基于多特征决策融合的路面裂缝检测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于像素分割的识别方法 | 第11-12页 |
| 1.2.2 基于子块识别的方法 | 第12-13页 |
| 1.3 存在的问题分析 | 第13页 |
| 1.4 论文的主要研究内容 | 第13-14页 |
| 1.5 论文组织结构 | 第14-17页 |
| 2 主要技术研究进展 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 稀疏表示分类 | 第17-19页 |
| 2.2.1 贪婪算法 | 第17-18页 |
| 2.2.2 松弛优化算法 | 第18页 |
| 2.2.3 其它稀疏表示算法 | 第18-19页 |
| 2.3 图像显著性检测 | 第19-21页 |
| 2.3.1 局部显著性检测算法 | 第19-20页 |
| 2.3.2 全局显著性检测算法 | 第20页 |
| 2.3.3 局部和全局显著性融合算法 | 第20-21页 |
| 2.4 神经网络 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 路面裂缝图像特征分析和预处理 | 第23-30页 |
| 3.1 引言 | 第23-24页 |
| 3.2 裂缝类型和特征分析 | 第24-25页 |
| 3.3 灰度校正 | 第25-28页 |
| 3.4 各向异性扩散滤波 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 4 基于多特征融合的子块级检测 | 第30-44页 |
| 4.1 引言 | 第30-31页 |
| 4.2 路面子块图像的特征提取 | 第31-33页 |
| 4.2.1 统计特征 | 第31页 |
| 4.2.2 纹理特征 | 第31-32页 |
| 4.2.3 形状特征 | 第32-33页 |
| 4.3 稀疏表示分类 | 第33-34页 |
| 4.4 融合多特征的决策分类 | 第34-37页 |
| 4.5 实验对比分析 | 第37-43页 |
| 4.5.1 实验数据集介绍 | 第37-39页 |
| 4.5.2 与单一特征对比 | 第39-40页 |
| 4.5.3 与传统的路面裂缝子块识别算法对比 | 第40-43页 |
| 4.5.4 算法时间复杂度分析 | 第43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 融合全局和局部显著性的像素级检测 | 第44-52页 |
| 5.1 引言 | 第44页 |
| 5.2 全局显著性特征 | 第44-45页 |
| 5.3 局部显著性特征 | 第45-47页 |
| 5.4 显著性特征融合 | 第47-49页 |
| 5.5 显著性分割 | 第49页 |
| 5.6 实验对比分析 | 第49-51页 |
| 5.7 本章小结 | 第51-52页 |
| 6 结合BP神经网络和几何结构特征的裂缝类型识别 | 第52-57页 |
| 6.1 引言 | 第52页 |
| 6.2 裂缝几何结构特征 | 第52-54页 |
| 6.2.1 裂缝子块的方向投影特征 | 第52-53页 |
| 6.2.2 裂缝子块的总数 | 第53页 |
| 6.2.3 裂缝子块的分布特征 | 第53-54页 |
| 6.3 基于BP神经网络的裂缝类型识别 | 第54-56页 |
| 6.3.1 BP神经网络的设计 | 第54-55页 |
| 6.3.2 路面裂缝类型识别实验 | 第55-56页 |
| 6.4 本章小结 | 第56-57页 |
| 7 总结与展望 | 第57-59页 |
| 7.1 全文工作总结 | 第57-58页 |
| 7.2 未来工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 附录 | 第66页 |
