| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-23页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 基于数字图像处理技术的线检测方法 | 第14-16页 |
| 1.2.2 深度学习中的语义分割方法 | 第16-19页 |
| 1.2.3 基于神经网络的电线语义分割 | 第19-21页 |
| 1.3 论文主要研究内容 | 第21页 |
| 1.4 论文创新点 | 第21-23页 |
| 2 基于数字图像处理的线检测方法 | 第23-40页 |
| 2.1 图像的边缘特征提取算法 | 第23-29页 |
| 2.1.1 一阶微分算法 | 第23-26页 |
| 2.1.2 二阶微分算法 | 第26-27页 |
| 2.1.3 Canny算子 | 第27-29页 |
| 2.2 Haar-like特征 | 第29-33页 |
| 2.2.1 经典Haar-like特征 | 第30-31页 |
| 2.2.2 改进的Haar-like特征 | 第31-33页 |
| 2.3 直线检测常用算法 | 第33-38页 |
| 2.3.1 Radon变换 | 第34页 |
| 2.3.2 Hough变换 | 第34-38页 |
| 2.4 本章小结 | 第38-40页 |
| 3 基于卷积神经网络的语义分割方法 | 第40-64页 |
| 3.1 语义分割中的设计模块 | 第40-53页 |
| 3.1.1 网络结构 | 第41-45页 |
| 3.1.2 上采样模块 | 第45-46页 |
| 3.1.3 空洞卷积 | 第46-49页 |
| 3.1.4 通道可分离卷积 | 第49-50页 |
| 3.1.5 ASPP模块 | 第50-52页 |
| 3.1.6 全连接条件随机场 | 第52-53页 |
| 3.2 DeepLab v3+网络及其改进 | 第53-56页 |
| 3.2.1 DeepLab v3+网络 | 第53-54页 |
| 3.2.2 DeepLab v3+网络的改进 | 第54-56页 |
| 3.3 实验设计和结果分析 | 第56-62页 |
| 3.3.1 数据集介绍 | 第57页 |
| 3.3.2 模型训练和参数设置 | 第57-59页 |
| 3.3.3 评价指标 | 第59-60页 |
| 3.3.4 实验结果与分析 | 第60-62页 |
| 3.4 本章小结 | 第62-64页 |
| 4 与Haar-like特征结合的DeepLab v3+网络 | 第64-77页 |
| 4.1 多通道输入结合方式 | 第65-67页 |
| 4.1.1 原图和Haar-like特征图输入结合方式 | 第65-66页 |
| 4.1.2 Haar-like特征图单独输入结合方式 | 第66-67页 |
| 4.2 解码器端输入结合方式 | 第67-68页 |
| 4.3 实验设计和结果分析 | 第68-76页 |
| 4.3.1 多通道输入 | 第69-71页 |
| 4.3.2 解码器端输入 | 第71-72页 |
| 4.3.3 DenseCRF后处理 | 第72-73页 |
| 4.3.4 实验结果总结分析 | 第73-76页 |
| 4.4 本章小结 | 第76-77页 |
| 5 总结与展望 | 第77-80页 |
| 5.1 本文总结 | 第77-78页 |
| 5.2 后续工作展望 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 作者简历及在学期间所取得的科研成果 | 第85页 |
