| 第1章 绪论 | 第1-18页 |
| ·课题背景及研究目的 | 第9-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·本文研究内容和结构 | 第15-18页 |
| ·本文研究内容 | 第15-16页 |
| ·本文内容安排 | 第16-18页 |
| 第2章 基于DSP的图像处理系统研究 | 第18-27页 |
| ·引言 | 第18-19页 |
| ·DSP处理器的结构和特点 | 第19-21页 |
| ·基于TI TMS3206711的图像处理系统的工作指标 | 第21-22页 |
| ·TMS3206711 DSP芯片 | 第21页 |
| ·本课题研究的系统的工作指标 | 第21-22页 |
| ·基于TMS320C6711的图像处理系统的硬件结构和工作原理 | 第22-24页 |
| ·系统的硬件结构 | 第22-23页 |
| ·图像处理系统工作原理 | 第23-24页 |
| ·DSP集成开发环境和软件开发流程 | 第24-26页 |
| ·集成开发环境CCS | 第24-25页 |
| ·DSP软件编程步骤 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 自动检测中的图像处理算法研究 | 第27-61页 |
| ·引言 | 第27页 |
| ·病害的类型 | 第27-29页 |
| ·图像平滑 | 第29-32页 |
| ·均值滤波 | 第29页 |
| ·SUSAN滤波 | 第29-30页 |
| ·中值滤波 | 第30-31页 |
| ·高斯滤波 | 第31-32页 |
| ·图像的增强 | 第32-34页 |
| ·灰度变化法 | 第33页 |
| ·直方图均衡 | 第33-34页 |
| ·图像的边缘检测 | 第34-46页 |
| ·常见的边缘检测方法 | 第36-40页 |
| ·两种改进的边缘检测算子 | 第40-46页 |
| ·图像的分割 | 第46-59页 |
| ·最大类间方差分割 | 第48-49页 |
| ·过渡区 | 第49-53页 |
| ·基于信息熵的分割 | 第53-59页 |
| ·分割后处理 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第4章 识别方法的研究 | 第61-86页 |
| ·图像识别和分类技术概述 | 第61-63页 |
| ·特征提取 | 第63-70页 |
| ·特征提取概述 | 第63-64页 |
| ·特征提取 | 第64-68页 |
| ·不变矩提取 | 第68-70页 |
| ·人工神经网络识别 | 第70-81页 |
| ·人工神经网络概述 | 第70-71页 |
| ·神经网络的特点 | 第71页 |
| ·神经网络结构 | 第71-72页 |
| ·神经网络学习规则 | 第72-74页 |
| ·BP神经网络算法描述 | 第74-76页 |
| ·BP算法的数学表达 | 第76-79页 |
| ·BP算法的执行步骤 | 第79-81页 |
| ·BP神经网络的设计与分类试验 | 第81-85页 |
| ·参数的归一化 | 第81-82页 |
| ·网络的设计与实验 | 第82-85页 |
| ·本章小结 | 第85-86页 |
| 第5章 总结与展望 | 第86-88页 |
| ·本文所作的主要工作 | 第86-87页 |
| ·后续的研究和建议 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-93页 |
| 攻读硕士学位期间发表的论文 | 第93页 |