基于Halcon的芯片字符识别
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题背景及研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 机器视觉研究现状 | 第9-10页 |
| 1.2.2 字符识别方法研究现状 | 第10-11页 |
| 1.2.3 芯片字符识别研究现状 | 第11-12页 |
| 1.3 论文研究内容及章节安排 | 第12-13页 |
| 第二章 芯片图像预处理 | 第13-26页 |
| 2.1 Halcon软件平台简介 | 第13-14页 |
| 2.2 图像预处理 | 第14-19页 |
| 2.2.1 图像采集 | 第14-15页 |
| 2.2.2 芯片定位 | 第15-18页 |
| 2.2.3 图像灰度化 | 第18-19页 |
| 2.2.4 图像反转 | 第19页 |
| 2.3 图像增强 | 第19-25页 |
| 2.3.1 图像增强常用方法 | 第19-20页 |
| 2.3.2 本文采取的图像增强方法 | 第20-25页 |
| 本章小结 | 第25-26页 |
| 第三章 芯片字符分割 | 第26-36页 |
| 3.1 图像分割 | 第26-31页 |
| 3.1.1 全局阈值分割法 | 第26-28页 |
| 3.1.2 局部阈值分割法 | 第28-30页 |
| 3.1.3 动态阈值分割法 | 第30-31页 |
| 3.2 感兴趣区域获取 | 第31-35页 |
| 3.2.1 连通域 | 第31-32页 |
| 3.2.2 根据形态学特征选择区域 | 第32-33页 |
| 3.2.3 字符分割 | 第33-35页 |
| 本章小结 | 第35-36页 |
| 第四章 基于SVM的芯片字符识别 | 第36-54页 |
| 4.1 常用的字符识别算法 | 第36-37页 |
| 4.2 SVM原理 | 第37-46页 |
| 4.2.1 线性支持向量机 | 第37-40页 |
| 4.2.2 线性支持向量机的软间隔 | 第40-42页 |
| 4.2.3 线性不可分支持向量机与核函数 | 第42-43页 |
| 4.2.4 SMO算法 | 第43-46页 |
| 4.3 特征提取与分类器创建 | 第46-51页 |
| 4.3.1 字符归一化 | 第46-47页 |
| 4.3.2 字符特征提取 | 第47-48页 |
| 4.3.3 构建分类器模型 | 第48-50页 |
| 4.3.4 样本训练 | 第50-51页 |
| 4.4 实验结果分析 | 第51-53页 |
| 本章小结 | 第53-54页 |
| 第五章 芯片字符识别软件系统的实现 | 第54-64页 |
| 5.1 属性配置及项目移植 | 第54-56页 |
| 5.2 芯片字符识别系统搭建 | 第56-63页 |
| 5.2.1 识别系统主界面设计 | 第56-57页 |
| 5.2.2 各模块功能 | 第57-63页 |
| 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录A 芯片图像 | 第68-69页 |
| 致谢 | 第69页 |
