一、基于傅立叶描绘子的实时图像识别系统（论文文献综述）
吴正敏[1]（2020）在《茶叶分级算法研究及分选装备设计与试验》文中研究表明名优茶一直以人工采摘为主,劳动力需求大,采摘效率低。机械化采摘方式可以提高鲜叶采摘效率,但现有机采设备采摘的鲜叶一般只能制作大宗茶,鲜叶存在混杂和破碎率高等问题。因此,基于机器视觉将机采茶叶按一定等级标准进行分选以获得高品质茶叶,是解决名优茶采摘的有效途径。本文选择了5种不同类型的茶叶并按等级分别进行类别标记,制作图像数据集。采用基于人工提取形态、纹理和颜色特征和基于卷积神经网络自动提取特征得到两种特征库,分别建立分类识别模型并进行比较,最终选择基于深度卷积神经网络的算法模型,并融合区域分割和卷积神经网络实现了茶叶物料多目标定位与识别,在此基础上研制茶叶分选装备并进行试验验证,完成的主要研究工作和成果总结如下:1)制作了3个茶叶样本图像数据集用以分析茶叶等级识别过程中的影响因素,2个茶叶图像数据集用以分析茶叶次品识别过程中的影响因素,并按等级分别进行类别标记。2)提取了样本形态、纹理和颜色共42个特征,分析多特征向量下有效特征的快速判定方法,比较了逻辑回归LR（logistic regression）、决策树DT（decision tree）和支持向量机SVM（support vector machine）三种模型对茶叶样本识别效果的影响,得到了5种样本的最佳识别模型并进行测试。通过对5种茶叶样品最佳模型识别结果分析,发现茶叶加工工艺对茶叶分级精度会产生影响。3)提出了基于卷积神经网络的茶叶特征自动提取和识别方法,实现了茶叶样本复杂特征的自动提取,探究了batch、学习率参数和样本数量对模型训练的影响,比较了L2正则化和Dropout两种模型过拟合优化方法,得到了5种样本的最佳识别模型并进行测试,试验结果表明卷积神经网络在茶叶样本分类过程中不仅可以自动提取特征,相比于基于人工提取形态、纹理和颜色特征的识别模型,还可以获得更高的识别精度。4)提出了基于区域分割和卷积神经网络的目标定位与识别方法,实现了多目标图像的快速分割定位与识别,本文10个目标以上的图像分割与识别能在34ms左右完成,有效解决基于卷积神经网络图像分类识别的目标定位问题,提高了多目标图像识别速度。5)将卷积神经网络特征提取、区域分割定位相融合,应用于实际分选平台中,实现了基于深度学习算法的茶叶在线分选。6)为解决鲜叶和毛茶喂料问题,本文设计了振动给料和负压旋转落料机构两种不同的给料机构,实现了鲜叶和毛茶的分散给料;建立了气吹式和气吸式两种不同的分选执行机构,并设计了配套的控制系统,最终实现了物料的动态分选。7)分选装备测试试验结果表明,本文建立的基于区域分割和卷积神经网络的多目标识别模型稳定性较好,鲜叶和毛茶识别率均达到了95%以上。金鸡种和舒茶早鲜叶分选率均值分别为90.5%和92.8%,相比于识别结果都有所下降,试验发现,气吸式结构不适用于鲜叶分级,而茶树品种在一定程度上会影响鲜叶分级结果;毛茶气吸式试验分选率达到了98.5%,误分率仅有1.5%,气吹式毛茶分选试验分选准确率为97.2%,实现了较好地分选效果。目前单通道分选鲜叶工作效率可等效于4个人工左右,随着硬件的不断优化,效率还将进一步提升。
任君兰[2]（2019）在《道路表面缺陷智能分析辨识的核心算法研究》文中认为公路作为中国交通基础建设项目之一,对人民的生活和国家的经济都有着巨大的影响。而道路表面作为公路养护的主要对象,已成为影响交通发展的重要因素之一。因此,及时、高效的道路表面缺陷检测是保障路面质量的关键。为了实现道路表面缺陷的智能分析辨识,本文进行了基于机器视觉技术的相关算法研究。依据该技术所需的特征提取、特征选择、传统识别模型,和深度学习等相关算法的原理,完成了对应模型的搭建和程序设计,对路面缺陷图像进行了识别,并由相关的分类器性能指标对模型的分类性能做了对比。主要研究内容如下:（1）为尽可能完整提取和表达路面图像的特征信息,本文利用不同算法对路面图像完成了新的表征。从路面的灰度统计图像出发,利用灰度直方图算法、灰度差分算法和灰度梯度算法分别提取其特征;从分析灰度矩阵变化规律的统计学出发,利用灰度共生矩阵算法、Gabor算法和Tamura算法分别提取特征;从图像形态学角度出发,利用边界几何特征算法、边界傅里叶描述算法和不变矩描述算法分别提取特征。（2）为防止多特征在表征路面图像时出现冗余现象,影响辨析结果,需要对提取的特征进行显着性分析。经统计学分析所得特征的方差分布后,选择非参检验中的Kruskal-Wallis算法对特征做显着性验证。根据验证结果,进一步利用LDA算法、MI算法、PSO算法的原理,设计相应的程序完成有效特征的选择以简化表征和加快识别运算。（3）良好的识别模型是路面图像辨识的关键,本文基于BP神经网络、支持向量机、极限学习机这三个传统分类器的原理,构建了相应的模型。经各模型辨识判断后通过对比建立的分类性能评估指标,得到系统分类性能最好的传统识别模型。（4）探究可避免特征提取和特征选择的深度学习模型:深度置信网络、栈式稀疏自编码器、VGG卷积神经网络对路面图像的辨析,依据模型原理设计相应的程序。直接以路面缺陷图像为输入识别后,通过对比各模型的分类性能指标,得到辨识性能最优的识别模型。
葛立[3]（2018）在《基于双目视觉的六自由度机械臂手势识别控制系统研究》文中提出当前工业生产制造领域中,机械臂能够在高危工作条件和复杂多变的空间环境中快速、准确、高效地替代人工进行作业,得到了广泛应用并扮演了越来越重要的角色。通过视觉获取到的手势信息,作为机械臂的运动控制信号,具有自然直观、灵活简洁的特性,降低了机械臂操作控制门槛,且可以实现远程控制作业。通过视觉传感器获得手势图像信息作为机械臂控制信号,涉及计算机视觉和图像处理相关技术。本文分析了利用手势控制机械臂的工作要求,结合具体条件和实际情况,提出采用双目视觉获取的手势信息用以控制机械臂的整体方案,并利用图像处理相关技术对手势图像进行解读,获取手势含义。分析了图像预处理方法和手势分割方法,选择肤色阈值分割方法进行手势分割,分析了形态学处理方法,对分割后的手势图像的轮廓提取方法进行对比,采用Canny算子检测方式提取手势轮廓。分析了手势特征提取方法,改进了一种基于D-P算法的轮廓逼近缺陷圆指尖检测算法,实现十种静态手势识别。分析了动态手势跟踪方法,论述了使用双目视觉的重要性,介绍了双目视觉原理,提出一种“推拉”动态手势的识别方法。分析了系统整体方案,通过D-H方法建立机器人模型,分析了机器人运动学正解和逆解方法,通过MATLAB工具箱进行运动仿真,利用OpenCV函数库基于Visual Studio 2012平台对手势识别应用程序和人机交互界面进行开发,介绍了软件接口设置以及文件调用方法,给出基于获取动态手势轨迹的机器人运动仿真轨迹,研究了机械臂控制系统的实现方法,完成软件工具环境配置,建立了摄像头、计算机和实验设备的通讯,并对“推拉”动态手势算法进行实验测试,验证了控制系统可行性。
