| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题背景 | 第9页 |
| ·图像识别技术的发展与应用 | 第9-11页 |
| ·图像识别技术发展历程 | 第9-10页 |
| ·图像识别技术应用现状 | 第10-11页 |
| ·图像自动识别系统及其应用平台 | 第11-13页 |
| ·图像识别系统简介 | 第11-12页 |
| ·图像识别技术应用平台 | 第12-13页 |
| ·课题目标及论文主要内容 | 第13-14页 |
| ·课题目标 | 第13页 |
| ·论文内容安排 | 第13-14页 |
| 第二章 基于图像识别算法及其智能终端实现的技术基础 | 第14-26页 |
| ·图像识别系统组成 | 第14-21页 |
| ·图像预处理 | 第14-15页 |
| ·图像压缩 | 第15-16页 |
| ·图像特征提取 | 第16-18页 |
| ·图像识别与分类 | 第18-21页 |
| ·智能手机及软件开发技术 | 第21-26页 |
| ·Windows Mobile智能手机介绍 | 第21-23页 |
| ·基于.NET框架的智能设备开发 | 第23-26页 |
| 第三章 图像识别与分类系统关键算法研究 | 第26-44页 |
| ·彩色图像的灰度化处理 | 第26-29页 |
| ·彩色图像灰度化 | 第26-27页 |
| ·灰度直方图 | 第27-28页 |
| ·灰度拉伸 | 第28-29页 |
| ·基于灰度共生矩阵的图像纹理分析 | 第29-34页 |
| ·空间灰度层共生矩阵 | 第30页 |
| ·灰度层共生矩阵计算方法 | 第30-31页 |
| ·灰度层共生矩阵特点 | 第31-32页 |
| ·由灰度层共生矩阵计算纹理特征 | 第32-34页 |
| ·基于模板算子法的图像边缘检测 | 第34-37页 |
| ·Roberts算子法 | 第34-35页 |
| ·Sobel算子法 | 第35页 |
| ·Prewitt算子法 | 第35-36页 |
| ·几种模板算子法的比较 | 第36-37页 |
| ·基于BP神经网络的图像识别与分类 | 第37-41页 |
| ·BP神经网络介绍 | 第37-38页 |
| ·BP网络神经元模型 | 第38-39页 |
| ·BP网络的训练算法 | 第39-41页 |
| ·BP网络的设计 | 第41页 |
| ·基于支持向量机的图像识别与分类 | 第41-44页 |
| ·支持向量机算法的基本原理 | 第41-42页 |
| ·支持向量机训练算法 | 第42-43页 |
| ·支持向量机的核函数 | 第43页 |
| ·支持向量机算法的改进 | 第43-44页 |
| 第四章 智能终端上的图像识别系统实现 | 第44-59页 |
| ·基于智能终端的图像识别系统结构 | 第44-45页 |
| ·获取目标图像 | 第45-46页 |
| ·手机拍照 | 第45页 |
| ·图片存放与显示 | 第45-46页 |
| ·图像预处理 | 第46-47页 |
| ·图像灰度化 | 第46页 |
| ·图像灰度拉伸 | 第46-47页 |
| ·图像特征提取 | 第47-51页 |
| ·提取颜色特征 | 第47页 |
| ·提取纹理特征 | 第47-50页 |
| ·提取边缘特征 | 第50-51页 |
| ·图像识别与分类 | 第51-55页 |
| ·应用BP算法的识别与分类 | 第51-53页 |
| ·应用SVM算法的识别与分类 | 第53-55页 |
| ·智能终端上系统实现的特殊考虑及处理 | 第55-59页 |
| ·内存复制法提取像素信息 | 第55-57页 |
| ·已分类图像格式转换 | 第57页 |
| ·BP与SVM算法样本训练模块 | 第57-59页 |
| 第五章 系统测试及结果 | 第59-63页 |
| ·测试数据 | 第59页 |
| ·软件系统结果 | 第59-60页 |
| ·不同算法的处理结果 | 第60-61页 |
| ·特征提取 | 第60-61页 |
| ·识别与分类 | 第61页 |
| ·智能终端上的图像识别性能分析 | 第61-63页 |
| 第六章 结论与展望 | 第63-65页 |
| ·结论 | 第63页 |
| ·不足与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 硕士期间发表的学术论文 | 第70页 |