| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 注释表 | 第12-13页 |
| 缩略词 | 第13-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题的研究背景和意义 | 第14页 |
| 1.2 课题的国内外研究概况 | 第14-18页 |
| 1.2.1 畜肉图像的去噪 | 第14-15页 |
| 1.2.2 畜肉图像的分割 | 第15-16页 |
| 1.2.3 畜肉图像的特征提取和分类 | 第16-18页 |
| 1.3 本文的章节安排及创新点 | 第18-20页 |
| 1.3.1 本文的章节安排 | 第18页 |
| 1.3.2 本文的主要创新点 | 第18-20页 |
| 第二章 基于Harris角点检测和SAIST的畜肉图像混合噪声滤除方法 | 第20-29页 |
| 2.1 引言 | 第20-21页 |
| 2.2 基于Harris角点检测的脉冲噪声滤除原理 | 第21-22页 |
| 2.2.1 Harris算子角点检测 | 第21-22页 |
| 2.2.2 改进的均值滤波方法滤除脉冲噪声 | 第22页 |
| 2.3 基于空间自适应迭代奇异值阈值的高斯噪声滤除原理 | 第22-25页 |
| 2.3.1 基于低秩逼近的同步稀疏编码 | 第22-23页 |
| 2.3.2 奇异值分解的双边误差估计 | 第23-24页 |
| 2.3.3 高斯噪声滤除的步骤 | 第24-25页 |
| 2.4 畜肉图像混合噪声滤除方法的实现流程 | 第25页 |
| 2.5 实验结果与分析 | 第25-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第三章 二维Arimoto灰度熵畜肉图像分割方法 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 一维Arimoto灰度熵阈值选取 | 第30-31页 |
| 3.3 灰度-梯度直方图二维Arimoto灰度熵阈值选取 | 第31-35页 |
| 3.4 二维Arimoto灰度熵阈值选取的混沌蜂群优化算法 | 第35-37页 |
| 3.4.1 人工蜂群优化算法 | 第35-36页 |
| 3.4.2 基于Tent映射混沌的局部搜索算法 | 第36页 |
| 3.4.3 算法步骤 | 第36-37页 |
| 3.5 实验结果与分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 广义核或混合核FLICM畜肉图像分割方法 | 第41-50页 |
| 4.1 引言 | 第41-42页 |
| 4.2 基于广义核或混合核函数的FLICM聚类算法原理及步骤 | 第42-45页 |
| 4.2.1 KFCM算法 | 第42-43页 |
| 4.2.2 基于广义核或混合核函数的FLICM聚类算法 | 第43-45页 |
| 4.3 实验结果与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 基于不变矩和改进SVM的牛肉大理石纹分级方法 | 第50-59页 |
| 5.1 引言 | 第50-51页 |
| 5.2 基于不变矩和灰度共生矩阵的牛肉大理石纹图像特征提取 | 第51-52页 |
| 5.2.1 不变矩特征提取 | 第51页 |
| 5.2.2 灰度共生矩阵特征提取 | 第51-52页 |
| 5.3 混沌蜂群优化混合核函数SVM | 第52-55页 |
| 5.3.1 混合核函数SVM的基本原理 | 第52-53页 |
| 5.3.2 SVM中惩罚因子及核参数的混沌蜂群优化算法 | 第53-55页 |
| 5.4 实验结果与分析 | 第55-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 基于CLBP、改进KPCA和随机森林的牛肉大理石纹分级方法 | 第59-69页 |
| 6.1 引言 | 第59-60页 |
| 6.2 CLBP特征提取 | 第60-62页 |
| 6.3 混沌蜂群优化的KPCA降维 | 第62-64页 |
| 6.3.1 KPCA的基本原理 | 第62-63页 |
| 6.3.2 混沌蜂群优化KPCA的算法步骤 | 第63-64页 |
| 6.4 基于随机森林的分类方法步骤 | 第64-65页 |
| 6.5 实验结果与分析 | 第65-68页 |
| 6.6 本章小结 | 第68-69页 |
| 第七章 总结和展望 | 第69-72页 |
| 7.1 本文的主要工作 | 第69-70页 |
| 7.2 进一步的研究工作及展望 | 第70-72页 |
| 参考文献 | 第72-79页 |
| 致谢 | 第79-80页 |
| 在学期间的研究成果及发表的学术论文 | 第80页 |