王媛彬[4]（2015）在《基于图像特征的煤矿火灾检测与识别研究》文中研究说明火灾是矿井重大灾害之一,严重威胁着人类健康、自然环境和煤矿的安全生产。随着科技进步,火灾自动检测技术逐渐成为监测和火灾预警的重要手段。基于视频图像的火灾检测技术具有探测范围广、响应时间短、成本低、不受环境影响等优势,结合计算机智能技术可以提供更直观、更丰富的信息,对煤矿的安全生产具有重要意义。针对煤矿火灾检测过程中的图像预处理、特征提取、图像识别三个环节,本文主要完成了以下研究工作:针对煤矿井下照度低、光照不均匀的特点,在分析和比较传统图像增强处理算法的基础上,提出了基于模糊逻辑的图像增强预处理方法。该方法定义了新的模糊隶属度函数,通过快速最大类间方差法搜索阈值,实现了模糊增强阈值的自适应选取,减小了图像低灰度区域的像素信息损失,提高了运算速度。针对图像噪声大、对比度低的特点,提出了基于二维模糊划分最大熵的图像分割方法,采用模糊隶属度函数对目标与背景进行精细划分,既利用了图像的灰度信息以及空间邻域信息,而且兼顾了图像自身的模糊性,克服了传统的分割算法需要根据经验确定阈值的不足;提出采用粒子群优化算法对模糊熵函数进行优化,克服了运算速度慢的缺点,满足实时性需求。根据火灾发生早期的火焰图像特性,研究了火灾火焰的特征提取技术,结合火灾火焰的动静态特征、纹理特征、频闪特征,在图像分割的基础上分别对疑似区域及像素进行计算,以反映其面积蔓延、形体变化、边缘变化及闪烁特性,实现了火灾图像特征参数的提取;针对火灾图像的多特征选择问题,基于多特征融合的火灾图像特征选择技术,实现了初始特征集中特征冗余信息的去除,确定了火灾图像的分类特征参数,并将其作为火灾火焰和干扰源的识别依据。根据图像处理算法提取的早期火灾火焰的图像特征,构建了多特征融合的图像型火灾火焰检测模型。基于人工神经网络适合处理不完善和模糊信息的特点以及最小二乘支持向量机具有的小样本、非线性、训练效率高及高维模式优势分别进行火灾火焰图像识别,达到各个判据优势互补的目的,从而克服了传统的使用单一特征作为判据易引起误报的局限性,其中对最小二乘支持向量机的超参数选取在快速留一法的基础上,提出了采用共轭梯度法进行超参数优化,构建了FR-LSSVM模型。最后分别采用BP神经网络、最小二乘法支持向量机、FR-LSSVM和标准支持向量机进行分类实验,结果表明FR-LSSVM较其它算法有更好的稳定性、更快的运算速度和更高的识别率。基于提取的烟雾图像特征实现了实时烟雾检测。首先基于混合高斯分布对烟雾图像序列进行运动区域检测,提取出运动像素。根据烟雾扩散的动态特性结合烟雾疑似区域的面积增大与否将非烟雾目标进行滤除。基于所提取的动态特征、纹理特征利用支持向量机作为分类器通过多参数融合对烟雾图像和非烟雾图像进行识别分类。
师文[5]（2014）在《基于形状分析技术的图像检索研究》文中提出信息检索是情报科学领域的重要研究内容之一。随着数字信息技术的飞速发展以及互联网通信技术的广泛普及,多媒体信息检索领域也随之产生了许多新的研究课题。数字图像作为多媒体信息资源的重要形式之一,以直观的形式,包含了易于人类视觉系统识别的丰富信息。图像是除文本之外被本人们使用最频繁的信息资源,随着当今图像生成设备和在线图像共享服务的逐步普及,图像信息资源的规模正在以前所未有的速度不断增长,海量的图像信息构成了巨大的且仍在不断膨胀的图像数据库。基于内容的图像检索（CBIR,content-based image retrieval）技术在提出早期就得益于数字图书馆发展浪潮的兴起而快速发展。如今,CBIR技术由于其广泛的应用领域和较高的应用价值为越来越多的研究者所关注。CBIR算法将图像的视觉内容作为描述特征来进行图像的匹配和检索。图像底层视觉特征通常指颜色特征、纹理特征和形状特征,其中图像的形状特征能够有效地描述人类视觉系统对图像内容的感知,并能够在相似图像的区分识别中提供具有重要价值的视觉线索。本文围绕基于形状分析技术的图像检索这一命题,探讨了相关的图像内容的分割和描述方法,并对其中涉及的形状分割,轮廓分析和特征融合分析这三个关键技术环节进行了深入研究。在形状分割过程中,根据形状分析在图像检索中的应用需要,本文提出了一种基于形态学滤波特性的边缘算子,使用多方向结构元素实现了边缘的精确检测,并根据图像的灰度特征自适应的调整各方向结构元素检测结果的权值,最后合理地调整结构元素的尺寸大小。仿真实验结果表明,与经典微分边缘算子及常用形态学算法相比,该算法不仅具有很强的抗噪性能,而且能更有效的提取图像中不同方向的边缘信息。在基于轮廓的形状分析过程中,形状描述子应体现目标的整体形状信息和重要特征点信息,并具备对噪声干扰的鲁棒性。本文提出一种基于轮廓重构和特征点弦长的图像检索算法,首先在目标轮廓提取的基础上分析轮廓的能量保持率,并进行轮廓的降维重构处理,从而减少了随机噪声造成的轮廓畸变。然后通过新定义的支持域来计算轮廓点的特征强度,并分析了支持域半径与特征点提取结果的关系,从而筛选出有效的轮廓特征点。最后,根据轮廓点和相应特征点间的弦长关系构造轮廓特征函数,经相应处理后最终得到的形状描述子满足不变性要求。大量实验表明,本文算法无论在常规样本库中,还是噪声样本库中都具有更优的检索性能。在基于特征融合的形状分析过程中,视觉特征描述方法作为标本识别中最为关键的步骤,应体现目标的整体形状信息和轮廓形状特征,并具备较强的鲁棒性。基于对标本识别中形状特征的研究,本文提出了一种基于组合视觉特征的标本描述方法,改进Hu矩的特征提取算法,消除了数据冗余,并增强了边缘细节的描述。利用近似轮廓点来精简轮廓顶点数量,得到目标轮廓的近似多边形,提高了轮廓描述过程的实时性。通过一种基于特征点的方法来描述标本轮廓,并利用傅里叶描述子对其进行分析,保证了算法的高计算效率和向量维度的紧致性。实验结果表明,本文算法在动物标本以及叶形标本构成的数据环境中,都显示出了优于其他比较算法的检索性能。
