| 摘要 | 第1-9页 |
| ABSTRACT | 第9-12页 |
| 第一章 绪论 | 第12-22页 |
| ·研究背景 | 第12页 |
| ·纸病 | 第12-14页 |
| ·纸病的定义 | 第12-13页 |
| ·纸病的类型 | 第13页 |
| ·纸病的模型 | 第13-14页 |
| ·纸病检测系统概述 | 第14-15页 |
| ·实现原理 | 第14页 |
| ·系统结构 | 第14-15页 |
| ·相关研究工作 | 第15-16页 |
| ·国内外研究水平 | 第16页 |
| ·本论文的主要研究思路和内容 | 第16-20页 |
| ·现有商用纸病检测系统的缺点 | 第16-17页 |
| ·本文的解决思路 | 第17-20页 |
| 参考文献 | 第20-22页 |
| 第二章 基于SOM 的纸病检测 | 第22-52页 |
| ·自组织映射神经网络(SOM) | 第22-27页 |
| ·SOM 算法 | 第22-24页 |
| ·邻域函数 | 第24-26页 |
| ·学习率 | 第26-27页 |
| ·统计SOM 算法 | 第27-28页 |
| ·纹理的描述 | 第28-29页 |
| ·检测算法研究 | 第29-40页 |
| ·扫描窗口尺寸的选择 | 第30-34页 |
| ·置换向量的选择 | 第34-36页 |
| ·映射单元的选择 | 第36-40页 |
| ·共生矩阵特征值的快速计算 | 第40-44页 |
| ·水平窗口的快速计算 | 第40-42页 |
| ·垂直窗口的快速计算 | 第42-44页 |
| ·SOM 算法的适用性和优越性 | 第44-50页 |
| ·SOM 算法下不同纸病的处理结果 | 第44-47页 |
| ·SOM 算法与阈值算法的结果比较 | 第47-50页 |
| ·仿真结果与结论 | 第50-51页 |
| 参考文献 | 第51-52页 |
| 第三章 图形加速的纸病检测 | 第52-69页 |
| ·图形加速卡的发展 | 第52-53页 |
| ·GPU 的特点 | 第53-54页 |
| 1 强有力的并行流处理器 | 第53-54页 |
| 2 32 位的浮点运算能力 | 第54页 |
| 3 灵活的编程能力 | 第54页 |
| 4 巨大的内存带宽 | 第54页 |
| ·相关工作 | 第54-55页 |
| ·基于OPENGL 的运算环境 | 第55页 |
| ·基于GPU 的SOM 检测算法 | 第55-62页 |
| ·图像的准备 | 第56页 |
| ·计算特征向量的增量 | 第56-58页 |
| ·改进的增量算法 | 第58-60页 |
| ·特征向量的迭代计算 | 第60-61页 |
| ·置信区间的判断 | 第61-62页 |
| ·仿真结果与讨论 | 第62-64页 |
| 参考文献 | 第64-65页 |
| 附录1 OPENGL 运算环境简介 | 第65-69页 |
| 附录1.1 NV_fragment_program | 第65-67页 |
| 附录1.2 浮点缓冲区NV_float_buffer | 第67-68页 |
| 附录1.3 矩形纹理NV_texture_rectangle | 第68页 |
| 附录1.4 多纹理ARB_multitexture | 第68-69页 |
| 第四章 基于GPU 的SOM 学习算法 | 第69-79页 |
| ·自组织映射 | 第69-71页 |
| ·增量式学习算法 | 第69-70页 |
| ·批量式学习算法 | 第70-71页 |
| ·相关工作 | 第71-72页 |
| ·基于图形卡的增量式SOM 算法 | 第72-73页 |
| ·简单的算术运算 | 第72页 |
| ·BMU 的计算 | 第72-73页 |
| ·邻域函数 | 第73页 |
| ·基于GPU 的批量式SOM 算法 | 第73-76页 |
| ·BMU 的计算 | 第73-75页 |
| ·纹理的转换 | 第75页 |
| ·计算m i* | 第75-76页 |
| ·应用实例及仿真结果 | 第76-77页 |
| ·结论 | 第77-78页 |
| 参考文献 | 第78-79页 |
| 第五章 基于奇异性特征的纸病检测 | 第79-103页 |
| ·相关工作 | 第80页 |
| ·奇异性检测的理论基础 | 第80-84页 |
| ·小波变换 | 第80-81页 |
| ·基于小波的局部奇异性的表达 | 第81-84页 |
| ·小波的选取 | 第84-86页 |
| ·一种新算法 | 第86-90页 |
| ·原始瑕疵信号的小波变换 | 第86-88页 |
| ·光滑函数的引入 | 第88页 |
| ·引入光滑函数后瑕疵信号的李氏指数 | 第88-89页 |
| ·利用截距判断瑕疵 | 第89-90页 |
| ·新算法的特性 | 第90-91页 |
| ·正常纹理起伏的数据行 | 第90页 |
| ·图像灰度变化的不敏感性 | 第90-91页 |
| ·实现本文算法所需的硬件条件 | 第91页 |
| ·结论 | 第91-92页 |
| 参考文献 | 第92-103页 |
| 结论 | 第103-104页 |
| 主要创新点 | 第104-105页 |
| 存在的问题及前景展望 | 第105-106页 |
| 致谢 | 第106-107页 |
| 攻读博士学位期间撰写的与本课题相关的论文 | 第107页 |
