| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·论文研究的意义 | 第9页 |
| ·图像识别及其相关技术的研究现状 | 第9-10页 |
| ·特征提取的研究现状 | 第9-10页 |
| ·分类器的研究现状 | 第10页 |
| ·图像识别系统的原理 | 第10-13页 |
| ·图像采集 | 第11页 |
| ·图像的预处理 | 第11页 |
| ·特征提取 | 第11-12页 |
| ·特征选择 | 第12页 |
| ·分类识别 | 第12-13页 |
| ·本文研究内容 | 第13-14页 |
| 第2章 图像的预处理与特征提取 | 第14-29页 |
| ·图像预处理 | 第14-17页 |
| ·图像灰度化及二值化处理 | 第14-15页 |
| ·滤波去噪 | 第15-17页 |
| ·特征提取 | 第17-28页 |
| ·矩不变量的概述 | 第17-18页 |
| ·矩的相关概念 | 第18-21页 |
| ·小波变换的相关概念 | 第21-24页 |
| ·小波不变矩的构造 | 第24-26页 |
| ·小波不变性实验分析 | 第26-28页 |
| ·总结 | 第28-29页 |
| 第3章 基于入侵性杂草优化算法的特征选择 | 第29-41页 |
| ·类别可分离性判据 | 第29-32页 |
| ·基于距离的可分离性判据 | 第29-30页 |
| ·基于条件概率的可分性判据 | 第30-32页 |
| ·入侵性杂草优化算法 | 第32-34页 |
| ·杂草生态学简述 | 第32页 |
| ·入侵杂草优化算法的基本原理及特点 | 第32-34页 |
| ·基于改进的入侵性杂草优化算法的特征值选择搜索方法 | 第34-38页 |
| ·编码 | 第34-35页 |
| ·基于随机位变异的空间扩散方式 | 第35页 |
| ·基于 DIWO 算法的特征向量选择实现步骤 | 第35-38页 |
| ·实验结果与分析 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 图像识别分类算法研究 | 第41-56页 |
| ·神经网络的概述 | 第41-42页 |
| ·BP 神经网络 | 第42-48页 |
| ·BP 网络模型 | 第42-43页 |
| ·BP 网络的学习算法 | 第43-46页 |
| ·BP 算法存在的局限性以及改进方法 | 第46-48页 |
| ·BP 神经网络的构造和训练 | 第48-53页 |
| ·神经网络的构造 | 第48-51页 |
| ·输入数据的预处理 | 第51-53页 |
| ·该识别系统在人脸识别中的应用及实验仿真 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |