| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 论文的研究背景及选题意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 图像分类系统概述 | 第9-10页 |
| 1.2.2 图像处理的发展及研究现状 | 第10-11页 |
| 1.2.3 模式识别的发展及研究现状 | 第11-12页 |
| 1.2.4 研究涉及的关键技术和难点 | 第12页 |
| 1.3 本论文的主要工作 | 第12-14页 |
| 第2章 复杂工业场景内液位系统图像预处理 | 第14-32页 |
| 2.1 图像采集 | 第14页 |
| 2.2 图像灰度化处理 | 第14-18页 |
| 2.2.1 常用图像类型 | 第14-15页 |
| 2.2.2 图像类型的相互转化 | 第15-18页 |
| 2.3 图像的滤波降噪 | 第18-31页 |
| 2.3.1 常用滤波算法简介 | 第19-21页 |
| 2.3.2 中值滤波的几种改进算法 | 第21-24页 |
| 2.3.3 基于滤波窗口改进的多级加权平均中值滤波算法 | 第24-27页 |
| 2.3.4 实验结果对比 | 第27-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 复杂工业场景内液位系统图像目标分割 | 第32-56页 |
| 3.1 基于边缘的图像分割 | 第32-35页 |
| 3.2 基于阈值的图像分割 | 第35-37页 |
| 3.3 基于区域的图像分割 | 第37-39页 |
| 3.4 融合直方图的 K 均值聚类分割改进方法 | 第39-55页 |
| 3.4.1 灰度直方图主要峰值的提取 | 第40-44页 |
| 3.4.2 基于直方图峰值的 K 均值聚类 | 第44-49页 |
| 3.4.3 基于数学形态学操作的边缘优化 | 第49-54页 |
| 3.4.4 实验结果对比 | 第54-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第4章 复杂工业场景内液位系统图像特征提取 | 第56-72页 |
| 4.1 形状特征特征提取 | 第56-59页 |
| 4.1.1 常用的形状特征表达 | 第56-57页 |
| 4.1.2 复杂工业场景液位系统图像的形状特征提取 | 第57-59页 |
| 4.2 颜色特征特征提取 | 第59-62页 |
| 4.2.1 颜色空间及转化 | 第59-61页 |
| 4.2.2 颜色特征向量提取 | 第61-62页 |
| 4.3 纹理特征特征提取 | 第62-64页 |
| 4.5 综合特征特征提取 | 第64-70页 |
| 4.6 本章小结 | 第70-72页 |
| 第5章 复杂工业场景内液位系统图像分类 | 第72-84页 |
| 5.1 典型图像分类器简介 | 第72-79页 |
| 5.1.1 朴素贝叶斯分类器 | 第72-75页 |
| 5.1.2 BP 神经网络分类器 | 第75-79页 |
| 5.2 复杂工业场景内液位系统图像分类器 | 第79-80页 |
| 5.3 图像分类的实验结果与分析 | 第80-82页 |
| 5.4 本章小结 | 第82-84页 |
| 结论 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 攻读硕士学位期间所发表的论文 | 第92-94页 |
| 致谢 | 第94页 |