| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·课题的研究背景 | 第9页 |
| ·课题的研究意义 | 第9-14页 |
| ·课题的主要研究内容和组织结构 | 第14-15页 |
| 第二章 进化计算方法分析和介绍 | 第15-19页 |
| ·优化算法基础 | 第15-16页 |
| ·进化计算方法 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 基于群体智能的图像增强和图像复原 | 第19-43页 |
| ·概述 | 第19页 |
| ·群体智能算法介绍 | 第19-23页 |
| ·改进的自适应量子粒子群算法 | 第23-26页 |
| ·AQPSO 算法的提出 | 第23-24页 |
| ·AQPSO 算法的收敛性分析 | 第24-26页 |
| ·基于AQPSO 算法的图像增强 | 第26-32页 |
| ·新目标函数的提出 | 第26-28页 |
| ·基于AQPSO 算法的图像增强过程 | 第28-29页 |
| ·实验结果比较及分析 | 第29-32页 |
| ·基于AQPSO 算法的图像复原 | 第32-42页 |
| ·图像退化和复原处理模型 | 第32页 |
| ·噪声图像的复原 | 第32-34页 |
| ·自适应图像复原算法 | 第34-37页 |
| ·实验结果比较及分析 | 第37-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 改进的量子粒子群算法及其在图像分割中的应用 | 第43-67页 |
| ·概述 | 第43页 |
| ·多群体与多阶段改进的量子粒子群算法 | 第43-48页 |
| ·MMQPSO 算法的提出 | 第43-45页 |
| ·MMQPSO 算法的收敛性分析 | 第45-48页 |
| ·图像分割算法的目标函数的提出 | 第48-56页 |
| ·图像分割概述 | 第49页 |
| ·常用图像分割算法 | 第49-54页 |
| ·分割算法的选择 | 第54页 |
| ·最小误差阈值法的二维推广 | 第54-56页 |
| ·基于MMQPSO 算法的图像分割 | 第56-65页 |
| ·算法描述 | 第56页 |
| ·算法测试 | 第56-65页 |
| ·本章小结 | 第65-67页 |
| 第五章 基于群体智能和支持向量机的目标识别 | 第67-91页 |
| ·概述 | 第67页 |
| ·支持向量机原理 | 第67-75页 |
| ·统计学习理论 | 第67-70页 |
| ·支持向量机的工作原理 | 第70-73页 |
| ·多类支持向量机 | 第73-75页 |
| ·支持向量机优化算法的研究及改进 | 第75-79页 |
| ·分类优化算法 | 第75页 |
| ·PSO 算法训练支持向量机 | 第75-76页 |
| ·QPSO 算法训练支持向量机 | 第76-77页 |
| ·MMQPSO 算法训练支持向量机 | 第77页 |
| ·分类判别实验 | 第77-79页 |
| ·目标识别算法 | 第79-89页 |
| ·特征提取方法 | 第81-83页 |
| ·基于支持向量机的目标识别 | 第83-87页 |
| ·实验结果比较及分析 | 第87-89页 |
| ·本章小结 | 第89-91页 |
| 第六章 基于机器视觉的高速异纤检测系统 | 第91-103页 |
| ·概述 | 第91页 |
| ·棉花异纤检测现状 | 第91-92页 |
| ·系统设计 | 第92-96页 |
| ·异纤检测算法 | 第96-102页 |
| ·基于快速小波变换的检测算法 | 第96-97页 |
| ·基于改进的Canny 算子的检测算法 | 第97页 |
| ·基于区域生长的三基色阈值检测算法 | 第97-98页 |
| ·结果分析 | 第98-102页 |
| ·本章小结 | 第102-103页 |
| 第七章 结论与展望 | 第103-104页 |
| 致谢 | 第104-105页 |
| 参考文献 | 第105-115页 |
| 附录：作者在攻读博士学位期间发表的论文和科研成果 | 第115页 |