| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 注释表 | 第13-14页 |
| 缩略词 | 第14-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 铁轨表面缺陷检测的研究背景和意义 | 第15页 |
| 1.2 铁轨表面缺陷检测的国内外研究现状 | 第15-19页 |
| 1.2.1 铁轨表面缺陷图像去噪 | 第15-16页 |
| 1.2.2 铁轨表面缺陷边缘检测 | 第16-17页 |
| 1.2.3 铁轨表面缺陷分割 | 第17-18页 |
| 1.2.4 铁轨表面缺陷特征提取与分类 | 第18-19页 |
| 1.3 本文的章节安排及创新点 | 第19-21页 |
| 1.3.1 本文的章节安排 | 第19页 |
| 1.3.2 本文的创新点 | 第19-21页 |
| 第二章 基于Shearlet域各向异性扩散的铁轨表面缺陷图像去噪 | 第21-30页 |
| 2.1 引言 | 第21-22页 |
| 2.2 非下采样Shearlet变换(NSST) | 第22-23页 |
| 2.3 K-奇异值分解与核各向异性扩散 | 第23-24页 |
| 2.3.1 K-奇异值分解(K-SVD)算法 | 第23-24页 |
| 2.3.2 核各向异性扩散(KAD)去噪算法 | 第24页 |
| 2.4 方法步骤与流程图 | 第24-25页 |
| 2.5 实验结果与分析 | 第25-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于核模糊聚类和正则化的铁轨表面缺陷图像去噪 | 第30-39页 |
| 3.1 引言 | 第30-31页 |
| 3.2 核模糊C均值聚类 | 第31-32页 |
| 3.3 基于正则化的稀疏去噪算法 | 第32-33页 |
| 3.3.1 改进的K-SVD更新算法 | 第32页 |
| 3.3.2 范数正则化约束 | 第32-33页 |
| 3.4 方法步骤与流程图 | 第33-34页 |
| 3.5 实验结果与分析 | 第34-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章基于Shearlet域改进蜂群的铁轨表面缺陷图像边缘检测 | 第39-48页 |
| 4.1 引言 | 第39-40页 |
| 4.2 Shearlet域铁轨表面缺陷图像边缘检测 | 第40-42页 |
| 4.2.1 基于改进蜂群算法的低频分量边缘检测 | 第40-42页 |
| 4.2.2 基于方向模极大值的高频分量边缘检测 | 第42页 |
| 4.3 边缘检测方法的步骤与流程图 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 基于混沌蜂群优化的Arimoto熵铁轨缺陷图像双阈值分割 | 第48-57页 |
| 5.1 引言 | 第48-49页 |
| 5.2 Arimoto熵阈值选取 | 第49-52页 |
| 5.2.1 Arimoto熵单阈值选取 | 第49-50页 |
| 5.2.2 Arimoto熵双阈值选取 | 第50-52页 |
| 5.3 混沌蜂群优化 | 第52-53页 |
| 5.3.1 人工蜂群优化算法 | 第52页 |
| 5.3.2 基于Tent映射混沌的局部搜索算子 | 第52-53页 |
| 5.4 阈值分割方法步骤 | 第53-54页 |
| 5.5 实验结果与分析 | 第54-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 基于稀疏表示和随机森林的铁轨表面缺陷分类 | 第57-64页 |
| 6.1 引言 | 第57-58页 |
| 6.2 铁轨表面缺陷图像稀疏特征提取 | 第58-59页 |
| 6.2.1 构造特征向量 | 第58页 |
| 6.2.2 特征向量降维变换 | 第58-59页 |
| 6.3 基于随机森林的铁轨表面缺陷分类 | 第59-60页 |
| 6.3.1 学习过程 | 第59页 |
| 6.3.2 预测过程 | 第59-60页 |
| 6.3.3 方法步骤 | 第60页 |
| 6.4 实验结果与分析 | 第60-63页 |
| 6.5 本章小结 | 第63-64页 |
| 第七章 总结和展望 | 第64-66页 |
| 7.1 本文的主要工作 | 第64-65页 |
| 7.2 下一步的研究工作及展望 | 第65-66页 |
| 参考文献 | 第66-73页 |
| 致谢 | 第73-74页 |
| 在学期间的研究成果及发表的学术论文 | 第74页 |