吴浩[6]（2011）在《基于视觉的应用于智能控制的手势识别技术的研究》文中指出基于计算机视觉的手势识别作为新一代的人机交互手段,它简单、直观、易使用,在某些应用领域,如虚拟现实、手语翻译、远程控制等领域,有着不可替代的优越性,因此,越来越得到人们的重视。虽然目前还是一个研究热点,但是手势交互也已经渐渐开始应用于实际生活了,在最新研发的消费类数码产品中可以看到它的身影。这代表了一种未来交互的新趋势,也预示着手势交互未来广阔的应用前景。本文从手势图像的预处理、手势特征提取、手势识别三方面对基于视觉的手势识别算法进行了研究,并验证了算法的可行性。实验结果表明,本文方法对静态手势识别具有很好的效果。图像预处理包括图像增强、图像分割和图像形态学处理。本文首先对输入的图像进行平滑,锐化处理,然后采用基于灰度的阈值分割方法,从图像中分割出手势,将得到的手势部分图像进行膨胀和腐蚀处理,达到最佳的手势分割效果,最后采用基于脉冲耦合神经网络的边缘检测方法检测手势的边缘。在手势的特征提取部分,本文针对手势图像识别率较低,易受噪声干扰的问题,提出一种基于二维极坐标傅立叶描绘子的手势特征提取算法。该描绘子不仅利用了手势图像的边界信息,还提取了手势图像的内部信息,受边界噪声的干扰更小,通用性更好,鲁棒性更高。针对手势的识别,本文采用了基于BP神经网络的识别方法。首先利用大量的样本图像训练BP网络,通过训练成功的网络来实现手势图像的识别,并根据输出结果来判定识别的正确性。本文的创新点和贡献:提出将基于脉冲神经网络的边缘检测方法和基于二维极坐标傅立叶描绘子的手势特征提取算法应用到手势识别,并对该算法进行了仿真实验,收到理想的识别效果。
蒙秀梅[7]（2011）在《智能图像技术研究及岩心图像自动识别系统》文中进行了进一步梳理智能图像处理技术在众多领域得到了广泛应用。在工程勘查工作中,岩心识别是十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。传统的人工岩性判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。对岩心进行现场实时扫描获取岩心实物原貌的高度保真图像,基于岩心图像实现岩心岩性的准确自动判别,对于提高工程勘查工作的效率与准确性,提高智能化作业水平,具有重要的意义。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与工程勘查岩心图像的特点及要求,研究合适的图像分析及识别算法,设计并实现岩心图像自动识别系统。本文的研究工作主要围绕图像内容的表示以及图像的分类两个核心问题展开。同时,针对岩心图像的特点,进行图像灰度化与中值滤波等预处理。在图像内容的表示方面,就图像的纹理特征和形状特征的提取方法进行了探讨。纹理特征的提取采用了统计的分析方法和Gabor滤波器法。统计的分析方法用共生矩阵表示纹理特征,该方法从数学角度研究了图像纹理中灰度级的空间依赖关系。Gabor滤波器法则用一簇滤波器对图像进行滤波,然后在滤波图像上抽取纹理特征。形状特征的提取运用基于轮廓的形状描述方法。采用Canny算子对图像进行边缘检测。在图像的分类方面,本文着重开展了对基于人工神经网络的BP算法（BP, Back Propagation）与基于统计学习理论的SVM算法（SVM, Support Vector Machine）的研究以及Hough变换对图像内容中几何形状的测量识别。在算法研究的基础上,设计并实现了岩心图像自动识别系统,具有岩心图像获取、图像预处理、图像特征提取与图像识别分类功能。选用岩心图像进行统计测试,识别准确率达80%以上。
程军娜[8]（2010）在《基于形态学多尺度图像分析的海藻细胞图像分割及特征提取》文中认为海洋浮游植物又称浮游海藻,它们既是海洋生态系统中最重要的初级生产者,也是引发赤潮的主要因素。对浮游植物资源的开发利用、对海洋生态系统的监测,都离不开对其种类的分类和鉴定。目前,对海藻的鉴定,最基本的方法是由生物学专家,观察显微镜下的藻类外观形态实现的。这种方法需要研究者拥有很高的专业水平和丰富的经验,且费时又费力。将计算机图像处理与模式识别技术,与这种最基本的方法相结合,建立浮游植物图像自动识别系统,是实现海藻种类准确、快速鉴定的新途径。国内外已有的浮游植物图像识别系统,普遍存在一些局限性：例如,海藻种类繁多,但大多数图像识别系统能够识别的种类偏少等。本文的研究内容是浮游植物图像自动识别系统中的重要组成部分,以海藻细胞显微图像的自动分割以及纹理特征提取作为主要研究目标。图像分割和特征提取的结果是准确分类识别的基础。近年来,形态学图像分析逐步发展成为图像领域一种新兴的研究方法,其基本思想对非线性图像处理分析产生了不可估量的促进意义,尤其适合于实时性要求高的场合。形态学图像分析具有理论严谨完备、节省内存、算法执行效率高、易于用硬件实现等优势。在浮游植物图像识别的国际先进研究工作中,采用形态学图像分析的方法进行图像分割和部分特征的提取,是一个主流的和有效的途径。多尺度分析是一种类似于人类视觉系统的图像分析方法,它的优势在于：图像在不同的尺度下,可表现出与尺度相关的不同特性。因此,在某种单一尺度下无法实现的图像分割或特征检测任务在另外的或者综合的尺度上能实现。而形态学多尺度图像分析方法兼具形态学和多尺度分析的优点。因此,本文系统归纳了形态学多尺度图像分析的理论体系,跟踪其前沿进展,针对海藻细胞显微图像的特点,围绕图像分割和特征提取这两个目标,解决图像分割和特征提取中的难题。本文的主要研究工作及创新之处包括以下几点：1针对含噪、低对比度、弱边界、复杂形状海藻细胞显微图像的分割,利用形态金字塔变换和连通形态算子,解决分割中的主要问题：（1）为了解决图像边缘增强与噪声放大的矛盾,利用附益形态金字塔变换,结合直接灰度映射、梯度边缘检测算子和改进软阈值滤波方法,提出了一种基于Haar形态金字塔的多尺度边缘增强算法。Haar形态金字塔变换的非线性特性,使得图像中的边缘等重要几何信息在各分辨率的残差图像中很好地保留。直接灰度映射增强了整幅图像的灰度对比度,但同时放大了噪声。梯度边缘检测算子和改进软阈值滤波方法,实现了残差图像边缘的跟踪和增强,而对噪声进行了抑制。实验结果表明：针对低对比度和边缘连续性差的海藻细胞显微图像,该算法可以有效地增强图像的边缘,且没有放大噪声。（2）为了解决图像分割过程中噪声抑制和图像细节保留之间的矛盾,在连通形态变换的基础上,提出了一种自适应面积开算法,结合形态重建和属性细化等连通形态算子,在去噪的同时,保留边缘、角毛等精细结构。2提出了一种完备重构的极值保留自适应提升形态小波。在提升小波框架基础上,提出了一种极值保留自适应提升形态小波,而且证明：在不需要分解过程中的提升判据的前提下,它是可完备重构的。极值保留自适应提升形态小波,在对图像的多分辨率分解过程中,只对图像的平坦区域进行中值滤波,保留图像的局部极值点。3以对海藻细胞显微图像的特征描述为目的,将极值保留自适应提升形态小波和基于灰度级共生矩阵（GLCM）的统计法相结合,提出了一种多尺度纹理特征描述方法。为了降低GLCM的计算量,同时有效、可靠地描述海藻细胞纹理特征,本文将极值保留自适应提升形态小波引入基于GLCM的统计法,充分利用极值保留自适应提升形态小波极值保留的多分辩率特性和中值滤波的抗噪性能,使得该多尺度纹理特征描述方法,相对于单纯的基于GLCM的统计法,既具有计算效率上的优势,又降低了对噪声的敏感度。对中国沿海常见浮游植物细胞图像库中的17种圆筛藻种的纹理图像识别实验结果证明：基于极值保留自适应提升形态小波和GLCM的多尺度纹理特征描述方法,比基于原始图像的GLCM的纹理特征描述方法,平均正确识别率要高约7个百分点。4针对甲藻类细胞原始显微图像边缘模糊、对比度低等不利于甲沟提取的困难,构造了一种边缘保留自适应提升形态小波。该小波在根据图像的局部特征构造自适应性更新算子时,将边缘作为感兴趣的图像特征,更新提升根据是否是边缘像素选择保留、锐化滤波或平滑滤波,使得分解后的近似图像中,图像边缘得以保留,而灰度变化缓慢的区域得到了平滑。实验证明：甲藻细胞经边缘保留自适应提升形态小波分解后的近似图像,在一定程度上突出了目标边界,较之原始图像,更有利于甲沟特征的提取。
