| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 基于图像特征的铁矿石品位估测方法的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 矿石图像特征提取的研究现状 | 第10-12页 |
| 1.2.2 矿石品位估测的研究现状 | 第12-13页 |
| 1.3 课题的内容与论文结构 | 第13-15页 |
| 第二章 铁矿石图像的获取以及分割 | 第15-29页 |
| 2.1 铁矿石图像的获取 | 第15页 |
| 2.2 矿石图像去噪 | 第15-19页 |
| 2.2.1 中值滤波 | 第16页 |
| 2.2.2 加权平均滤波 | 第16-17页 |
| 2.2.3 双边滤波 | 第17-19页 |
| 2.3 矿石图像分割 | 第19-28页 |
| 2.3.1 局部均值双阈值化算法 | 第20-21页 |
| 2.3.2 孔洞填充 | 第21-22页 |
| 2.3.3 距离变化 | 第22-24页 |
| 2.3.4 形态学重建及去除小面积轮廓 | 第24-25页 |
| 2.3.5 基于标识的改进分水岭分割算法 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 铁矿石图像特征提取 | 第29-44页 |
| 3.1 灰度直方图的统计特征提取 | 第29-32页 |
| 3.2 纹理特征提取 | 第32-43页 |
| 3.2.1 基于灰度共生矩阵的纹理特征参数提取 | 第32-37页 |
| 3.2.2 基于行程长度矩阵的纹理特征参数提取 | 第37-39页 |
| 3.2.3 基于小波变换的纹理特征参数提取 | 第39-43页 |
| 3.3 两组特征数据集的形成 | 第43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 特征量的选择 | 第44-54页 |
| 4.1 特征数据归一化 | 第44-46页 |
| 4.1.1 普通归一化 | 第44-45页 |
| 4.1.2 坐标分布归一化 | 第45页 |
| 4.1.3 平均数方差法 | 第45页 |
| 4.1.4 均匀分布归一化 | 第45-46页 |
| 4.2 主成分分析(PCA)降维 | 第46-49页 |
| 4.2.1 PCA原理 | 第46页 |
| 4.2.2 PCA特征降维步骤 | 第46-47页 |
| 4.2.3 采用PCA对特征数据进行降维的结果 | 第47-49页 |
| 4.3 Isomap降维技术 | 第49-51页 |
| 4.3.1 Isomap算法的基本原理 | 第49页 |
| 4.3.2 Isomap算法的步骤 | 第49-50页 |
| 4.3.3 用Isomap算法对铁矿石图像特征数据进行降维 | 第50-51页 |
| 4.4 降维方法的选择 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 铁矿石品位估测模型的建立 | 第54-65页 |
| 5.1 基于支持向量机的矿石品位估测模型 | 第54-57页 |
| 5.1.1 支持向量机回归算法基本原理 | 第54-55页 |
| 5.1.2 支持向量机核函数的选择 | 第55-56页 |
| 5.1.3 支持向量机铁矿石品位估测模型 | 第56-57页 |
| 5.2 基于径向基神经网络的铁矿石品位估测模型 | 第57-62页 |
| 5.2.1 径向基神经网络基本原理 | 第57-59页 |
| 5.2.2 径向基函数 | 第59-60页 |
| 5.2.3 径向基神经网络参数的学习 | 第60-61页 |
| 5.2.4 径向基神经网络铁矿石品位估测模型 | 第61-62页 |
| 5.3 两种铁矿石品位估测方法估测效果的比较分析 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录1 插图清单 | 第71-73页 |
| 附录2 插表清单 | 第73-74页 |
| 在学研究成果 | 第74-75页 |
| 致谢 | 第75页 |