| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 引言 | 第9-10页 |
| 1.2 研究边缘检测的理论背景和研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 主要研究内容及论文组织结构 | 第12-15页 |
| 第二章 边缘检测的经典算子 | 第15-27页 |
| 2.1 图像边缘的定义 | 第15页 |
| 2.2 传统经典算子 | 第15-24页 |
| 2.2.1 Sobel算子 | 第16-17页 |
| 2.2.2 Roberts边缘检测算子 | 第17-18页 |
| 2.2.3 Prewitt算子 | 第18页 |
| 2.2.4 Laplace算子 | 第18-19页 |
| 2.2.5 Canny算子 | 第19-22页 |
| 2.2.6 Kirsch算子 | 第22-23页 |
| 2.2.7 LOG算子 | 第23-24页 |
| 2.3 仿真实验及结果分析 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 多方向Sobel算子和灰色关联度相结合的边缘检测算法 | 第27-41页 |
| 3.1 图像的预处理 | 第27页 |
| 3.2 灰色关联分析概述 | 第27-28页 |
| 3.3 灰色关联度 | 第28-32页 |
| 3.3.1 灰关联因子空间 | 第28-30页 |
| 3.3.2 灰色关联度基本理论 | 第30-31页 |
| 3.3.3 灰色关联度的计算 | 第31-32页 |
| 3.4 基于灰色关联度的图像边缘检测 | 第32-33页 |
| 3.5 绝对关联度 | 第33-34页 |
| 3.6 多方向Sobel算子和绝对关联度相结合的边缘检测算法 | 第34-38页 |
| 3.6.1 十六方向Sobel算子模板 | 第34-35页 |
| 3.6.2 改进的多方向Sobel和绝对关联度结合的图像边缘检测算法 | 第35-38页 |
| 3.7 仿真实验及其结果对比 | 第38-40页 |
| 3.8 本章小结 | 第40-41页 |
| 第四章 灰色关联理论与MLP神经网络相结合的图像边缘检测 | 第41-55页 |
| 4.1 研究背景 | 第41-42页 |
| 4.1.1 人工神经网络简介 | 第41页 |
| 4.1.2 人工神经元模型 | 第41-42页 |
| 4.2 多层感知器 | 第42-47页 |
| 4.2.1 MLP神经网络的拓扑结构 | 第43页 |
| 4.2.2 BP算法的基本思想 | 第43页 |
| 4.2.3 MLP神经网络训练过程 | 第43-47页 |
| 4.3 灰色关联和MLP神经网络结合的图像边缘检测算法 | 第47-51页 |
| 4.3.1 输入层的确定 | 第47页 |
| 4.3.2 MLP神经网络隐含层和输出层节点的确认 | 第47-48页 |
| 4.3.3 MLP神经网络训练集的选择 | 第48-49页 |
| 4.3.4 MLP神经网络的参数选择 | 第49-51页 |
| 4.4 实验与仿真 | 第51-53页 |
| 4.5 本章小结 | 第53-55页 |
| 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间取得的主要成果 | 第61-63页 |
| 致谢 | 第63-64页 |
