| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外现状 | 第11-13页 |
| ·本论文的主要工作及内容安排 | 第13-16页 |
| ·本论文的主要工作 | 第13-14页 |
| ·本论文内容安排 | 第14-16页 |
| 2 数字图像处理常用增强方法 | 第16-29页 |
| ·图像增强的一些概念 | 第16-17页 |
| ·常用的图像增强方法 | 第17-26页 |
| ·空域直方图均衡 | 第17-18页 |
| ·图像平滑处理—平滑滤波 | 第18-20页 |
| ·图像平滑处理—中值滤波 | 第20-21页 |
| ·图像锐化处理 | 第21-22页 |
| ·图像边缘细节增强 | 第22-26页 |
| ·图像质量评价与度量 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 3 基于自适应的遗传算法优化支持向量机图像识别方法 | 第29-56页 |
| ·图像直方图概述 | 第30-33页 |
| ·图像直方图定义 | 第30页 |
| ·图像直方图特性 | 第30-33页 |
| ·人工神经网络简介 | 第33-34页 |
| ·人工神经网络的优点 | 第33-34页 |
| ·支持向量机 | 第34-37页 |
| ·泛化能力 | 第35页 |
| ·VC 维 | 第35-36页 |
| ·结构风险最小（SRM） | 第36-37页 |
| ·SVM 的理论基础 | 第37-42页 |
| ·非线性情况 | 第38-41页 |
| ·核函数 | 第41-42页 |
| ·核函数参数的选择 | 第42页 |
| ·遗传算法 | 第42-46页 |
| ·遗传算法的构成要素 | 第43-46页 |
| ·基于自适应的 X 射线图像 GM-SVM 模型的识别问题 | 第46-49页 |
| ·本实验算法流程 | 第46-47页 |
| ·本实验基于遗传算法的优化模型 | 第47页 |
| ·图像预处理 | 第47-48页 |
| ·数据的来源 | 第48-49页 |
| ·开发平台及工具 | 第49页 |
| ·比较试验结果 | 第49-55页 |
| ·采用不同的参数选择方法 | 第49-52页 |
| ·是否采用归一化方式对比 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 4 基于模糊最大熵图像边缘增强处理 | 第56-76页 |
| ·模糊集理论基础 | 第56-57页 |
| ·模糊集合的定义 | 第56-57页 |
| ·模糊集合的表示方法 | 第57页 |
| ·模糊集隶属度函数 | 第57-62页 |
| ·确定模糊集隶属度函数的方法 | 第58-59页 |
| ·常用模糊集隶属度函数 | 第59-62页 |
| ·模糊处理流程 | 第62页 |
| ·经典模糊增强算 | 第62-67页 |
| ·Pal 和 King 算法 | 第62-64页 |
| ·单阈值的模糊增强方法 | 第64-65页 |
| ·多阈值的模糊增强方法 | 第65-67页 |
| ·模糊熵原理 | 第67-69页 |
| ·模糊熵的定义 | 第67-68页 |
| ·模糊熵算法的基本思想 | 第68-69页 |
| ·基于模糊最大熵的图像边缘增强算法 | 第69-71页 |
| ·实验结果及分析 | 第71-74页 |
| ·基于模糊最大熵的图像边缘增强结果与分析 | 第71-73页 |
| ·加入混合型噪声的实验结果与分析 | 第73-74页 |
| ·本章小结 | 第74-76页 |
| 5 总结与展望 | 第76-78页 |
| ·总结 | 第76页 |
| ·展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间发表论文 | 第84-85页 |
| 致谢 | 第85-86页 |