| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 注释表 | 第13-14页 |
| 缩略词 | 第14-15页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 课题的研究背景和意义 | 第15-17页 |
| 1.2 课题的国内外研究概况 | 第17-20页 |
| 1.2.1 刀具图像预处理 | 第17-18页 |
| 1.2.2 刀具图像磨损区域提取和边缘检测 | 第18-19页 |
| 1.2.3 刀具图像磨损状态识别 | 第19-20页 |
| 1.3 本文的章节安排及创新点 | 第20-22页 |
| 1.3.1 本文的章节安排 | 第20页 |
| 1.3.2 本文的主要创新点 | 第20-22页 |
| 第二章 基于非下采样Shearlet变换和快速非局部均值滤波的刀具图像去噪 | 第22-33页 |
| 2.1 引言 | 第22-23页 |
| 2.2 非下采样Shearlet变换 | 第23-25页 |
| 2.3 快速非局部均值滤波和DBUTM滤波 | 第25-29页 |
| 2.3.1 非局部均值滤波原理 | 第25-26页 |
| 2.3.2 一种快速非局部均值滤波方法 | 第26-28页 |
| 2.3.3 DBUTM滤波 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于引导滤波优化的Retinex和Contourlet变换的刀具图像增强 | 第33-42页 |
| 3.1 引言 | 第33-34页 |
| 3.2 引导滤波优化的Retinex增强 | 第34-37页 |
| 3.2.1 Retinex增强 | 第34-36页 |
| 3.2.2 图像的引导滤波 | 第36-37页 |
| 3.3 基于Contourlet变换的图像增强 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于L_0梯度最小化模型和改进CV模型的刀具磨损区域提取 | 第42-50页 |
| 4.1 引言 | 第42-43页 |
| 4.2 L_0梯度最小化模型和磨损区域初提取 | 第43-45页 |
| 4.2.1 L_0梯度最小化模型 | 第43页 |
| 4.2.2 磨损区域的初提取 | 第43-45页 |
| 4.3 基于改进CV模型的磨损区域提取 | 第45-47页 |
| 4.3.1 CV模型 | 第45-46页 |
| 4.3.2 基于梯度信息的加速因子 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 基于直线截距直方图的Arimoto熵和Zernike矩的刀具图像边缘检测 | 第50-59页 |
| 5.1 引言 | 第50-51页 |
| 5.2 基于直线截距直方图和Arimoto熵的图像分割 | 第51-53页 |
| 5.2.1 直线截距直方图 | 第51-52页 |
| 5.2.2 基于直线截距直方图的Arimoto熵分割准则 | 第52-53页 |
| 5.3 基于Zernike矩的亚像素边缘提取 | 第53-55页 |
| 5.3.1 Zernike矩原理 | 第53-54页 |
| 5.3.2 基于Zernike矩的边缘提取 | 第54-55页 |
| 5.4 实验结果与分析 | 第55-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 基于加工表面图像HLBP特征和优化SVM的刀具磨损状态识别 | 第59-68页 |
| 6.1 引言 | 第59-60页 |
| 6.2 基于等价模式HLBP的纹理特征提取 | 第60-63页 |
| 6.2.1 基于LBP的纹理特征提取原理 | 第60-61页 |
| 6.2.2 基于HLBP的纹理特征提取 | 第61-63页 |
| 6.3 基于混沌蜂群优化的支持向量机 | 第63-65页 |
| 6.4 实验结果与分析 | 第65-67页 |
| 6.5 本章小结 | 第67-68页 |
| 第七章 总结和展望 | 第68-71页 |
| 7.1 本文的主要工作 | 第68-69页 |
| 7.2 进一步的研究工作及展望 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 致谢 | 第79-80页 |
| 在学期间的研究成果及发表的学术论文 | 第80页 |
