基于CCD传感器的图像采集系统的模式识别研究与应用
| 提要 | 第1-8页 |
| 第1章 绪论 | 第8-12页 |
| ·课题研究背景和意义 | 第8页 |
| ·CCD的发展渊源与现状 | 第8-9页 |
| ·数字图像的处理和模式的识别方法 | 第9-10页 |
| ·数字图像的处理 | 第9页 |
| ·模式识别的方法简介 | 第9-10页 |
| ·研究重点 | 第10-12页 |
| 第2章 CCD图像的采集系统 | 第12-21页 |
| ·面阵CCD的工作原理 | 第12-14页 |
| ·CCD图像的采集与传输系统 | 第14-16页 |
| ·图像采集系统硬件结构 | 第16-17页 |
| ·系统方案设计 | 第17-18页 |
| ·系统模块 | 第18页 |
| ·CCD激励电路的设计 | 第18-21页 |
| 第3章 图像模式识别理论 | 第21-39页 |
| ·模式识别的理论与方法概述 | 第21-25页 |
| ·统计识别方法 | 第22-23页 |
| ·结构识别的方法 | 第23-24页 |
| ·模糊识别的方法 | 第24页 |
| ·智能模式的识别方法 | 第24-25页 |
| ·图像模式识别的一般策略和图像模式识别的关键技术 | 第25-26页 |
| ·图像模式识别的一般策略 | 第25页 |
| ·图像模式识别的关键技术 | 第25-26页 |
| ·图像模式识别的一般过程 | 第26-29页 |
| ·图像的预处理 | 第26-27页 |
| ·特征的提取 | 第27-28页 |
| ·模型匹配与推理 | 第28页 |
| ·本图像模式识别系统中使用的结构 | 第28-29页 |
| ·神经网络及其在模式识别中的应用 | 第29-32页 |
| ·基于人工神经网络 | 第29-31页 |
| ·神经网络的模式识别和机制的特点 | 第31-32页 |
| ·BP神经网络 | 第32-36页 |
| ·基于BP神经网络 | 第32-33页 |
| ·BP神经网络分类器 | 第33-35页 |
| ·改进的BP网络学习算法 | 第35-36页 |
| ·RBF神经网络 | 第36-39页 |
| ·RBF神经网络理论基础 | 第36-37页 |
| ·RBF神经网络的学习 | 第37-39页 |
| 第4章 基于聚类分析的图像模式识别研究 | 第39-48页 |
| ·聚类分析 | 第39-41页 |
| ·聚类分析的定义 | 第39页 |
| ·聚类算法 | 第39-40页 |
| ·密度模型和聚类算法 | 第40-41页 |
| ·基于核密度模型的图像聚类 | 第41-48页 |
| ·密度函数的构造 | 第41页 |
| ·基于核密度函数的数据聚类 | 第41-42页 |
| ·基于核密度模型图像模式识别的爬山聚类算法 | 第42-48页 |
| 第5章 结论和展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 摘要 | 第53-55页 |
| Abstract | 第55-56页 |
