| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的工作及内容安排 | 第12-13页 |
| 第二章 基于Lab VIEW的图像预处理 | 第13-26页 |
| 2.1 Lab VIEW软件的简要介绍 | 第13-14页 |
| 2.2 数字图像处理 | 第14-22页 |
| 2.2.1 图像采集 | 第15页 |
| 2.2.2 图像增强 | 第15-17页 |
| 2.2.3 图像去噪 | 第17-19页 |
| 2.2.4 图像二值化 | 第19-22页 |
| 2.3 基于Lab VIEW视觉模块的图像处理效果 | 第22-25页 |
| 2.3.1 图像灰度变换处理与灰度直方图 | 第22-23页 |
| 2.3.2 图像二值化 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 铁路扣件区域的定位 | 第26-40页 |
| 3.1 已有的扣件定位方法研究 | 第26页 |
| 3.2 扣件区域定位 | 第26-30页 |
| 3.3 扣件的精确定位 | 第30-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 扣件的识别 | 第40-59页 |
| 4.1 几种常用的扣件识别方法 | 第40-43页 |
| 4.1.1 基于BP神经网络 | 第40-41页 |
| 4.1.2 方向场匹配算法 | 第41-42页 |
| 4.1.3 结构光法 | 第42页 |
| 4.1.4 模板匹配法 | 第42-43页 |
| 4.2 本文采用的扣件识别方法 | 第43-52页 |
| 4.2.1 K-L变换 | 第44-46页 |
| 4.2.2 基于PCA算法的扣件状态识别 | 第46-52页 |
| 4.3 实验结果分析 | 第52-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59页 |
| 5.2 研究存在的问题与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第65页 |