| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·引言 | 第10页 |
| ·课题研究的背景和意义 | 第10-12页 |
| ·课题研究的背景 | 第10-11页 |
| ·课题研究的意义 | 第11-12页 |
| ·图像识别系统 | 第12-14页 |
| ·论文的主要内容 | 第14-16页 |
| 第二章 图像的不变矩 | 第16-40页 |
| ·引言 | 第16页 |
| ·图像的几何矩 | 第16-22页 |
| ·几何矩的定义 | 第16-17页 |
| ·几何矩的物理意义 | 第17-20页 |
| ·矩的变换 | 第20-22页 |
| ·Hu 矩 | 第22-25页 |
| ·图像的Hu 不变矩特征表示 | 第22-23页 |
| ·Hu 不变矩特征的修正 | 第23-25页 |
| ·Hu 不变矩的局限性 | 第25页 |
| ·Zernike 矩 | 第25-28页 |
| ·Zernike 矩的概念 | 第25-27页 |
| ·Zernike 矩的旋转不变性 | 第27-28页 |
| ·小波矩 | 第28-33页 |
| ·小波多尺度分析的基本理论 | 第28-30页 |
| ·具有旋转不变性的矩特征的一般表达式 | 第30-31页 |
| ·基于三次B 样条小波的矩不变量 | 第31-32页 |
| ·归一化与离散化处理 | 第32-33页 |
| ·计算机仿真实验 | 第33-37页 |
| ·本章小结 | 第37-40页 |
| 第三章 图像识别中的分类算法 | 第40-70页 |
| ·引言 | 第40页 |
| ·BP 神经网络 | 第40-48页 |
| ·BP 神经网络的多层感知器模型 | 第40-42页 |
| ·BP 网络的误差与权值调整 | 第42-43页 |
| ·BP 算法流程 | 第43-44页 |
| ·增加动量项的BP 算法 | 第44-45页 |
| ·BP 神经网络的分类仿真实验 | 第45-48页 |
| ·小波神经网络 | 第48-53页 |
| ·小波神经网络的概述 | 第48-49页 |
| ·小波神经网络的参数调整算法 | 第49-52页 |
| ·小波神经网络的缺点 | 第52页 |
| ·小波神经网络的分类仿真实验 | 第52-53页 |
| ·支持向量机 | 第53-68页 |
| ·支持向量机的理论基础 | 第54-60页 |
| ·线性不可分支持向量机 | 第60-62页 |
| ·多类支持向量机 | 第62-63页 |
| ·支持向量机的分类仿真实验 | 第63-65页 |
| ·支持向量机参数c和γ的选取 | 第65-68页 |
| ·本章小结 | 第68-70页 |
| 第四章 基于小波矩和支持向量机的小样本坦克图像识别 | 第70-82页 |
| ·引言 | 第70页 |
| ·不变矩特征提取 | 第70-75页 |
| ·Hu 矩特征提取 | 第70-72页 |
| ·Zernike 矩和小波矩特征提取 | 第72-75页 |
| ·分类算法仿真实验 | 第75-80页 |
| ·支持向量机分类算法 | 第75-77页 |
| ·BP 神经网络分类算法 | 第77页 |
| ·小波神经网络分类算法 | 第77-79页 |
| ·小波矩和支持向量机对噪声图像的识别 | 第79-80页 |
| ·本章小结 | 第80-82页 |
| 第五章 总结与展望 | 第82-84页 |
| 参考文献 | 第84-87页 |
| 附录五类坦克原图像与归一化图像 | 第87-90页 |
| 致谢 | 第90-91页 |
| 在读期间发表的论文 | 第91页 |