| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 图像模式识别背景 | 第8页 |
| 1.2 模式识别研究现状 | 第8-10页 |
| 1.3 本文主要研究内容简介 | 第10-12页 |
| 第二章 图像预处理和图像分割 | 第12-35页 |
| 2.1 图像灰度化处理 | 第12-13页 |
| 2.2 图像平滑处理 | 第13-15页 |
| 2.3 图像分割 | 第15-21页 |
| 2.3.1 图像分割的定义 | 第16页 |
| 2.3.2 图像分割常用方法的介绍 | 第16-21页 |
| 2.4 基于 EM 的图像分割 | 第21-29页 |
| 2.4.1 高斯混合分布模型(GMM) | 第22-24页 |
| 2.4.2 EM 算法基本原理 | 第24-26页 |
| 2.4.3 高斯混合分布模型(GMM)的 EM 推导 | 第26-29页 |
| 2.5 二值图像边缘提取 | 第29-30页 |
| 2.6 目标物体轮廓提取的实验 | 第30-34页 |
| 2.7 本章小结 | 第34-35页 |
| 第三章 图像特征提取 | 第35-63页 |
| 3.1 形状特征描述方法的介绍 | 第35-36页 |
| 3.2 不变矩特征提取 | 第36-42页 |
| 3.2.1 经典不变矩与边界不变矩原理与算法 | 第36-40页 |
| 3.2.2 基于不变矩特征提取实验 | 第40-42页 |
| 3.3 傅立叶描述子 | 第42-50页 |
| 3.3.1 傅立叶描述子的归一化 | 第43-45页 |
| 3.3.2 多边形逼近的傅里叶描述子 | 第45-48页 |
| 3.3.3 基于傅里叶描述子的特征提取实验 | 第48-50页 |
| 3.4 子空间的特征提取 | 第50-61页 |
| 3.4.1 主成分分析法的特征提取 | 第51-54页 |
| 3.4.2 独立成分分析法的特征提取 | 第54-60页 |
| 3.4.3 基于 PCA 和 ICA 的特征提取实验 | 第60-61页 |
| 3.5 本章小结 | 第61-63页 |
| 第四章 图像分类器设计 | 第63-78页 |
| 4.1 神经网络概述 | 第63-65页 |
| 4.2 BP 神经网络的原理及实现 | 第65-70页 |
| 4.2.1 BP 算法梯度求解 | 第65-70页 |
| 4.3 RBF 网络的基本原理和结构 | 第70-76页 |
| 4.3.1 RBF 网络的核函数 | 第70-73页 |
| 4.3.2 RBF 网络的实现 | 第73-76页 |
| 4.4 RBF-BP 的混合神经网络 | 第76-77页 |
| 4.5 本章小结 | 第77-78页 |
| 第五章 综合实验 | 第78-83页 |
| 5.1 实验数据与实验流程 | 第78-80页 |
| 5.2 实验结果分析 | 第80-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 参考文献 | 第85-92页 |