中文摘要 | 第1-7页 |
英文摘要 | 第7-14页 |
图表索引 | 第14-16页 |
第一章 绪论 | 第16-22页 |
1.1 研究背景 | 第16-17页 |
1.2 机器视觉现状与图像处理技术现状 | 第17-18页 |
1.3 粗糙集处理图像现状 | 第18-19页 |
1.4 本论文主要研究内容及创新之处 | 第19-21页 |
1.4.1 主要研究内容 | 第19-20页 |
1.4.2 主要创新点 | 第20-21页 |
1.5 论文结构安排 | 第21-22页 |
第二章 粗糙集理论概述 | 第22-37页 |
2.1 粗糙集原理概述 | 第22-28页 |
2.1.1 粗糙集中的知识系统 | 第23-26页 |
2.1.1.1 知识的定义 | 第23-24页 |
2.1.1.2 知识获取及知识分类 | 第24页 |
2.1.1.3 知识库、知识表达系统、决策表三者之间的关系 | 第24-26页 |
2.1.2 粗糙集中的知识约简 | 第26-28页 |
2.2 粗糙集理论思想精髓及理论特点 | 第28页 |
2.3 粗糙集的应用领域、前景以及前沿研究课题 | 第28-33页 |
2.3.1 粗糙集理论的应用领域 | 第28-31页 |
2.3.2 粗糙集理论的应用前景 | 第31-32页 |
2.3.3 前沿研究课题 | 第32-33页 |
2.4 粗糙集在图像处理中的应用 | 第33-34页 |
2.5 粗糙集与其他软计算方法的比较与融合 | 第34-37页 |
第三章 机器视觉与足球机器人比赛系统 | 第37-49页 |
3.1 机器视觉系统 | 第37-38页 |
3.2 足球机器人比赛系统 | 第38-40页 |
3.3 足球机器人比赛视觉子系统 | 第40-49页 |
3.3.1 视觉子系统的组成 | 第40-42页 |
3.3.2 硬件介绍 | 第42-44页 |
3.3.2.1 摄像头 | 第42-43页 |
3.3.2.2 图像采集卡 | 第43-44页 |
3.3.3 视觉子系统的对象识别 | 第44-49页 |
3.3.3.1 对象识别的简单介绍 | 第44-46页 |
3.3.3.2 颜色的识别方法 | 第46-47页 |
3.3.3.3 色彩空间 | 第47-49页 |
第四章 基于粗糙集的足球机器人图像的分割处理 | 第49-85页 |
4.1 粗糙集的引入 | 第49-50页 |
4.2 数字图像及调色板的应用 | 第50-53页 |
4.2.1 数字图像的表示及系统结构 | 第50-51页 |
4.2.2 调色板和索引图 | 第51-53页 |
4.3 图像预处理 | 第53-72页 |
4.3.1 机器视觉系统中常用的图像处理技术 | 第53-56页 |
4.3.2 常用的图像增强方法 | 第56-59页 |
4.3.3 采用基于三基色分量的阈值技术进行图像增强 | 第59-72页 |
4.3.3.1 采集原始数据 | 第59-61页 |
4.3.3.2 进行图像增强处理 | 第61-68页 |
4.3.3.3 改进图像增强处理 | 第68-72页 |
4.4 基于粗糙集理论进行图像分割 | 第72-82页 |
4.4.1 构建知识表达系统 | 第72-74页 |
4.4.2 处理数据构成初始决策表 | 第74-77页 |
4.4.3 初始决策表、分类决策表及最小决策规则的获取 | 第77-81页 |
4.4.4 利用分类决策表得到最终图像 | 第81-82页 |
4.5 直接设置调色板转换为索引图像的处理 | 第82-84页 |
4.6 系统设计程序主流程图 | 第84-85页 |
第五章 一些常用图像分割方法与本文方法的对比 | 第85-97页 |
5.1 基于统计模式识别的图像分割方法 | 第85-90页 |
5.1.1 统计模式识别方法简述 | 第85页 |
5.1.2 最小距离分类器设计及图像分割的实现 | 第85-90页 |
5.2 基于 K均值聚类的图像分割方法 | 第90-96页 |
5.2.1 K均值聚类分析 | 第90页 |
5.2.2 K均值聚类用于图像分割 | 第90-96页 |
5.3 比较结论 | 第96-97页 |
第六章 结束语 | 第97-100页 |
6.1 论文已完成的主要工作 | 第97-98页 |
6.2 本论文的创新之处 | 第98页 |
6.3 课题进一步研究的方向 | 第98-100页 |
参考文献 | 第100-107页 |
致谢 | 第107-108页 |
攻读研究生期间发表过的论文 | 第108页 |