| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-12页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文组织结构 | 第11-12页 |
| 第二章 图像识别技术 | 第12-18页 |
| ·数字图像处理 | 第12-13页 |
| ·模式识别 | 第13-16页 |
| ·概念 | 第13页 |
| ·识别特征及其提取 | 第13-14页 |
| ·模式识别分类 | 第14-16页 |
| ·图像识别 | 第16-17页 |
| ·基本概念 | 第16-17页 |
| ·图像识别方法 | 第17页 |
| ·本章小结 | 第17-18页 |
| 第三章 图像预处理及特征提取 | 第18-32页 |
| ·图像增强 | 第18-20页 |
| ·直方图均衡化 | 第18-19页 |
| ·图像去噪 | 第19-20页 |
| ·图像分割 | 第20-21页 |
| ·图像边缘检测 | 第21-25页 |
| ·Roberts 算子提取图像边缘 | 第22页 |
| ·Sobel 算子提取图像边缘 | 第22-24页 |
| ·拉普拉斯-高斯算子法 | 第24-25页 |
| ·图像特征选择 | 第25-26页 |
| ·图像特征提取 | 第26-31页 |
| ·特征提取概念 | 第26页 |
| ·按欧氏距离度量的特征提取方法 | 第26-30页 |
| ·不变矩的定义及计算方法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 基于改进k-means 的 RBF 神经网络的图像识别 | 第32-49页 |
| ·RBF 神经网络概述 | 第32-34页 |
| ·RBF 神经网络学习算法 | 第34-36页 |
| ·一种基于改进k-means 算法的RBF 神经网络学习算法 | 第36-41页 |
| ·减聚类算法 | 第36-37页 |
| ·k-means 算法 | 第37-38页 |
| ·基于改进k-means 的RBF 神经网络学习算法 | 第38-39页 |
| ·算法时间复杂度分析 | 第39-40页 |
| ·实验结果及分析 | 第40-41页 |
| ·分类器设计 | 第41-48页 |
| ·网络结构设计 | 第41页 |
| ·网络训练 | 第41-46页 |
| ·网络测试 | 第46-48页 |
| ·实验结果分析 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于改进聚类算法的 RBF 神经网络的图像识别 | 第49-57页 |
| ·一种基于组合聚类算法的RBF 神经网络学习算法 | 第49-54页 |
| ·修剪技术的减聚类算法 | 第49页 |
| ·模糊C 均值聚类算法 | 第49-50页 |
| ·改进的模糊C 均值聚类算法 | 第50-51页 |
| ·基于组合聚类算法的RBF 神经网络学习算法 | 第51-53页 |
| ·实验结果及分析 | 第53-54页 |
| ·分类器设计 | 第54-56页 |
| ·网络结构设计 | 第54页 |
| ·网络训练 | 第54-55页 |
| ·网络测试 | 第55-56页 |
| ·实验结果分析 | 第56页 |
| ·本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| ·总结 | 第57页 |
| ·展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 附录 （攻读学位期间发表论文目录及参加科研项目） | 第65-66页 |
| 摘要 | 第66-70页 |
| ABSTRACT | 第70-74页 |
