堆叠棒材端面图像的自动分割算法与识别标定系统研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 彩色图像的前背景分离 | 第11-12页 |
| 1.2.2 支持向量机理论 | 第12-13页 |
| 1.2.3 类圆颗粒检测 | 第13-15页 |
| 1.3 论文主要内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第2章 基于云模型的前背景分割与圆检测的基础 | 第18-24页 |
| 2.1 云模型的原理 | 第18-21页 |
| 2.1.1 云模型的定义及性质 | 第18-19页 |
| 2.1.2 云模型的数值特征 | 第19-20页 |
| 2.1.3 云模型的“3En”规则 | 第20-21页 |
| 2.2 标准圆检测 | 第21-22页 |
| 2.3 基本方法的缺点分析 | 第22页 |
| 2.3.1 堆叠棒材图像的端面区域提取 | 第22页 |
| 2.3.2 类圆颗粒检测 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于云模型的棒材端面图像前背景分离算法 | 第24-46页 |
| 3.1 本章核心思想及流程设计 | 第24-25页 |
| 3.2 基于云模型的彩色图像分割流程 | 第25-33页 |
| 3.2.1 颜色空间的选择与量化 | 第26-29页 |
| 3.2.2 概念提取过程 | 第29-32页 |
| 3.2.3 云综合 | 第32-33页 |
| 3.3 针对棒材端面图像的改进自动分割方法 | 第33-42页 |
| 3.3.1 交叉量化直方图 | 第36-39页 |
| 3.3.2 改进的概念提取方法 | 第39-40页 |
| 3.3.3 正态云的归类 | 第40-41页 |
| 3.3.4 前景背景像素分离方法 | 第41-42页 |
| 3.4 前背景分离效果评估 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于支持向量回归的棒材端面区域提取 | 第46-58页 |
| 4.1 本章核心思想及设计流程 | 第46页 |
| 4.2 支持向量回归理论 | 第46-49页 |
| 4.2.1 支持向量回归原理 | 第46-48页 |
| 4.2.2 核函数 | 第48-49页 |
| 4.3 基于支持向量回归的端面区域提取设计方法 | 第49-52页 |
| 4.3.1 分割图像的参数提取 | 第49-52页 |
| 4.3.2 支持向量机的训练 | 第52页 |
| 4.4 检测方法与提取效果评估 | 第52-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 基于双边缘模板匹配的类圆颗粒检测 | 第58-80页 |
| 5.1 本章核心思想及流程设计 | 第58-60页 |
| 5.2 图像的预处理及粒度检测 | 第60-63页 |
| 5.3 基于双边缘模板匹配的类圆颗粒检测与计数 | 第63-69页 |
| 5.4 含缺陷与堆叠的标记效果评估 | 第69-78页 |
| 5.5 本章小结 | 第78-80页 |
| 结论与展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间所发表的学术论文 | 第86-88页 |
| 致谢 | 第88页 |
