复杂纹理背景的织物疵点检测与定位研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 绪论 | 第8-17页 |
| ·国内外研究现状 | 第8-11页 |
| ·瑕疵点检测方法 | 第11-12页 |
| ·课题研究意义 | 第12-13页 |
| ·本课题采用的方法 | 第13-15页 |
| ·论文的研究内容及安排 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 小波包框架分解 | 第17-28页 |
| ·小波分析 | 第17-20页 |
| ·连续小波变换 | 第17-19页 |
| ·离散小波变换 | 第19页 |
| ·小波分解原理 | 第19-20页 |
| ·小波包分析 | 第20-22页 |
| ·小波包分解的原理 | 第20-21页 |
| ·小波包变换 | 第21-22页 |
| ·小波包框架 | 第22-23页 |
| ·小波基的选择 | 第23-25页 |
| ·实例仿真与结果分析 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 3 建立高斯混合模型 | 第28-39页 |
| ·单高斯模型 | 第28-29页 |
| ·高斯混合模型 | 第29-35页 |
| ·单一高斯密度函数的参数估测法 | 第30-31页 |
| ·高斯混合密度函数的参数估测法 | 第31-34页 |
| ·利用k-means 方法计算群聚中心点 | 第34-35页 |
| ·对实验数据进行高斯混合模型建模 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 4 利用贝叶斯分类器进行瑕疵检测与定位 | 第39-51页 |
| ·贝叶斯分类器 | 第39页 |
| ·贝叶斯决策 | 第39-42页 |
| ·基于最小错误率的贝叶斯决策 | 第40-41页 |
| ·基于最小风险的贝叶斯决策 | 第41-42页 |
| ·贝叶斯学习的过程 | 第42-43页 |
| ·贝叶斯网络 | 第43-44页 |
| ·典型的贝叶斯分类器 | 第44-48页 |
| ·朴素贝叶斯分类器 | 第45页 |
| ·树扩张朴素贝叶斯分类器 | 第45-46页 |
| ·BAN 分类器 | 第46-47页 |
| ·贝叶斯多网分类器 | 第47页 |
| ·通用贝叶斯网分类器 | 第47-48页 |
| ·利用贝叶斯分类器进行瑕疵检测与定位 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| ·全文总结 | 第51-52页 |
| ·工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录 | 第57页 |
