| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第18-19页 |
| 1 引言 | 第19-37页 |
| 1.1 研究目的和意义 | 第19-21页 |
| 1.2 数字图像处理技术研究现状 | 第21-32页 |
| 1.2.1 数字图像处理技术概述 | 第21-23页 |
| 1.2.2 数字图像处理技术特点及应用 | 第23-26页 |
| 1.2.3 数字图像处理技术在混凝土裂缝检测中的研究现状 | 第26-30页 |
| 1.2.4 土工三轴试验土样动力变形测量方法研究现状 | 第30-32页 |
| 1.3 目前研究中存在的问题 | 第32-34页 |
| 1.3.1 混凝土裂缝识别研究中存在的问题 | 第32页 |
| 1.3.2 混凝土区域变形测量存在的问题 | 第32-33页 |
| 1.3.3 动荷载作用下土样变形测量的存在的问题 | 第33-34页 |
| 1.4 本文的主要研究内容和章节安排 | 第34-37页 |
| 2 基于数字图像处理的混凝土裂缝识别 | 第37-63页 |
| 2.1 基于混合人工鱼群的图像模糊增强算法 | 第37-45页 |
| 2.1.1 模糊隶属度函数设计 | 第38-39页 |
| 2.1.2 人工鱼群算法 | 第39页 |
| 2.1.3 Powell算法 | 第39-40页 |
| 2.1.4 人工鱼群优化算法的改进 | 第40-42页 |
| 2.1.5 裂缝图像增强算法 | 第42页 |
| 2.1.6 实验结果与分析 | 第42-45页 |
| 2.2 不均匀灰度图像背景的增强算法 | 第45-51页 |
| 2.2.1 像素的分类 | 第46-48页 |
| 2.2.2 不同的模糊隶属度函数设计 | 第48-49页 |
| 2.2.3 基于像素分类的图像灰度均匀增强算法 | 第49-50页 |
| 2.2.4 实验结果与分析 | 第50-51页 |
| 2.2.5 上述两种算法的比较 | 第51页 |
| 2.3 基于灰度和分形理论的裂缝识别算法 | 第51-58页 |
| 2.3.1 分形理论 | 第51-52页 |
| 2.3.2 裂缝分形特征的研究 | 第52-54页 |
| 2.3.3 分形维数的计算方法 | 第54页 |
| 2.3.4 混凝土裂缝的统计特征 | 第54-55页 |
| 2.3.5 基于统计特征的裂缝边缘检测算法 | 第55-56页 |
| 2.3.6 实验结果与分析 | 第56-58页 |
| 2.4 基于形状特征的二维最大熵裂缝图像分割 | 第58-62页 |
| 2.4.1 图像的形状特征 | 第58-59页 |
| 2.4.2 二维最大熵理论 | 第59-60页 |
| 2.4.3 基于形状特征的二维最大熵图像分割 | 第60页 |
| 2.4.4 实验结果与分析 | 第60-62页 |
| 2.5 本章小结 | 第62-63页 |
| 3 裂缝图像拼接与形态分类 | 第63-98页 |
| 3.1 裂缝图像的拼接 | 第63-76页 |
| 3.1.1 Sift特征点提取 | 第64-65页 |
| 3.1.2 一种特征点快速匹配算法 | 第65-68页 |
| 3.1.3 具体的算法实现 | 第68-70页 |
| 3.1.4 实验结果与分析 | 第70-74页 |
| 3.1.5 仿射变换参数的计算 | 第74-75页 |
| 3.1.6 图像融合结果 | 第75-76页 |
| 3.2 裂缝形态的分类 | 第76-90页 |
| 3.2.1 分类预处理 | 第77-79页 |
| 3.2.2 形态特征提取 | 第79-83页 |
| 3.2.3 极限学习机原理 | 第83-85页 |
| 3.2.4 基于量子粒子群优化的ELM裂缝形态分类模型 | 第85-87页 |
| 3.2.5 实验结果和分析 | 第87-90页 |
| 3.3 基于数值图像的混凝土结构的模型构建以及有限元网格自动生成 | 第90-95页 |
| 3.3.1 不连续边缘的连接 | 第90-93页 |
| 3.3.2 裂缝边缘多边形拟合 | 第93-94页 |
| 3.3.3 有限元网络自动生成 | 第94页 |
| 3.3.4 实验结果与分析 | 第94-95页 |
| 3.4 应用举例 | 第95-97页 |
| 3.5 本章小结 | 第97-98页 |
| 4 混凝土裂缝区域变形场的测量 | 第98-123页 |
| 4.1 数字图像相关法 | 第98页 |
| 4.2 相关搜索算法原理 | 第98-100页 |
| 4.3 基于粒子群优化的数字图像相关法 | 第100-104页 |
| 4.3.1 基本粒子群算法的工作原理 | 第100-101页 |
| 4.3.2 基于改进粒子群的相关搜索算法 | 第101-102页 |
| 4.3.3 实验结果与分析 | 第102-104页 |
| 4.4 基于人工蜂群优化的数字图像相关法 | 第104-111页 |
| 4.4.1 基本人工蜂群算法的工作原理 | 第105-106页 |
| 4.4.2 基于改进人工蜂群的相关搜索算法 | 第106-107页 |
| 4.4.3 实验结果与分析 | 第107-109页 |
| 4.4.4 两种改进算法的比较 | 第109-111页 |
| 4.5 基于RBF神经网络的位移场插值 | 第111-122页 |
| 4.5.1 神经网络插值问题 | 第111页 |
| 4.5.2 RBF神经网络 | 第111-113页 |
| 4.5.3 RBF神经网络插值模型 | 第113-114页 |
| 4.5.4 RBF神经网络参数的优化 | 第114-117页 |
| 4.5.5 实验结果与分析 | 第117-122页 |
| 4.6 本章小结 | 第122-123页 |
| 5 动三轴试验土样变形场的测量 | 第123-150页 |
| 5.1 图像土工动三轴试验原理 | 第123页 |
| 5.2 土工动三轴试验系统组成 | 第123-129页 |
| 5.2.1 动三轴试验机结构 | 第123-124页 |
| 5.2.2 数字图像测量系统 | 第124-129页 |
| 5.3 图像测量系统的实现 | 第129-140页 |
| 5.3.1 亚像素角点检测基本原理 | 第129-130页 |
| 5.3.2 试验机与图像测量系统的同步实现 | 第130-131页 |
| 5.3.3 位移计算的实现 | 第131-133页 |
| 5.3.4 试样全表面变形测量的实现 | 第133-137页 |
| 5.3.5 测量系统的精度 | 第137-140页 |
| 5.4 图像测量系统操作 | 第140-141页 |
| 5.5 动三轴图像测量系统的应用 | 第141-148页 |
| 5.5.1 试验材料 | 第141-142页 |
| 5.5.2 动三轴模量与阻尼试验 | 第142-146页 |
| 5.5.3 动力变形破坏试验 | 第146-148页 |
| 5.6 本章小结 | 第148-150页 |
| 6 总结与展望 | 第150-153页 |
| 6.1 总结 | 第150-151页 |
| 6.2 创新点 | 第151页 |
| 6.3 展望 | 第151-153页 |
| 参考文献 | 第153-162页 |
| 攻读博士学位期间科研项目及科研成果 | 第162-164页 |
| 致谢 | 第164-165页 |
| 作者简介 | 第165页 |
