基于神经网络算法的商场道路划分研究
中文摘要 | 第3-4页 |
Abstract | 第4-5页 |
第一章 引言 | 第8-13页 |
1.1 课题背景及意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-10页 |
1.3 课题来源 | 第10-11页 |
1.4 论文的主要框架结构 | 第11-13页 |
第二章 商场道路图像的预处理 | 第13-24页 |
2.1 商场道路环境的特殊性 | 第13-17页 |
2.2 图像的去除噪声处理 | 第17-22页 |
2.2.1 中值滤波算法 | 第17-19页 |
2.2.2 均值滤波算法 | 第19页 |
2.2.3 维纳滤波算法 | 第19-21页 |
2.2.4 三种不同滤波算法实验结果比较 | 第21-22页 |
2.3 小结 | 第22-24页 |
第三章 商场道路图像增强算法 | 第24-32页 |
3.1 直方图均衡化算法 | 第25-27页 |
3.1.1 直方图 | 第25-26页 |
3.1.2 直方图均衡化处理 | 第26-27页 |
3.2 数学形态学增强法和顶帽变换 | 第27-30页 |
3.2.1 膨胀 | 第28页 |
3.2.2 腐蚀 | 第28-29页 |
3.2.3 开运算 | 第29页 |
3.2.4 闭运算 | 第29页 |
3.2.5 顶帽变换和底帽变换 | 第29-30页 |
3.3 两种增强图像方法的比较 | 第30页 |
3.4 小结 | 第30-32页 |
第四章 基于神经网络算法的边缘梯度提取 | 第32-40页 |
4.1 边缘检测算子 | 第32-35页 |
4.1.1 梯度 | 第32-33页 |
4.1.2 罗伯特边缘检测算子 | 第33页 |
4.1.3 索贝尔边缘算子 | 第33-34页 |
4.1.4 Prewitt边缘算子 | 第34-35页 |
4.1.5 形态学梯度 | 第35页 |
4.2 基于神经网络的边缘检测算法 | 第35-38页 |
4.3 两种梯度图比较 | 第38-39页 |
4.4 小结 | 第39-40页 |
第五章 商场道路彩色图像模型的设定 | 第40-46页 |
5.1 RGB模型 | 第40-41页 |
5.2 HIS模型 | 第41-44页 |
5.2.1 RGB模型转HIS模型 | 第43页 |
5.2.2 HIS模型转RGB模型 | 第43-44页 |
5.3 CMYK模型 | 第44-45页 |
5.4 小结 | 第45-46页 |
第六章 商场道路图像的划分 | 第46-57页 |
6.1 图像分割方法概述 | 第46-47页 |
6.2 灰度阈值分割 | 第47-49页 |
6.3 形态学的分水岭分割算法 | 第49-50页 |
6.3.1 算法原理 | 第49-50页 |
6.3.2 实现的方法 | 第50页 |
6.3.3 过度分割问题 | 第50页 |
6.4 区域分裂和区域合并 | 第50-51页 |
6.4.1 区域分裂 | 第51页 |
6.4.2 区域合并 | 第51页 |
6.5 区域填充算法 | 第51-52页 |
6.6 边缘跟踪算法提取轮廓 | 第52-53页 |
6.7 商场道路划分结果 | 第53-55页 |
6.8 小结 | 第55-57页 |
结论 | 第57-59页 |
1、全文总结 | 第57-58页 |
2、工作展望 | 第58-59页 |
参考文献 | 第59-63页 |
致谢 | 第63-64页 |
个人简历 | 第64页 |