| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 引言 | 第9-13页 |
| 1.1 应用背景及实现意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 X-光下图像的特征 | 第10-11页 |
| 1.4 常用软件开发平台介绍 | 第11-12页 |
| 1.5 本文研究的主要内容 | 第12-13页 |
| 第二章 基于SIFT算法的X-光特定物体图像的识别 | 第13-22页 |
| 2.1 图像预处理 | 第13-15页 |
| 2.1.1 图像RGB通道提取 | 第13-14页 |
| 2.1.2 图像二值化 | 第14页 |
| 2.1.3 膨胀 | 第14-15页 |
| 2.2 SIFT算法理论 | 第15-17页 |
| 2.2.1 SIFT | 第15-16页 |
| 2.2.2 尺度空间极值检测 | 第16-17页 |
| 2.2.3 关键点定位及方向的确定 | 第17页 |
| 2.2.4 关键点描述 | 第17页 |
| 2.2.5 关键点匹配与消除错配点 | 第17页 |
| 2.3 基于SIFT算法的实现及结果分析 | 第17-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于直方图的X-光特定物体图像的识别算法 | 第22-32页 |
| 3.1 颜色空间 | 第22-23页 |
| 3.2 直方图 | 第23-24页 |
| 3.3 OpenCV在本算法中的使用 | 第24-25页 |
| 3.4 本算法的实现基础 | 第25-27页 |
| 3.4.1 彩色图转灰度图 | 第25-26页 |
| 3.4.2 计算大津阈值并用大津阈值处理灰度图 | 第26页 |
| 3.4.3 选定判别区域 | 第26-27页 |
| 3.4.4 在选定的区域中检测特定物体 | 第27页 |
| 3.5 基于直方图的实验设计及结果分析 | 第27-31页 |
| 3.5.1 基于直方图的算法实现流程 | 第27-29页 |
| 3.5.2 算法识别结果 | 第29-30页 |
| 3.5.3 结果分析 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 基于卷积神经网络的图像识别算法 | 第32-44页 |
| 4.1 卷积神经网络概述 | 第32-33页 |
| 4.2 YOLO和YOLOv2的性能介绍 | 第33-37页 |
| 4.2.1 YOLO算法介绍 | 第33-34页 |
| 4.2.2 YOLOv2算法介绍 | 第34-35页 |
| 4.2.3 Darknet-19 | 第35-37页 |
| 4.3 基于卷积神经网络的算法的实现过程 | 第37-40页 |
| 4.3.1 实验平台和数据集 | 第37-38页 |
| 4.3.2 训练YOLOv2网络 | 第38-40页 |
| 4.4 基于卷积神经网络的实验结果分析 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 总结和展望 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 致谢 | 第47-48页 |
| 附录 | 第48-51页 |