杨欣颖[9]（2010）在《潜器光视觉目标识别技术的研究与设计》文中研究说明海洋广阔的水域中,蕴含着丰富的矿产资源和生物能源,是人类社会发展的宝贵财富。然而,由于海洋环境的恶劣性和复杂性,人类对于海洋资源的开发利用还非常有限。针对水下成像特点,对潜器的光视觉目标识别技术展开深入研究,设计开发具有自动识别能力的智能化潜器,成为潜器智能化进程中的关键性环节。本文首先对国内外潜器光视觉技术的现状、发展情况及存在的主要问题进行分析,研究了水下图像处理技术及目标识别技术,在深入研究潜器光视觉系统结构的基础上,提出了潜器光视觉目标识别系统的总体解决方案及软件模块设计中应该考虑的主要问题。深入分析了水下图像特点,根据水下图像对比度低,水粒子噪声对图像的影响较大的问题,设计了基于直方图原理的图像对比度增强算法和图像滤波算法,有效改善水下图片质量。重点分析了水下图像分割技术中存在的问题,研究设计了改进的Sobel算子边缘检测方案和基于大津法的阈值分割算法。根据水下图像特点,选取矩特征不变量作为水下图像的不变性因子,并对其在目标识别过程中特征量的聚类能力进行分析,证明了特征量区分不同目标的有效分类性能。论文深入研究了影响水下图像识别准确性的目标识别技术因素,给出了基于神经网络技术的目标识别算法。采用VC++6.0软件搭建了水下目标识别实验环境,对研究结果进行测试。实验证明,本文给出的方案能有效实现水下目标的准确识别,系统识别精度高,运行稳定。
郭彩龙[10]（2009）在《中国静态手语识别的研究》文中进行了进一步梳理随着科技的飞速发展,人与计算机的交互活动越来越成为人们日常生活的一个重要组成部分。其中手势识别就是人机交互及模式识别领域的一项重要研究内容,而与手势识别最接近的就是手语识别,手语识别的目的就是通过计算机提供一种有效的、准确的机制将常用手语翻译成文本或语音,实现自然语言与手语这两个异种语言模式的交流,使得聋哑人和健全人之间的交流变得更方便、快捷,使聋人能很好的融入社会。本文分别研究了手势图像的数据库建立,手势图像的预处理,以及手势图像的特征提取等基于静态图像处理技术的中国手语识别算法。本研究图像资料中,一部分手势图像用数码相机拍摄,另外收集了中国特殊教育网,中国聋人协会的部分手势图像素材,同时还在手语教育光碟中采集了手势视频图像。经过对手势图像进行包括灰度化、平滑去噪以及手势图像的边缘检测的分割等预处理后,再提取特征向量进行手势识别。因为图像傅立叶描绘子的特征具有良好的旋转、缩放、平移不变性,本文采用傅立叶描绘子作为手势的特征向量。在大量实验的基础上,经过对相似手势之间的欧氏距离计算分析,相同手势应与标准手势之间的欧氏距离r＜0.1,因此设定该距离值为判定阈值,并通过该阈值来对手语图像进行分类。实验结果表明以傅立叶描绘子的傅立叶系数作为手势的特征向量,欧氏距离阈值法的识别率达到了96.2%。
二、基于傅立叶描绘子的实时图像识别系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于傅立叶描绘子的实时图像识别系统（论文提纲范文）
（1）茶叶分级算法研究及分选装备设计与试验（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 茶产业及茶叶分选装备 |
| 1.3 机器视觉技术国内外研究现状 |
| 1.3.1 机器视觉技术在农业领域的应用现状 |
| 1.3.2 机器视觉技术在茶叶领域的应用现状 |
| 1.3.3 深度学习算法的应用现状 |
| 1.3.4 基于机器视觉的在线分选装备研制现状 |
| 1.4 主要研究内容 |
| 1.5 技术路线 |
| 第二章 基于人工提取特征的茶叶分级算法研究 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 样本准备与图像采集 |
| 2.2.2 茶叶形态、颜色和纹理特征提取 |
| 2.2.3 茶叶特征提取算法 |
| 2.2.4 数据降维处理 |
| 2.2.5 分类算法设计与优化 |
| 2.3 试验与数据分析 |
| 2.3.1 不同特征向量对样品分类效果的影响试验结果与分析 |
| 2.3.2 不同降维方法对样品分类效果的影响试验结果与分析 |
| 2.3.3 不同识别模型分类结果与分析 |
| 2.3.4 5种不同茶叶样品识别结果与分析 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 基于深度卷积神经网络的茶叶分级算法研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 图像预处理 |
| 3.2.2 数据集制作 |
| 3.2.3 茶叶特征提取与识别模型设计 |
| 3.2.4 模型训练与优化方法 |
| 3.3 结果与分析 |
| 3.3.1 不同batch大小对模型的影响试验结果与分析 |
| 3.3.2 学习率对模型的影响试验结果与分析 |
| 3.3.3 不同过拟合优化方法对模型的影响试验结果与分析 |
| 3.3.4 茶叶识别分级试验 |
| 3.4 讨论 |
| 3.5 小结 |
| 第四章 基于区域分割和卷积神经网络的目标定位与识别 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 目标定位与识别总体流程 |
| 4.2.2 多目标分割与定位 |
| 4.2.3 多目标同时识别 |
| 4.3 结果与分析 |
| 4.3.1 多目标分割与定位试验结果与分析 |
| 4.3.2 多目标同时识别试验结果与分析 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 茶叶分选装备设计与试验 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 试验材料 |
