基于PCA+SVM纸币红外特征鉴伪算法研究
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-13页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 纸币清分机的概述 | 第10-11页 |
| 1.3 纸币识别技术概要 | 第11-12页 |
| 1.4 论文研究的内容和章节安排 | 第12-13页 |
| 2.图像预处理 | 第13-20页 |
| 2.1 纸币图像去噪 | 第13-15页 |
| 2.1.1 均值滤波 | 第13-14页 |
| 2.1.2 自适应滤波 | 第14页 |
| 2.1.3 中值滤波 | 第14-15页 |
| 2.2 图像分割 | 第15-20页 |
| 2.2.1 图像的边缘分割技术 | 第15-17页 |
| 2.2.2 图像阈值分割 | 第17-19页 |
| 2.2.3 图像的归一化 | 第19-20页 |
| 3.纸币Gabor滤波处理 | 第20-28页 |
| 3.1 纹理的描述 | 第20-22页 |
| 3.1.1 自相关函数 | 第20-21页 |
| 3.1.2 等灰度游程长度 | 第21-22页 |
| 3.2 纸币Gabor滤波处理 | 第22-26页 |
| 3.2.1 Gabor滤波器 | 第23-24页 |
| 3.2.2 纸币图像Gabor增强 | 第24-26页 |
| 3.3 纸币Gabor处理 | 第26-28页 |
| 4.基于PCA纸币红外光鉴伪 | 第28-41页 |
| 4.1 PCA特征提取 | 第28-32页 |
| 4.1.1 PCA无监督学习 | 第28-29页 |
| 4.1.2 PCA算法基本原理 | 第29-32页 |
| 4.2 特征向量的处理和投影 | 第32-34页 |
| 4.2.1 奇异性分解 | 第32页 |
| 4.2.2 特征值的提取方法 | 第32-33页 |
| 4.2.3 图像特征的表征 | 第33-34页 |
| 4.3 纸币鉴伪和分类 | 第34-41页 |
| 4.3.1 纸币判别距离的方法 | 第35-36页 |
| 4.3.2 纸币的阈值判定 | 第36-37页 |
| 4.3.3 实验结果分析 | 第37-41页 |
| 5.基于PCA和SVM纸币红外鉴伪 | 第41-57页 |
| 5.1 支持向量机 | 第41-47页 |
| 5.1.1 线性可分的类算法 | 第41-44页 |
| 5.1.2 线性不可分的分类算法 | 第44-46页 |
| 5.1.3 核函数的分类算法 | 第46-47页 |
| 5.2 支持向量机分类策略 | 第47-50页 |
| 5.2.1 一对一投票策略 | 第48页 |
| 5.2.2 一对多策略 | 第48-49页 |
| 5.2.3 二叉树分类策略 | 第49-50页 |
| 5.3 PCA+SVM系统实现 | 第50-54页 |
| 5.3.1 SVM分类器的构造 | 第50-51页 |
| 5.3.2 纸币MATLAB实验设计与实现 | 第51-54页 |
| 5.4 实验结果分析 | 第54-57页 |
| 5.4.1 PCA+SVM结果分析 | 第54-55页 |
| 5.4.2 两种算法的比较 | 第55-57页 |
| 6.总结和展望 | 第57-59页 |
| 6.1 论文总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64-65页 |
