基于视频图像a通道的火焰检测技术
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 火焰检测技术的研究现状 | 第12-15页 |
| 1.2.1 传统的火焰检测技术 | 第12-13页 |
| 1.2.2 基于视频图像的火焰检测技术 | 第13-14页 |
| 1.2.3 基于火焰图像的燃烧状态诊断 | 第14-15页 |
| 1.3 本文的主要工作及安排 | 第15-19页 |
| 1.3.1 本文的主要工作 | 第15-17页 |
| 1.3.2 本文的组织结构 | 第17-19页 |
| 第2章 火焰检测技术的相关理论 | 第19-27页 |
| 2.1 彩色模型介绍 | 第19-22页 |
| 2.1.1 RGB彩色模型 | 第19-20页 |
| 2.1.2 HSV彩色模型 | 第20-21页 |
| 2.1.3 彩色空间模型转换 | 第21-22页 |
| 2.1.4 火焰颜色模型 | 第22页 |
| 2.2 图像分割 | 第22-26页 |
| 2.2.1 灰度阈值分割 | 第22-23页 |
| 2.2.2 边缘检测 | 第23-25页 |
| 2.2.3 边缘检测的实验结果与分析 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 火焰前景定位算法 | 第27-39页 |
| 3.1 无参密度估计 | 第27页 |
| 3.2 基于MeanShift算法的前景目标定位 | 第27-32页 |
| 3.2.1 MeanShift向量 | 第27-29页 |
| 3.2.2 目标的描述 | 第29-30页 |
| 3.2.3 相似性度量 | 第30页 |
| 3.2.4 目标定位 | 第30-32页 |
| 3.3 目标丢失情况的处理 | 第32-33页 |
| 3.4 自适应Canny算子 | 第33-37页 |
| 3.4.1 基于梯度幅值直方图的类间方差最大化 | 第35-37页 |
| 3.4.2 自适应Canny算法实验结果与分析 | 第37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 火焰图像特征参数的提取 | 第39-57页 |
| 4.1 图像的α通道图像生成算法 | 第39-47页 |
| 4.1.1 图像α通道概念 | 第39-40页 |
| 4.1.2 提取α通道图像的主要技术 | 第40-44页 |
| 4.1.3 导向滤波器 | 第44-46页 |
| 4.1.4 导向滤波器与图像α通道的关系 | 第46-47页 |
| 4.2 引导图像生成 | 第47-51页 |
| 4.2.1 颜色相似性度量算法 | 第47-49页 |
| 4.2.2 区域生长 | 第49-50页 |
| 4.2.3 实验结果与分析 | 第50-51页 |
| 4.3 特征参数提取与实例分析 | 第51-55页 |
| 4.3.1 燃烧状态定义 | 第52页 |
| 4.3.2 特征参数的提取 | 第52-53页 |
| 4.3.3 实验分析 | 第53-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 基于火焰图像特征参数的燃烧状态分析 | 第57-69页 |
| 5.1 智能算法在燃烧状态诊断中的应用及其选择 | 第57-58页 |
| 5.2 支持向量机 | 第58-63页 |
| 5.2.1 统计学习理论基础 | 第58-59页 |
| 5.2.2 支持向量机的分类原理 | 第59-62页 |
| 5.2.3 支持向量机多分类问题 | 第62-63页 |
| 5.3 LIBSVM的简单介绍 | 第63-66页 |
| 5.3.1 LIBSVM使用方法介绍 | 第63-64页 |
| 5.3.2 算法命令介绍 | 第64-66页 |
| 5.4 实验结果 | 第66-67页 |
| 5.5 本章小结 | 第67-69页 |
| 第6章 总结和展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