| 5.2.2 茶叶物料分选装备机械结构设计 |
| 5.2.3 茶叶物料分选装备控制系统设计 |
| 5.2.4 分选系统与工作流程 |
| 5.2.5 试验结果评价指标 |
| 5.3 结果与分析 |
| 5.3.1 鲜叶静态识别试验 |
| 5.3.2 鲜叶分选试验 |
| 5.3.3 毛茶不良品识别、分选试验 |
| 5.4 讨论 |
| 5.5 小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 附录A 样本特征提取程序 |
| 附录B 样本特征处理程序 |
| 附录C 深度学习模型训练程序 |
| 附录D 执行机构控制程序 |
| 作者简介 |
（2）道路表面缺陷智能分析辨识的核心算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统检测技术 |
| 1.2.2 机器视觉技术 |
| 1.3 机器视觉面临的主要问题 |
| 1.4 本文主要研究内容 |
| 第二章 道路表面缺陷图像特征提取 |
| 2.1 纹理特征 |
| 2.1.1 灰度直方图法 |
| 2.1.2 灰度差分统计 |
| 2.1.3 灰度共生矩阵 |
| 2.1.4 Gabor变换 |
| 2.1.5 Tamura |
| 2.1.6 灰度梯度 |
| 2.2 图像外部几何特征 |
| 2.2.1 边界几何特征 |
| 2.2.2 边界傅里叶描述 |
| 2.3 不变矩描述 |
| 2.4 本章小结 |
| 第三章 道路表面缺陷特征分析和选择 |
| 3.1 道路表面缺陷特征的统计学分析 |
| 3.2 线性判别式分析算法 |
| 3.3 互信息算法 |
| 3.4 粒子群算法 |
| 3.5 本章小结 |
| 第四章 道路表面缺陷传统识别模型研究与结果分析 |
| 4.1 模型分类性能评估参数 |
| 4.2 BP神经网络 |
| 4.3 极限学习机 |
| 4.4 支持向量机 |
| 4.5 本章小结 |
| 第五章 基于深度学习的道路表面缺陷识别研究与结果分析 |
| 5.1 深度置信网络 |
| 5.2 堆栈稀疏自编码器 |
| 5.3 VGG卷积神经网络 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文及其它成果 |
（3）基于双目视觉的六自由度机械臂手势识别控制系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状及发展趋势 |
| 1.4 存在问题 |
| 1.5 本文主要研究内容 |
| 2 基于双目视觉的机械臂手势识别控制系统总体方案 |
| 2.1 视觉处理模块构成 |
| 2.2 机器人模块布局方案 |
| 2.3 总体方案布置 |
| 2.4 本章小结 |
| 3 手势识别图像处理基础 |
| 3.1 手势图像处理综述 |
| 3.2 手势分割方法 |
| 3.3 图像预处理 |
| 3.4 基于肤色阈值的手势分割 |
| 3.5 手势轮廓提取 |
| 3.6 本章小结 |
| 4 手势特征提取 |
| 4.1 手势特征提取概述 |
| 4.2 基于拓扑的特征提取方法 |
| 4.3 基于几何矩的特征提取方法 |
| 4.4 基于傅立叶描绘子的特征提取 |
| 4.5 基于指尖检测的特征提取 |
| 4.6 本章小结 |
| 5 基于双目视觉的手势动态跟踪 |
| 5.1 手势跟踪方法 |
| 5.2 双目立体视觉测量原理 |
| 5.3 摄像机标定 |
| 5.4 “推拉”动态手势识别算法 |
| 5.5 手势分类 |
| 5.6 本章小结 |
| 6 机器人运动仿真与控制系统方案 |
| 6.1 工业机器人运动学分析 |
| 6.2 系统软硬件组成 |
| 6.3 运动仿真 |
| 6.4 人机交互界面编写 |
| 6.5 控制系统方案 |
| 6.6 控制方案实验验证 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事科学研究及发表论文情况 |
| 学位论文数据集 |
（4）基于图像特征的煤矿火灾检测与识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 基于图像型的火灾检测国内外研究现状 |
| 1.2.1 火灾检测技术发展历史 |
| 1.2.2 图像型火灾检测技术 |
| 1.2.3 图像型火灾检测技术的国内外研究现状 |
| 1.3 论文主要研究内容 |
| 2 基于模糊逻辑的煤矿火灾图像快速增强 |
| 2.1 矿井视频图像特点及火灾检测系统组成 |
| 2.2 基于传统算法的图像增强方法分析 |
| 2.2.1 直方图均衡化算法 |
| 2.2.2 平滑滤波 |
| 2.2.3 灰度变换 |
| 2.3 基于模糊逻辑的图像增强 |
| 2.3.1 模糊逻辑的概念 |
| 2.3.2 经典的pal算法理论 |
| 2.4 改进的基于模糊逻辑的快速图像增强 |
| 2.5 实验结果与分析 |
| 2.6 本章小结 |
| 3 基于粒子群优化的煤矿火灾图像分割 |
| 3.1 图像分割的概念及模型 |
| 3.1.1 图像分割技术 |
| 3.1.2 基于二维熵的阈值法图像分割技术 |
| 3.2 基于PSO的二维模糊最大熵的图像分割技术 |
| 3.2.1 二维模糊划分最大熵分割 |
| 3.2.2 粒子群优化算法 |
| 3.2.3 基于PSO的二维模糊最大熵火灾图像分割 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 火灾图像的多特征提取技术研究与实现 |
| 4.1 图像特征提取概述 |
| 4.2 火灾图像的特征提取 |
| 4.2.1 面积增长特性 |
| 4.2.2 形体变化特性 |
| 4.2.3 边缘变化特性 |
| 4.2.4 基于灰度共生矩阵的纹理特征 |
| 4.2.5 频闪特性 |
| 4.2.6 图像相关性 |
| 4.3 基于多特征融合的火灾图像特征选择 |
| 4.3.1 特征选择的概念与方法 |
| 4.3.2 火灾图像的特征分析及特征选择 |
| 4.4 本章小结 |
| 5 基于图像特征的煤矿火灾火焰图像识别 |
| 5.1 模识识别概述 |
| 5.2 基于神经网络的火灾图像识别 |
| 5.2.1 人工神经网络 |
| 5.2.2 BP神经网络 |
| 5.2.3 基于BP神经网络的火灾识别 |
| 5.3 基于改进的最小二乘支持向量机的火灾图像识别 |
| 5.3.1 支持向量机的基本理论 |
| 5.3.2 最小二乘支持向量机 |
