文物图像分类系统关键技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·引言 | 第9-10页 |
| ·研究背景与意义 | 第10页 |
| ·课题研究、开发任务与目标 | 第10-12页 |
| ·本文主要研究内容 | 第12-14页 |
| 第二章 文物图像的预处理 | 第14-22页 |
| ·图像的去噪 | 第14-15页 |
| ·图像的平滑算法 | 第15-16页 |
| ·图像的锐化算法 | 第16-18页 |
| ·梯度锐化 | 第16-17页 |
| ·拉普拉斯锐化 | 第17-18页 |
| ·图像的灰度均衡 | 第18-20页 |
| ·图像的二值化 | 第20-21页 |
| 本章小结 | 第21-22页 |
| 第三章 基于内容的碎片图像特征提取 | 第22-38页 |
| ·图像的颜色特征提取 | 第22-25页 |
| ·颜色直方图 | 第22-24页 |
| ·颜色矩 | 第24页 |
| ·颜色集 | 第24-25页 |
| ·颜色聚合向量 | 第25页 |
| ·图像的纹理特征提取 | 第25-29页 |
| ·空间灰度共生矩阵 | 第25-26页 |
| ·Tamura纹理特征 | 第26-28页 |
| ·自相关函数 | 第28-29页 |
| ·其它纹理特征 | 第29页 |
| ·图像的形状特征提取 | 第29-34页 |
| ·图像几何特征 | 第30-32页 |
| ·图像的边缘 | 第32-34页 |
| ·综合特征分类方法 | 第34-35页 |
| ·改进后的Zernike矩算法及图像检索 | 第35-37页 |
| ·Zernike矩的定义 | 第36页 |
| ·Zernike矩的改进及实验结果 | 第36-37页 |
| 本章小结 | 第37-38页 |
| 第四章 神经网络分类器 | 第38-58页 |
| ·模式和模式识别 | 第38-39页 |
| ·人工神经网络概述 | 第39-45页 |
| ·神经元工作原理 | 第42-43页 |
| ·输出函数(激活/作用函数) | 第43页 |
| ·神经网络权值调整算法 | 第43-45页 |
| ·BP神经网络 | 第45-53页 |
| ·BP网络结构 | 第45-47页 |
| ·BP算法 | 第47-50页 |
| ·BP算法的不足 | 第50-52页 |
| ·BP算法的改进 | 第52-53页 |
| ·经典Newton算法及L-M算法 | 第53-56页 |
| ·经典Newton算法 | 第53-54页 |
| ·L-M算法 | 第54-56页 |
| 实验结果 | 第56-57页 |
| 本章小结 | 第57-58页 |
| 第五章 文物图像分类系统设计与实现 | 第58-64页 |
| ·系统功能及流程 | 第58-60页 |
| ·系统实现特点及难点 | 第60-62页 |
| ·开发与运行环境 | 第62-64页 |
| ·开发环境 | 第62页 |
| ·运行环境 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·本文工作总结 | 第64-65页 |
| ·进一步的研究工作 | 第65-66页 |
| 参考文献: | 第66-69页 |
| 致谢 | 第69页 |
