| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及其意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国内研究现状 | 第9-10页 |
| 1.2.2 国外研究现状 | 第10-11页 |
| 1.3 论文章节安排 | 第11-12页 |
| 第二章 生丝图像滤波算法研究 | 第12-19页 |
| 2.1 OpenCV 概述 | 第12页 |
| 2.2 图像滤波概述 | 第12-13页 |
| 2.3 生丝图像高斯滤波算法 | 第13-14页 |
| 2.4 生丝图像均值滤波算法 | 第14-16页 |
| 2.5 生丝图像中值滤波算法 | 第16-18页 |
| 2.6 生丝图像滤波算法设计 | 第18页 |
| 2.7 本章小结 | 第18-19页 |
| 第三章 生丝图像分割及疵点轮廓提取 | 第19-32页 |
| 3.1 图像分割概述 | 第19-21页 |
| 3.1.1 基于阈值的分割技术 | 第19-20页 |
| 3.1.2 基于边缘的分割技术 | 第20页 |
| 3.1.3 基于区域的分割技术 | 第20-21页 |
| 3.1.4 基于统计模式分类的分割技术 | 第21页 |
| 3.2 生丝图像的阈值化分割 | 第21-29页 |
| 3.2.1 生丝图像的 Otsu 分割算法 | 第22-25页 |
| 3.2.2 生丝图像的自适应阈值分割 | 第25-27页 |
| 3.2.3 生丝图像的手动阈值分割 | 第27-29页 |
| 3.3 结论 | 第29页 |
| 3.4 目标边界提取 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 SVM 理论 | 第32-43页 |
| 4.1 机器学习理论 | 第32-33页 |
| 4.2 统计学习理论 | 第33-35页 |
| 4.3 支持向量机 | 第35-40页 |
| 4.3.1 线性可分 | 第36-38页 |
| 4.3.2 线性不可分 | 第38-40页 |
| 4.4 核函数 | 第40-41页 |
| 4.5 多类分类 | 第41-42页 |
| 4.6 SVM 性能分析 | 第42页 |
| 4.7 本章小结 | 第42-43页 |
| 第五章 基于 SVM 的生丝疵点分类算法设计 | 第43-51页 |
| 5.1 生丝疵点种类 | 第43页 |
| 5.2 疵点特征值提取 | 第43-44页 |
| 5.3 基于 SVM 的生丝疵点分类 | 第44-50页 |
| 5.3.1 基于 SVM 的二类图像分类 | 第44-46页 |
| 5.3.2 基于 SVM 的生丝疵点多类分类 | 第46页 |
| 5.3.3 基于 PSO 算法的 SVM 参数优化 | 第46-50页 |
| 5.4 小结 | 第50-51页 |
| 第六章 结论与展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 发表论文和参加科研情况说明 | 第56-57页 |
| 致谢 | 第57页 |