摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第8-12页 |
1.1 研究背景及意义 | 第8-9页 |
1.2 胶囊缺陷分类识别的发展现状 | 第9-10页 |
1.3 本文主要工作 | 第10-11页 |
1.4 本文章节结构 | 第11-12页 |
第2章 图像预处理 | 第12-29页 |
2.1 模板匹配 | 第12-15页 |
2.1.1 传统的相关模板匹配 | 第13-14页 |
2.1.2 基于胶囊图像的改进模板匹配 | 第14-15页 |
2.2 胶囊图像多区域分割 | 第15-18页 |
2.2.1 提取胶囊 | 第15-17页 |
2.2.2 分割三部分 | 第17-18页 |
2.3 胶囊图像增强 | 第18-20页 |
2.3.1 胶囊图像滤波 | 第18-20页 |
2.3.2 胶囊图像锐化 | 第20页 |
2.4 Canny 边缘检测 | 第20-28页 |
2.4.1 传统的 Canny 边缘检测 | 第21-22页 |
2.4.2 改进的 Canny 边缘检测 | 第22-26页 |
2.4.3 本节实验结果及分析 | 第26-28页 |
2.5 本章小结 | 第28-29页 |
第3章 图像特征的选取 | 第29-39页 |
3.1 基于直方图统计矩特征 | 第29-30页 |
3.2 基于区域形状特征 | 第30-31页 |
3.3 图像灰度特征 | 第31-32页 |
3.4 胶囊缺陷图像的分类特征选择 | 第32-38页 |
3.4.1 胶囊整体形态特征 | 第33-34页 |
3.4.2 基于直方图统计纹理特征 | 第34-35页 |
3.4.3 胶囊局部图像的对比度 | 第35-36页 |
3.4.4 基于缺陷区域的形状特征 | 第36-38页 |
3.5 本章小结 | 第38-39页 |
第4章 基于 SVM 的多类分类算法的研究 | 第39-50页 |
4.1 支持向量机理论 | 第39-42页 |
4.1.1 线性可分 | 第39-41页 |
4.1.2 线性不可分 | 第41-42页 |
4.2 多类支持向量机 | 第42-46页 |
4.2.1 一对余型支持向量机 | 第43页 |
4.2.2 一对一型支持向量机 | 第43-44页 |
4.2.3 有向无循环图支持向量机 | 第44-45页 |
4.2.4 层次支持向量机 | 第45-46页 |
4.3 四种 SVM 多类分类算法的比较 | 第46-47页 |
4.4 改进层次 SVM 多类分类算法 | 第47-49页 |
4.5 本章小结 | 第49-50页 |
第5章 基于改进层次 SVM 的胶囊缺陷图像分类识别 | 第50-53页 |
5.1 实验数据 | 第50页 |
5.2 实验结果的对比与分析 | 第50-52页 |
5.3 本章小结 | 第52-53页 |
第6章 总结与展望 | 第53-55页 |
6.1 全文总结 | 第53页 |
6.2 对未来的展望 | 第53-55页 |
致谢 | 第55-56页 |
参考文献 | 第56-59页 |
附录1 攻读硕士学位期间发表的论文 | 第59-60页 |
详细摘要 | 第60-66页 |