基于图像的煤岩识别方法研究
| 摘要 | 第1页 |
| Abstract | 第6-7页 |
| 详细摘要 | 第7-10页 |
| Detailed Abstract | 第10-17页 |
| 1 引言 | 第17-27页 |
| ·选题背景及研究意义 | 第17-20页 |
| ·国内外研究现状 | 第20-23页 |
| ·煤岩识别研究现状 | 第20-23页 |
| ·煤岩图像分类识别现状 | 第23页 |
| ·存在问题 | 第23页 |
| ·本文的主要研究内容 | 第23-27页 |
| 2 基于煤岩图像的去噪术 | 第27-37页 |
| ·影响煤岩图像采集质量的因素 | 第27页 |
| ·图像噪声的特性分类 | 第27-28页 |
| ·噪声模型 | 第28页 |
| ·基于小波的去噪原理 | 第28-31页 |
| ·基于小波包的去噪原理 | 第31-32页 |
| ·去噪效果评估方法 | 第32页 |
| ·实验及结果分析 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 3 煤岩图像纹理特征值抽取及选择 | 第37-59页 |
| ·纹理视觉特性 | 第37页 |
| ·纹理特征抽取方法综述 | 第37-44页 |
| ·纹理特征抽取方法比较 | 第44页 |
| ·基于多尺度分解变换的煤岩纹理特征抽取方法 | 第44-55页 |
| ·对煤岩初始图像进行特征抽取 | 第44-45页 |
| ·煤岩图像经多尺度分解后的特点 | 第45-53页 |
| ·对分解后的煤岩图像进行特征抽取 | 第53-55页 |
| ·比较分析 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 4 基于距离判别的煤岩图像识别方法 | 第59-65页 |
| ·距离判别法分类原理 | 第59-60页 |
| ·构造纹理导向度 | 第60-61页 |
| ·距离判别函数在煤岩识别中的应用 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 5 基于支持向量机的煤岩图像分类识别 | 第65-89页 |
| ·机器学习 | 第65-66页 |
| ·统计学习理论 | 第66-68页 |
| ·学习机器的 VC 维 | 第66-67页 |
| ·推广性的界 | 第67页 |
| ·结构风险最小化 | 第67-68页 |
| ·支持向量机 | 第68-73页 |
| ·线性可分的最优分类面 | 第68-70页 |
| ·线性不可分的最优分类面 | 第70-71页 |
| ·支持向量机的转化原理 | 第71-73页 |
| ·核函数 | 第73页 |
| ·支持向量机模型选择 | 第73-77页 |
| ·支持向量机在煤岩识别中的应用 | 第77-86页 |
| ·分类系统的结构 | 第77-79页 |
| ·基于纹理特征的煤岩识别步骤 | 第79-80页 |
| ·核函数选择及比较实验 | 第80-86页 |
| ·本章小结 | 第86-89页 |
| 6 基于神经网络的煤岩图像分类识别 | 第89-139页 |
| ·神经网络 | 第89-90页 |
| ·BP 神经网络 | 第90-94页 |
| ·BP 网络的结构 | 第90-92页 |
| ·BP 网络学习算法 | 第92-94页 |
| ·基于 BP 神经网络的煤岩识别 | 第94-114页 |
| ·实验方案 | 第94-96页 |
| ·神经网络模型建立 | 第96页 |
| ·MATLAB 实验仿真结果 | 第96-114页 |
| ·一种改进的 BP 神经网络 | 第114-119页 |
| ·一种改进的小波神经网络 | 第119-123页 |
| ·基于改进的小波神经网络的煤岩识别 | 第123-132页 |
| ·实验方案 | 第123页 |
| ·神经网络模型建立 | 第123-124页 |
| ·MATLAB 实验仿真结果 | 第124-132页 |
| ·分类方法比较 | 第132-137页 |
| ·本章小结 | 第137-139页 |
| 7 结论与展望 | 第139-143页 |
| ·总结 | 第139-141页 |
| ·本文的创新点 | 第141-142页 |
| ·存在的问题和未来展望 | 第142-143页 |
| 参考文献 | 第143-149页 |
| 致谢 | 第149-151页 |
| 在学期间发表学术论文及参加科研工作情况 | 第151-152页 |
