一、基于多个前向神经网络和遗传算法的边界检测法（论文文献综述）
梁智珲[1]（2019）在《遗传算法优化前向神经网络结构和权重矢量研究》文中提出新兴科技的支持下,复杂研究可以通过优化研究方法进行模拟和拓展。探究人类神经网络结构的过程中,存在诸多困难,新兴模拟算法和仿真计算,让科学家通过人工模拟神经网络系统中的互连神经元了解复杂的神经网络架构。基于此,分析了优化的遗传算法在前向神经网络结构研究中的应用,探究了如何优化权重设计达到最佳研究效果。
许锐[2]（2018）在《高分辨率遥感影像道路目标识别与提取研究》文中指出利用高分辨率遥感影像获取地表信息因其经济高效而受到广泛关注,成为遥感影像信息提取的研究热点。道路地图是一种重要的地理信息资源,其准确性与现势性不仅直接影响空间决策的有效性,对提高影像配准、信息融合与变化检测的精度也具有重要意义。现有文献中针对高分辨率遥感影像道路提取问题提出的方法与已实现的相关算法在适用范围、准确性和实用性等方面存在一定的局限性。本文通过对该问题所涉及的道路基元粗提取、道路基元精提取、路网连接、路口识别、中心线提取等关键技术进行深入研究,探索道路目标识别与提取的新方法和新途径,具体研究内容与成果如下:（1）研究了高分辨率遥感影像的主要特征,设计了一种基于多核学习与多特征融合的道路基元粗提取方法。该方法采用多核学习优化不同特征的权值,实现影像光谱、纹理和方向信息的有效融合,大幅提高了道路基元识别的精度。（2）归纳并研究了道路的形状特征和几何特征,设计了一种道路基元精提取方法。该方法依据道路形状的狭长性、地物的致密度以及地物面积等特征构建道路形状指数进行形状特征滤波,自动滤除非道路噪声的干扰;利用一系列形态学操作解决部分路段存在孔洞、像素间连接松散、结构不完整等问题,平滑和修复道路的结构与形态。（3）结合先验知识以及道路的拓扑特征,提出一种基于知识的道路基元连接算法。该算法通过构建基元连接判罚因子和判罚函数建立道路全局连接模型,实现道路网的拓扑连通。（4）研究并总结了路口的类型和特征,提出一种结合全局探测和局部检测的路口自动识别方法。该方法先在道路骨架整体约束条件下全局获取路口候选点,再通过本文提出的分块矩形旋转模型局部检测影像中的路口。实验结果表明本文提出的方法可大幅提高路口识别的准确性。（5）针对常用中心线提取方法易产生“毛刺”和“偏离”的缺陷,提出一种基于线性结构增强与多元回归的道路中心线提取方法。首先设计了一组多尺度多项式滤波器并与道路二值骨架进行卷积,获得具有线性结构的像素集合,实现对不规则形状的道路骨架规整;在此基础上,把道路中心线提取问题转换为回归问题,利用多元自适应样条回归法提取道路中心线。实验结果表明本文提出的方法能够有效地从不规则的道路骨架中提取平滑准确的中心线。
刘建[3]（2014）在《水面无人艇路径规划技术的研究》文中研究说明21世纪以来，随着国际形势的日趋复杂。世界大国正将国防与外交重点转向海洋。随着军事科技的发展，军事装备的无人化程度越来越高，适应这一趋势的水面无人艇受到世界各大国的日益重视。本文就水面无人艇路径规划问题进行了深入研究，并分别设计了无人艇全局路径规划方法和在未知复杂环境下的局部路径规划方法。文章首先介绍了无人艇在国内外的研究现状和发展趋势。然后，对无人艇路径规划问题进行了分析，包括路径规划的概述、分类等，并在此基础上说明了本文研究的意义。本文针对无人艇全局路径规划问题，结合势场法结构简单、实时性良好和栅格法编码简便、易于实现的特点，设计了一种全局路径规划方法——势场动态栅格法。该方法将改进势场法与动态栅格法相结合，通过栅格动态细化的方式建立环境模型，应用改进势场法来逐步搜索最优路径，使路径精度逐步达到精度要求；再通过采用减少折线的优化处理，进一步减少中间多余的路径节点，最终使得输出路径最优。仿真实验运行结果表明该方法降低了计算复杂度，可有效避免陷入局部极小值点的问题，具有较强的全局路径规划能力。本文针对水面无人艇局部路径规划问题，设计了一种基于势场边界检测法的局部路径规划方法。该方法将改进势场法与边界检测法相结合，引入沿边行走行为来解决无人艇局部路径规划问题。对存在环境陷阱的未知复杂环境，可有效进行危险避障，并针对存在动态障碍物的情况给出了动态避碰策略，可作为无人艇全局路径规划的有力补充。实验运行结果表明该方法具有较强的局部路径规划能力，能够实时规划出安全、有效的路径。最后在MATLAB环境下，将高分辨率的电子海图文件载入MMAP地图工具箱中，对所设计的路径规划方法进行实验测试，实验运行结果验证了所设计方法的有效性和实用性。
张贵英,张先杰[4]（2011）在《医学图像分割技术研究》文中提出医学图像分割技术是医学图像处理和分析中的关键技术。医学图像分割在医学诊断中扮演着重要角色,是图像分割的一个重要应用领域。本文综述和讨论了近年来的医学图像发展概况、分割技术、研究热点及其医学图像分割的评价等问题,并简要讨论了每类分割方法的特点及医学图像分割发展趋势。
