| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 选题背景与意义 | 第14-16页 |
| 1.1.1 图像去噪的背景与意义 | 第14-15页 |
| 1.1.2 机器视觉中图像预处理的背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 椒盐噪声去噪算法研究现状 | 第16-18页 |
| 1.2.2 机器视觉检测中图像预处理国内外研究现状 | 第18-19页 |
| 1.3 本文研究内容及章节安排 | 第19-21页 |
| 1.3.1 论文研究内容 | 第19页 |
| 1.3.2 章节安排 | 第19-21页 |
| 第2章 图像去噪基本理论 | 第21-31页 |
| 2.1 图像噪声来源及其类型 | 第21-22页 |
| 2.1.1 图像噪声特点及来源 | 第21页 |
| 2.1.2 常见的图像噪声分类 | 第21-22页 |
| 2.2 噪声基本模型及其概率分布 | 第22-25页 |
| 2.3 图像去噪效果评价方法及其指标 | 第25-28页 |
| 2.3.1 主观评价标准 | 第25-26页 |
| 2.3.2 客观评价标准 | 第26-28页 |
| 2.4 经典椒盐噪声去噪算法 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 一种改进的自适应中值去噪算法 | 第31-47页 |
| 3.1 噪声检测方法 | 第31-34页 |
| 3.1.1 常见的噪声检测方法 | 第31-33页 |
| 3.1.2 噪声检测方法的对比 | 第33-34页 |
| 3.2 去噪窗口选择方法 | 第34-37页 |
| 3.3 基于最小方差的中值去噪算法 | 第37页 |
| 3.4 一种改进的自适应中值去噪算法的提出 | 第37-39页 |
| 3.4.1 算法的基本思想 | 第37-38页 |
| 3.4.2 算法步骤 | 第38-39页 |
| 3.5 仿真实验及结果分析 | 第39-44页 |
| 3.6 算法在图像细节保留的优势分析 | 第44-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 一种高密度椒盐噪声去噪算法 | 第47-58页 |
| 4.1 算法基本思想 | 第47-48页 |
| 4.2 算法步骤 | 第48-51页 |
| 4.3 参数选取 | 第51-54页 |
| 4.3.1 阈值T的确定 | 第51-53页 |
| 4.3.2 窗口大小的确定 | 第53-54页 |
| 4.4 仿真实验 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 基于图像去噪的齿轮表面粗糙度检测 | 第58-70页 |
| 5.1 表面粗糙度基本理论介绍 | 第58-60页 |
| 5.1.1 表面粗糙度基本定义及评定方法 | 第58页 |
| 5.1.2 基于光散射原理和机器视觉的齿轮表面粗糙度检测 | 第58-60页 |
| 5.2 齿轮表面粗糙度检测项目需求及实验检测方案 | 第60-63页 |
| 5.2.1 项目背景及需求 | 第60-61页 |
| 5.2.2 实验检测方案设计 | 第61-63页 |
| 5.3 基于形状特征提取的齿轮表面粗糙度指标设计 | 第63-66页 |
| 5.3.1 基于轮廓的最小二乘拟合椭圆 | 第64页 |
| 5.3.2 基于椭圆拟合的结构特征指标设计 | 第64-65页 |
| 5.3.3 相关系数评价 | 第65-66页 |
| 5.4 图像去噪在齿轮表面粗糙度检测中的应用 | 第66-69页 |
| 5.4.1 图像去噪 | 第66页 |
| 5.4.2 数据分析与结果展示 | 第66-69页 |
| 5.5 本章小结 | 第69-70页 |
| 结论与展望 | 第70-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |