基于图像处理的试纸识别技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 选题的目的与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 试纸检测在实际中的应用 | 第11-13页 |
| 1.4 本文内容结构 | 第13-14页 |
| 第二章 图像处理中的相关技术 | 第14-31页 |
| 2.1 图像的缩放 | 第14-17页 |
| 2.2 图像的灰度化 | 第17-20页 |
| 2.2.1 常见的图像颜色空间 | 第17-19页 |
| 2.2.2 图像灰度化计算 | 第19-20页 |
| 2.3 图像二值化 | 第20-23页 |
| 2.3.1 图像二值化的原理 | 第20-21页 |
| 2.3.2 二值化的阈值确定方法 | 第21-23页 |
| 2.4 图像的降噪 | 第23-24页 |
| 2.5 图像数学形态学 | 第24-27页 |
| 2.6 图像边缘检测 | 第27-30页 |
| 2.6.1 边缘检测的原理 | 第27-28页 |
| 2.6.2 边缘算子的边缘检测方法 | 第28-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第三章 试纸图像的定位与分割 | 第31-42页 |
| 3.1 试纸图像的特点 | 第31-32页 |
| 3.2 试纸图像的校正 | 第32-33页 |
| 3.3 试纸图像的定位 | 第33-37页 |
| 3.3.1 边缘检测的定位方法 | 第34页 |
| 3.3.2 灰度图像的阈值定位方法 | 第34-36页 |
| 3.3.3 结合边缘检测的试纸边界定位算法 | 第36-37页 |
| 3.4 试纸图像显色区域的分割 | 第37-38页 |
| 3.4.1 像素点累加法 | 第37页 |
| 3.4.2 投影分割法 | 第37-38页 |
| 3.5 试纸图像的特征提取及主成分分析 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 试纸图像的识别与分类 | 第42-56页 |
| 4.1 基于SVM的试纸图像分类方法 | 第42-47页 |
| 4.1.1 统计学习理论 | 第42-44页 |
| 4.1.2 SVM的分类方法 | 第44-45页 |
| 4.1.3 特征空间与核函数 | 第45-47页 |
| 4.2 基于BP神经网络的分类方法 | 第47-54页 |
| 4.2.1 单个神经网络结构 | 第47-49页 |
| 4.2.2 BP神经网络模型 | 第49-50页 |
| 4.2.3 BP神经网络的传播算法 | 第50-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第五章 试纸图像的分类结果分析 | 第56-66页 |
| 5.1 实验环境 | 第56-57页 |
| 5.1.1 实验平台 | 第56页 |
| 5.1.2 实验工具箱的选择 | 第56-57页 |
| 5.2 实验的数据 | 第57-60页 |
| 5.2.1 试纸图像的获取 | 第57-58页 |
| 5.2.2 试纸图像特征数据的提取 | 第58-60页 |
| 5.3 识别分类结果 | 第60-65页 |
| 5.3.1 SVM分类器 | 第60-62页 |
| 5.3.2 BP神经网络分类器 | 第62-65页 |
| 5.4 两种方法结果对比 | 第65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 在学期间主要研究成果 | 第72页 |
