| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 机器视觉检测技术 | 第14-15页 |
| 1.2.2 机器视觉国内外研究现状 | 第15-17页 |
| 1.2.3 羽毛片图像处理研究现状 | 第17-18页 |
| 1.3 本课题的研究目标、研究内容和解决的关键技术 | 第18-19页 |
| 1.3.1 研究目标 | 第18页 |
| 1.3.2 研究内容 | 第18-19页 |
| 1.4 本文结构 | 第19-20页 |
| 第二章 羽毛片检测系统 | 第20-34页 |
| 2.1 羽毛检测系统硬件结构 | 第20-31页 |
| 2.1.1 光源系统 | 第20-23页 |
| 2.1.2 照明方式 | 第23-25页 |
| 2.1.3 镜头选取 | 第25-27页 |
| 2.1.4 相机 | 第27-30页 |
| 2.1.5 千兆网卡与光源控制 | 第30-31页 |
| 2.2 软件系统 | 第31-32页 |
| 2.3 图像采集 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 羽毛图像增强技术研究 | 第34-46页 |
| 3.1 引言 | 第34-35页 |
| 3.2 常见图像增强方法 | 第35-38页 |
| 3.2.1 灰度变换原理 | 第35页 |
| 3.2.2 直接灰度变换 | 第35-36页 |
| 3.2.3 直方图均衡化 | 第36-38页 |
| 3.3 基于Retinex理论的图像增强算法 | 第38-41页 |
| 3.3.1 单尺度Retinex算法 | 第39-40页 |
| 3.3.2 多尺度Retinex算法 | 第40页 |
| 3.3.3 多尺度彩色恢复Retinex算法 | 第40-41页 |
| 3.4 改进的自适应图像增强算法 | 第41-43页 |
| 3.4.1 基于Retinex的自适应增强算法 | 第41页 |
| 3.4.2 本文采用的传导函数 | 第41-42页 |
| 3.4.3 本文改进的计算方法 | 第42-43页 |
| 3.5 实验结果与分析 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 关于羽毛杆提取的图像去噪方法研究 | 第46-59页 |
| 4.1 引言 | 第46-47页 |
| 4.2 常用滤波方法 | 第47-49页 |
| 4.2.1 均值滤波 | 第47-48页 |
| 4.2.2 中值滤波 | 第48页 |
| 4.2.3 高斯滤波 | 第48-49页 |
| 4.2.4 维纳滤波 | 第49页 |
| 4.3 基于均值漂移算法的羽毛杆提取的图像去噪 | 第49-54页 |
| 4.3.1 均值漂移简介 | 第50页 |
| 4.3.2 基本均值漂移 | 第50-51页 |
| 4.3.3 扩展形式 | 第51-52页 |
| 4.3.4 Mean Shift的物理意义 | 第52-54页 |
| 4.4 均值漂移在图像去噪方面的应用 | 第54-55页 |
| 4.5 图像质量评价 | 第55-56页 |
| 4.6 实验结果与分析 | 第56-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第五章 皱毛缺陷的图像分割 | 第59-70页 |
| 5.1 图像分割方法简介 | 第59-62页 |
| 5.1.1 图像分割基本概念 | 第59-60页 |
| 5.1.2 常用分割方法简介 | 第60-62页 |
| 5.2 水平集理论 | 第62-65页 |
| 5.2.1 曲线演化理论 | 第62-63页 |
| 5.2.2 水平集方法 | 第63-65页 |
| 5.3 基于CV水平集方法的皱毛缺陷分割 | 第65-69页 |
| 5.3.1 单水平集CV模型 | 第65-66页 |
| 5.3.2 水平集CV模型 | 第66-68页 |
| 5.3.3 实验结果 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间发表论文和获奖 | 第76-78页 |
| 致谢 | 第78页 |