细胞神经网络在彩色图像边缘检测中的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外发展现状 | 第10-11页 |
| ·本文研究思路 | 第11页 |
| ·作者的主要工作 | 第11-12页 |
| ·创新点 | 第12页 |
| ·论文的结构 | 第12-14页 |
| 2 细胞神经网络的理论及应用 | 第14-26页 |
| ·引言 | 第14页 |
| ·CNN 的理论 | 第14-19页 |
| ·CNN 的相关概念 | 第15-17页 |
| ·CNN 的数学模型 | 第17-18页 |
| ·CNN 的研究内容 | 第18-19页 |
| ·CNN 的应用 | 第19-24页 |
| ·CNN 的发展及应用 | 第19-22页 |
| ·CNN 在图像处理领域的应用 | 第22-23页 |
| ·CNN 在图像边缘检测中的应用 | 第23-24页 |
| ·CNN 的研究意义 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于CNN 模板的彩色图像边缘检测算法 | 第26-41页 |
| ·引言 | 第26页 |
| ·边缘检测的国内外研究现状 | 第26-33页 |
| ·经典算子 | 第26-28页 |
| ·最优算子 | 第28-31页 |
| ·多尺度小波边缘检测方法 | 第31-32页 |
| ·基于神经元网络的边缘检测方法 | 第32-33页 |
| ·彩色空间距离计算 | 第33-36页 |
| ·彩色空间的选择 | 第33页 |
| ·颜色距离计算 | 第33-35页 |
| ·权重计算 | 第35-36页 |
| ·距离合成 | 第36页 |
| ·新的边缘检测算法及CNN 鲁棒性设计 | 第36-38页 |
| ·大范围任务 | 第36页 |
| ·局部规则 | 第36-37页 |
| ·数学分析 | 第37页 |
| ·定理 | 第37-38页 |
| ·举例 | 第38页 |
| ·实验结果与分析 | 第38-40页 |
| ·Lena 图像的边缘检测结果 | 第38页 |
| ·Lena 加噪图像的边缘检测结果 | 第38-39页 |
| ·检测结果比较分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于CNN 的分块自适应彩色图像边缘检测算法 | 第41-49页 |
| ·引言 | 第41页 |
| ·熵的计算 | 第41-43页 |
| ·图像信息熵的定义及性质 | 第41-42页 |
| ·图像单元片区划分 | 第42页 |
| ·图像单元信息熵 | 第42-43页 |
| ·基于熵的分块自适应彩色图像边缘检测算法 | 第43-44页 |
| ·评价方法与实验结果 | 第44-48页 |
| ·定量评价 | 第44-46页 |
| ·主观评价 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 5 基于CNN 彩色图像边缘检测的车牌定位方法 | 第49-65页 |
| ·引言 | 第49-50页 |
| ·车牌定位方法的国内外研究现状 | 第50-52页 |
| ·基于灰度图像的车牌定位方法 | 第50页 |
| ·基于彩色图像的车牌定位方法 | 第50-51页 |
| ·车牌定位综述小结 | 第51-52页 |
| ·车牌定位算法分析与设计 | 第52-54页 |
| ·车牌定位问题的难点 | 第52页 |
| ·对边缘检测算法的要求 | 第52页 |
| ·车牌定位算法的特点 | 第52-54页 |
| ·车牌定位算法流程 | 第54页 |
| ·融合彩色边缘检测与车牌特征的车牌定位方法 | 第54-60页 |
| ·车牌区域的特点 | 第54-55页 |
| ·边缘颜色对的概念 | 第55-56页 |
| ·具有边缘颜色对约束的彩色边缘检测 | 第56-57页 |
| ·边缘滤波 | 第57-58页 |
| ·车牌初步定位 | 第58-59页 |
| ·车牌特征校验 | 第59-60页 |
| ·实验结果与分析 | 第60-64页 |
| ·本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表学术论文及科研情况 | 第72页 |
