基于Hough变换和不变矩的图像模式识别技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-18页 |
| ·引言 | 第12-13页 |
| ·模式识别技术的研究现状 | 第13-14页 |
| ·神经网络技术的研究现状 | 第14页 |
| ·Hough 变换的研究背景及意义 | 第14-15页 |
| ·不变矩技术及其在图像识别中的意义和作用 | 第15-16页 |
| ·本文的内容安排 | 第16-18页 |
| 第2章 图像模式识别理论基础 | 第18-30页 |
| ·模式识别的理论与方法概述 | 第18-24页 |
| ·统计识别方法 | 第19-21页 |
| ·结构识别方法 | 第21-22页 |
| ·模糊识别方法 | 第22-23页 |
| ·智能模式识别方法 | 第23-24页 |
| ·图像模式识别的一般策略以及关键技术 | 第24-25页 |
| ·图像模式识别的一般策略 | 第24页 |
| ·图像模式识别的关键技术 | 第24-25页 |
| ·图像模式识别的一般过程 | 第25-28页 |
| ·图像预处理 | 第25页 |
| ·图像分割 | 第25-26页 |
| ·特征提取 | 第26-27页 |
| ·模型匹配与推理 | 第27-28页 |
| ·本文所采用的图像模式识别系统结构 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 神经网络及其在模式识别中的应用 | 第30-43页 |
| ·人工神经网络基础 | 第30-31页 |
| ·神经网络用于模式识别的机理和特点 | 第31-33页 |
| ·BP 神经网络 | 第33-38页 |
| ·BP 神经网络基础 | 第33-34页 |
| ·BP 神经网络分类器 | 第34-36页 |
| ·改进的BP 网络学习算法 | 第36-38页 |
| ·RBF 神经网络 | 第38-42页 |
| ·RBF 神经网络理论基础 | 第38-39页 |
| ·RBF 神经网络的学习 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 Hough 变换及其在模式识别中的应用 | 第43-65页 |
| ·Hough 变换的基本原理 | 第43-45页 |
| ·标准Hough 变换及其基本算法 | 第45-46页 |
| ·标准Hough 变换 | 第45页 |
| ·标准Hough 变换的基本算法步骤 | 第45-46页 |
| ·标准Hough 变换在应用中存在的关键问题 | 第46-47页 |
| ·基于样本标准差的权值积累方法 | 第47-54页 |
| ·二值积累方式存在的缺陷 | 第48-49页 |
| ·权值积累方式 | 第49-54页 |
| ·基于Hough 变换的字符特征提取 | 第54-59页 |
| ·系统的组成 | 第54页 |
| ·字符图像预处理 | 第54-55页 |
| ·基于Hough 变换的特征提取 | 第55-57页 |
| ·基于Hough 变换改进的RBF 神经网络 | 第57-59页 |
| ·基于Hough 变换的仿真试验 | 第59-64页 |
| ·函数逼近仿真试验 | 第59-60页 |
| ·字符识别实验 | 第60-64页 |
| ·本章小结 | 第64-65页 |
| 第5章不变矩理论及其在目标识别中的应用 | 第65-85页 |
| ·矩与不变矩 | 第65-70页 |
| ·矩特征的一般表达形式 | 第66-67页 |
| ·矩的物理意义 | 第67-70页 |
| ·代数不变矩 | 第70页 |
| ·区域矩与边界矩的性能比较 | 第70-74页 |
| ·边界矩的定义 | 第70-72页 |
| ·实验与结论 | 第72-74页 |
| ·基于Hu 不变矩扩展的交通标志识别 | 第74-76页 |
| ·交通标志图像的预处理 | 第74-75页 |
| ·特征提取及识别 | 第75-76页 |
| ·实验结果 | 第76页 |
| ·改进不变矩算法在小目标船只识别中的仿真研究 | 第76-84页 |
| ·卫星图像区域化分割 | 第77-80页 |
| ·改进的不变矩图像匹配 | 第80-82页 |
| ·仿真结果 | 第82-84页 |
| ·本章小结 | 第84-85页 |
| 结论 | 第85-87页 |
| 参考文献 | 第87-92页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第92-93页 |
| 致谢 | 第93-94页 |
| 作者简介 | 第94页 |