林颢[5]（2010）在《基于敲击振动、机器视觉和近红外光谱的禽蛋品质无损检测研究》文中指出禽蛋品质的自动化检测对满足消费者在禽蛋安全和质量方面的要求,以及提高禽蛋的市场价值和竞争力有重要意义。本课题以鸡蛋为研究对象,利用敲击振动响应信号分析、机器视觉和近红外光谱技术对鸡蛋的内外品质指标（蛋壳强度、裂纹、新鲜度）进行快速无损检测。主要研究内容如下：1.禽蛋蛋壳质量基础研究平台设计。以Labview语言编制平台软件系统,可实现禽蛋的自动敲击及振动响应信号的采集和分析。在此平台上进行基础研究,优化硬件和软件系统,以便更有效的采集禽蛋敲击振动响应信号,并为后期在线检测系统的设计提供基础技术参数。提取鸡蛋敲击振动响应信号频域功率谱的5个特征参数,采用线性分析方法（LDA）,尝试检测鸡蛋蛋壳裂纹,模型的识别率为86.1%。试验结果表明利用敲击振动响应信号识别鸡蛋蛋壳裂纹是可行的。2.利用敲击振动响应信号分析技术识别蛋壳裂纹研究。首先,应用两种自适应滤波方法（归一化最小均方误差NLMS；最小二乘RLS）对敲击响应信号进行滤波处理,研究结果表明RLS能更好地处理环境噪音,显着提高了信号的灵敏度和分辨率；然后,对试验中完好和带有裂纹的鸡蛋蛋壳敲击响应信号的频域功率谱进行统计性分析,提取了10个特征参数,分别利用逐步回归法和遗传算法对特征参数进行筛选并进行比较后,采用遗传算法优选的四个特征参数（功率谱信号的第一共振峰对应的频段、第一共振峰的功率谱与其前四个频率功率谱的方差、前三个共振峰功率谱方差、中低频段功率谱能量比均值）作为判别模型的输入向量,分别以线性分析方法（LDA）、K最近邻法（KNN）、人工神经网络（ANN）和支持向量机（SVM）等四种模式识别方法建立蛋壳裂纹的判别模型,并进行比较。试验结果表明,SVM模型对鸡蛋蛋壳裂纹的检测精度最高,检测率为95.5%。3.利用敲击振动响应信号技术结合多变量分析方法定量检测鸡蛋蛋壳的强度研究。试验采用3种变量筛选方法（联合区间偏最小二乘siPLS:遗传偏最小二乘GA.PLS:遗传联合区间偏最小二乘,GA.siPLS）对采集的鸡蛋蛋壳敲击响应功率谱信号频率区域进行筛选,优选出对蛋壳强度信息贡献较大的频率区域。试验结果表明,利用变量筛选方法可有效减少模型中的冗余信息,降低模型的复杂度,提高模型的精度和稳定性。在3个模型中,GA.siPLS模型使用的变量最少（29个变量）,模型的鲁棒性更强。模型的预测最小均方根误差（RMSEP）为3.55,相关系数R为0.7591。4.禽蛋裂纹敲击振动响应信号在线分析检测系统设计和研究。在禽蛋外部蛋壳质量研究平台的基础上,设计了一套以DSP为核心处理器的禽蛋裂纹在线分析检测系统,实现禽蛋的自动敲击、信号采集、处理,并建立了蛋壳裂纹判别和蛋壳强度分析的数据库,实现禽蛋蛋壳质量的在线检测。系统检测速度为5个／秒,完好和裂纹禽蛋检测率分别达97%和95.5%,蛋壳强度（蛋壳最大承受应力）的预测平均误差为2.02,相关系数R为0.704。5.利用机器视觉技术检测鸡蛋的新鲜度研究。通过透射方式采集鸡蛋图像,并对鸡蛋图像的B分量进行中值滤波预处理。试验提取14个特征变量,它们分别来自鸡蛋图像的三种信息（颜色信息、蛋黄面积、鸡蛋密度）,以综合描述鸡蛋新鲜度的变化。通过逐步回归法筛选了7个特征变量作为输入向量,利用误差反传人工神经网络（BP-ANN）与鸡蛋新鲜度标准检测值（哈夫单位）建立回归模型。模型预测时的RMSEP值为4.425,相关系数为0.675。6.采用近红外光谱分析技术检测鸡蛋的新鲜度。使用主成分分析（PCA）和独立分量分析（ICA）两种方法提取近红外光谱特征信息,并结合遗传神经网络回归（GA-NNR）建立鸡蛋新鲜度的检测模型,研究结果表明,ICA方法提取的因子与实际光谱的信息更为接近,建立的模型检测精度更高,该模型预测值与实测值之间RMSEP为2.413,相关系数为0.879。同时,研究采用了线性分析方法--PLS建立鸡蛋新鲜度的近红外光谱检测模型。为了分析两种模型的检测精度,采用残差图（ApaRP）结合Runs test方法测试鸡蛋近红外光谱和新鲜度实测值之间的线性度,结果发现两者之间有较强的非线性关系。因此,GA-NNR非线性模型比PLS线性模型有更高的检测精度。7.禽蛋品质检测过程中样本数不均衡问题研究。对敲击振动响应信号,采用一类支持向量机（OC-SVM）方法建立完好和裂纹鸡蛋判别模型,当训练样本中完好和裂纹鸡蛋数量比例为11：1时,常规的模式识别方法（LDA,SVM）识别结果较差（识别率均低于50%）,而OC-SVM模型识别结果较好（识别率为90%）；采用支持向量数据描述（SVDD）方法,建立鸡蛋新鲜度的近红外光谱识别模型,当训练样本中新鲜和非新鲜鸡蛋数量比例为13：1时,常规的模式识别方法（PLS-DA, KNN, ANN, SVM）识别结果较差（识别率均低于53.3%）,而SVDD有较好的识别结果（识别率均为93.3%）。本课题研发了禽蛋蛋壳品质快速无损检测方法和装置,可为禽蛋品质检测提供新的思路和手段,研究的成果对提高我国禽蛋行业的自动化检测水平有积极的意义。
方忠民[6]（2008）在《医学图像分割技术新进展》文中研究表明医学影像技术已成为医学技术中发展最快的领域之一,医学图像分割技术是医学图像处理和分析中的关键技术.在大量阅读国内外近期文献的基础上,对近年来医学图像分割技术的发展进行了分类综述,分别阐述了基于模糊算法、基于知识、基于神经网络、基于遗传算法、基于小波变换、基于数学形态学的分割算法,并根据最新文献介绍了其最新发展情况.
