图像处理与支持向量机在火灾探测领域的应用研究
| 论文摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 引言 | 第11-19页 |
| ·课题来源 | 第11页 |
| ·课题研究背景和意义 | 第11-13页 |
| ·国内外火灾探测系统发展现状 | 第13-14页 |
| ·国外发展现状 | 第13-14页 |
| ·国内发展现状 | 第14页 |
| ·火灾识别技术的发展现状 | 第14-15页 |
| ·图像型火灾探测系统结构 | 第15-17页 |
| ·图像型火灾探测系统构成 | 第15-16页 |
| ·基于支持向量机的火灾识别技术 | 第16-17页 |
| ·本文的主要研究内容 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第二章 火灾图像的预处理 | 第19-42页 |
| ·数字图像处理技术概述 | 第19-20页 |
| ·常用图像分割技术 | 第20-24页 |
| ·阈值分割法 | 第21页 |
| ·区域特性分割法 | 第21-22页 |
| ·基于边界的图像分割法 | 第22-23页 |
| ·特征空间聚类分割法 | 第23-24页 |
| ·基于视觉颜色模型的火灾图像分割 | 第24-33页 |
| ·颜色形成及颜色模型的分析 | 第24-28页 |
| ·颜色的形成原理 | 第24-25页 |
| ·颜色空间模型 | 第25-28页 |
| ·火灾图像的分割 | 第28-32页 |
| ·颜色模型的选择 | 第29页 |
| ·人类视觉和HIS 颜色距离的关系 | 第29-30页 |
| ·火灾图像分割算法 | 第30-32页 |
| ·图像分割仿真实验结果及分析 | 第32-33页 |
| ·图像的灰度化和二值化 | 第33-34页 |
| ·图像灰度化 | 第33页 |
| ·图像二值化 | 第33-34页 |
| ·图像的噪声处理 | 第34-37页 |
| ·均值滤波法 | 第35页 |
| ·中值滤波法 | 第35-36页 |
| ·均值滤波和中值滤波处理效果比较 | 第36-37页 |
| ·基于数学形态学的火焰图像处理 | 第37-41页 |
| ·数学形态学理论 | 第37-41页 |
| ·基于数学形态学的火焰图像处理实验 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第三章 火灾火焰特征提取 | 第42-56页 |
| ·火灾火焰的形态特征 | 第42-50页 |
| ·火焰图像边缘检测 | 第43-46页 |
| ·经典边缘检测算子 | 第43-45页 |
| ·火灾火焰的边缘检测 | 第45-46页 |
| ·圆形度计算 | 第46-49页 |
| ·边界链码 | 第47-48页 |
| ·圆形度实验统计 | 第48-49页 |
| ·尖角个数统计 | 第49-50页 |
| ·火灾火焰颜色特征 | 第50-51页 |
| ·火灾火焰纹理特征 | 第51-55页 |
| ·纹理基本概念 | 第51-52页 |
| ·灰度共生矩阵分析法 | 第52-54页 |
| ·火焰纹理特征计算 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第四章 支持向量机原理 | 第56-66页 |
| ·引言 | 第56-57页 |
| ·统计学习理论 | 第57页 |
| ·SVM 算法 | 第57-65页 |
| ·最优分类超平面 | 第58-59页 |
| ·支持向量机的分类算法 | 第59-65页 |
| ·线性可分的支持向量机分类 | 第59-61页 |
| ·线性不可分的支持向量机分类 | 第61-62页 |
| ·非线性可分支持向量机分类 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 基于支持向量机的火灾识别设计 | 第66-75页 |
| ·利用 SVM 的火灾识别过程 | 第66页 |
| ·SVM 核函数的选择与参数的选取 | 第66-67页 |
| ·Libsvm 简介 | 第67-69页 |
| ·基于 SVM 的火灾识别算法实现 | 第69-71页 |
| ·样本选取 | 第69-70页 |
| ·仿真实验及分析 | 第70-71页 |
| ·与基于 BP 神经网络分类比较的研究 | 第71-74页 |
| ·BP 神经网络 | 第71-73页 |
| ·基于BP 神经网络的火灾识别 | 第73-74页 |
| ·SVM 与BP 神经网络的分类对比分析 | 第74页 |
| ·本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 在学研究成果 | 第81-82页 |
| 致谢 | 第82页 |
