基于数字图像处理的织物组织结构自动分析研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·课题来源 | 第9页 |
| ·课题研究背景和意义 | 第9-10页 |
| ·研究现状和发展趋势 | 第10-11页 |
| ·课题研究的主要内容和关键技术 | 第11-12页 |
| ·论文总体结构 | 第12-13页 |
| 2 理论技术概述 | 第13-19页 |
| ·织物概述 | 第13-15页 |
| ·机织物的三原组织 | 第13-14页 |
| ·织物组织的表示方法 | 第14-15页 |
| ·数字图像处理技术 | 第15页 |
| ·纹理特征信息提取与分类聚类算法概述 | 第15-17页 |
| ·纹理特征提取方法概述 | 第15-16页 |
| ·分类聚类算法的概述 | 第16-17页 |
| ·本章小结 | 第17-19页 |
| 3 织物组织图像获取及预处理 | 第19-27页 |
| ·图像获取 | 第19页 |
| ·织物图像预处理 | 第19-25页 |
| ·彩色图像灰度化 | 第20-21页 |
| ·图像噪声去除 | 第21-22页 |
| ·直方图均衡化及规定化 | 第22-23页 |
| ·高低帽变换 | 第23-25页 |
| ·本章小结 | 第25-27页 |
| 4 织物组织纹理结构分类 | 第27-43页 |
| ·灰度共生矩阵 | 第27-29页 |
| ·Gabor小波 | 第29-34页 |
| ·Gabor变换 | 第29-30页 |
| ·Gabor函数 | 第30页 |
| ·离散的Gabor变换 | 第30-31页 |
| ·二维Gabor变换 | 第31-34页 |
| ·主成分分析 | 第34-35页 |
| ·概率神经网络 | 第35-37页 |
| ·分类结果和讨论 | 第37-42页 |
| ·织物样本的特征向量提取 | 第37-38页 |
| ·基于概率神经网络的织物分类 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 5 织物组织纹理结构识别 | 第43-61页 |
| ·组织点分割及特征提取 | 第44-47页 |
| ·灰度投影法分割组织点 | 第44-47页 |
| ·基于灰度共生矩阵的特征提取 | 第47页 |
| ·组织点分类识别 | 第47-52页 |
| ·模糊C均值聚类 | 第48-49页 |
| ·基于核的模糊C均值聚类 | 第49-51页 |
| ·织物纹理灰度决策 | 第51-52页 |
| ·初步织物组织图生成 | 第52页 |
| ·织物组织图纠错 | 第52-57页 |
| ·改进的距离匹配函数 | 第53-56页 |
| ·组织循环单元获取与组织校验 | 第56-57页 |
| ·识别结果与分析 | 第57-58页 |
| ·本章小结 | 第58-61页 |
| 6 总结和展望 | 第61-63页 |
| ·全文总结 | 第61-62页 |
| ·展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 作者攻读学位期间发表学术论文清单 | 第69-71页 |
| 致谢 | 第71页 |
