多方向多尺度与矩特征在人耳识别中的应用
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1 绪论 | 第10-20页 |
| ·研究背景 | 第10-15页 |
| ·人耳识别介绍 | 第10-11页 |
| ·人耳识别的关键技术 | 第11页 |
| ·人耳识别难点技术研究现状及方法综述 | 第11-15页 |
| ·多方向多尺度分析理论的发展背景 | 第15-17页 |
| ·图像的稀疏表示与非线性逼近 | 第15页 |
| ·图像的多方向多尺度几何分析 | 第15-17页 |
| ·小波矩不变量理论的发背景 | 第17-18页 |
| ·小波矩理论研究现状 | 第17-18页 |
| ·小波矩算法研究现状 | 第18页 |
| ·本论文研究的主要内容及结构安排 | 第18-20页 |
| ·研究内容 | 第18-19页 |
| ·结构安排 | 第19-20页 |
| 2 多方向多尺度分析 | 第20-33页 |
| ·Ridgelet 变换理论 | 第20-24页 |
| ·Ridgelet 变换 | 第20-22页 |
| ·数字Ridgelet 变换 | 第22-23页 |
| ·单尺度Ridgelet | 第23-24页 |
| ·Curvelet 变换理论 | 第24-25页 |
| ·Curvelet 变换 | 第24-25页 |
| ·曲波变换的实现过程 | 第25页 |
| ·Curvelet 变换在图像信号处理中的研究 | 第25-28页 |
| ·图像增强 | 第25-28页 |
| ·图像去噪 | 第28页 |
| ·实验结果及分析 | 第28-32页 |
| ·Curvelet 变换的增强实验与结果分析 | 第28-29页 |
| ·Curvelet 变换的去噪实验与结果分析 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 3 传统的小波矩不变量 | 第33-45页 |
| ·图像的几何矩 | 第33-38页 |
| ·矩的概念 | 第33页 |
| ·矩的物理意义 | 第33-36页 |
| ·矩的相关变换 | 第36-38页 |
| ·全局矩 | 第38-42页 |
| ·Hu 矩 | 第38-40页 |
| ·其它全局矩 | 第40-42页 |
| ·图像的小波矩不变量 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 4 小波矩不变量的改进算法 | 第45-51页 |
| ·传统图像小波矩的缺陷 | 第45页 |
| ·改进的小波矩不变量算法 | 第45-47页 |
| ·基于空间域归一化的小波矩不变量算法 | 第46页 |
| ·基于频率域归一化的小波矩不变量算法 | 第46-47页 |
| ·改进小波矩不变量对图像的表示与描述能力 | 第47-49页 |
| ·改进的小波矩不变量对图像的识别能力 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 人耳图像的识别研究及实验结果 | 第51-73页 |
| ·引言 | 第51页 |
| ·人耳图像数据库的采集与建立 | 第51-57页 |
| ·人耳图像的预处理 | 第57-61页 |
| ·人耳图像的增强与去噪 | 第57-59页 |
| ·基于小波模极大值的归一化处理 | 第59-61页 |
| ·改进小波矩不变量的特征提取 | 第61-62页 |
| ·特征的数据处理及BP 神经网络识别 | 第62-70页 |
| ·特征数据处理 | 第62-64页 |
| ·BP 神经网络识别 | 第64-70页 |
| ·仿真实验与结果分析 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 6 总结与展望 | 第73-75页 |
| ·总结 | 第73页 |
| ·展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 附录 | 第80页 |
| A. 攻读硕士期间发表的论文目录 | 第80页 |
| B. 攻读硕士期间取得的科研成果目录 | 第80页 |
