基于组合矩和神经网络的图像识别技术研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-11页 |
| ·课题研究意义和应用前景 | 第8页 |
| ·图像处理与神经网络图像识别技术的发展 | 第8-9页 |
| ·本文主要工作 | 第9页 |
| ·本文章节安排 | 第9-11页 |
| 2 人工神经网络原理 | 第11-21页 |
| ·神经网络的介绍 | 第11-15页 |
| ·神经元 | 第11-12页 |
| ·网络拓扑结构 | 第12-13页 |
| ·神经网络的学习和训练 | 第13-14页 |
| ·神经网络学习规则简介 | 第14-15页 |
| ·BP神经网络 | 第15-19页 |
| ·BP神经网络的学习过程 | 第15-16页 |
| ·BP算法实现流程 | 第16页 |
| ·BP算法的优点和缺点 | 第16-18页 |
| ·BP改进算法 | 第18-19页 |
| ·关于BP神经网络泛化能力的几点分析 | 第19-21页 |
| ·初始权值集合对泛化能力的影响 | 第19页 |
| ·训练样本集过渡训练对泛化能力的影响 | 第19-20页 |
| ·神经网络算法对泛化能力的影响 | 第20-21页 |
| 3 图像识别原理 | 第21-26页 |
| ·图像识别的概念和模型 | 第21页 |
| ·图像模式识别方法 | 第21-26页 |
| ·模板匹配方法 | 第21-22页 |
| ·统计模式识别 | 第22页 |
| ·模糊模式识别 | 第22-23页 |
| ·句法(结构)模式识别方法 | 第23-24页 |
| ·神经网络图像模式识别 | 第24-25页 |
| ·采用神经网络作为图像识别方法的原因 | 第25-26页 |
| 4 图像预处理 | 第26-34页 |
| ·中值滤波 | 第26-27页 |
| ·图像分割 | 第27-28页 |
| ·图像的二值化 | 第28-30页 |
| ·图像边缘提取 | 第30-34页 |
| ·Roberts算子提取图像边缘 | 第30-31页 |
| ·Sobel算子提取图像边缘 | 第31-32页 |
| ·高斯-拉普拉斯算子提取图像边缘 | 第32-34页 |
| 5 图像特征提取 | 第34-42页 |
| ·提取图像特征原则 | 第34页 |
| ·不变矩的定义 | 第34-35页 |
| ·选择矩不变量作为目标特征的原因 | 第35-36页 |
| ·类别可分判据 | 第36页 |
| ·图像 Hu矩提取结果与分析 | 第36-38页 |
| ·组合不变矩的构建与实验分析 | 第38-42页 |
| 6 神经网络分类器设计 | 第42-56页 |
| ·BP神经网络分类器原理 | 第42-43页 |
| ·BP神经网络模型的确定 | 第43-47页 |
| ·BP神经网络输入节点的确定 | 第43-44页 |
| ·BP神经网络输出节点的确定 | 第44页 |
| ·BP神经网络层数的确定 | 第44页 |
| ·BP神经网络激活函数的确定 | 第44-45页 |
| ·BP神经网络隐含层神经元数的确定 | 第45-47页 |
| ·BP神经网络改进算法模型的确定 | 第47-50页 |
| ·BP神经网络学习率α的确定 | 第47-49页 |
| ·动量因子η对 BP神经网络动的影响 | 第49-50页 |
| ·初始权值的选择 | 第50页 |
| ·构建实验样本库 | 第50-52页 |
| ·实验结果与分析 | 第52-56页 |
| 7 图像识别系统的软硬件设计 | 第56-64页 |
| ·系统所需硬件设备 | 第56-57页 |
| ·CCD摄像机 | 第56页 |
| ·视频采集卡 | 第56-57页 |
| ·计算机配置 | 第57页 |
| ·图像采集系统 | 第57页 |
| ·图像识别系统软件设计 | 第57-61页 |
| ·软件模块化设计流程图 | 第57-59页 |
| ·软件主要函数说明 | 第59-61页 |
| ·部分程序界面 | 第61-64页 |
| 结论 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