刘长江[7]（2008）在《基于神经网络的工业CT图像边缘提取的算法研究》文中认为图像边缘指的是图像中灰度值的突变部分,是图像最基本的特征之一。因此边缘提取是图像分析中重要的处理步骤,广泛地应用于图像分割、模式识别、逆向工程等方面。传统的边缘提取方法中,主要是检测梯度的最大值,二阶导数的零交叉点,小波多尺度边缘检测,曲面拟合等方法。神经网络边缘检测作为一种新近发展起来的边缘提取方法,具有可并行计算、非线性映射和自适应能力等优点,因而受到更多的关注。工业CT（Computerized Tomography）技术,作为一种先进的无损检测技术,能够通过扫描工件,重建工件切片图像序列,从而检测工件内部结构和缺陷,在航天、航空、铁路运输、机械制造等领域获得广泛应用。但由于受射线串扰等因素的影响,得到的工业CT图像可能带有伪影等噪声,用传统边缘提取方法得到的边缘往往不连续。同时,工业CT图像边缘与自然图像边缘相比较,具有更规则的几何形状,多由直线段、圆弧等几何图形组成。本文结合这些工业CT图像边缘的特点,讨论了几种神经网络边缘提取算法,如BP网络、CP网络、细胞神经网络（CNN）。在本文中,给出了这几种算法的实验结果。在用BP网络提取边缘时,需已知边缘结果的图像作为训练图像,通过网络训练得到权值矩阵,待训练结束,再将这组权值矩阵用于检测其它图像的边缘。如何选取训练图像,使网络具有很好的泛化性是必需考虑的问题。同时,BP算法容易陷入局部极小值困惑中,从而增加网络收敛的时间开销,甚至可能导致网络无法收敛。考虑到这些问题,本文构造了学习样本,从而得到二值图像边缘检测的权值矩阵,避免了因学习样本过大而难以收敛的问题。对于灰度图像,综合灰度图像各位面的边缘提取结果,从而实现对灰度图像的边缘检测。实验表明,本文得到的权值矩阵,泛化性较好,抗噪能力较强,能提取较为连续精细的边缘。在用CNN提取边缘时,直接用一组CNN进行边缘检测,往往只能得到少量的不连续的边缘,不利于图像的后续处理。本文提出了基于两组CNN的工业CT图像的分割算法。具体地,即一组CNN用于粗分割,得到阈值分割图像,再在此基础上用另一组CNN细分割,得到精细的边缘等信息。从对工业CT图像的实验结果来看,应用本文提出的方法,能够得到连续且精细的边缘,并且还能得到更多的图像分割信息。最后,本文研究改进了CNN边缘检测方法,从工业CT三维体数据出发,提取被扫描工件的内外表面（称为边缘面）。当一个边缘面与沿某方向切片序列中的某切片重合时,采用二维边缘提取方法不易从该切片序列中提取出边缘面。本文针对这种情形,将工业CT体数据沿三个互相垂直的方向剖分,得到相应的切片序列。然后对每个切片,采用两组二维细胞神经网络实现边缘提取。再将同方向的切片边缘数据重组,得到对应方向的边缘体数据。最后,综合各方向的边缘体数据得到边缘面。由于该算法考虑了体数据点在三个方向的灰度变化,边缘分割结果比仅考虑单一方向的算法更接近真实情形。对边缘分割后的体数据的三维显示表明,本文算法能得到比较完整真实的边缘面。
杨大力[8]（2008）在《运动模糊车牌图像恢复、定位与校正的研究》文中指出随着计算机和数字图像处理技术的发展,车牌自动识别系统己成为智能交通系统的重要组成部分。运动模糊图像车牌识别系统的关键技术在于数字图像预处理技术、车牌定位技术和智能字符识别技术。本文应用运动模糊方向和尺度检测算法、车牌定位技术、字符分割技术、神经网络识别技术等来解决车牌识别问题。确定车牌识别的环节与流程,根据各环节要求实现的功能,筛选方法和算法,对关键环节和算法通过实验,进行比较分析,对有关算法进行了改进或提出新的算法。首先,基于图像的方向微分原理以及基于自相关的点扩散函数尺度鉴别的原理,提出了求极值的优化算法,准确而迅速的鉴别出运动模糊参数（运动模糊方向和运动模糊距离）。其次,对基于车牌灰度分布特征的车牌定位算法作了改进,扩大了分割区域的宽度,综合其他方法如霍夫变换等对可能产生的多个候选区域进行筛选判别,使之对发生倾斜的车牌或者背景较为复杂的车牌图像也能正确分割。再次,基于单应性矩阵方法研究了图像校正技术。该方法的关键问题在于边缘检测及寻找边缘的交点。本文针对发生倾斜或仿射形变的车牌图像的校正提出了一种自动化的边缘提取算法。该方法通过对霍夫变换得到的直线进行合并、分类、排序等方法来自动获取图像边缘并计算相应的交点。对校正后的图像因为长宽比例不同而产生的问题,作了分析和相应处理。该方法保留了单应性矩阵恢复算法的方便性,同时速度更快,取得的效果也比较良好。最后,针对字符分割,提出了一种剔除车牌边框的算法,该方法能够有效的除去车牌图像的边框,利于后续的字符分割。
杨林森[9]（2008）在《基于脉冲耦合神经网络的图像分割与融合研究》文中进行了进一步梳理脉冲耦合神经网络（Pulse Coupled Neural Network——PCNN）是20世纪90年代发展起来的一种新型神经网络,该网络的神经元模型是模拟视觉神经细胞活动而得到的人工神经元模型,所以这种网络的背景是以生物学为基础的。由于PCNN在弱连接的情况下,有尺度不变性、旋转不变性、信号强度不变性、信号扭曲不变性以及在图像处理的同时将二维空间变量转化为一维时间序列等特点,使它非常适合图像处理环境,已经成为图像处理的一种工具。本文对PCNN在图像分割和图像像素级融合两个图像处理领域做了一定的研究。首先在图像分割方面,通过对PCNN工作机理的分析,对原始模型进行了改进,利用改进后的PCNN进行图像分割,并提出了一种图像分割终止准则;针对PCNN网络参数对图像分割的影响,设计了参数能够根据图像进行自适应调整的图像分割系统,该系统是一个建立在机器视觉基础上的自适应闭合系统,实验表明这种方法是可行的。在图像融合方面,针对不同类别的图像,在详细分析PCNN特点的基础上,利用其不同的特性,设计了不同的算法。针对局部互补的图像,利用PCNN的脉冲累计对像素进行选择,在这部分提出了两种取舍准则,对一些文献提出的方法做了补充,总结了不同图像利用何种准则;对红外和可见光图像,利用PCNN脉冲同步机制,提出了基于图像内容的自适应加权融合,利用了局部交叉熵作为权值调整的方向;对不同聚焦的图像,首先进行小波分解,对低频系数利用加权融合规则,对高频系数利用PCNN的脉冲爆发机理作为融合规则,然后进行图像重构,对不同的小波分解方式的融合效果做了总结,该方法普遍适用于不同聚焦图像的融合。对以上算法都进行了大量的实验验证,效果良好。
