| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 论文课题的研究背景 | 第9-10页 |
| 1.2 矿物浮选流程 | 第10-11页 |
| 1.2.1 矿物浮选工艺 | 第10页 |
| 1.2.2 矿物浮选中数字图像处理技术的应用 | 第10-11页 |
| 1.3 纹理特征研究现状 | 第11-14页 |
| 1.4 分类方法研究现状 | 第14-16页 |
| 1.5 论文的研究内容和结构安排 | 第16-18页 |
| 2 颜色共生矩阵纹理特征提取 | 第18-23页 |
| 2.1 颜色共生矩阵的定义 | 第18-19页 |
| 2.2 颜色共生矩阵的纹理特征提取 | 第19-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 基于VSM的CCM纹理特征提取 | 第23-35页 |
| 3.1 向量空间模型 | 第23页 |
| 3.2 基于VSM的CCM纹理特征向量的提取 | 第23-33页 |
| 3.2.1 CCM纹理特征表生成 | 第24-27页 |
| 3.2.2 CCM纹理特征表分析 | 第27-28页 |
| 3.2.3 加权因子设计 | 第28-32页 |
| 3.2.4 基于加权VSM的CCM纹理特征提取 | 第32-33页 |
| 3.3 本章小结 | 第33-35页 |
| 4 基于BP-LVQ组合网络图像分类方法 | 第35-47页 |
| 4.1 神经网络基本原理 | 第35-38页 |
| 4.1.1 BP神经网络模型 | 第35-36页 |
| 4.1.2 LVQ神经网络模型 | 第36-38页 |
| 4.2 单一神经网络的图像分类方法 | 第38-41页 |
| 4.2.1 BP神经网络图像分类方法 | 第38-40页 |
| 4.2.2 LVQ神经网络的图像分类方法 | 第40-41页 |
| 4.2.3 两种网络分类方法的比较分析 | 第41页 |
| 4.3 基于BP-LVQ组合网络图像分类方法 | 第41-46页 |
| 4.3.1 BP-LVQ组合网络分类模型 | 第41-43页 |
| 4.3.2 BP-LVQ组合网络分类算法 | 第43-44页 |
| 4.3.3 基于BP-LVQ组合神经网络图像分类方法 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于VSM的纹理特征提取和分类方法在铝浮选中的应用 | 第47-58页 |
| 5.1 铝土矿浮选泡沫图像分析 | 第47-50页 |
| 5.1.1 浮选设备及工艺 | 第47-48页 |
| 5.1.2 浮选泡沫图像特点 | 第48-50页 |
| 5.2 对图像特征的提取 | 第50-52页 |
| 5.2.1 基于CCM纹理特征提取 | 第50-51页 |
| 5.2.2 基于VSM的CCM纹理特征提取 | 第51-52页 |
| 5.3 单一神经网络的仿真结果 | 第52-55页 |
| 5.3.1 BP神经网络的设计 | 第52-53页 |
| 5.3.2 LVQ神经网络设计 | 第53页 |
| 5.3.3 实验结果和数据分析 | 第53-55页 |
| 5.4 基于BP-LVQ组合神经网络的仿真结果 | 第55-56页 |
| 5.5 实验结论 | 第56-57页 |
| 5.6 本章小结 | 第57-58页 |
| 6 总结和展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读学位期间主要的研究成果 | 第65-66页 |
| 致谢 | 第66页 |