| 中文摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题的研究背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·模式识别相关技术研究现状 | 第10-11页 |
| ·玻璃缺陷检测技术研究现状 | 第11-12页 |
| ·玻璃缺陷检测系统的构成 | 第12-13页 |
| ·论文主要研究内容及组织 | 第13-15页 |
| 第2章 玻璃缺陷图像的预处理 | 第15-24页 |
| ·玻璃缺陷图像的特征 | 第15-16页 |
| ·图像预处理方法 | 第16-23页 |
| ·图像的灰度处理 | 第17-18页 |
| ·空间线性变换 | 第18-21页 |
| ·灰度图像的二值化 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 玻璃缺陷图像的特征提取 | 第24-48页 |
| ·基于小波分析的特征提取 | 第24-30页 |
| ·小波分析基本概念 | 第24-27页 |
| ·正交多分辨分析 | 第27页 |
| ·快速小波算法的实现 | 第27-30页 |
| ·基于小波包变换的特征提取 | 第30-35页 |
| ·小波包变换基本原理 | 第31-32页 |
| ·小波包变换算法设计 | 第32-35页 |
| ·基于不变矩的特征提取 | 第35-40页 |
| ·矩的基本概念 | 第35-36页 |
| ·基于Hu's矩的特征提取方法 | 第36页 |
| ·基于Zernike's矩的特征提取方法 | 第36-38页 |
| ·基于小波矩的特征提取方法 | 第38-40页 |
| ·一种精确小波矩算法(E-WMI) | 第40-44页 |
| ·E-WMI算法的提出背景 | 第40-41页 |
| ·E-WMI算法的设计思想 | 第41-42页 |
| ·E-WMI算法的实现流程 | 第42-44页 |
| ·关于Zernike's矩与小波矩的不变性与噪声敏感性实验证明 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第4章 玻璃缺陷图像的分类识别 | 第48-70页 |
| ·分类技术概述 | 第48-49页 |
| ·基于统计的分类方法 | 第48页 |
| ·基于人工神经网络(ANN)的分类方法 | 第48-49页 |
| ·基于支持向量机的分类方法 | 第49页 |
| ·支持向量机的理论基础和算法介绍 | 第49-58页 |
| ·统计学习理论基础 | 第50-53页 |
| ·支持向量机的实现原理 | 第53-56页 |
| ·多分类支持向量机的算法实现 | 第56-58页 |
| ·一种新型的对称增量学习算法(S-ISVM) | 第58-63页 |
| ·S-ISVM算法的提出背景 | 第58-60页 |
| ·S-ISVM算法的原理 | 第60-61页 |
| ·S-ISVM算法的实现步骤 | 第61-63页 |
| ·综合实验的结果与分析 | 第63-68页 |
| ·特征提取算法在分类实验中的表现 | 第63-66页 |
| ·S-ISVM算法有效性实验 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 第5章 总结与展望 | 第70-72页 |
| ·总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 附录 攻读硕士学位期间发表的学术论文 | 第76页 |