秦树伟[10]（2007）在《白细胞显微图像的分类识别研究》文中研究表明运用模式识别技术对白细胞显微图像进行分类识别是医学图像领域的一个重要研究课题。本文围绕白细胞在临床常规染色条件下的显微图像的分类识别这一应用性课题,针对白细胞显微图像的特点,对白细胞分类识别中的关键技术-图像预处理及分割、特征描述及优化选择、多分类识别等方面展开了深入研究。本文的主要研究方法如下:1.图像的预处理及分割首先,将彩色白细胞图像从RGB空间转换到HSI空间,并提取其H分量图像进行灰度拉伸处理,为图像分割奠定基础;其次,将上述步骤得到的图像使用分水岭操作进行细胞核、胞浆区域及粘连细胞的分割处理,本文提出了利用柔性形态学算子的分水岭操作来进行分割处理,最后得到了较为精确的区域轮廓边界。2.特征描述及优化选择针对白细胞图像本身特点,本文提出了基于多重分形特征的描述方法,为白细胞特征描述提供了重要的参数,同时选取了形态、色彩和光密度、灰度共生矩阵特征参数,有效描述了白细胞特征;针对特征提取及优化选择这一问题,本文提出了基于模拟退火技术的遗传算法特征选择算法,将常规的模拟退火算法改良后,作为遗传算法的一个独立的算子,置于遗传算法进化过程中,对特征向量进行优化选择。3.分类识别考虑到提取的样本数目有限,本文提出了基于HMM系统的分类器对提取出的特征向量进行分类识别,并与几种常见的分类器作了性能比较,结论证实HMM分类器同样能够得到较为显着的分类识别效果。
二、基于多个前向神经网络和遗传算法的边界检测法（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、基于多个前向神经网络和遗传算法的边界检测法（论文提纲范文）
（1）遗传算法优化前向神经网络结构和权重矢量研究（论文提纲范文）
| 0 引言 |
| 1 遗传算法的基本计算过程 |
| 1.1 遗传算法的因子计算选择 |
| 1.2 遗传算法因子的交叉操作 |
| 2 基于遗传算法的前向神经网络的研究及优化 |
| 3 结语 |
（2）高分辨率遥感影像道路目标识别与提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 影像数据中道路的特征与道路网模型 |
| 1.2.1 影像数据的类型 |
| 1.2.2 遥感影像数据中的道路特征 |
| 1.2.3 道路网模型 |
| 1.3 道路提取方法研究综述 |
| 1.3.1 道路基元提取方法 |
| 1.3.2 道路网连接方法 |
| 1.3.3 道路中心线提取方法 |
| 1.3.4 研究现状与存在问题 |
| 1.4 研究目标与研究内容 |
| 1.5 技术路线 |
| 1.6 论文结构安排 |
| 第二章 高分辨率遥感影像特征分析 |
| 2.1 光谱特征分析 |
| 2.1.1 统计特征 |
| 2.1.2 归一化植被指数 |
| 2.1.3 势函数直方图 |
| 2.2 纹理特征分析 |
| 2.2.1 统计法 |
| 2.2.2 结构法 |
| 2.2.3 频谱法 |
| 2.3 边缘特征分析 |
| 2.3.1 一阶微分算子 |
| 2.3.2 二阶微分算子 |
| 2.3.3 最优算子 |
| 2.3.4 参数化核图割 |
| 2.4 本章小结 |
| 第三章 基于多级框架的道路骨架提取 |
| 3.1 引言 |
| 3.2 基于多核学习的方法研究 |
| 3.2.1 核函数与支持向量机 |
| 3.2.2 基于多核学习的特征融合 |
| 3.3 基于多特征融合的道路基元粗提取 |
| 3.3.1 纹理特征提取 |
| 3.3.2 颜色特征提取 |
| 3.3.3 道路基元粗提取 |
| 3.4 基于形状特征与形态学的道路基元精提取 |
| 3.4.1 道路基元形状特征滤波 |
| 3.4.2 道路基元形态学滤波 |
| 3.4.3 道路基元精提取 |
| 3.5 基于知识的道路骨架连通 |
| 3.5.1 道路基元连接规则 |
| 3.5.2 邻近基元连接 |
| 3.6 实验与分析 |
| 3.6.1 实验一 |
| 3.6.2 实验二 |
| 3.7 本章小结 |
| 第四章 基于全局探测和局部检测的路口识别 |
| 4.1 引言 |
| 4.2 路口类型 |
| 4.3 路口特征 |
| 4.4 路口识别 |
| 4.4.1 基于相干滤波的路口边缘增强 |
| 4.4.2 基于空间自相关的路口同质特征提取 |
| 4.4.3 基于颜色矩的颜色特征提取 |
| 4.4.4 结合全局探测和局部检测的路口提取方法 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第五章 基于线性结构增强与多元回归的道路中心线提取 |
| 5.1 引言 |
| 5.2 道路骨架局限及其对中心线提取的影响 |
