| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题背景及研究意义 | 第8-10页 |
| 1.1.1 选题背景 | 第8-10页 |
| 1.1.2 选题意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究内容与总体思路 | 第13-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2 煤矸图像样本集的建立 | 第16-21页 |
| 2.1 样本集建立的意义 | 第16-17页 |
| 2.2 样本采集平台的搭建 | 第17-18页 |
| 2.3 样本的获取 | 第18-20页 |
| 2.3.1 韩城矿区煤矸样本集的建立 | 第18-19页 |
| 2.3.2 冀中矿区煤矸样本集的建立 | 第19页 |
| 2.3.3 煤炭科学总院西安分院地质所多矿区样本集的建立 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 煤矸图像特征的提取 | 第21-52页 |
| 3.1 图像处理的基本原理 | 第21-22页 |
| 3.2 实际环境图像优化处理 | 第22-28页 |
| 3.2.1 空域内的图像增强优化 | 第22-24页 |
| 3.2.2 空域内的图像滤波优化 | 第24-28页 |
| 3.3 煤矸图像识别方法 | 第28-51页 |
| 3.3.1 基于边缘检测的煤矸识别方法的研究 | 第28-31页 |
| 3.3.2 基于灰度特征的煤矸识别方法的研究 | 第31-36页 |
| 3.3.3 基于纹理特征的煤矸识别方法的研究 | 第36-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 基于SVM的煤矸识别 | 第52-68页 |
| 4.1 机器学习 | 第52-53页 |
| 4.2 支持向量机的理论 | 第53-60页 |
| 4.2.1 统计学习理论 | 第53-55页 |
| 4.2.2 支持向量机最优分类超平面 | 第55-57页 |
| 4.2.3 支持向量机转化原理 | 第57-58页 |
| 4.2.4 支持向量机核函数 | 第58-60页 |
| 4.3 基于最小二乘支持向量机的煤矸识别 | 第60-63页 |
| 4.3.1 最小二乘支持向量机原理 | 第60-61页 |
| 4.3.2 最小二乘支持向量机的优点及缺点 | 第61页 |
| 4.3.3 最小二乘支持向量机模型的建立 | 第61-63页 |
| 4.4 基于最小二乘支持向量机煤矸样本的训练 | 第63-66页 |
| 4.4.1 基于单一特征的最小二乘支持向量机模型训练 | 第63-66页 |
| 4.4.2 基于联合特征的最小二乘支持向量机模型训练 | 第66页 |
| 4.5 本章小结 | 第66-68页 |
| 5 煤矸图像识别方法准确度验证 | 第68-71页 |
| 5.1 韩城矿区煤矸样本分类实验 | 第68-69页 |
| 5.2 冀中矿区煤矸样本分类实验 | 第69页 |
| 5.3 煤炭科学总院西安分院地质所多矿区煤矸样本分类实验 | 第69-70页 |
| 5.4 实验分析 | 第70-71页 |
| 6 结论与展望 | 第71-73页 |
| 6.1 研究结论 | 第71-72页 |
| 6.2 研究的不足 | 第72页 |
| 6.3 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78页 |
