| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第13-20页 |
| 1.1 课题的研究背景和意义 | 第13-14页 |
| 1.2 国内外的研究现状 | 第14-15页 |
| 1.3 图像滤波算法概述 | 第15-18页 |
| 1.4 本文的主要工作 | 第18-20页 |
| 2 数字图像识别基础知识 | 第20-34页 |
| 2.1 数字图像基础知识 | 第20-23页 |
| 2.1.1 数字图像的表示 | 第20页 |
| 2.1.2 数字图像的类型 | 第20-21页 |
| 2.1.3 像素的邻域和连通性 | 第21-22页 |
| 2.1.4 图像的灰度直方图 | 第22-23页 |
| 2.2 图像滤波基础知识 | 第23-27页 |
| 2.2.1 图像噪声的分类 | 第23-25页 |
| 2.2.2 滤波性能评价标准 | 第25-27页 |
| 2.3 图像识别算法 | 第27-33页 |
| 2.3.1 统计模式识别 | 第27页 |
| 2.3.2 结构模式识别 | 第27-28页 |
| 2.3.3 神经网络模式识别 | 第28-33页 |
| 2.3.3.1 人工神经网络 | 第28-30页 |
| 2.3.3.2 BP神经网络 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于图像受噪程度的改进模糊加权均值滤波算法 | 第34-42页 |
| 3.1 模糊加权均值滤波算法 | 第34-36页 |
| 3.2 基于图像受噪程度的改进模糊加权均值滤波实现 | 第36-39页 |
| 3.2.1 估计原图像灰度直方图 | 第36-37页 |
| 3.2.2 建立模糊隶属度函数 | 第37-38页 |
| 3.2.3 改进模糊加权均值滤波 | 第38-39页 |
| 3.3 图像滤波实验结果及分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于支持向量机的改进中值滤波算法 | 第42-52页 |
| 4.1 支持向量机分类与回归 | 第42-45页 |
| 4.1.1 支持向量机分类 | 第43-44页 |
| 4.1.2 支持向量机回归 | 第44-45页 |
| 4.2 改进中值滤波算法 | 第45-47页 |
| 4.2.1 中值滤波后图像去模糊化 | 第45-46页 |
| 4.2.2 图像噪声点分类与回归 | 第46-47页 |
| 4.3 图像滤波实验结果及分析 | 第47-50页 |
| 4.4 本章小结 | 第50-52页 |
| 5 降维概率神经网络识别算法 | 第52-65页 |
| 5.1 小波FastICA特征提取 | 第52-60页 |
| 5.1.1 ICA算法 | 第53-54页 |
| 5.1.2 Fast ICA算法 | 第54-57页 |
| 5.1.3 小波分解 | 第57-60页 |
| 5.2 概率神经网络算法 | 第60-62页 |
| 5.2.1 贝叶斯决策理论 | 第60-62页 |
| 5.3 降维概率神经网络图像识别算法 | 第62-64页 |
| 5.3.1 概率神经网络 | 第62-63页 |
| 5.3.2 降维概率神经网络 | 第63-64页 |
| 5.4 图像识别实验结果及分析 | 第64页 |
| 5.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70-81页 |
| 发表论文情况 | 第81-82页 |
| 致谢 | 第82-83页 |