| 5.2.1 “冗余”现象 |
| 5.2.2 “缺失”现象 |
| 5.2.3 “混合”现象 |
| 5.3 基于结构元素的骨架规整方法 |
| 5.4 基于线性结构增强的骨架规整方法 |
| 5.5 基于多元回归的道路中心线提取 |
| 5.5.1 多元自适应样条回归 |
| 5.5.2 道路中心线提取算法流程 |
| 5.6 实验与分析 |
| 5.7 本章小结 |
| 结论与展望 |
| 一、结论 |
| 二、论文创新点 |
| 三、研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在学期间的研究成果及发表的学术论文 |
（3）水面无人艇路径规划技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题的研究背景和研究意义 |
| 1.2 国内外水面无人艇研究现状和发展趋势 |
| 1.2.1 国外研究现状和发展趋势 |
| 1.2.2 国内研究现状 |
| 1.3 水面无人艇路径规划技术 |
| 1.4 论文研究内容和组织结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文组织结构 |
| 1.5 本章小结 |
| 第2章 路径规划方法研究 |
| 2.1 引言 |
| 2.2 路径规划问题分析 |
| 2.3 全局路径规划方法 |
| 2.3.1 栅格法 |
| 2.3.2 可视图法 |
| 2.3.3 链接图法 |
| 2.3.4 拓扑法 |
| 2.3.5 遗传算法 |
| 2.3.6 粒子群优化算法 |
| 2.3.7 Dijkstra 算法 |
| 2.3.8 A*算法 |
| 2.4 局部路径规划方法 |
| 2.4.1 人工势场法 |
| 2.4.2 蚁群算法 |
| 2.4.3 模糊逻辑算法 |
| 2.5 路径规划方法的发展趋势 |
| 2.6 本章小结 |
| 第3章 基于势场动态栅格法的无人艇全局路径规划研究 |
| 3.1 引言 |
| 3.2 传统人工势场法存在的问题分析 |
| 3.3 改进的人工势场法 |
| 3.4 无人艇全局路径规划的算法设计 |
| 3.4.1 环境模型的建立 |
| 3.4.2 改进势场法规划初始路径 |
| 3.4.3 栅格动态化 |
| 3.4.4 路径优化处理 |
| 3.4.5 势场动态栅格法算法总结 |
| 3.5 基于 MATLAB 的仿真实验 |
| 3.6 本章小结 |
| 第4章 基于势场边界检测法的无人艇局部路径规划研究 |
| 4.1 引言 |
| 4.2 无人艇局部路径规划的研究概述 |
| 4.3 无人艇局部路径规划的算法设计 |
| 4.3.1 环境模型的建立 |
| 4.3.2 算法描述 |
| 4.3.3 边界检测法 |
| 4.3.4 势场边界检测法算法总结 |
| 4.3.5 对动态障碍物的避碰策略 |
| 4.4 基于 MATLAB 的仿真实验 |
| 4.4.1 与改进势场法的对比实验 |
| 4.4.2 存在动态障碍物的避碰实验 |
| 4.4.3 障碍区域动态变化复杂环境下的测试实验 |
| 4.5 本章小结 |
| 第5章 基于电子海图的无人艇路径规划应用研究 |
| 5.1 引言 |
| 5.2 电子海图简介 |
| 5.3 MATLAB 地图工具箱 |
| 5.3.1 地图工具箱简介 |
| 5.3.2 地图投影 |
| 5.3.3 创建底图 |
| 5.3.4 在底图上显示数据 |
| 5.3.5 M_MAP 地图工具箱 |
| 5.3.6 导入高分辨率海图数据 |
| 5.4 基于电子海图的测试实验 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（4）医学图像分割技术研究（论文提纲范文）
| 1 引言 |
| 2 医学图像分割发展概况 |
| 3 医学图像分割技术 |
| 3.1 基于统计学的方法 |
| 3.2 基于知识分割的方法 |
| 3.3 基于模糊理论的方法 |
| 3.4 基于神经网络的方法 |
| 3.5 基于遗传算法的方法 |
| 3.6 基于形变模型的方法 |
| 3.7 基于小波变换的方法 |
| 4 分割算法的评价 |
| 5 结束语 |
（5）基于敲击振动、机器视觉和近红外光谱的禽蛋品质无损检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 我国禽蛋生产、加工现状 |
| 1.2 禽蛋品质的检测 |
| 1.2.1 禽蛋品质主要指标及常规检测方法 |
| 1.2.2 禽蛋品质的无损检测方法 |
| 1.3 禽蛋蛋壳质量的敲击振动响应信号分析技术检测 |
| 1.3.1 农产品的敲击振动响应信号分析技术简洁 |
| 1.3.2 禽蛋蛋壳质量的敲击振动响应信号分析技术检测原理 |
| 1.3.3 禽蛋蛋壳裂纹检测的国内外研究现状 |
| 1.3.4 禽蛋蛋壳强度的检测国内外研究现状 |
| 1.4 禽蛋新鲜度的机器视觉技术检测 |
| 1.4.1 机器视觉技术简介 |
| 1.4.2 禽蛋新鲜度机器视觉技术检测原理 |
| 1.4.3 禽蛋新鲜度机器视觉检测国内外研究现状 |
| 1.5 禽蛋新鲜度的近红外光谱分析技术检测 |
| 1.5.1 近红外光谱分析技术简介 |
| 1.5.2 禽蛋新鲜度近红外光谱技术检测原理 |
| 1.5.3 禽蛋新鲜度近红外光谱检测国内外研究现状 |
| 1.6 研究目的和意义 |
| 1.7 研究主要内容 |
