幾何圖元 脈沖耦合神經(jīng)網(wǎng)絡(luò) 粒子群 形態(tài)識別、Hough變換 LED檢測

1、 幾何圖元論文：幾何圖元分析處理若干問題的研究【中文摘要】計算機(jī)視覺圖像中所涉及的目標(biāo)對象大多數(shù)可分解為由多個可解析的函數(shù)式來表達(dá)的幾何基元,如點、直線段、圓、矩形等。通過這些幾何基元組合的幾何圖元可以用來描述目標(biāo)對象,尤其是在工業(yè)過程的計算機(jī)視覺檢測、控制系統(tǒng)中。目標(biāo)對象形態(tài)的幾何學(xué)特性十分有助于提高視覺系統(tǒng)應(yīng)用算法的精度、效率。本文主要針對幾何圖元分析與處理過程中三個關(guān)鍵技術(shù)點:圖像分割、圖元形態(tài)識別和圖元形位參數(shù)檢測進(jìn)行分析。在一些經(jīng)典算法的基礎(chǔ)上,引入脈沖耦合神經(jīng)網(wǎng)絡(luò)、粒子群算法等智能信息處理技術(shù),構(gòu)建了自動圖像分割算法、幾何圖元形態(tài)識別算法及形位參數(shù)檢測算法。并分別將上述算法應(yīng)用于L

2、ED芯片檢測系統(tǒng)中LED芯片形位參數(shù)檢測和伺服運動控制系統(tǒng)的標(biāo)定。相關(guān)的研究工作和主要內(nèi)容如下:(1)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的自動圖像分割算法脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Networks, PCNN)是模擬小型哺乳動物視覺神經(jīng)細(xì)胞活動而得到的一種新型神經(jīng)網(wǎng)絡(luò)。利用PCNN神經(jīng)元的脈沖耦合特性,圖像分割按照像素點的灰度相似性及空間分布的相似性來進(jìn)行,分割過程完全依賴于圖像的自然屬性,有利保存圖像的細(xì)節(jié)。針對PCNN參數(shù)眾多和結(jié).【英文摘要】Most objects involving Computer Vision and Image Processing can

3、be decomposed into several geometric primitives, which can be expressed by analytical functions, such as points, line segments, circles, rectangles, etc. Particularly in the computer vision inspection system and control system, the geometric elements, which composed by geometric primitives, are used

4、 to describe objects. The geometrical properties of the objects are very helpful to improve the accuracy and efficiency of computer vision algorithm.【關(guān)鍵詞】幾何圖元 脈沖耦合神經(jīng)網(wǎng)絡(luò) 粒子群 形態(tài)識別、Hough變換 LED檢測【英文關(guān)鍵詞】geometric primitive pulse coupled neural networks particle swarm optimization shape recognition hough t

5、ransform LED die inspection【索購全文】聯(lián)系Q1：138113721 Q2：139938848【目錄】幾何圖元分析處理若干問題的研究摘要5-7Abstract7-9第一章 緒論13-181.1 引言13-141.2 幾何圖元分析處理概述14-161.2.1 基本流程14-151.2.2 若干研究問題15-161.3 課題來源161.4 論文主要工作和內(nèi)容安排16-18第二章 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割18-332.1 經(jīng)典圖像分割技術(shù)及準(zhǔn)則18-212.1.1 經(jīng)典圖像分割技術(shù)18-192.1.2 分割質(zhì)量評價準(zhǔn)則19-212.2 基于PCNN 的圖像分割算法設(shè)計

6、21-252.2.1 PCNN 模型選取21-232.2.2 分割過程分析23-242.2.3 算法設(shè)計24-252.3 粒子群優(yōu)化PCNN 模型參數(shù)算法25-272.3.1 粒子群算法機(jī)理25-262.3.2 粒子群算法改進(jìn)262.3.3 適應(yīng)度函數(shù)設(shè)計26-272.3.4 優(yōu)化算法設(shè)計272.4 實驗結(jié)果27-32本章小結(jié)32-33第三章 圖元形態(tài)識別33-423.1 圖元特征描述方法33-373.1.1 基本特征描述子33-353.1.2 基于變換的特征35-373.2 不變矩形狀識別37-393.2.1 規(guī)則矩定義37-383.2.2 Hu 不變矩383.2.3 輪廓矩38-393.3

7、 實驗分析39-41本章小結(jié)41-42第四章 基于Hough 變換的圖元檢測42-624.1 Hough 變換選取42-454.1.1 典型Hough 變換方法比較43-444.1.2 RHT 算法關(guān)鍵點44-454.2 引入最小二乘法45-474.2.1 直線擬合45-464.2.2 圓擬合46-474.3 基于RHT-LSM 的圖元檢測算法47-534.3.1 算法思想47-494.3.2 直線檢測算法494.3.3 矩形檢測算法49-504.3.4 圓檢測算法50-524.3.5 多目標(biāo)檢測52-534.4 實驗分析53-614.4.1 仿真圖實驗53-564.4.2 殘缺檢測實驗56-584.4.3 多目標(biāo)檢測實驗58-604.4.4 抗噪實驗60-61本章小結(jié)61-62第五章 LED 芯片視覺檢測系統(tǒng)應(yīng)用實驗62-765.1 實驗裝置概述62-645.1.1 視覺檢測系統(tǒng)組成62-635.1.2 視覺檢測工作流程63-645.2 LED 視覺檢測實驗64-705.2.1 電極形態(tài)識別64-695.2.2 參數(shù)計算69-70