| 5.3.3 基于FR—LSSVM的火灾图像识别 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 6 基于图像特征的煤矿火灾烟雾检测 |
| 6.1 烟雾图像特征及烟雾检测算法的发展 |
| 6.1.1 烟雾图像的静态特征 |
| 6.1.2 烟雾图像的动态特征 |
| 6.1.3 基于图像特征的烟雾检测技术综述 |
| 6.2 基于混合高斯分布的烟雾图像分割 |
| 6.3 烟雾的扩散性检测 |
| 6.4 烟雾的纹理特征和动态特征提取及识别 |
| 6.4.1 纹理特征提取 |
| 6.4.2 烟雾动态特征提取 |
| 6.4.3 基于支持向量机的烟雾识别 |
| 6.5 实验结果与分析 |
| 6.6 本章小结 |
| 7 结论 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）基于形状分析技术的图像检索研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 CBIR系统结构及技术特点 |
| 1.3.1 CBIR系统结构 |
| 1.3.2 CBIR技术特点 |
| 1.4 CBIR系统典型应用 |
| 1.5 本文主要研究内容 |
| 1.6 本文组织结构 |
| 第2章 基于内容的图像检索相关技术 |
| 2.1 引言 |
| 2.2 图像分割技术 |
| 2.2.1 边缘分割 |
| 2.2.2 区域分割 |
| 2.2.3 阈值分割 |
| 2.2.4 基于数学工具的分割 |
| 2.3 图像内容描述 |
| 2.4 特征向量索引 |
| 2.5 本章小结 |
| 第3章 形状分析相关技术 |
| 3.1 引言 |
| 3.2 形状分析相关内容 |
| 3.3 形状特征描述 |
| 3.4 形状相似性度量 |
| 3.4.1 距离度量 |
| 3.4.2 相似系数度量 |
| 3.5 检索性能评价指标 |
| 3.6 本章小结 |
| 第4章 基于形态学的形状分割 |
| 4.1 引言 |
| 4.2 图像边缘分析 |
| 4.2.1 经典边缘检测方法 |
| 4.2.2 形态学边缘检测方法 |
| 4.3 基于形态学的轮廓检测算法 |
| 4.3.1 图像滤波处理 |
| 4.3.2 基于形态学的轮廓检测 |
| 4.4 一种自适应结构元素的形态学边缘检测算法 |
| 4.4.1 边缘检测算子的构造 |
| 4.4.2 多尺度多结构元素模型构造 |
| 4.4.3 自适应结构元素的边缘检测 |
| 4.5 实验结果与分析 |
| 4.5.1 定量评价指标 |
| 4.5.2 标本图像测试分析 |
| 4.5.3 MRI图像测试分析 |
| 4.6 本章小结 |
| 第5章 应用特征点弦长函数的形状描述子 |
| 5.1 引言 |
| 5.2 基于能量保持率的轮廓重构 |
| 5.2.1 形状轮廓重构 |
| 5.2.2 常规样本与噪声样本轮廓比较分析 |
| 5.3 基于特征点弦长的轮廓描述 |
| 5.3.1 轮廓特征点检测 |
| 5.3.2 特征点弦长函数 |
| 5.3.3 算法不变性分析 |
| 5.3.4 特征点弦长函数有效性分析 |
| 5.4 形状相似性度量 |
| 5.5 实验结果及分析 |
| 5.5.1 对比测试方法 |
| 5.5.2 实验环境设置与评价标准 |
| 5.5.3 MPEG-7测试分析 |
| 5.5.4 Kimia-99测试分析 |
| 5.5.5 噪声图像测试分析 |
| 5.6 本章小结 |
| 第6章 基于特征融合的标本图像检索 |
| 6.1 引言 |
| 6.2 区域描述 |
| 6.2.1 边缘区域提取 |
| 6.2.2 基于改进Hu不变距的图像区域描述 |
| 6.3 轮廓描述 |
| 6.3.1 轮廓的多边形近似处理 |
| 6.3.2 基于特征点的轮廓描述算法 |
| 6.4 组合相似性度量 |
| 6.5 实验结果及分析 |
| 6.5.1 实验参数设置及比较算法 |
| 6.5.2 动物标本测试分析 |
| 6.5.3 叶形标本测试分析 |
| 6.6 小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 创新点总结 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间主要科研成果与奖励 |
| 致谢 |
（6）基于视觉的应用于智能控制的手势识别技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.2.1 国外相关领域的研究状况 |
| 1.2.2 国内相关领域的研究现状 |
| 1.3 基于视觉的手势识别理论基础 |
| 1.3.1 模式识别概述 |
| 1.3.2 基于视觉的手势识别理论 |
| 1.3.3 基于视觉的手势识别的一般过程 |
| 1.4 手势识别技术难点 |
| 1.5 本文主要研究内容及结构 |
| 第二章 手势图像预处理 |
| 2.1 图像平滑去噪 |
| 2.1.1 邻域平均法 |
| 2.1.2 中值滤波法 |
| 2.1.3 频域滤波技术 |
| 2.2 图像锐化 |
| 2.2.1 基于二阶微分的图像锐化——拉普拉斯算子 |
| 2.2.2 频域滤波锐化技术 |
| 2.3 图像分割——阈值分割法 |
| 2.4 图像形态学处理 |
| 2.4.1 膨胀运算 |
| 2.4.2 腐蚀运算 |
| 2.4.3 开、闭运算 |
| 2.5 本文采用的预处理算法及实现效果 |
| 2.6 本章小结 |
| 第三章 基于脉冲耦合神经网络的边缘检测 |
| 3.1 边缘检测 |
| 3.2 各种边缘检测算子的比较 |
| 3.3 基于脉冲耦合神经网络的边缘检测 |
| 3.3.1 PCNN 基本特性 |
| 3.3.2 PCNN 基本模型 |
| 3.3.3 PCNN 参数设定 |
| 3.3.4 PCNN 自动波传播过程 |
| 3.3.5 PCNN 边缘检测算法详细流程 |
| 3.4 基于PCNN 的边缘检测算法效果分析 |
| 3.5 本章小结 |
| 第四章 基于二维极坐标傅里叶描绘子的特征提取 |
| 4.1 特征提取 |
| 4.2 基于一维傅里叶描绘子的特征提取 |
| 4.2.1 离散傅里叶变换 |
| 4.2.2 傅里叶描绘子的提取及归一化 |
| 4.2.3 一维傅立叶描绘子算法实现流程 |
| 4.3 基于改进的二维傅里叶描绘子的特征提取 |
| 4.3.1 手势区域重心及面积 |
| 4.3.2 二维离散傅里叶变换 |
| 4.3.3 二维极坐标傅里叶描绘子 |
| 4.3.4 算法实现 |