| 1.8 小结 |
| 参考文献 |
| 第二章 鸡蛋蛋壳敲击振动响应信号采集、分析的基础研究 |
| 2.1 鸡蛋蛋壳敲击振动响应信号采集和分析平台 |
| 2.1.1 硬件系统 |
| 2.1.2 软件系统 |
| 2.1.3 鸡蛋蛋壳敲击振动响应信号的采集和处理流程 |
| 2.2 鸡蛋蛋壳裂纹识别的基础研究 |
| 2.2.1 硬件参数的选取和优化 |
| 2.2.2 试验材料 |
| 2.2.3 敲击位置的选择 |
| 2.2.4 信号采集及分析 |
| 2.2.5 特征参数的提取 |
| 2.2.6 蛋壳裂纹判别模型的建立 |
| 2.3 小结 |
| 参考文献 |
| 第三章 蛋壳裂纹的识别 |
| 3.1 噪音信号处理 |
| 3.1.1 LMS自适应滤波 |
| 3.1.2 RLS自适应滤波 |
| 3.2 特征的提取和筛选 |
| 3.2.1 逐步回归法 |
| 3.2.2 遗传算法 |
| 3.2.3 逐步回归法和遗传算法筛选特征变量结果比较 |
| 3.3 鸡蛋蛋壳裂纹识别模型的建立和分析 |
| 3.3.1 k最近邻法 |
| 3.3.2 人工神经网络 |
| 3.3.3 支持向量机 |
| 3.3.4 几种模型检测结果比较 |
| 3.3.5 自适应滤波对检测结果的影响 |
| 3.4 小结 |
| 参考文献 |
| 第四章 蛋壳强度的定量分析 |
| 4.1 鸡蛋蛋壳敲击响应信号的采集 |
| 4.2 蛋壳强度的准静态压缩法检测 |
| 4.3 准静态压缩受力分析 |
| 4.4 鸡蛋蛋壳敲击振动响应信号的分析 |
| 4.5 鸡蛋蛋壳强度检测模型的建立 |
| 4.5.1 模型的评价指标 |
| 4.5.2 样本的选取 |
| 4.5.3 特征频率区域的选取 |
| 4.5.4 联合区间偏最小二乘 |
| 4.5.5 遗传偏最小二乘 |
| 4.5.6 遗传联合区间偏最小二乘 |
| 4.5.7 几种筛选变量方法的比较 |
| 4.6 小结 |
| 参考文献 |
| 第五章 鸡蛋蛋壳质量在线检测系统 |
| 5.1 在线检测平台核心处理系统的选取 |
| 5.2 鸡蛋蛋壳质量在线检测流程 |
| 5.3 自动敲击系统 |
| 5.4 DSP信号处理系统 |
| 5.4.1 DSP信号获取和处理外围电路系统 |
| 5.4.2 DSP信号采集和处理系统 |
| 5.4.3 鸡蛋蛋壳裂纹检测系统 |
| 5.4.4 鸡蛋蛋壳强度检测系统 |
| 5.5 结论 |
| 参考文献 |
| 第六章 基于机器视觉技术的鸡蛋新鲜度检测 |
| 6.1 机器视觉检测系统 |
| 6.2 鸡蛋新鲜度的机器视觉技术检测原理 |
| 6.3 鸡蛋新鲜度检测流程 |
| 6.4 实验材料与方法 |
| 6.5 鸡蛋新鲜度的标准方法检测 |
| 6.6 判别模型的建立 |
| 6.6.1 变量的筛选 |
| 6.6.2 人工神经网络判别模型的建立 |
| 6.7 小结 |
| 参考文献 |
| 第七章 基于近红外光谱分析技术的鸡蛋新鲜度检测 |
| 7.1 鸡蛋新鲜度近红外光谱定量模型的建立 |
| 7.2 材料与方法 |
| 7.2.1 试验材料 |
| 7.2.2 光谱采集 |
| 7.2.3 光谱的预处理 |
| 7.2.4 光谱特征信息的提取 |
| 7.2.5 鸡蛋哈夫单位值的测试 |
| 7.2.6 鸡蛋新鲜度检测的模型建立 |
| 7.3 结果与分析 |
| 7.3.1 遗传神经网络模型的建立 |
| 7.3.2 因子数的优化 |
| 7.3.3 独立分量分析与主成分分析结果比较 |
| 7.3.4 GA-NNR非线性模型与PLS线性模型结果比较 |
| 7.3.5 鸡蛋新鲜度近红外光谱和哈夫单位线性度测试 |
| 7.4 小结 |
| 参考文献 |
| 第八章 鸡蛋品质检测模型中的样本不均衡处理方法 |
| 8.1 一类分类器 |
| 8.1.1 常用一类分类器处理方法 |
| 8.1.2 一类支持向量机 |
| 8.1.3 支持向量数据描述 |
| 8.2 OC-SVM在鸡蛋蛋壳裂纹检测中的应用 |
| 8.2.1 实验材料与方法 |
| 8.2.2 鸡蛋蛋壳裂纹OC-SVM模型的建立 |
| 8.3 SVDD在鸡蛋新鲜度检测中的应用 |
| 8.3.1 实验材料与方法 |
| 8.3.2 鸡蛋新鲜度SVDD检测模型的建立 |
| 8.4 小结 |
| 参考文献 |
| 第九章 结论与展望 |
| 9.1 论文的主要结论 |
| 9.2 论文的主要创新点 |
| 9.3 展望 |
| 致谢 |
| 博士期间发表论文和取得成果 |
| 附录 |
（6）医学图像分割技术新进展（论文提纲范文）
| 1 医学图像分割发展概况 |
| 2 医学图像分割技术的新进展 |
| 2.1 基于模糊技术分割 |
| 2.2 基于知识的分割 |
| 2.3 基于人工神经网路的分割 |
| 2.4 基于遗传算法的分割 |
| 2.5 基于小波变换的分割 |
| 2.6 基于数学形态学的分割 |
| 3 结束语 |
（7）基于神经网络的工业CT图像边缘提取的算法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 神经网络的发展概况 |
| 1.1.1 神经网络的历史 |
| 1.1.2 神经网络的发展 |
| 1.2 课题研究的目的和意义 |
| 1.3 课题研究的现状 |
| 1.4 课题研究的主要内容 |
| 2 神经网络的基础理论 |
| 2.1 引言 |
| 2.2 神经网络的特点 |
| 2.3 神经元模型 |
