| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-15页 |
| ·课题研究背景和现实意义 | 第7-8页 |
| ·国内外研究现状和发展前景 | 第8-10页 |
| ·全自动验布机系统 | 第10-13页 |
| ·世界纺织业四大自动验布系统 | 第10-11页 |
| ·全自动验布机系统的结构功能与工作原理 | 第11-13页 |
| ·论文主要工作安排 | 第13-15页 |
| 2 模式识别与分类的基本原理与应用 | 第15-23页 |
| ·图像识别技术 | 第15-16页 |
| ·疵点来源及类型划分 | 第16-18页 |
| ·主成分分析技术 | 第18-19页 |
| ·人工神经网络 | 第19-21页 |
| ·本章小结 | 第21-23页 |
| 3 织物图像特征提取方法分析与实验结果 | 第23-41页 |
| ·纹理特征提取方法的发展历程 | 第23-24页 |
| ·基于 GLCM 的特征提取方法综述 | 第24-28页 |
| ·传统灰度共生矩阵 | 第24-26页 |
| ·广义灰度共生矩阵 | 第26-27页 |
| ·改进的广义灰度共生矩阵 | 第27页 |
| ·改进的方法—综合灰度共生矩阵法 | 第27-28页 |
| ·基于像素的特征提取算法 | 第28-29页 |
| ·采用基于像素、GLCM 和 CGLCM 三种方法的分类效果比较 | 第29-36页 |
| ·快速主成分分析方法对分类效果的影响 | 第36-38页 |
| ·本章小结 | 第38-41页 |
| 4 织物疵点分类算法分析与实验结果 | 第41-57页 |
| ·MATLAB 简介 | 第41-42页 |
| ·人工神经网络简介 | 第42页 |
| ·RBF 神经网络 | 第42-44页 |
| ·RBF 网络结构 | 第42-44页 |
| ·RBF 网络创建与训练 | 第44页 |
| ·LVQ 神经网络 | 第44-46页 |
| ·LVQ 网络结构 | 第44-45页 |
| ·LVQ 网络的学习算法 | 第45-46页 |
| ·LVQ 网络的模式识别 | 第46页 |
| ·分别采用 RBF 和 LVQ 神经网络的分类效果比较 | 第46-49页 |
| ·采用 CGLCM+RBF 的方法对织物疵点进行识别分类 | 第49-55页 |
| ·本章小结 | 第55-57页 |
| 5 总结与展望 | 第57-59页 |
| ·本文的主要内容 | 第57-58页 |
| ·本文存在的问题和不足 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读学位期间发表的论文 | 第64-67页 |
| 致谢 | 第67页 |