| 4.4 算法模拟实现效果分析比较 |
| 4.5 本章小结 |
| 第五章 基于改进的 BP 神经网络的识别技术 |
| 5.1 神经网络模型 |
| 5.1.1 神经元模型 |
| 5.1.2 激励函数 |
| 5.1.3 人工神经网络的结构 |
| 5.1.4 神经网络的学习 |
| 5.2 BP 神经网络模型 |
| 5.2.1 BP 算法数学描述 |
| 5.2.2 BP 神经网络优势及不足 |
| 5.2.3 本文采用的改进的 BP 算法 |
| 5.3 本文采用的BP 神经网络的设计 |
| 5.4 本文识别算法实现步骤 |
| 5.5 本章小结 |
| 第六章 算法系统实现及实验数据分析 |
| 6.1 算法流程框架 |
| 6.2 样本库建立 |
| 6.3 算法测试及实验数据分析 |
| 6.3.1 固定手势距离 |
| 6.3.2 非固定采集距离 |
| 6.3.3 实验数据分析 |
| 第七章 结论 |
| 致谢 |
| 参考文献 |
（7）智能图像技术研究及岩心图像自动识别系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 智能图像识别技术发展与应用 |
| 1.2.1 图像特征提取和表示的国内外研究现状 |
| 1.2.2 分类器的国内外研究现状 |
| 1.3 岩心图像的自动识别技术现状 |
| 1.3.1 岩心图像处理技术国内外研究现状 |
| 1.3.2 岩心图像识别技术国内外研究现状 |
| 1.4 岩心图像自动识别要解决的问题 |
| 1.5 论文目标及论文的主要内容 |
| 1.5.1 研究目标 |
| 1.5.2 主要研究内容 |
| 第二章 智能图像处理技术基础 |
| 2.1 模式识别技术 |
| 2.2 智能图像识别的关键环节 |
| 2.3 数字图像预处理 |
| 2.3.1 图像灰度化 |
| 2.3.2 图像去噪 |
| 2.4 图像特征及分析 |
| 2.4.1 颜色特征 |
| 2.4.2 纹理特征 |
| 2.4.3 形状特征 |
| 2.4.4 图像分割 |
| 2.5 智能分类 |
| 2.5.1 基于判定树的归纳分类 |
| 2.5.2 基于人工神经网络的分类 |
| 2.5.3 基于统计的分类 |
| 2.5.4 其它分类算法 |
| 第三章 岩心图像预处理及特征提取 |
| 3.1 岩心图像特征 |
| 3.2 特征及特征提取 |
| 3.2.1 图像预处理 |
| 3.2.2 纹理特征提取 |
| 3.2.3 形状特征提取 |
| 第四章 智能识别分类算法研究 |
| 4.1 岩心图像智能识别涉及的分类算法 |
| 4.2 后向反馈网络 |
| 4.2.1 BP算法 |
| 4.2.2 对BP算法的改进 |
| 4.3 支持向量机 |
| 4.3.1 SVM算法 |
| 4.3.2 SVM多分类器 |
| 4.4 分类算法中的数据处理 |
| 第五章 岩心图像自动识别系统设计与实现 |
| 5.1 系统流程 |
| 5.2 岩心图像自动识别系统功能 |
| 5.2.1 图像获取 |
| 5.2.2 图像目标测量识别模块 |
| 5.2.3 图像纹理特征识别模块 |
| 5.3 关键算法 |
| 5.3.1 图像预处理 |
| 5.3.2 图像特征提取 |
| 5.3.3 图像识别分类 |
| 5.4 运行与开发环境 |
| 5.5 系统实现 |
| 5.5.1 基于AVICAP32的图像获取实现 |
| 5.5.2 特征提取 |
| 5.5.3 识别分类 |
| 第六章 岩心图像自动识别系统测试 |
| 6.1 图像获取测试 |
| 6.2 图像预处理测试 |
| 6.3 图像目标测量识别测试 |
| 6.4 图像纹理特征识别测试 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（8）基于形态学多尺度图像分析的海藻细胞图像分割及特征提取（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 浮游植物图像识别研究现状 |
| 1.3 形态学图像分析进展 |
| 1.4 本文的主要研究内容 |
| 1.4.1 本文的任务和要解决的问题 |
| 1.4.2 本文的研究内容和主要工作 |
| 2 形态学图像分析基础理论 |
| 2.1 二值形态学 |
| 2.2 灰值形态学 |
| 2.2.1 基于集合运算的灰值形态变换 |
| 2.2.2 基于完备格的灰值形态变换 |
| 2.3 形态学滤波器 |
| 2.4 连通形态变换 |
| 2.5 排序形态变换 |
| 3 形态学多尺度图像分析 |
| 3.1 多尺度图像分析概述 |
| 3.2 形态金字塔变换 |
| 3.2.1 引言 |
| 3.2.2 扩展金字塔变换 |
| 3.2.3 附益形态金字塔变换 |
| 3.3 形态小波 |
| 3.3.1 引言 |
| 3.3.2 传统小波变换与Mallat算法 |
| 3.3.3 广义小波框架 |
| 3.3.4 基于广义小波框架的形态小波 |
| 3.4 传统形态学多尺度图像分析 |
| 3.4.1 多尺度形态滤波 |
| 3.4.2 形态粒度测定 |
| 4 基于形态金字塔变换和连通形态学的海藻细胞图像分割 |
| 4.1 引言 |
| 4.2 图像分割和图像增强综述 |
| 4.2.1 图像分割 |
| 4.2.2 图像增强 |
| 4.3 基于Haar形态金字塔变换的多尺度边缘增强 |
| 4.4 海藻细胞显微图像自动分割 |
| 4.4.1 海藻细胞显微图像自动分割方案 |
| 4.4.2 海藻细胞显微图像自动分割步骤 |
| 4.4.3 连通形态变换在海藻细胞图像分割中的应用 |
| 4.5 实验结果和分析 |
| 5 自适应提升形态小波及其在海藻细胞纹理特征提取中的应用 |
| 5.1 引言 |
| 5.2 通过提升构建形态小波 |
| 5.3 极值保留自适应提升形态小波 |
| 5.4 边缘保留自适应提升形态小波及其在甲藻细胞特征提取中的应用 |
| 5.4.1 边缘保留自适应提升形态小波 |
| 5.4.2 边缘保留自适应提升形态小波在甲藻细胞甲沟提取中的应用 |
| 5.5 极值保留自适应提升形态小波在海藻细胞纹理特征描述中的应用 |
| 5.5.1 引言 |
| 5.5.2 基于极值保留自适应提升形态小波和GLCM的多尺度纹理特征描述 |
| 5.5.3 实验结果和分析 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
| 在学期间参加的研究项目 |
（9）潜器光视觉目标识别技术的研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 潜器光视觉技术的优势 |
