基于实例学习的套损情况智能识别
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9页 |
| ·国内外研究现状 | 第9-12页 |
| ·成像测井图像噪声处理研究现状 | 第9-10页 |
| ·活动轮廓模型分割方法研究现状 | 第10-11页 |
| ·实例学习研究现状 | 第11-12页 |
| ·本文主要研究内容 | 第12-13页 |
| ·本文组织结构 | 第13-14页 |
| 第二章 相关理论 | 第14-19页 |
| ·套管检测技术 | 第14-16页 |
| ·套管损坏原因 | 第14页 |
| ·套管损坏类型 | 第14-15页 |
| ·套管检测方法 | 第15页 |
| ·超声成像测井原理 | 第15-16页 |
| ·图像去噪与图像分割 | 第16-17页 |
| ·图像去噪简介 | 第16-17页 |
| ·图像分割原理 | 第17页 |
| ·实例学习的相关理论 | 第17-18页 |
| ·实例学习简介 | 第17-18页 |
| ·决策树简介 | 第18页 |
| ·本章小结 | 第18-19页 |
| 第三章 双正交小波变换的多层改进阈值去噪方法 | 第19-27页 |
| ·基于小波变换的阈值去噪方法 | 第19-20页 |
| ·小波阈值去噪原理 | 第19-20页 |
| ·小波变换特点 | 第20页 |
| ·双正交小波变换阈值去噪 | 第20-21页 |
| ·双正交小波变换基本原理 | 第20-21页 |
| ·双正交小波的分解与重构 | 第21页 |
| ·多层改进阈值计算方法 | 第21-23页 |
| ·实验及结果分析 | 第23-26页 |
| ·小结 | 第26-27页 |
| 第四章 改进的几何活动轮廓模型的分割算法 | 第27-43页 |
| ·传统图像分割算法缺陷 | 第27页 |
| ·活动轮廓模型分割算法相关原理 | 第27-33页 |
| ·活动轮廓模型原理 | 第27-28页 |
| ·变分法与梯度下降法原理 | 第28-30页 |
| ·曲线演化理论 | 第30-32页 |
| ·水平集理论 | 第32-33页 |
| ·改进的几何活动轮廓模型分割算法的研究 | 第33-37页 |
| ·几何活动轮廓模型原理 | 第33-34页 |
| ·改进的简化的 M-S（C-V）模型 | 第34-37页 |
| ·相关实验 | 第37-41页 |
| ·实验评估标准 | 第37-38页 |
| ·C_V 模型与传统边缘算子分割算法比较 | 第38-39页 |
| ·不同参数的改进的 C_V 模型算法比较 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 第五章 基于实例学习的套损类型智能识别算法 | 第43-50页 |
| ·不同套管损坏类型的特征 | 第43-44页 |
| ·不同套损类型在图像上显示的特征 | 第43页 |
| ·不同套损类型特征提取 | 第43-44页 |
| ·决策树生成 | 第44-46页 |
| ·ID3 算法 | 第44-45页 |
| ·决策树构造算法 | 第45-46页 |
| ·ID3 算法生成实例 | 第46-48页 |
| ·决策树分类精度分析 | 第48-49页 |
| ·小结 | 第49-50页 |
| 第六章 套损情况智能识别系统 | 第50-57页 |
| ·系统设计 | 第50-51页 |
| ·系统流程 | 第50页 |
| ·系统功能设计 | 第50-51页 |
| ·数据预处理 | 第51-53页 |
| ·数据解编 | 第51页 |
| ·图像预处理 | 第51-53页 |
| ·套管损坏类型识别 | 第53-55页 |
| ·图像分割 | 第53-54页 |
| ·智能识别套损类型 | 第54-55页 |
| ·成果图输出 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 发表文章目录 | 第61-62页 |
| 致谢 | 第62-63页 |
| 详细摘要 | 第63-70页 |
