相似多目标在LED芯片识别中的研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 引言 | 第7-13页 |
| 1.1 研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 机器视觉研究现状 | 第8-9页 |
| 1.2.2 图像匹配研究现状 | 第9-10页 |
| 1.2.3 粒子群算法的应用现状 | 第10-11页 |
| 1.3 本文内容及框架 | 第11-13页 |
| 2 图像获取和预处理 | 第13-22页 |
| 2.1 图像获取 | 第13页 |
| 2.2 图像预处理 | 第13-18页 |
| 2.2.1 图像噪声 | 第13-15页 |
| 2.2.2 图像滤波 | 第15-18页 |
| 2.3 本文滤波结果分析 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 图像匹配的改进算法 | 第22-30页 |
| 3.1 图像匹配分类 | 第22页 |
| 3.2 匹配方法 | 第22-26页 |
| 3.2.1 灰度匹配方法 | 第23-25页 |
| 3.2.2 特征匹配方法 | 第25-26页 |
| 3.3 本文改进算法 | 第26-29页 |
| 3.3.1 优化相关系数 | 第26-27页 |
| 3.3.2 引入“sum-table” | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于改进粒子群的多目标识别算法研究 | 第30-49页 |
| 4.1 粒子群算法 | 第30-34页 |
| 4.2 改进粒子群算法 | 第34-38页 |
| 4.2.1 跟从粒子群算法提出 | 第34-36页 |
| 4.2.2 非线性变化的学习因子 | 第36-37页 |
| 4.2.3 粒子比例的影响 | 第37-38页 |
| 4.3 仿真分析 | 第38-41页 |
| 4.4 应用实验 | 第41-47页 |
| 4.5 本章小结 | 第47-49页 |
| 5 基于改进分水岭的多目标识别算法研究 | 第49-64页 |
| 5.1 分水岭算法 | 第49-50页 |
| 5.2 数学表达 | 第50-52页 |
| 5.3 本文改进分水岭算法 | 第52-60页 |
| 5.3.1 形态学梯度 | 第52-56页 |
| 5.3.2 形态学重构 | 第56-58页 |
| 5.3.3 标记提取 | 第58-60页 |
| 5.4 分割结果 | 第60-62页 |
| 5.5 多目标芯片识别算法对比 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-65页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 个人简介 | 第68-69页 |
| 导师简介 | 第69-70页 |
| 获得成果目录 | 第70-71页 |
| 致谢 | 第71页 |
