列车运行动态监测系统中故障图像识别算法的研究
摘要 | 第1-5页 |
Abstract | 第5-7页 |
目录 | 第7-11页 |
1 绪论 | 第11-14页 |
·课题背景和意义 | 第11页 |
·图像识别在国内外研究现状 | 第11-13页 |
·本文主要工作及内容安排 | 第13-14页 |
2 图像的预处理 | 第14-33页 |
·引言 | 第14页 |
·图像去噪 | 第14-21页 |
·空间滤波 | 第14-16页 |
·线性空间滤波 | 第15-16页 |
·非线性空间滤波 | 第16页 |
·均值滤波 | 第16-18页 |
·均值滤波原理 | 第16-18页 |
·实验结果 | 第18页 |
·中值滤波 | 第18-21页 |
·中值滤波原理 | 第18-19页 |
·自适应中值滤波 | 第19-20页 |
·实验结果 | 第20-21页 |
·图像锐化 | 第21-24页 |
·基于拉普拉斯算子的空间锐化滤波器 | 第21-22页 |
·频域锐化滤波器 | 第22-23页 |
·实验结果 | 第23-24页 |
·图像修正 | 第24-27页 |
·直方图均衡化 | 第24-26页 |
·实验结果 | 第26-27页 |
·图像尺度变换 | 第27-32页 |
·图像空间几何变换 | 第28-29页 |
·图像重采样 | 第29-31页 |
·实现结果 | 第31-32页 |
·本章小结 | 第32-33页 |
3 图像特征提取和特征选择 | 第33-60页 |
·引言 | 第33页 |
·图像特征提取 | 第33-39页 |
·几何结构特征的提取算法 | 第33-36页 |
·边缘特征 | 第33-34页 |
·点特征 | 第34-35页 |
·线特征 | 第35-36页 |
·统计特征的提取算法 | 第36-37页 |
·变换域特征的提取算法 | 第37-38页 |
·傅立叶描绘子 | 第37-38页 |
·小波描绘子 | 第38页 |
·小结 | 第38-39页 |
·图像的纹理特征 | 第39-42页 |
·纹理特征提取方法概述 | 第39-40页 |
·基于灰度共生矩阵的纹理特征提取 | 第40-42页 |
·灰度共生矩阵 | 第40-41页 |
·纹理特征 | 第41-42页 |
·图像特征选择 | 第42-51页 |
·主成份分析算法 | 第42-45页 |
·基于Relief算法的特征选择 | 第45-46页 |
·基于ReliefF算法的特征选择 | 第46-47页 |
·基于Q-ReliefF算法的特征选择 | 第47-51页 |
·Relief相关算法的缺点 | 第47-50页 |
·Q-ReliefF算法 | 第50-51页 |
·特征选择算法时间复杂度分析 | 第51-52页 |
·实验结果 | 第52-59页 |
·实验一 | 第52-55页 |
·PCA算法仿真 | 第52-53页 |
·ReliefF、Q-ReliefF仿真 | 第53-54页 |
·结果分析 | 第54-55页 |
·实验二 | 第55-59页 |
·本章小结 | 第59-60页 |
4 列车图像故障识别和故障定位 | 第60-78页 |
·引言 | 第60页 |
·图像识别 | 第60-72页 |
·分类与聚类的区别 | 第60页 |
·k近邻分类算法 | 第60-61页 |
·k近邻算法原理 | 第60-61页 |
·k近邻算法性能分析 | 第61页 |
·SVM分类算法 | 第61-66页 |
·线性SVM | 第62-64页 |
·非线性SVM | 第64-66页 |
·SVM性能分析 | 第66页 |
·人工神经网络分类算法 | 第66-70页 |
·BP神经网络原理 | 第67-70页 |
·BP神经网络性能分析 | 第70页 |
·实验结果 | 第70-72页 |
·故障区域定位 | 第72-75页 |
·SIFT算子 | 第72-75页 |
·实验结果 | 第75-77页 |
·本章小结 | 第77-78页 |
5 列车故障自动检测系统设计 | 第78-84页 |
·基于MATLAB的列车部件检测系统设计 | 第78-79页 |
·列车部件故障检测系统的应用 | 第79-83页 |
·本章小结 | 第83-84页 |
6 总结和展望 | 第84-86页 |
·总结 | 第84-85页 |
·展望 | 第85-86页 |
参考文献 | 第86-90页 |
个人简历 | 第90-91页 |
在学期间发表的学术论文与研究成果 | 第91-92页 |
致谢 | 第92页 |