基于机器学习的图像畸变校正及测温误差分析
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-12页 |
| 1.1 课题背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-11页 |
| 1.2.1 机器学习 | 第8-9页 |
| 1.2.2 图像校正 | 第9-10页 |
| 1.2.3 温度校正 | 第10-11页 |
| 1.3 论文的结构与研究内容 | 第11-12页 |
| 2 图像畸变与神经网络理论 | 第12-22页 |
| 2.1 图像畸变理论 | 第12-15页 |
| 2.1.1 图像畸变简介 | 第12页 |
| 2.1.2 PI640红外热成像仪 | 第12-13页 |
| 2.1.3 桶形畸变数学模型 | 第13-15页 |
| 2.2 神经网络理论 | 第15-21页 |
| 2.2.1 BP神经网络 | 第15-17页 |
| 2.2.2 改进的LM-BP神经网络 | 第17-18页 |
| 2.2.3 RBF神经网络 | 第18-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于神经网络的图像校正实验 | 第22-33页 |
| 3.1 红外图像采集及精度指标 | 第22-23页 |
| 3.1.1 红外图像采集 | 第22-23页 |
| 3.1.2 校正精度指标 | 第23页 |
| 3.2 LM-BP网络校正图像 | 第23-27页 |
| 3.2.1 LM-BP网络畸变校正模型 | 第23-26页 |
| 3.2.2 实验仿真与分析 | 第26-27页 |
| 3.3 RBF网络校正图像 | 第27-29页 |
| 3.3.1 RBF畸变校正模型 | 第27页 |
| 3.3.2 仿真实验 | 第27-29页 |
| 3.4 对比分析与应用 | 第29-32页 |
| 3.4.1 校正结果对比分析 | 第29-30页 |
| 3.4.2 工程应用 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于XGBoost测温误差分析 | 第33-58页 |
| 4.1 测温实验 | 第33-37页 |
| 4.1.1 测量工具 | 第33-35页 |
| 4.1.2 飞行状况 | 第35-37页 |
| 4.1.3 测试过程 | 第37页 |
| 4.2 数据预处理 | 第37-41页 |
| 4.2.1 数据提取 | 第37-39页 |
| 4.2.2 温度误差分析 | 第39-41页 |
| 4.3 XGBoost提高测温精度 | 第41-49页 |
| 4.3.1 XGBoost原理 | 第41-44页 |
| 4.3.2 XGBoost拟合温度实验 | 第44-49页 |
| 4.4 XGBoost误差分析 | 第49-56页 |
| 4.4.1 影响因素重要性分析 | 第49-51页 |
| 4.4.2 姿态角的影响 | 第51-52页 |
| 4.4.3 风速影响 | 第52-54页 |
| 4.4.4 气温与湿度的影响 | 第54-56页 |
| 4.5 本章小结 | 第56-58页 |
| 结论与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
