燃气表读数的数字图像识别研究
| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题来源 | 第8页 |
| 1.2 研究背景及意义 | 第8-9页 |
| 1.3 数字图像处理与识别技术的国内外发展现状 | 第9-11页 |
| 1.3.1 数字图像处理技术的发展现状 | 第9-10页 |
| 1.3.2 图像识别技术的发展现状 | 第10-11页 |
| 1.4 本文研究的主要内容与各章节安排 | 第11-13页 |
| 2 燃气表采集图像的预处理 | 第13-28页 |
| 2.1 引言 | 第13页 |
| 2.2 燃气表图像灰度化处理 | 第13-20页 |
| 2.2.1 图像颜色模型 | 第13-16页 |
| 2.2.2 燃气表常用的灰度化方法 | 第16-18页 |
| 2.2.3 燃气表图像灰度变换 | 第18-20页 |
| 2.2.4 燃气表灰度操作结果对比分析 | 第20页 |
| 2.3 燃气表图像滤波去噪 | 第20-24页 |
| 2.4 燃气表图像的二值化 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 燃气表读数区域定位和倾斜校正 | 第28-41页 |
| 3.1 引言 | 第28页 |
| 3.2 燃气表数字区域的特征 | 第28-29页 |
| 3.3 基于投影法的燃气表读数区域定位 | 第29-30页 |
| 3.4 基于数学形态学的燃气表读数区域定位 | 第30-32页 |
| 3.5 燃气表读数区域的倾斜校正 | 第32-40页 |
| 3.5.1 图像的边缘检测 | 第32-36页 |
| 3.5.2 燃气表的倾斜校正 | 第36-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4.燃气表读数区域的特征提取方法和字符分割 | 第41-48页 |
| 4.1 引言 | 第41页 |
| 4.2 图像的特征 | 第41-43页 |
| 4.2.1 幅度特征 | 第41页 |
| 4.2.2 直方图特征 | 第41-42页 |
| 4.2.3 变换系数特征 | 第42-43页 |
| 4.3 特征提取方法 | 第43-46页 |
| 4.3.1 Gabor小波的特征提取 | 第43-44页 |
| 4.3.2 本文所采用的特征提取方法 | 第44-46页 |
| 4.4 字符的分割 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 基于BP神经网络的读数识别 | 第48-65页 |
| 5.1 人工神经网络的基本原理 | 第48-52页 |
| 5.1.1 人工神经元 | 第48-50页 |
| 5.1.2 神经网络的学习过程 | 第50-51页 |
| 5.1.3 人工神经网络的特点以及优点 | 第51-52页 |
| 5.2 BP神经网络 | 第52-61页 |
| 5.2.1 BP神经网络的基本概念 | 第52-58页 |
| 5.2.2 BP神经网络识别结果与分析 | 第58-61页 |
| 5.3 BP神经网络的局限性及改进方法 | 第61-64页 |
| 5.3.1 BP神经网络的局限性 | 第61-62页 |
| 5.3.2 BP网络的改进方法 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-66页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71页 |
| A作者在攻读学位期间发表的论文目录 | 第71页 |
| B作者在攻读学位期间参与的科研项目 | 第71页 |
