| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题意义 | 第7页 |
| ·国内外研究现状 | 第7-12页 |
| ·系统组成 | 第7-9页 |
| ·瑕疵检测算法介绍 | 第9-11页 |
| ·瑕疵分类算法介绍 | 第11-12页 |
| ·本文工作安排 | 第12-13页 |
| 第二章 采用Gabor 滤波器和高斯混合模型的织物瑕疵检测与分类算法 | 第13-31页 |
| ·算法描述 | 第13-14页 |
| ·采用 Gabor 滤波器的瑕疵检测 | 第14-17页 |
| ·改进的Gabor 滤波器 | 第14-16页 |
| ·最优滤波结果选取 | 第16页 |
| ·二值化 | 第16-17页 |
| ·采用 GMM 的织物瑕疵分类 | 第17-26页 |
| ·瑕疵特征提取 | 第17-19页 |
| ·主成分分析(PCA) | 第19-20页 |
| ·高斯混合模型(GMM) | 第20-24页 |
| ·基于高斯混合模型的织物瑕疵分类 | 第24-26页 |
| ·实验与分析 | 第26-30页 |
| ·瑕疵定位 | 第26-28页 |
| ·瑕疵分类 | 第28-30页 |
| ·结论 | 第30-31页 |
| 第三章 采用GMM 改进的径向基神经网络的织物瑕疵分类方法 | 第31-45页 |
| ·引言 | 第31-32页 |
| ·RBF 神经网络回顾 | 第32-33页 |
| ·采用 GMM 改进的 RBF 神经网络 | 第33-34页 |
| ·采用改进的 RBF 神经网络的织物瑕疵分类算法 | 第34-37页 |
| ·数据表示 | 第34-36页 |
| ·多类纹理分类算法 | 第36-37页 |
| ·实验与分析 | 第37-44页 |
| ·训练分类器 | 第38-40页 |
| ·采用RBF 神经网络的织物瑕疵分类 | 第40-42页 |
| ·与ANN 和SVM 的比较 | 第42-44页 |
| ·结论 | 第44-45页 |
| 第四章 采用混合特征织物瑕疵分类技术 | 第45-60页 |
| ·引言 | 第45页 |
| ·织物瑕疵定位与特征提取 | 第45-48页 |
| ·基于Gabor 滤波器的特征 | 第46页 |
| ·局部二进制模式(LBP)特征 | 第46-48页 |
| ·特征分析 | 第48-54页 |
| ·多类问题的LDA | 第49-51页 |
| ·广义判别方法(GDA) | 第51-54页 |
| ·采用人工神经网络(ANN)的瑕疵分类 | 第54-55页 |
| ·实验和分析 | 第55-59页 |
| ·瑕疵分类 | 第55-58页 |
| ·其它特征方法对比 | 第58-59页 |
| ·小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者在读期间的研究成果 | 第67-68页 |