摘要 | 第1-5页 |
ABSTRACT | 第5-13页 |
第一章 绪论 | 第13-20页 |
·本课题研究的意义 | 第13-14页 |
·国内外研究现状和发展趋势 | 第14-16页 |
·本课题的研究内容 | 第16-19页 |
·小结 | 第19-20页 |
第二章 基于MAS 小波尺度独立算法的目标图像边界检测 | 第20-35页 |
·图像的前期处理和边界提取 | 第20-21页 |
·概述 | 第20页 |
·基于小波理论的边界提取 | 第20-21页 |
·边界的基本几何结构 | 第21-23页 |
·Lipschitz 指数 | 第21-22页 |
·二维图像的推广 | 第22-23页 |
·小波变换分析边界结构 | 第23-30页 |
·边界的小波变换形式 | 第23-26页 |
·二维图像的推广 | 第26-30页 |
·尺度独立的小波变换算法 | 第30-32页 |
·实验结果与分析 | 第32-34页 |
·小结 | 第34-35页 |
第三章 边界仿射不变矩 | 第35-46页 |
·图像的仿射不变性 | 第35-37页 |
·概述 | 第35页 |
·仿射变换的定义、性质及其代数表示 | 第35-37页 |
·边界不变矩理论 | 第37-39页 |
·概述 | 第37页 |
·矩与不变矩理论 | 第37-39页 |
·基于仿射变换的边界不变矩 | 第39-42页 |
·基于仿射变换的矩不变式 | 第39-41页 |
·仿射变换边界不变矩 | 第41-42页 |
·特征提取原则 | 第42-43页 |
·仿真结果与分析 | 第43-45页 |
·小结 | 第45-46页 |
第四章 基于BP 算法的小波神经网络 | 第46-58页 |
·概述 | 第46-47页 |
·小波神经网络基本模型 | 第46-47页 |
·小波神经网络的推广和改进 | 第47页 |
·小波分析与小波变换 | 第47-50页 |
·基于BP 算法的小波神经网络 | 第50-54页 |
·小波神经网络的结构、类型及特点 | 第50-51页 |
·基于BP 算法的小波神经网络学习算法 | 第51-54页 |
·实验结果与分析 | 第54-57页 |
·一般不变矩与仿射不变矩对比实验 | 第54-55页 |
·BP 网络和WNN 网络的识别实验对比 | 第55-57页 |
·小结 | 第57-58页 |
第五章 学习矢量量化(LVQ)网络的目标图像模式识别 | 第58-68页 |
·概述 | 第58页 |
·近邻法和学习矢量量化理论 | 第58-61页 |
·最近邻法、k 近邻法和学习矢量量化理论 | 第58-59页 |
·最近邻法、k 近邻法和矢量量化简介 | 第59-61页 |
·学习矢量量化(LVQ)网络的结构与学习算法 | 第61-64页 |
·学习矢量量化(LVQ)网络的网络结构 | 第61-62页 |
·学习矢量量化(LVQ)网络的学习算法 | 第62-64页 |
·实验结果与分析 | 第64-67页 |
·一般不变矩实验结果 | 第64-65页 |
·仿射不变矩实验结果 | 第65-67页 |
·小结 | 第67-68页 |
第六章 基于DSP 的硬件平台与研究算法 | 第68-85页 |
·概述 | 第68-69页 |
·基于DAM6416P 图像处理平台的系统概况 | 第69-71页 |
·图像处理平台系统架构 | 第69-70页 |
·DAM6416P 开发板与目标系统 | 第70-71页 |
·硬件基本组成与功能 | 第71-74页 |
·TMS320C641x 体系架构 | 第71-72页 |
·TMS320 系列DSP 的硬件结构 | 第72-74页 |
·基于CCS 的软件开发环境与算法实现 | 第74-79页 |
·软件开发环境建立 | 第74页 |
·Code Composer Studio(CCS)文件系统简述 | 第74-75页 |
·DSP 软件开发基础 | 第75-77页 |
·DSP/BIOS 简介 | 第77-78页 |
·开发程序的基本结构和一般过程 | 第78-79页 |
·基于目标图像的软件开发 | 第79-84页 |
·Video 模块的使用 | 第79-82页 |
·C/C++图像处理程序开发 | 第82-84页 |
·小结 | 第84-85页 |
第七章 总结与展望 | 第85-87页 |
·论文工作总结 | 第85-86页 |
·今后研究展望 | 第86-87页 |
参考文献 | 第87-91页 |
致谢 | 第91-92页 |
在学校期间的研究成果及发表的学术论文 | 第92-93页 |
附录1 | 第93-98页 |
附录2 | 第98-102页 |