常见贝类形貌特征识别技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景及意义 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·论文的主要内容 | 第11页 |
| ·论文的组织结构 | 第11-13页 |
| 第二章 贝类形貌特征识别过程的总体设计 | 第13-19页 |
| ·基本思想 | 第13-14页 |
| ·训练过程 | 第13-14页 |
| ·识别阶段基本过程如下 | 第14页 |
| ·算法设计 | 第14-18页 |
| ·贝类图像采集 | 第15页 |
| ·图像预处理算法流程 | 第15-16页 |
| ·特征提取算法流程 | 第16-17页 |
| ·数据降维（PCA/2D PCA）算法流程 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 数字图像预处理 | 第19-26页 |
| ·数字图像预处理 | 第19-20页 |
| ·MATLAB 语言 | 第20页 |
| ·MATLAB 数字图像处理工具箱 | 第20页 |
| ·图像预处理 | 第20-24页 |
| ·图像处理的目的 | 第20-21页 |
| ·图像的灰度化 | 第21-22页 |
| ·图像增强 | 第22页 |
| ·灰度直方图 | 第22页 |
| ·对比度增强 | 第22-23页 |
| ·直方图均化 | 第23-24页 |
| ·图像的滤波 | 第24页 |
| ·图像的二值化 | 第24-26页 |
| 第四章 贝类形貌图像 PCA 及特征提取 | 第26-33页 |
| ·主成分分析 | 第26-29页 |
| ·K-l 变换 | 第26-28页 |
| ·2D PCA 在贝类图像识别中的应用 | 第28-29页 |
| ·Gabor 小波变换 | 第29-31页 |
| ·一维 Gabor 小波变换 | 第29-30页 |
| ·二维 Gabor 小波变换 | 第30页 |
| ·贝类图像的二维 Gabor 小波变换 | 第30-31页 |
| ·二维 Gabor 小波响应图 | 第31-33页 |
| 第五章 贝类分类识别与实验讨论 | 第33-44页 |
| ·概述 | 第33页 |
| ·神经网络（BP） | 第33-35页 |
| ·概述 | 第33-34页 |
| ·工作原理 | 第34页 |
| ·BP 神经网络的特征 | 第34-35页 |
| ·支持向量机 SVM | 第35-37页 |
| ·概述 | 第35-36页 |
| ·工作原理 | 第36页 |
| ·SVM 的特征 | 第36-37页 |
| ·极限学习机(ELM) | 第37-39页 |
| ·实验结果与讨论 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第六章 结论 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 附录 A | 第49-57页 |
