基于人工神经网络的平面图像识别研究
| 第1章 绪论 | 第1-10页 |
| 1．1 本课题研究意义 | 第7-8页 |
| 1．2 图像识别的研究历史及现状 | 第8-9页 |
| 1．3 本课题的基本任务与要求 | 第9-10页 |
| 第2章 图像识别与神经网络理论简介 | 第10-21页 |
| 2．1 图像识别相关理论 | 第10-15页 |
| 2．1．1 图像识别基本原理 | 第10-11页 |
| 2．1．2 数字图像处理 | 第11-14页 |
| 2．1．3 模式识别 | 第14-15页 |
| 2．2 神经网络理论概述 | 第15-21页 |
| 2．2．1 神经系统的生理学模型 | 第15-16页 |
| 2．2．2 人工神经元模型 | 第16-19页 |
| 2．2．3 人工神经网络 | 第19-21页 |
| 第3章 图像的前期处理 | 第21-34页 |
| 3．1 图像的噪声消除 | 第21-23页 |
| 3．1．1 平滑滤波 | 第21-22页 |
| 3．1．2 中值滤波 | 第22-23页 |
| 3．2 图像的锐化 | 第23-25页 |
| 3．3 图像边缘检测 | 第25-31页 |
| 3．3．1 图像边缘检测的基本概念 | 第25-26页 |
| 3．3．2 常规边缘检测 | 第26-29页 |
| 3．3．3 形态学边缘检测 | 第29-31页 |
| 3．4 图像的二值化处理 | 第31-34页 |
| 第4章 图像的特征提取 | 第34-41页 |
| 4．1 特征与特征提取的基本概念 | 第34-35页 |
| 4．2 图像的矩 | 第35-41页 |
| 4．2．1 矩的一般定义 | 第35页 |
| 4．2．2 几何矩 | 第35-36页 |
| 4．2．3 不变矩 | 第36-41页 |
| 第5章 基于BP神经网络的模式识别 | 第41-57页 |
| 5．1 基于神经网络的模式分类 | 第41-46页 |
| 5．1．1 单个感知器神经元的模式分类问题 | 第41-42页 |
| 5．1．2 异或问题 | 第42-44页 |
| 5．1．3 多层感知器模式分类能力探讨 | 第44-46页 |
| 5．2 BP神经网络 | 第46-57页 |
| 5．2．1 单个感知器的梯度学习 | 第46-47页 |
| 5．2．2 多层感知器网络的梯度学习算法 | 第47-49页 |
| 5．2．3 BP算法存在的问题及改进 | 第49-50页 |
| 5．2．4 BP网络结构的构建 | 第50-53页 |
| 5．2．5 BP网络的训练 | 第53-54页 |
| 5．2．6 BP网络训练及模式识别结果分析 | 第54-57页 |
| 第6章 总结与展望 | 第57-58页 |
| 6．1 本文的主要工作 | 第57页 |
| 6．2 后续研究工作建议 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 发表论文 | 第62页 |
