摘要 | 第7-9页 |
Abstract | 第9-11页 |
1 绪论 | 第12-18页 |
1.1 研究意义 | 第12-13页 |
1.2 研究现状 | 第13-16页 |
1.2.1 原木端面识别方法的国内研究现状 | 第13-14页 |
1.2.2 基于聚类分析的图像处理现状 | 第14-16页 |
1.3 研究内容与结构安排 | 第16-18页 |
2 K-means聚类与FCM聚类的图像分割理论基础 | 第18-33页 |
2.1 颜色空间基础 | 第18-20页 |
2.1.1 RGB颜色空间 | 第18-19页 |
2.1.2 Lab颜色空间 | 第19-20页 |
2.2 K-means聚类与FCM聚类算法 | 第20-30页 |
2.2.1 聚类基础理论 | 第20-24页 |
2.2.2 K-means聚类 | 第24-26页 |
2.2.3 模糊聚类(FCM)基本原理 | 第26-30页 |
2.3 Hough变换 | 第30-32页 |
2.3.1 Hough变换检测圆 | 第30-32页 |
2.4 本章小结 | 第32-33页 |
3 CFSFDP算法结合多尺度多元图像分析方法的理论基础 | 第33-48页 |
3.1 基于高斯多尺度图像表示的多元图像分析 | 第33-36页 |
3.1.1 高斯多尺度图像表示 | 第33-34页 |
3.1.2 构造高斯多尺度多元图像的方法 | 第34-36页 |
3.2 图像特征提取与描述 | 第36-38页 |
3.3 基于密度的聚类算法--CFSFDP算法 | 第38-47页 |
3.3.1 算法基本原理 | 第38-42页 |
3.3.2 核函数 | 第42-44页 |
3.3.3 CFSFDP算法步骤 | 第44-47页 |
3.4 本章小节 | 第47-48页 |
4 K-means聚类与FCM聚类的实验以及结果分析 | 第48-56页 |
4.1 基于K-means聚类的原木端面区域识别 | 第48-52页 |
4.1.1 RGB颜色空K-means聚类 | 第48-50页 |
4.1.2 Lab颜色空K-means聚类 | 第50-52页 |
4.2 基于FCM聚类的原木端面区域识别 | 第52-54页 |
4.3 本章小节 | 第54-56页 |
5 CFSFDP算法结合多尺度多元图像分析的实验以及结果分析 | 第56-70页 |
5.1 基于CFSFDP算法的原木端面区域识别 | 第56-64页 |
5.1.1 彩色图像预处理 | 第56-57页 |
5.1.2 像素点的特征提取 | 第57-59页 |
5.1.3 基于CFSFDP算法的实现 | 第59-64页 |
5.2 图像分割质量 | 第64-67页 |
5.2.1 主观评价 | 第64-66页 |
5.2.2 偏差法 | 第66-67页 |
5.3 原木轮廓识别 | 第67-69页 |
5.4 本章小结 | 第69-70页 |
6 结论与展望 | 第70-72页 |
6.1 研究工作总结 | 第70-71页 |
6.2 本文的创新之处 | 第71页 |
6.3 讨论 | 第71-72页 |
参考文献 | 第72-75页 |
致谢 | 第75-76页 |
在校期间研究成果与奖项 | 第76页 |