| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-17页 |
| ·课题意义 | 第7页 |
| ·国内外研究现状及系统组成 | 第7-9页 |
| ·国内外研究现状 | 第7-8页 |
| ·系统组成 | 第8-9页 |
| ·常用瑕疵检测算法介绍 | 第9-12页 |
| ·常用的瑕疵分类算法介绍 | 第12-13页 |
| ·本文工作背景与内容 | 第13-15页 |
| ·章节安排 | 第15-17页 |
| 第二章 采用奇异值分解理论的瑕疵检测与分类算法 | 第17-33页 |
| ·引言 | 第17页 |
| ·采用奇异值分解理论的瑕疵检测 | 第17-22页 |
| ·奇异值分解理论回顾 | 第18-19页 |
| ·瑕疵检测算法描述 | 第19-22页 |
| ·基于奇异值特征的瑕疵分类 | 第22-26页 |
| ·特征提取 | 第23-25页 |
| ·BP 神经网络分类器 | 第25-26页 |
| ·实验结果与分析 | 第26-32页 |
| ·实验测试数据库及评价指标 | 第26页 |
| ·瑕疵检测结果 | 第26-28页 |
| ·瑕疵分类结果 | 第28-30页 |
| ·结果分析与对比 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 采用 Gabor 小波网络和支持向量机的瑕疵检测与分类算法 | 第33-51页 |
| ·引言 | 第33页 |
| ·采用 Gabor 小波网络的瑕疵检测算法 | 第33-39页 |
| ·Gabor 小波网络理论 | 第33-35页 |
| ·Levenberg–Marquardt 算法介绍与 GWN 的训练 | 第35-37页 |
| ·瑕疵检测算法描述 | 第37-39页 |
| ·采用支持向量机的瑕疵分类 | 第39-45页 |
| ·特征提取 | 第40-43页 |
| ·支持向量机分类器 | 第43-45页 |
| ·实验结果与分析 | 第45-49页 |
| ·瑕疵检测 | 第45-48页 |
| ·瑕疵分类 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第四章 基于平稳小波变换和非下采样方向滤波器组的瑕疵检测算法 | 第51-63页 |
| ·引言 | 第51页 |
| ·平稳小波变换和非下采样方向滤波器组 | 第51-56页 |
| ·平稳小波变换 | 第52-53页 |
| ·Contourlet 变换 | 第53-54页 |
| ·非下采样 Contourlet 变换 | 第54-55页 |
| ·基于 SWT 和 NSDFB 的图像分解 | 第55-56页 |
| ·基于 SWT 和 NSDFB 的瑕疵检测算法描述 | 第56-59页 |
| ·最优子带选取 | 第56-58页 |
| ·特征提取和瑕疵建模 | 第58-59页 |
| ·瑕疵检测算法步骤 | 第59页 |
| ·实验结果与分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 作者在读期间的研究成果 | 第73-74页 |
