| 摘要 | 第3-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第14-44页 |
| 1.1 选题背景和研究意义 | 第14-17页 |
| 1.2 裂纹图像检测系统及裂纹图像分割研究对象的基本概况 | 第17-20页 |
| 1.3 裂纹图像分割方法概况 | 第20-39页 |
| 1.3.1 空间域图像处理 | 第21-25页 |
| 1.3.2 频率域、小波域处理和多尺度几何分析 | 第25-30页 |
| 1.3.3 区域纹理描述 | 第30-32页 |
| 1.3.4 裂纹图像分割有监督学习方法 | 第32-36页 |
| 1.3.5 裂纹图像分割无监督学习方法 | 第36-39页 |
| 1.4 裂纹图像分割研究的热点、难点及存在的主要问题 | 第39-41页 |
| 1.4.1 裂纹图像分割研究的热点 | 第39页 |
| 1.4.2 裂纹图像分割研究的难点 | 第39-40页 |
| 1.4.3 裂纹图像分割研究当前存在的主要问题 | 第40-41页 |
| 1.5 本文的主要工作和组织结构 | 第41-44页 |
| 第二章 基于反对称双正交小波变换的裂纹图像边缘检测 | 第44-70页 |
| 2.1 引言 | 第44-45页 |
| 2.2 小波分析理论 | 第45-47页 |
| 2.2.1 小波基的数学特性 | 第45-47页 |
| 2.3 小波多尺度边缘检测 | 第47-52页 |
| 2.3.1 多尺度边缘检测方法概述 | 第47-48页 |
| 2.3.2 基于二进小波变换的快速多尺度边缘检测 | 第48-49页 |
| 2.3.3 基于反对称双正交小波半重构特性的模极大值边缘检测 | 第49-52页 |
| 2.4 基于小波变换的模极大值裂纹边缘检测实验 | 第52-69页 |
| 2.4.1 Haar(haar-s)、Dyadic(dyadic-s)、Discrete Meyer(dmey-s)小波和Coiflet(coifN-s)小波系 | 第52-55页 |
| 2.4.2 Daubechies(dbN)小波系 | 第55-57页 |
| 2.4.3 Symlets(symN)小波系 | 第57-60页 |
| 2.4.4 Biorthogonal(biorNr.Nd-s)小波 | 第60-62页 |
| 2.4.5 Reverse Biorthogonal(rbioNr.Nd-s)小波系 | 第62-65页 |
| 2.4.6 反对称双正交小波半重构(hrbioNr.Nd) | 第65-67页 |
| 2.4.7 小波与传统边缘检测方法的比较 | 第67-69页 |
| 2.5 本章小结 | 第69-70页 |
| 第三章 基于多尺度降采样归一化割的裂纹图像分割 | 第70-92页 |
| 3.1 引言 | 第70-71页 |
| 3.2 多尺度归一化割 | 第71-74页 |
| 3.2.1 多尺度归一化割的优化求解 | 第71-72页 |
| 3.2.2 多尺度相似矩阵W和跨尺度约束矩阵C | 第72-74页 |
| 3.3 基于反对称双正交小波变换的多尺度归一化分割方法 | 第74-82页 |
| 3.3.1 方法概述 | 第74-76页 |
| 3.3.2 裂纹图像数据库分割结果及分析 | 第76-82页 |
| 3.4 基于小波边缘检测的多尺度降采样归一化割方法 | 第82-90页 |
| 3.4.1 方法概述 | 第83-86页 |
| 3.4.2 裂纹图像数据库分割结果及分析 | 第86-90页 |
| 3.5 本章小结 | 第90-92页 |
| 第四章 基于多尺度结构化森林的快速裂纹图像分割 | 第92-110页 |
| 4.1 引言 | 第92页 |
| 4.2 融合小波边缘检测于多尺度结构化森林的快速图像裂纹分割 | 第92-97页 |
| 4.2.1 特征通道提取和离散化映射 | 第93-95页 |
| 4.2.2 训练结构化森林分类器 | 第95-97页 |
| 4.2.3 多尺度边缘检测 | 第97页 |
| 4.3 裂纹图像分割结果及分析 | 第97-108页 |
| 4.3.1 裂纹图像数据库分割结果及分析 | 第97-104页 |
| 4.3.2 钢梁图像数据库裂纹分割结果及分析 | 第104-108页 |
| 4.4 本章小结 | 第108-110页 |
| 第五章 基于深度学习的全卷积网络裂纹图像分割 | 第110-130页 |
| 5.1 引言 | 第110-111页 |
| 5.2 基于深度学习的卷积神经网络 | 第111-116页 |
| 5.2.1 CNN卷积神经网络 | 第111-113页 |
| 5.2.2 FCN全卷积神经网络 | 第113-116页 |
| 5.3 基于深度学习的全卷积裂纹神经网络 | 第116-121页 |
| 5.3.1 Crack FCN网络模型结构 | 第117页 |
| 5.3.2 Crack FCN网络模型参数 | 第117-119页 |
| 5.3.3 Crack FCN网络模型搭建流程 | 第119-121页 |
| 5.4 裂纹图像数据库分割结果及分析 | 第121-129页 |
| 5.4.1 Crack FCN网络训练和验证 | 第121-125页 |
| 5.4.2 Crack FCN网络测试与比较 | 第125-126页 |
| 5.4.3 论文方法分割结果比较及分析 | 第126-129页 |
| 5.5 本章小结 | 第129-130页 |
| 第六章 结论和展望 | 第130-134页 |
| 6.1 结论 | 第130-131页 |
| 6.2 主要创新点 | 第131页 |
| 6.3 展望 | 第131-134页 |
| 致谢 | 第134-136页 |
| 参考文献 | 第136-156页 |
| 附录A: 攻读博士期间发表与录用论文情况 | 第156-157页 |
| 附录B: 攻读博士期间申请及公布专利情况 | 第157-158页 |
| 附录C: 攻读博士期间参与基金 | 第158-159页 |
| 附录D: 攻读博士期间参与项目 | 第159页 |
