基于视频图像处理技术的输电线路杆塔鸟巢识别
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文主要工作及章节安排 | 第11-13页 |
| 第2章 视频图像处理识别相关技术 | 第13-30页 |
| 2.1 图像的预处理技术 | 第13-15页 |
| 2.1.1 图像灰度化 | 第13-14页 |
| 2.1.2 双线性内插算法 | 第14-15页 |
| 2.2 图像的特征提取算法 | 第15-21页 |
| 2.2.1 图像的Gabor滤波器特征提取 | 第15-18页 |
| 2.2.2 图像的PCA特征提取 | 第18-21页 |
| 2.3 分类器的机器学习算法 | 第21-28页 |
| 2.3.1 BP神经网络 | 第21-23页 |
| 2.3.2 支持向量机SVM | 第23-26页 |
| 2.3.3 SVM与BP的缺点 | 第26-27页 |
| 2.3.4 极限学习算法 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 鸟巢图像的特征提取算法研究 | 第30-39页 |
| 3.1 鸟巢图片的预处理 | 第30-32页 |
| 3.1.1 鸟巢图片的来源 | 第30-31页 |
| 3.1.2 图片样本的灰度化 | 第31页 |
| 3.1.3 图片样本的分辨率转换 | 第31-32页 |
| 3.2 图片样本的特征提取 | 第32-38页 |
| 3.2.1 Gabor小波和PCA算法的组合分析 | 第32-33页 |
| 3.2.2 Gabor小波的特征提取 | 第33-36页 |
| 3.2.3 PCA的特征提取 | 第36-37页 |
| 3.2.4 Gabor+PCA的特征提取 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 鸟巢图像的机器识别算法研究 | 第39-52页 |
| 4.1 图片样本的分类 | 第39-40页 |
| 4.2 连通域识别算法的实现 | 第40-42页 |
| 4.3 基于数据处理的机器识别算法 | 第42-51页 |
| 4.3.1 BP图像识别 | 第44-46页 |
| 4.3.2 SVM图像识别 | 第46-48页 |
| 4.3.3 ELM图像识别 | 第48-50页 |
| 4.3.4 训练样本个数的影响 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
