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 |