基于图像的路面破损识别
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| 1-1 课题的来源及研究目的 | 第9-10页 |
| 1-1-1 课题的来源 | 第9页 |
| 1-1-2 研究的目的 | 第9-10页 |
| 1-2 公路路面裂缝自动检测发展状况 | 第10-16页 |
| 1-2-1 国外研究现状及其发展 | 第10-13页 |
| 1-2-2 国内研究现状及其发展 | 第13-16页 |
| 1-3 论文研究的内容 | 第16页 |
| 1-4 论文的内容安排 | 第16-18页 |
| 第二章 公路路面破损分析 | 第18-29页 |
| 2-1 引言 | 第18页 |
| 2-2 公路路面破损分类 | 第18-21页 |
| 2-2-1 路面破损类型简介 | 第18页 |
| 2-2-2 路面裂缝破损 | 第18-21页 |
| 2-3 公路路面破损评价方法 | 第21-23页 |
| 2-3-1 路面破损评价指标 | 第21-22页 |
| 2-3-2路面损坏分级 | 第22-23页 |
| 2-4 公路裂缝图像训练样本的产生 | 第23-28页 |
| 2-4-1 数据集A | 第24-27页 |
| 2-4-2 数据集B | 第27-28页 |
| 2-4-3 数据集C | 第28页 |
| 2-5 本章小结 | 第28-29页 |
| 第三章 公路路面破损图像预处理 | 第29-39页 |
| 3-1 引言 | 第29页 |
| 3-2 图像增强 | 第29-33页 |
| 3-2-1 直方图均衡化 | 第29-30页 |
| 3-2-2 中值滤波 | 第30-31页 |
| 3-2-3 基于模糊理论的图像增强方法 | 第31-33页 |
| 3-3 图像分割 | 第33-36页 |
| 3-3-1 Otsu 法(最大类间方差法) | 第34页 |
| 3-3-2 最大方差比阈值法 | 第34-36页 |
| 3-4 二值图像噪声的消除 | 第36-38页 |
| 3-5 本章小结 | 第38-39页 |
| 第四章 路面破损图像特征提取 | 第39-49页 |
| 4-1 引言 | 第39页 |
| 4-2 现有的路面破损提取方法 | 第39-44页 |
| 4-2-1 基于破损投影理论 | 第39-40页 |
| 4-2-2 基于裂缝本身线性特征 | 第40页 |
| 4-2-3 Proximity算法 | 第40-41页 |
| 4-2-4 破损密度因子 | 第41-43页 |
| 4-2-5 不变矩特征 | 第43-44页 |
| 4-2-6 基于分形的特征提取 | 第44页 |
| 4-3 图像特征向量的提取 | 第44-48页 |
| 4-3-1图像特征的选取 | 第45页 |
| 4-3-2仿真试验结果及分析 | 第45-48页 |
| 4-4 本章小结 | 第48-49页 |
| 第五章 基于支持向量机的路面破损图像分类 | 第49-61页 |
| 5-1 引言 | 第49-50页 |
| 5-2 统计学习理论 | 第50-54页 |
| 5-2-1 统计学习理论概述 | 第50-51页 |
| 5-2-2 学习过程一致性 | 第51-52页 |
| 5-2-3 VC维 | 第52页 |
| 5-2-4 推广能力的界与结构风险最小化原则 | 第52-54页 |
| 5-3 支持向量机 | 第54-57页 |
| 5-3-1 线性可分 | 第54-55页 |
| 5-3-2 非线性可分 | 第55页 |
| 5-3-3 核函数 | 第55-57页 |
| 5-4 路面破损图像分类 | 第57-60页 |
| 5-4-1 SVMlight 分类算法 | 第57-58页 |
| 5-4-2 SVM 分类识别实验及结果 | 第58-60页 |
| 5-5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间所取得的相关科研成果 | 第66页 |
