分析 |
| 2.4.1 图像滤波结果 |
| 2.4.2 图像增强结果 |
| 2.4.3 图像分割结果 |
| 2.4.4 疑似目标筛选结果 |
| 2.4.5 坐标变换与插值结果 |
| 2.5 本章小结 |
| 第3章 声探测系统软件设计与实现 |
| 3.1 引言 |
| 3.2 声探测系统架构 |
| 3.2.1 水下嵌入式模块 |
| 3.2.2 水上主控模块 |
| 3.3 声探测系统的嵌入式模块 |
| 3.3.1 声呐数据通信协议解构 |
| 3.3.2 嵌入式模块软件设计 |
| 3.4 声探测系统的主控模块 |
| 3.4.1 基于Qt的软件开发环境 |
| 3.4.2 主控模块软件设计 |
| 3.5 声探测系统实验结果及分析 |
| 3.5.1 水池实验结果及分析 |
| 3.5.2 海洋实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于前视声呐的目标跟踪 |
| 4.1 引言 |
| 4.2 初始目标提取 |
| 4.3 水下目标特征提取 |
| 4.3.1 基本形状与灰度特征 |
| 4.3.2 形状矩特征 |
| 4.3.3 灰度共生矩阵特征 |
| 4.3.4 Hu不变矩特征 |
| 4.4 粒子滤波 |
| 4.4.1 贝叶斯滤波 |
| 4.4.2 重要性采样 |
| 4.4.3 序贯重要性采样 |
| 4.5 粒子滤波水下目标跟踪实现 |
| 4.5.1 系统初始化 |
| 4.5.2 状态转移及观测模型 |
| 4.5.3 重采样方法 |
| 4.5.4 粒子滤波跟踪框架 |
| 4.6 目标跟踪实验结果分析 |
| 4.6.1 基于灰度模板匹配的跟踪结果 |
| 4.6.2 基于特征集合的跟踪结果 |
| 4.7 目标跟踪模块软件实现 |
| 4.8 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 |
四、前视声呐的后置图像处理算法研究（论文参考文献）
- [1]基于多波束声呐的沉底油识别软件设计与实现[D]. 吴明星. 哈尔滨工程大学, 2021
- [2]基于C6657的多波束三维避碰算法研究与实现[D]. 周曹韵. 哈尔滨工程大学, 2021
- [3]前视扫描声呐成像径向误差分析和补偿[J]. 杨波,汪伟,刘烨瑶,李欣国,梁涛,郭卫振,廖佳伟,潘锋. 电子与信息学报, 2021(03)
- [4]面向水下自主航行器回收的路径规划研究[D]. 徐炜翔. 江苏科技大学, 2020(03)
- [5]基于小波矩的声呐图像特征提取方法研究[D]. 高强. 大连理工大学, 2020(02)
- [6]水下作业机器人声呐图像目标跟踪研究及水面监控系统设计[D]. 史志晨. 江苏科技大学, 2020(03)
- [7]基于运动补偿的视频超分辨技术研究[D]. 王世豪. 电子科技大学, 2020(07)
- [8]语音与背景乐音信号的分离算法研究[D]. 肖超. 昆明理工大学, 2020(05)
- [9]声呐图像分割的偏微分方程方法[D]. 张凯. 内蒙古大学, 2019(09)
- [10]基于前视声呐的水下目标探测与跟踪算法研究及系统实现[D]. 王子麒. 哈尔滨工程大学, 2019(08)