| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的工作及内容安排 | 第15-17页 |
| 1.3.1 本文的主要研究内容 | 第15-16页 |
| 1.3.2 论文内容章节安排 | 第16-17页 |
| 第2章 相关图像处理算法介绍 | 第17-36页 |
| 2.1 引言 | 第17页 |
| 2.2 图像预处理 | 第17-20页 |
| 2.2.1 直方图均衡化 | 第17-19页 |
| 2.2.2 均值滤波 | 第19-20页 |
| 2.3 图像特征提取 | 第20-25页 |
| 2.3.1 LBP特征 | 第20-23页 |
| 2.3.2 HOG特征 | 第23-25页 |
| 2.4 词包模型 | 第25-27页 |
| 2.5 LDA语义主题模型 | 第27-30页 |
| 2.5.1 LDA模型生成过程 | 第27-29页 |
| 2.5.2 扣件图像LDA模型的吉布斯采样求解方法 | 第29-30页 |
| 2.6 信息熵与图像熵 | 第30-31页 |
| 2.6.1 信息熵 | 第30页 |
| 2.6.2 图像熵 | 第30-31页 |
| 2.7 支持向量机 | 第31-35页 |
| 2.8 本章小结 | 第35-36页 |
| 第3章 基于潜在语义主题融合的扣件状态检测 | 第36-46页 |
| 3.1 引言 | 第36-37页 |
| 3.2 潜在主题加权融合 | 第37-39页 |
| 3.3 算法流程 | 第39-42页 |
| 3.4 实验及结果分析 | 第42-45页 |
| 3.4.1 数据集和实验设置 | 第42页 |
| 3.4.2 实验及结果分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于信息熵加权构造词包模型的扣件状态检测 | 第46-57页 |
| 4.1 引言 | 第46-47页 |
| 4.2 相关包含结构信息的扣件检测方法 | 第47-50页 |
| 4.2.1 基于图像金字塔划分的扣件检测方法 | 第47-48页 |
| 4.2.2 基于扣件子区域的词包模型构造方法 | 第48-50页 |
| 4.3 基于信息熵加权改进结构信息的扣件检测方法 | 第50-53页 |
| 4.4 实验及结果分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |
| A.发表论文情况 | 第66页 |
| B.参加科研项目 | 第66页 |