| 2.3.1 MP模型 |
| 2.3.2 一般神经元模型 |
| 2.4 网络结构 |
| 2.4.1 单层前馈网络 |
| 2.4.2 多层前馈网络 |
| 2.4.3 递归网络 |
| 2.5 学习算法 |
| 2.5.1 误差修正学习 |
| 2.5.2 基于记忆的学习 |
| 2.5.3 Hebb学习 |
| 2.5.4 竞争学习 |
| 2.6 学习范例 |
| 2.6.1 有教师学习 |
| 2.6.2 无教师学习 |
| 3 神经网络在边缘检测中的应用 |
| 3.1 引言 |
| 3.2 基于遗传BP算法的边缘提取 |
| 3.2.1 BP网络结构 |
| 3.2.2 遗传BP算法 |
| 3.2.3 教师信号的获得(Facet模型) |
| 3.2.4 灰度图像的边缘提取 |
| 3.2.5 实验结果及讨论 |
| 3.3 基于CP网络的边缘提取 |
| 3.4 基于细胞神经网络的边缘提取 |
| 3.4.1 细胞神经网络(CNN) |
| 3.4.2 灰度边缘提取 |
| 3.4.3 实验结果及讨论 |
| 3.5 小结和讨论 |
| 4 基于改进的BP算法的工业CT图像边缘提取 |
| 4.1 引言 |
| 4.2 改进的BP算法 |
| 4.3 BP网络边缘提取 |
| 4.3.1 训练样本的构造 |
| 4.3.2 灰度图像边缘提取 |
| 4.4 实验结果及小结 |
| 5 基于CNN的工业CT体数据的边缘面的提取 |
| 5.1 引言 |
| 5.2 基于两组CNN的工业CT图像边缘提取 |
| 5.2.1 用于边缘提取的CNN |
| 5.2.2 两组CNN的图像分割方法 |
| 5.2.3 实验结果及小结 |
| 5.3 工业CT体数据边缘面提取算法 |
| 5.4 实验结果及小结 |
| 6 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 今后的研究方向 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）运动模糊车牌图像恢复、定位与校正的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的目的与意义 |
| 1.2 车牌识别系统概述及其技术现状 |
| 1.2.1 车牌识别系统原理 |
| 1.2.2 车牌识别技术 |
| 1.3 高速运动下车辆牌照识别的一些新问题 |
| 1.4 汉字识别技术的历史与现状 |
| 1.5 车牌识别的发展趋势 |
| 1.6 本文的工作和内容安排 |
| 1.7 本章小结 |
| 第二章 模糊方向与尺度的鉴别 |
| 2.1 运动模糊方向鉴别原理 |
| 2.2 运动模糊方向的鉴别 |
| 2.2.1 运动模糊方向鉴别方法简介 |
| 2.3 具体的实现方法 |
| 2.4 运动模糊尺度的鉴别原理 |
| 2.4.1 模糊尺度鉴别原理 |
| 2.4.2 具体计算方法 |
| 2.5 实际图像示例 |
| 2.6 图像恢复 |
| 2.6.1 经典恢复算法 |
| 2.6.2 维纳滤波 |
| 2.6.3 运动模糊退化模型 |
| 2.7 本章小结 |
| 第三章 车牌定位算法 |
| 3.1 车牌定位分割算法介绍 |
| 3.2 车辆牌照的特点 |
| 3.3 定位算法 |
| 3.4 图像示例 |
| 3.5 本章小结 |
| 第四章 图像校正 |
| 4.1 几个相关的坐标系 |
| 4.2 摄像机模型 |
| 4.3 图像恢复 |
| 4.3.1 单应性矩阵恢复的原理 |
| 4.3.2 车牌边缘自动检测 |
| 4.3.3 基于单应性矩阵的字符恢复 |
| 4.4 本章小结 |
| 第五章 字符分割 |
| 5.1 车牌边框的去除 |
| 5.2 具体步骤及实例 |
| 5.3 平滑滤波处理 |
| 5.3.1 自适应中值滤波器 |
| 5.4 图像二值化 |
| 5.5 字符分割 |
| 5.6 本章小结 |
| 第六章 智能字符识别 |
| 6.1 字符图像的归一化 |
| 6.2 字符特征提取 |
| 6.3 神经网络字符识别方面的讨论 |
| 6.4 利用集成BP 神经网络进行字符识别 |
| 6.5 字符特征提取 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要结论 |
| 7.2 研究展望 |
| 7.3 本章小结 |
| 参考文献 |
| 附录 |
| 附录1 利用黄金分割法求方向微分后的图像灰度极值 |
| 附录2 车牌定位部分代码 |
| 附录3 剔除车牌边框的代码 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（9）基于脉冲耦合神经网络的图像分割与融合研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 与本文相关的关键技术发展动态 |
| 1.2.1 PCNN 与图像分割技术 |
| 1.2.2 PCNN 与图像融合技术 |
| 1.3 本文主要研究内容和组织安排 |
| 1.4 本章小结 |
| 第二章 PCNN 的基本理论及图像应用 |
| 2.1 脉冲耦合神经网络的发展及应用趋势 |
| 2.2 生物视觉模型 |
| 2.3 脉冲耦合神经元模型 |
| 2.3.1 突触部分 |
| 2.3.2 耦合部分 |
| 2.3.3 脉冲发生部分 |
| 2.4 脉冲耦合神经网络 |
| 2.4.1 PCNN 的脉冲机制分析 |
