皮肤表面粗糙度检测技术的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 皮肤表面粗糙度检测的意义 | 第9-10页 |
| 1.1.1 皮肤表面物理特征 | 第9页 |
| 1.1.2 皮肤表面粗糙度检测意义 | 第9-10页 |
| 1.2 皮肤粗糙度测量法研究现状 | 第10-11页 |
| 1.2.1 硅胶复膜技术 | 第10-11页 |
| 1.2.2 光学轮廓测定法 | 第11页 |
| 1.2.3 偏振成像法 | 第11页 |
| 1.2.4 图像传感器法 | 第11页 |
| 1.3 粗糙度测量法的研究前景 | 第11-12页 |
| 1.4 本课题研究任务及目的 | 第12-13页 |
| 2 皮肤图像的预处理 | 第13-25页 |
| 2.1 预处理的目的 | 第13页 |
| 2.2 皮肤图像灰度化 | 第13-15页 |
| 2.2.1 平均值法 | 第13页 |
| 2.2.2 最大值法 | 第13页 |
| 2.2.3 加权平均值法 | 第13-15页 |
| 2.3 皮肤图像增强 | 第15-17页 |
| 2.3.1 灰度变换法 | 第15-16页 |
| 2.3.2 直方图均衡化 | 第16-17页 |
| 2.4 皮肤图像的平滑处理 | 第17-20页 |
| 2.4.1 均值滤波法 | 第17页 |
| 2.4.2 中值滤波法 | 第17-18页 |
| 2.4.3 高斯滤波法 | 第18-20页 |
| 2.5 Gabor滤波 | 第20-23页 |
| 2.5.1 Gabor滤波器 | 第20-21页 |
| 2.5.2 Gabor滤波流程 | 第21-23页 |
| 2.6 本章小结 | 第23-25页 |
| 3 皮肤纹理特征分析 | 第25-39页 |
| 3.1 纹理概述 | 第25页 |
| 3.2 常用纹理的分析方法 | 第25-26页 |
| 3.3 纹理统计特征分析法 | 第26-38页 |
| 3.3.1 基于图像灰度直方图特征提取法 | 第26页 |
| 3.3.2 中心距法 | 第26-27页 |
| 3.3.3 灰度差值统计分析法 | 第27-28页 |
| 3.3.4 基于自相关函数的纹理特征提取法 | 第28-29页 |
| 3.3.5 游程长度统计分析法 | 第29-30页 |
| 3.3.6 灰度共生矩阵法 | 第30-34页 |
| 3.3.7 局部二值模式法 | 第34-38页 |
| 3.3.8 融合LBP和GLCM法的纹理特征提取 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于神经网络的皮肤纹理识别技术 | 第39-47页 |
| 4.1 人工神经网络与模式识别 | 第39-40页 |
| 4.1.1 人工神经网络 | 第39页 |
| 4.1.2 模式识别技术 | 第39-40页 |
| 4.2 神经网络的基本概念 | 第40-43页 |
| 4.2.1 人工神经元模型 | 第40-41页 |
| 4.2.2 神经网络连接方式 | 第41-42页 |
| 4.2.3 神经网络的学习策略 | 第42页 |
| 4.2.4 神经网络学习规则 | 第42-43页 |
| 4.3 BP神经网络 | 第43-46页 |
| 4.3.1 BP网络结构 | 第43-44页 |
| 4.3.2 BP网络学习算法 | 第44-45页 |
| 4.3.3 BP算法的不足及优化方法 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 实验设计及结果分析 | 第47-60页 |
| 5.1 设计皮肤图像采集系统 | 第47-48页 |
| 5.2 分类系统设计 | 第48-49页 |
| 5.3 图像拍摄和预处理环节 | 第49-51页 |
| 5.4 特征参数的选取与分析 | 第51-54页 |
| 5.4.1 皮肤纹理特征提取 | 第51-52页 |
| 5.4.2 皮肤纹理特征值分析 | 第52-54页 |
| 5.5 皮肤纹理分类器设计 | 第54-59页 |
| 5.5.1 分类网络结构设计 | 第54-55页 |
| 5.5.2 分类网络参数设置 | 第55-56页 |
| 5.5.3 分类网络训练 | 第56-59页 |
| 5.6 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 攻读学位期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64-65页 |
