基于多光谱图像分析的纸币鉴伪关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 引言 | 第12页 |
| 1.2 纸币鉴伪研究背景及研究意义 | 第12-14页 |
| 1.3 研究现状和趋势分析 | 第14-15页 |
| 1.4 纸币清分机市场情景分析 | 第15-17页 |
| 1.5 本文主要研究内容和章节安排 | 第17-19页 |
| 1.5.1 本文主要研究内容 | 第17页 |
| 1.5.2 本文章节安排 | 第17-19页 |
| 第2章 相关技术综述 | 第19-25页 |
| 2.1 纸币鉴伪技术概述 | 第19-20页 |
| 2.2 硬件技术 | 第20-22页 |
| 2.2.1 图像传感器技术 | 第20-21页 |
| 2.2.2 DSP处理技术 | 第21-22页 |
| 2.3 数字图像处理及识别技术 | 第22-24页 |
| 2.3.1 数字图像处理技术 | 第22-23页 |
| 2.3.2 图像识别的技术 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 纸币鉴伪系统介绍 | 第25-35页 |
| 3.1 概述 | 第25-28页 |
| 3.1.1 功能需求分析 | 第25页 |
| 3.1.2 工作流程介绍 | 第25-27页 |
| 3.1.3 机械结构设计 | 第27-28页 |
| 3.2 图像传感器 | 第28-32页 |
| 3.2.1 CCD传感器 | 第29-30页 |
| 3.2.2 CMOS传感器 | 第30-31页 |
| 3.2.3 CIS传感器 | 第31-32页 |
| 3.3 图像采集硬件组成 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 纸币鉴伪的图像预处理与特征提取 | 第35-53页 |
| 4.1 概述 | 第35页 |
| 4.2 纸币图像的预处理 | 第35-44页 |
| 4.2.1 RGB转化为灰度图 | 第36页 |
| 4.2.2 图像光照补偿 | 第36-39页 |
| 4.2.3 纸币图像滤波 | 第39-41页 |
| 4.2.4 图像归一化 | 第41-44页 |
| 4.3 鉴伪图像特征提取 | 第44-51页 |
| 4.3.1 PCA降维 | 第45-47页 |
| 4.3.2 LPP保局投影 | 第47-48页 |
| 4.3.3 邻域选取对流形学习的影响 | 第48-50页 |
| 4.3.4 自适应的近邻选取算法 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 基于BP神经网络的纸币鉴伪 | 第53-62页 |
| 5.1 神经网络构成的基本原理 | 第53-54页 |
| 5.1.1 人工神经元模式 | 第53-54页 |
| 5.1.2 连接权值 | 第54页 |
| 5.1.3 神经网络状态 | 第54页 |
| 5.1.4 神经网络的输出 | 第54页 |
| 5.2 BP神经网络简介 | 第54-57页 |
| 5.3 BP神经网络的优点 | 第57-58页 |
| 5.4 实验与分析 | 第58-60页 |
| 5.4.1 降维算法分析 | 第58-59页 |
| 5.4.2 分类算法分析 | 第59-60页 |
| 5.5 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录A 攻读学位期间的主要研究成果 | 第68-69页 |
| 致谢 | 第69页 |
