首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

目标图像识别算法研究及其在DSP高速处理系统中的实现

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

论文共102页,点击 下载论文
上一篇:复杂环境下弱小目标检测与识别技术研究
下一篇:生物侧抑制机制及应用研究