首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

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

论文共92页,点击 下载论文
上一篇:常微分方程边值问题正解的存在性
下一篇:常微分方程在数学建模的应用