| 1.3 潜器光视觉技术的发展现状 |
| 1.4 本文研究的内容 |
| 第2章 潜器目标识别相关技术及方案设计 |
| 2.1 潜器光视觉目标识别系统的组成 |
| 2.2 潜器光视觉系统的相关技术 |
| 2.2.1 水下图像预处理技术 |
| 2.2.2 水下图像的分割技术 |
| 2.2.3 水下图像的特征提取技术 |
| 2.2.4 水下图像识别技术 |
| 2.3 潜器光视觉系统的总体方案设计 |
| 2.3.1 光视觉目标识别系统的总体结构 |
| 2.3.2 光视觉系统软件功能模块设计 |
| 2.4 本章小结 |
| 第3章 水下图像预处理算法研究与设计 |
| 3.1 水下图像成像特点分析 |
| 3.2 水下图像的对比度增强算法设计 |
| 3.2.1 水下图像的灰度信息与信息量的关系 |
| 3.2.2 水下图像的直方图均衡化方法的设计与实现 |
| 3.2.3 水下图像的直方图均衡化效果分析 |
| 3.3 基于水粒子散射的滤波器设计 |
| 3.3.1 线性平滑滤波器设计 |
| 3.3.2 中值滤波算法研究 |
| 3.3.3 改进的自适应加权滤波算法设计 |
| 3.4 本章小结 |
| 第4章 水下图像分割算法与特征计算 |
| 4.1 水下图像的边缘检测方案设计与实现 |
| 4.1.1 低阶微分算子边缘检测效果分析 |
| 4.1.2 高阶微分算子边缘检测效果分析 |
| 4.1.3 改进的Sobel 算子边缘检测算法设计 |
| 4.2 水下图像阈值分割算法的设计与实现 |
| 4.2.1 基于双峰法的水下图像分割技术研究 |
| 4.2.2 基于迭代法的水下图像分割技术 |
| 4.2.3 基于大津法的阈值分割技术设计与实现 |
| 4.3 水下图像的特征量选取方案的设计与实现 |
| 4.3.1 不变矩特征矢量 |
| 4.3.2 改进的不变矩特征提取算法设计 |
| 4.4 水下图像特征量聚类性能测试与分析 |
| 4.5 本章小结 |
| 第5章 潜器目标识别算法的设计与实现 |
| 5.1 水下目标识别算法的设计 |
| 5.1.1 神经网络分类器的结构与算法研究 |
| 5.1.2 神经网络分类器的设计 |
| 5.2 神经网络分类器的训练 |
| 5.3 潜器识别技术的软件实现 |
| 5.3.1 水下图像识别系统功能设计 |
| 5.3.2 水下图像识别系统软件实现 |
| 5.4 潜器目标识别软件的测试 |
| 5.4.1 水下图像处理与分割功能测试 |
| 5.4.2 水下图像识别功能测试 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研结果 |
| 致谢 |
（10）中国静态手语识别的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 手语识别的发展现状 |
| 1.2.1 国外手势识别的发展现状 |
| 1.2.2 国内手势识别的发展现状 |
| 1.3 本文研究的内容 |
| 1.3.1 研究内容 |
| 1.3.2 本文的章节安排 |
| 2 手语识别方法的研究及其分类 |
| 2.1 手语识别方法的研究 |
| 2.1.1 基于词根的手语识别方法的研究 |
| 2.1.2 基于视觉的手势识别方法的研究 |
| 2.1.3 基于中国手语单手词汇的识别方法的研究 |
| 2.2 手语识别分类 |
| 2.2.1 基于手势伸展方向的分类 |
| 2.2.2 基于手语词汇的特征分类 |
| 2.3 本章小结 |
| 3 建立手势图像的数据库 |
| 3.1 引言 |
| 3.2 手语图像库的建立及手势语的分类 |
| 3.2.1 手语的定义 |
| 3.2.2 手势图像库的建立过程 |
| 3.2.3 手势图像的分类 |
| 3.3 本章小结 |
| 4 手势图像预处理 |
| 4.1 引言 |
| 4.2 手势图像的灰度化处理 |
| 4.2.1 手势图像的文件格式 |
| 4.2.2 RGB手势图像转化为灰度手势图像 |
| 4.3 手势图像平滑 |
| 4.3.1 线性平滑滤波法 |
| 4.3.2 非线性平滑滤波法 |
| 4.4 手势图像边缘检测 |
| 4.4.1 Sobel边缘检测 |
| 4.4.2 高斯拉普拉斯边缘检测 |
| 4.4.3 Canny边缘检测 |
| 4.5 手势图像二值化 |
| 4.6 本章小结 |
| 5 手语识别 |
| 5.1 模式识别 |
| 5.2 基于傅里叶描绘子的特征提取 |
| 5.2.1 傅立叶变换的基本概念 |
| 5.2.2 离散傅里叶变换 |
| 5.2.3 傅立叶变换的性质 |
| 5.2.4 基于傅里叶描绘子的特征提取 |
| 5.3 识别算法 |
| 5.3.1 距离法 |
| 5.3.2 相似夹角余弦法 |
| 5.3.3 直方图相交法 |
| 5.3.4 相对熵 |
| 5.3.5 最近邻决策规则 |
| 5.4 本章小结 |
| 6 仿真实验与结果分析 |
| 6.1 实验环境 |
| 6.2 算法实现 |
| 6.2.1 傅立叶描绘子的特征提取 |
| 6.2.2 输入手势与标准手势的匹配 |
| 6.3 实验结果分析 |
| 7 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位论文期间的研究成果 |
四、基于傅立叶描绘子的实时图像识别系统（论文参考文献）
- [1]茶叶分级算法研究及分选装备设计与试验[D]. 吴正敏. 安徽农业大学, 2020(03)
- [2]道路表面缺陷智能分析辨识的核心算法研究[D]. 任君兰. 重庆交通大学, 2019(06)
- [3]基于双目视觉的六自由度机械臂手势识别控制系统研究[D]. 葛立. 山东科技大学, 2018(03)
- [4]基于图像特征的煤矿火灾检测与识别研究[D]. 王媛彬. 西安科技大学, 2015(02)
- [5]基于形状分析技术的图像检索研究[D]. 师文. 南京大学, 2014(05)
- [6]基于视觉的应用于智能控制的手势识别技术的研究[D]. 吴浩. 电子科技大学, 2011(12)
- [7]智能图像技术研究及岩心图像自动识别系统[D]. 蒙秀梅. 北京邮电大学, 2011(09)
- [8]基于形态学多尺度图像分析的海藻细胞图像分割及特征提取[D]. 程军娜. 中国海洋大学, 2010(01)
- [9]潜器光视觉目标识别技术的研究与设计[D]. 杨欣颖. 哈尔滨工程大学, 2010(05)
- [10]中国静态手语识别的研究[D]. 郭彩龙. 西安建筑科技大学, 2009(11)