基于多策略无监督学习和人眼视觉特性的mura检测系统
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 背景和意义 | 第9-11页 |
| 1.1.1 图像分割的定义和意义 | 第9-10页 |
| 1.1.2 常用方法简介 | 第10-11页 |
| 1.2 低对比度目标 | 第11-13页 |
| 1.2.1 定义及研究意义 | 第11-12页 |
| 1.2.2 低对比度目标mura定义及分割意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 直接分割的方法 | 第13-14页 |
| 1.3.2 背景重建的方法 | 第14-15页 |
| 1.3.3 混合方法及其他方法 | 第15页 |
| 1.3.4 国内研究现状 | 第15-16页 |
| 1.4 论文研究工作与结构安排 | 第16-19页 |
| 第二章 预处理 | 第19-28页 |
| 2.1 图像平滑去噪 | 第19-23页 |
| 2.1.1 噪声来源和种类 | 第19页 |
| 2.1.2 平滑滤波方法 | 第19-22页 |
| 2.1.3 高斯滤波去噪 | 第22-23页 |
| 2.2 TFT-LCD图像分割 | 第23-26页 |
| 2.3 小结 | 第26-28页 |
| 第三章 基于回归分析的mura检测 | 第28-41页 |
| 3.1 基于回归分析的重建算法 | 第28-33页 |
| 3.1.1 线性回归模型 | 第28-29页 |
| 3.1.2 基于回归分析的背景重建算法 | 第29-33页 |
| 3.2 一种改进的基于回归分析的重建算法 | 第33-36页 |
| 3.2.1 支持向量回归(SVR) | 第33-34页 |
| 3.2.2 改进基于回归分析的重建算法 | 第34-36页 |
| 3.3 实验结果和分析 | 第36-39页 |
| 3.4 小结 | 第39-41页 |
| 第四章 基于无监督学习的mura检测算法 | 第41-60页 |
| 4.1 主成分分析PCA | 第41-42页 |
| 4.2 基于PCA的背景重建算法 | 第42-45页 |
| 4.3 基于无监督学习的背景重建算法 | 第45-50页 |
| 4.3.1 全局无监督学习 | 第45-47页 |
| 4.3.2 分块无监督学习 | 第47-50页 |
| 4.4 实验结果及分析 | 第50-58页 |
| 4.4.1 定量评价准则 | 第50页 |
| 4.4.2 PCA训练样本集大小对重建背景的影响 | 第50-54页 |
| 4.4.3 不同背景重建算法比较 | 第54-58页 |
| 4.5 小结 | 第58-60页 |
| 第五章 基于视觉特性的自适应分割算法 | 第60-68页 |
| 5.1 传统阈值分割算法 | 第60-63页 |
| 5.2 最小可觉差JND | 第63-65页 |
| 5.3 基于最小可觉差的自适应分割算法 | 第65-67页 |
| 5.4 小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 论文工作的总结 | 第68-69页 |
| 6.2 下一步工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 攻读硕士期间参与的科研项目及发表论文 | 第74-75页 |
| 致谢 | 第75-76页 |
