论文目录 | |
摘要 | 第1-5页 |
abstract | 第5页 |
第一章 绪论 | 第10-16页 |
1.1 全息技术发展概述 | 第10-11页 |
1.2 光学扫描全息术的概述和特点 | 第11页 |
1.3 光学扫描全息术的国内外研究历史与现状 | 第11-13页 |
1.4 光学扫描全息术中存在的问题 | 第13-14页 |
1.5 本论文的主要工作 | 第14-16页 |
第二章 光学扫描全息理论 | 第16-32页 |
2.1 相关数学原理及推导 | 第16-20页 |
2.1.1 二维傅里叶变换 | 第16-17页 |
2.1.2 卷积和相关 | 第17-18页 |
2.1.3 波动方程 | 第18-19页 |
2.1.4 菲涅尔衍射定理 | 第19-20页 |
2.2 全息图像的记录 | 第20-28页 |
2.2.1 光瞳函数和光学传递函数 | 第20-23页 |
2.2.2 光学扫描全息系统 | 第23-26页 |
2.2.3 全息图像的记录理论 | 第26-28页 |
2.3 全息图像的重建 | 第28-31页 |
2.4 本章小结 | 第31-32页 |
第三章 切片成像关键技术概述 | 第32-39页 |
3.1 光学扫描全息术中的自聚焦技术 | 第32-34页 |
3.1.1 自聚焦的概念 | 第32-33页 |
3.1.2 自聚焦技术的研究进展 | 第33-34页 |
3.2 光学扫描全息术中的离焦噪声消除技术 | 第34-38页 |
3.2.1 普通离焦噪声 | 第34-35页 |
3.2.2 散斑噪声 | 第35-37页 |
3.2.3 散斑噪声消除技术的研究进展 | 第37-38页 |
3.3 本章小结 | 第38-39页 |
第四章 基于图像评价指标函数的自聚焦算法 | 第39-56页 |
4.1 图像评价指标函数 | 第39-43页 |
4.1.1 梯度法基本理论 | 第39-41页 |
4.1.2 基于图像统计的评价指标函数 | 第41页 |
4.1.3 基于相关性的评价指标函数 | 第41页 |
4.1.4 基于差异的评价指标函数 | 第41-42页 |
4.1.5 基于图像熵的评价指标函数 | 第42-43页 |
4.1.6 均值梯度函数 | 第43页 |
4.2 基于图像评价指标的光学扫描全息自聚焦算法 | 第43-45页 |
4.3 基于均值梯度函数的自聚焦算法的Matlab仿真实现与结果分析 | 第45-51页 |
4.3.1 无重叠切片物体仿真数据 | 第45-47页 |
4.3.2 无重叠切片物体实验数据 | 第47-49页 |
4.3.3 重叠切片物体仿真数据 | 第49-50页 |
4.3.4 结果分析 | 第50-51页 |
4.4 基于边缘灰度差异的自聚焦算法的Matlab仿真实现与结果分析 | 第51-55页 |
4.4.1 边缘灰度差异函数实现自聚焦的可行性分析 | 第51-52页 |
4.4.2 基于边缘灰度差异函数的自聚焦算法 | 第52-53页 |
4.4.3 Matlab仿真及结果分析 | 第53-55页 |
4.5 本章小结 | 第55-56页 |
第五章 基于机器学习的光学扫描全息离焦噪声消除算法 | 第56-67页 |
5.1 机器学习 | 第56-57页 |
5.1.1 机器学习的基本概念 | 第56页 |
5.1.2 机器学习的发展历史 | 第56-57页 |
5.2 无监督学习算法之SOM神经网络 | 第57-60页 |
5.2.1 SOM神经网络 | 第57-58页 |
5.2.2 SOM神经网络的训练流程 | 第58-60页 |
5.3 基于SOM神经网络的光学扫描全息离焦噪声消除算法 | 第60-62页 |
5.3.1 基于SOM神经网络的光学扫描全息离焦噪声消除算法 | 第60-61页 |
5.3.2 噪声消除效果常用评价函数 | 第61-62页 |
5.4 基于SOM神经网络算法Matlab仿真结果及结果分析 | 第62-66页 |
5.4.1 简单字符 | 第62-64页 |
5.4.2 复杂汉字 | 第64-66页 |
5.5 本章小结 | 第66-67页 |
第六章 全文总结与展望 | 第67-69页 |
6.1 全文总结 | 第67-68页 |
6.2 本论文工作的不足之处 | 第68页 |
6.3 后续工作展望 | 第68-69页 |
致谢 | 第69-70页 |
参考文献 | 第70-75页 |
攻读硕士学位期间取得的成果 | 第75页 |