基于半监督学习的路面病害检测与分类算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 图像增强算法发展现状 | 第10-11页 |
| 1.2.2 图像分割算法发展现状 | 第11页 |
| 1.2.3 特征提取的发展现状 | 第11-12页 |
| 1.2.4 路面病害分类算法发展现状 | 第12-14页 |
| 1.2.5 半监督学习分类研究现状 | 第14-16页 |
| 1.3 本文研究内容及技术方案 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术方案 | 第17-18页 |
| 1.4 本文章节安排 | 第18-19页 |
| 第2章 路面图像预处理 | 第19-34页 |
| 2.1 常用图像增强算法 | 第19-25页 |
| 2.1.1 灰度化处理 | 第19-20页 |
| 2.1.2 直方图均衡化处理 | 第20-23页 |
| 2.1.3 维纳滤波 | 第23-25页 |
| 2.2 本文采用的图像增强算法 | 第25-27页 |
| 2.2.1 灰度化 | 第25页 |
| 2.2.2 去光照 | 第25-27页 |
| 2.3 常用图像分割算法 | 第27-31页 |
| 2.3.1 Roberts 交叉算子 | 第27-28页 |
| 2.3.2 LoG 算子 | 第28-29页 |
| 2.3.3 模糊聚类分割法 | 第29-31页 |
| 2.4 本文采用的图像分割算法 | 第31-33页 |
| 2.4.1 阈值分割 | 第31-32页 |
| 2.4.2 去除孤立点 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 路面图像特征提取与病害检测 | 第34-43页 |
| 3.1 路面图像特征提取 | 第34-39页 |
| 3.1.1 病害区域投影向量 | 第34-35页 |
| 3.1.2 病害长度与宽度 | 第35-36页 |
| 3.1.3 病害区域像素总数 | 第36-37页 |
| 3.1.4 Radon 变换相关参数 | 第37-39页 |
| 3.2 基于 RADON 变换的病害检测算法 | 第39-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 基于监督学习的路面病害分类 | 第43-53页 |
| 4.1 基于 RADON 变换的病害分类 | 第43-45页 |
| 4.2 基于 SVM 的病害检测与分类 | 第45-52页 |
| 4.2.1 支持向量机(SVM)相关概念 | 第45-47页 |
| 4.2.2 支持向量机(SVM)的数学描述 | 第47-49页 |
| 4.2.3 特征参数归一化处理 | 第49-51页 |
| 4.2.4 基于 SVM 的病害自动分类 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 基于半监督学习的路面病害分类 | 第53-63页 |
| 5.1 半监督学习理论基础 | 第53-56页 |
| 5.1.1 多类分类问题的数学描述 | 第53-54页 |
| 5.1.2 多类分类问题的决策函数 | 第54页 |
| 5.1.3 半监督学习的多分类算法 | 第54-56页 |
| 5.2 基于半监督学习的病害自动分类 | 第56-60页 |
| 5.2.1 可靠性优先规则 | 第56-57页 |
| 5.2.2 仿真分类结果 | 第57-60页 |
| 5.3 与基于 SVM 的分类效果对比 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士期间的研究成果 | 第69页 |