| 2.4.2 PCNN 应用于数字图像处理 |
| 2.5 本章小结 |
| 第三章 基于PCNN 的图像分割 |
| 3.1 图像分割的定义 |
| 3.2 PCNN 用于图像分割 |
| 3.3 基于改进型PCNN 图像分割 |
| 3.3.1 用于图像分割的改进模型 |
| 3.3.2 点火模式 |
| 3.3.3 分割终止准则 |
| 3.3.4 实验结果与分析 |
| 3.4 基于参数自适应优化PCNN 图像分割 |
| 3.4.1 遗传算法 |
| 3.4.2 系统流程及实现过程 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于PCNN 的像素级图像融合 |
| 4.1 图像融合 |
| 4.2 基于PCNN 累积点火脉冲的图像融合 |
| 4.2.1 融合过程 |
| 4.2.2 实验结果及分析 |
| 4.3 基于PCNN 的图像内容自适应加权融合 |
| 4.3.1 融合过程 |
| 4.3.2 实验结果及分析 |
| 4.4 基于小波分解PCNN 图像融合 |
| 4.4.1 小波变换 |
| 4.4.2 融合过程 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 全文总结 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在学期间撰写的论文 |
（10）白细胞显微图像的分类识别研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 选题的依据和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文各部分的主要内容 |
| 第二章 白细胞图像的预处理 |
| 2.1 样本采集 |
| 2.1.1 取材、涂片制作及染色 |
| 2.1.2 图像采集 |
| 2.2 细胞图像去噪 |
| 2.2.1 RGB 图像 |
| 2.2.2 彩色细胞图像的去噪 |
| 2.3 彩色空间 |
| 2.3.1 彩色空间的转换 |
| 2.3.2 灰度拉伸处理 |
| 第三章 白细胞图像分割 |
| 3.1 图像分割概述 |
| 3.2 细胞图像分割技术的现状及进展 |
| 3.2.1 传统的分割方法 |
| 3.2.2 研究中细胞图像分割新算法 |
| 3.3 血液细胞类型及主要特征 |
| 3.4 数学形态学、柔性形态学及分水岭基本概念 |
| 3.4.1 数学形态学 |
| 3.4.2 柔性形态学 |
| 3.4.3 形态学分水岭 |
| 3.5 血液细胞分割的实现 |
| 3.5.1 白细胞细胞核的提取 |
| 3.5.2 单个白细胞的检出 |
| 3.5.3 白细胞胞浆的分割 |
| 第四章 特征向量的选择及计算 |
| 4.1 形态特征 |
| 4.2 光密度和色彩特征 |
| 4.3 基于灰度共生矩阵的纹理特征 |
| 4.4 基于分形维数的多重分形特征 |
| 4.4.1 分形几何的基本原理 |
| 4.4.2 盒维数法的计算方法 |
| 4.4.3 基于分形维数的多重分形特征 |
| 第五章 特征提取及优化选择 |
| 5.1 特征提取 |
| 5.1.1 基本概念 |
| 5.1.2 基于欧氏距离度量的特征提取 |
| 5.2 特征选择及优化选择 |
| 5.2.1 基本概念 |
| 5.2.2 模拟退火技术和遗传算法的基本原理 |
| 5.2.3 遗传算法 |
| 5.2.4 基于模拟退火和遗传算法的特征优化选择 |
| 5.3 本文所采用方法及实验结果分析 |
| 第六章 基于 HMM 的血细胞分类识别 |
| 6.1 隐马尔科夫模型(HMM) |
| 6.1.1 隐马尔科夫模型定义 |
| 6.1.2 隐马尔科夫模型的一些基本算法 |
| 6.2 基于 HMM 的血细胞图像分类识别 |
| 6.3 实验结果及与其他分类方法的比较 |
| 6.3.1 BP 神经网络分类器 |
| 6.3.2 Fisher 线性判别分析 |
| 6.3.3 K－近邻法 |
| 6.3.4 几种分类方法的性能比较 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士期间发表论文 |
| 详细摘要 |
四、基于多个前向神经网络和遗传算法的边界检测法（论文参考文献）
- [1]遗传算法优化前向神经网络结构和权重矢量研究[J]. 梁智珲. 信息与电脑(理论版), 2019(14)
- [2]高分辨率遥感影像道路目标识别与提取研究[D]. 许锐. 福州大学, 2018(03)
- [3]水面无人艇路径规划技术的研究[D]. 刘建. 江苏科技大学, 2014(03)
- [4]医学图像分割技术研究[J]. 张贵英,张先杰. 医学信息(上旬刊), 2011(01)
- [5]基于敲击振动、机器视觉和近红外光谱的禽蛋品质无损检测研究[D]. 林颢. 江苏大学, 2010(05)
- [6]医学图像分割技术新进展[J]. 方忠民. 长沙大学学报, 2008(05)
- [7]基于神经网络的工业CT图像边缘提取的算法研究[D]. 刘长江. 重庆大学, 2008(06)
- [8]运动模糊车牌图像恢复、定位与校正的研究[D]. 杨大力. 上海交通大学, 2008(06)
- [9]基于脉冲耦合神经网络的图像分割与融合研究[D]. 杨林森. 电子科技大学, 2008(05)
- [10]白细胞显微图像的分类识别研究[D]. 秦树伟. 苏州大学, 2007(04)