| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 论文的研究背景 | 第8页 |
| 1.2 国内外的研究现状 | 第8-12页 |
| 1.2.1 国外的研究现状 | 第8-10页 |
| 1.2.2 国内的研究现状 | 第10-12页 |
| 1.3 研究的目的和意义 | 第12页 |
| 1.4 研究内容 | 第12-14页 |
| 第2章 图像的边缘提取 | 第14-26页 |
| 2.1 图像去噪 | 第14-17页 |
| 2.1.1 基于小波变换的图像去噪 | 第14-15页 |
| 2.1.2 自适应中值滤波去噪 | 第15-16页 |
| 2.1.3 带钢图像滤波实验及其分析 | 第16-17页 |
| 2.2 图像分割 | 第17-25页 |
| 2.2.1 图像的阈值分割法 | 第18-20页 |
| 2.2.2 维Ostu阈值法 | 第20-21页 |
| 2.2.3 边缘检测 | 第21-23页 |
| 2.2.4 实验结果及其分析 | 第23-25页 |
| 2.3 图像二值化后的处理 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 带钢表面缺陷图像的特征提取与选择 | 第26-54页 |
| 3.1 带钢表面缺陷图像的特征提取 | 第26-42页 |
| 3.1.1 纹理特征提取 | 第26-35页 |
| 3.1.2 几何形状特征提取 | 第35-37页 |
| 3.1.3 特征提取结果 | 第37-42页 |
| 3.2 特征选择 | 第42-51页 |
| 3.2.1 特征选择概述 | 第43-45页 |
| 3.2.2 基于ReliefF算法的特征选择 | 第45-48页 |
| 3.2.3 基于ReliefF和PCA的特征选择算法 | 第48-51页 |
| 3.3 实验结果 | 第51-52页 |
| 3.4 本章小结 | 第52-54页 |
| 第4章 基于AdaBoost的图像识别算法的研究 | 第54-64页 |
| 4.1 带钢表面缺陷分类识别技术 | 第54-56页 |
| 4.2 AdaBoost算法 | 第56-61页 |
| 4.2.1 AdaBoost分类算法的概述 | 第56-57页 |
| 4.2.2 AdaBoost分类算法的训练过程 | 第57-61页 |
| 4.3 实验结果及分析 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕土学位期间所发表的论文 | 第70-72页 |
| 致谢 | 第72页 |