首页--工业技术论文--电工技术论文--电工材料论文--绝缘材料、电介质及其制品论文--绝缘子和套管论文

基于图像处理的复合绝缘子憎水性判别方法研究

摘要第5-6页
Abstract第6-7页
第1章 绪论第10-18页
    1.1 选题背景及意义第10-11页
    1.2 国内外研究现状第11-16页
        1.2.1 喷水分级法第11-13页
        1.2.2 静态接触角法第13页
        1.2.3 表面张力法第13-14页
        1.2.4 指示函数法第14-16页
    1.3 基于图像处理与人工智能的憎水性检测方法第16页
    1.4 本文主要研究内容第16-18页
第2章 复合绝缘子憎水性图像增强与去噪第18-29页
    2.1 概述第18-19页
    2.2 小波变换第19-23页
        2.2.1 小波的定义第19-20页
        2.2.2 小波去噪第20-23页
    2.3 基于Retinex算法的图像增强第23-26页
        2.3.1 色彩恒常性第23-24页
        2.3.2 单尺度Retinex算法第24-25页
        2.3.3 多尺度Retinex算法第25-26页
    2.4 基于小波去噪的多尺度Retinex算法第26-28页
    2.5 本章小结第28-29页
第3章 复合绝缘子的憎水性图像分割第29-47页
    3.1 概述第29-30页
    3.2 形态学算法第30-32页
    3.3 Canny算法基本原理第32-35页
        3.3.1 判断准则第32-33页
        3.3.2 算法的实现步骤第33-35页
    3.4 基于改进CV模型的憎水性图像分割第35-38页
        3.4.1 CV模型第35-36页
        3.4.2 改进CV模型第36-37页
        3.4.3 基于改进CV模型和形态学的憎水性分割第37-38页
    3.5 基于改进Canny算法的憎水性图像分割第38-46页
        3.5.1 梯度幅值计算第39-40页
        3.5.2 二维自适应最大类间方差第40-43页
        3.5.3 基于改进Canny算法的憎水性图像分割第43-44页
        3.5.4 分割图像形态学填充处理第44-46页
    3.6 本章小结第46-47页
第4章 基于概率神经网络的憎水性等级判定第47-61页
    4.1 概述第47-48页
    4.2 特征参数的提取第48页
    4.3 概率神经网络第48-60页
        4.3.1 经典概率密度估计原理第48-49页
        4.3.2 径向基神经网络第49-51页
        4.3.3 复合绝缘子憎水性等级识别模型第51-60页
    4.4 小结第60-61页
结论第61-63页
参考文献第63-68页
致谢第68-69页
附录 A攻读学位期间取得的研究成果第69页

论文共69页,点击 下载论文
上一篇:图像的自回归异方差建模及其在复原中的应用
下一篇:基于物质点法的动态车辙实时绘制