| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 论文的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像处理的研究现状 | 第11-13页 |
| 1.2.2 色度检测技术的研究现状 | 第13-14页 |
| 1.2.3 卷积神经网络的研究现状 | 第14-15页 |
| 1.3 本文各章节安排 | 第15-16页 |
| 2 水质色度检测的概述 | 第16-22页 |
| 2.1 水质色度的概述及标准 | 第16-18页 |
| 2.1.1 水质色度的概述 | 第16页 |
| 2.1.2 水质色度的相关标准 | 第16-18页 |
| 2.2 水质色度的测量方法 | 第18页 |
| 2.2.1 目视法 | 第18页 |
| 2.2.2 分光光度法 | 第18页 |
| 2.3 CIE标准色度模型及HSV颜色模型 | 第18-21页 |
| 2.3.1 CIE标准色度模型 | 第18-20页 |
| 2.3.2 HSV颜色模型 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 水质色度相关图像信息提取算法的研究与验证 | 第22-40页 |
| 3.1 基于最大类间方差法的水质色度图像信息提取算法 | 第22-27页 |
| 3.1.1 最大类间方差法的相关定义 | 第22页 |
| 3.1.2 最大类间方差法的水质色度图像处理与分析 | 第22-26页 |
| 3.1.3 最大类间方差法的水质色度图像信息提取结果分析 | 第26-27页 |
| 3.2 基于颜色矩的水质色度图像信息提取算法 | 第27-39页 |
| 3.2.1 常用的特征提取方法 | 第27-30页 |
| 3.2.2 图像预处理 | 第30-31页 |
| 3.2.3 基于颜色矩的图像特征提取 | 第31-34页 |
| 3.2.4 水质色度识别模型数据分析与优化算法 | 第34-36页 |
| 3.2.5 水质色度识别的训练与验证过程 | 第36-38页 |
| 3.2.6 水质色度识别的测试结果分析 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 基于卷积神经网络的水质色度识别 | 第40-51页 |
| 4.1 卷积神经网络的图像识别 | 第40-45页 |
| 4.1.1 卷积神经网络的反向传播算法 | 第40-43页 |
| 4.1.2 激活函数 | 第43-44页 |
| 4.1.3 分类器 | 第44-45页 |
| 4.2 基于卷积神经网络的水质色度识别模型的建立 | 第45-47页 |
| 4.2.1 水质色度识别模型的基本结构 | 第45页 |
| 4.2.2 水质色度识别模型 | 第45-47页 |
| 4.3 基于卷积神经网络的水质色度识别模型的训练与优化 | 第47-48页 |
| 4.3.1 水质色度识别模型的训练 | 第47-48页 |
| 4.3.2 水质色度识别模型的优化 | 第48页 |
| 4.4 水质色度识别检测的测试结果分析 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 总结和展望 | 第51-53页 |
| 5.1 本文总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间所取得的研究成果 | 第59-60页 |
| 学位论文数据集表 | 第60-61页 |
