| 1． 前言 | 第1-14页 |
| 1．1 研究的目的及意义 | 第8-9页 |
| 1．2 国内外研究概况 | 第9-14页 |
| 1．2．1 国外研究概况 | 第10-11页 |
| 1．2．2 国内研究概况 | 第11-14页 |
| 2． 计算机视觉系统的研制和数学模型 | 第14-24页 |
| 2．1 数字图像与视觉技术概述 | 第14-15页 |
| 2．1．1 图像概述 | 第14-15页 |
| 2．1．2 计算机视觉 | 第15页 |
| 2．2 图像的数学模型 | 第15-20页 |
| 2．2．1 图像平面与现实空间的几何关系 | 第15-17页 |
| 2．2．2 图像的确定性数学模型 | 第17-20页 |
| 2．3 计算机视觉系统 | 第20-23页 |
| 2．3．1 计算机视觉的光照系统选择 | 第20-23页 |
| 2．3．2 计算机视觉的组成 | 第23页 |
| 2．4 本章小结 | 第23-24页 |
| 3． 图像的低层处理 | 第24-34页 |
| 3．1 图像的采集 | 第24页 |
| 3．2 图像处理窗口的确定 | 第24-25页 |
| 3．3 图像噪声的去除 | 第25-28页 |
| 3．4 图像与背景的分割 | 第28-31页 |
| 3．5 图像的增强 | 第31-33页 |
| 3．6 本章小结 | 第33-34页 |
| 4． 番茄的表面缺陷区域检测和分类 | 第34-49页 |
| 4．1 RGB色彩系统简介 | 第34-35页 |
| 4．2 番茄的表面缺陷区域的特征分析 | 第35页 |
| 4．3 番茄表面缺陷区域检测 | 第35-38页 |
| 4．4 番茄表面缺陷区域的特征提取及分类 | 第38-47页 |
| 4．4．1 番茄表面缺陷特征参数提取 | 第38-40页 |
| 4．4．1．1 番茄表面缺陷区域的色度、深度和饱和度特征参数提取 | 第38-39页 |
| 4．4．1．2 形状特征提取 | 第39-40页 |
| 4．4．1．3 纹理特征提取 | 第40页 |
| 4．4．2 基于人工神经网络番茄的损伤分类 | 第40-47页 |
| 4．4．2．1 人工神经网络简介 | 第40-41页 |
| 4．4．2．2 人工神经网络用于模式识别的优越性 | 第41-42页 |
| 4．4．2．3 几种神经网络模型的比较与分析 | 第42-43页 |
| 4．4．2．4 用于番茄表面缺陷分类的BP网及学习算法 | 第43-47页 |
| 4．4．2．4．1 BP网络结构 | 第43-44页 |
| 4．4．2．4．2 本系统番茄表面缺陷分类的网络结构 | 第44页 |
| 4．4．2．4．3 本系统采用的BP算法 | 第44-47页 |
| 4．4．3 基于BP网的番茄表面缺陷分类的实验与结果分析 | 第47页 |
| 4．5 本章小结 | 第47-49页 |
| 5． 番茄表面缺陷自动检测与分类系统的设计 | 第49-53页 |
| 5．1 系统软件的结构与功能 | 第49-50页 |
| 5．1．1 文件模块 | 第49页 |
| 5．1．2 图像采集模块 | 第49-50页 |
| 5．1．3 图像低层处理模块 | 第50页 |
| 5．1．4 表面缺陷区域检测模块 | 第50页 |
| 5．1．5 网络训练模块 | 第50页 |
| 5．1．6 分类模块 | 第50页 |
| 5．2 番茄分类功能的实现 | 第50页 |
| 5．3 番茄表面缺陷检测与分类实验 | 第50-52页 |
| 5．4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
