基于隐马尔可夫模型的氧乙炔火焰燃烧状态识别研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 引言 | 第11-14页 |
| ·氧乙炔火焰图像的研究背景 | 第11页 |
| ·国内外研究状况 | 第11-12页 |
| ·本文的主要研究内容 | 第12-13页 |
| ·本论文主要内容及章节安排 | 第13-14页 |
| 第2章 数字图像预处理 | 第14-25页 |
| ·数字图像处理基本理论 | 第14页 |
| ·彩色图像模型及其应用 | 第14-16页 |
| ·图像降噪 | 第16-18页 |
| ·图像边缘检测 | 第18-23页 |
| ·使用灰度阂值法检测图像边缘 | 第19-20页 |
| ·使用边缘检测算子检测图像边缘 | 第20-22页 |
| ·使用RGB颜色通道分割彩色图像 | 第22-23页 |
| ·MATLAB数字图像处理技术 | 第23-25页 |
| 第3章 氧乙炔火焰图像的特征提取 | 第25-32页 |
| ·氧乙炔焰的工业应用 | 第25页 |
| ·氧乙炔焰的分类与特点 | 第25-26页 |
| ·氧乙炔火焰图像的特征提取 | 第26-32页 |
| ·常用的火焰图像特征 | 第26-27页 |
| ·氧乙炔焰的RGB均值 | 第27-29页 |
| ·氧乙炔焰的RGB标准差 | 第29页 |
| ·氧乙炔焰的灰度值 | 第29页 |
| ·氧乙炔焰的灰度方差 | 第29-30页 |
| ·氧乙炔焰的斜度 | 第30页 |
| ·氧乙炔焰的锋度 | 第30页 |
| ·氧乙炔焰的圆形度 | 第30-31页 |
| ·不同类型火焰在特征提取时的问题 | 第31-32页 |
| 第4章 模式识别基本理论及在图像处理中的应用 | 第32-43页 |
| ·模式识别理论概述 | 第32-33页 |
| ·人工神经网络理论 | 第33-34页 |
| ·人工神经网络理论用于氧乙炔火焰图像的识别 | 第34页 |
| ·马尔可夫链 | 第34-35页 |
| ·隐马尔可夫模型 | 第35-37页 |
| ·隐马尔可夫模型的三个主要算法 | 第37-40页 |
| ·前向——后向算法 | 第37-38页 |
| ·Viterbi算法 | 第38-39页 |
| ·Baum-Welch算法 | 第39-40页 |
| ·HMM理论用于氧乙炔火焰图像的识别 | 第40-43页 |
| ·使用单特征作为训练量建立一维HMM | 第40-41页 |
| ·使用二维HMM建立氧乙炔焰的燃烧模型 | 第41-42页 |
| ·使用一维分步HMM建立氧乙炔焰的燃烧模型 | 第42-43页 |
| 第5章 实验仿真与结论分析 | 第43-57页 |
| ·使用一维HMM建模与结果分析 | 第43-53页 |
| ·使用R均值作为训练量 | 第45-48页 |
| ·使用G均值作为训练量 | 第48-50页 |
| ·使用斜度作为训练量 | 第50-52页 |
| ·改变初值对实验结果的影响 | 第52-53页 |
| ·使用二维隐马尔可夫模型建模与结果分析 | 第53-54页 |
| ·使用一维分步技术建模与结果分析 | 第54-56页 |
| ·对各特征量的分析 | 第54页 |
| ·第一步建模与识别过程 | 第54-55页 |
| ·第二步建模与识别过程 | 第55页 |
| ·实验结论与分析 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第6章 结束语 | 第57-59页 |
| ·实验结果及结论 | 第57页 |
| ·本实验存在的问题与思考 | 第57页 |
| ·本文的主要工作及创新点 | 第57-58页 |
| ·下一步工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表论文情况 | 第63页 |
