| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 图像识别的国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 第2章 图像识别技术基础 | 第16-24页 |
| 2.1 图像预处理技术概述 | 第16-18页 |
| 2.1.1 图像增强 | 第16-18页 |
| 2.1.2 图像分割算法 | 第18页 |
| 2.2 图像的特征提取 | 第18-19页 |
| 2.3 图像的分类识别算法 | 第19-21页 |
| 2.3.1 基于模板匹配的分类法 | 第19-20页 |
| 2.3.2 基于人工神经网络的分类法 | 第20页 |
| 2.3.3 支持向量机(SVM)法 | 第20-21页 |
| 2.4 电网图资智能识别的总体方案 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 电网图资图像预处理 | 第24-46页 |
| 3.1 电网图资图像的灰度增强 | 第24-27页 |
| 3.2 电网图资图像的滤波增强 | 第27-36页 |
| 3.2.1 均值滤波法 | 第28-32页 |
| 3.2.2 中值滤波法 | 第32-35页 |
| 3.2.3 基于均值滤波与中值滤波结合算法的电网图资图像滤波 | 第35-36页 |
| 3.3 电网图资图像的锐化增强 | 第36-41页 |
| 3.3.1 梯度算子法 | 第36-38页 |
| 3.3.2 拉普拉斯算子法 | 第38-41页 |
| 3.4 基于数学形态学的电网图资图像电气设备符号的分割 | 第41-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于不变矩的电网图资图像的特征提取 | 第46-58页 |
| 4.1 电网图资图像特征提取的概述 | 第46-47页 |
| 4.2 基于不变矩的特征提取 | 第47-54页 |
| 4.2.1 基于Hu不变矩的特征提取 | 第47-49页 |
| 4.2.2 基于Zernike矩的特征提取 | 第49-51页 |
| 4.2.3 不变矩的性质 | 第51-54页 |
| 4.3 基于改进Zernike矩的特征提取 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 电网图资智能识别技术的实现 | 第58-68页 |
| 5.1 支持向量机的基本原理 | 第58-61页 |
| 5.2 支持向量机的多分类设计 | 第61-63页 |
| 5.3 基于支持向量机的电气设备图像识别 | 第63-64页 |
| 5.3.1 样本训练模型库的建立 | 第63页 |
| 5.3.2 电气设备符号图像的识别 | 第63-64页 |
| 5.4 电网图资智能识别技术的实现 | 第64-66页 |
| 5.5 基于不同特征提取算法的识别率 | 第66-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 攻读学位期间发表的学术论文和参加科研情况 | 第78-79页 |
| 学位论文评阅及答辩情况表 | 第79页 |