天车机器人振动模糊图像复原与识别方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题的研究背景和意义 | 第10页 |
| 1.2 图像复原的发展现状 | 第10-12页 |
| 1.3 图像识别的应用和发展趋势 | 第12-13页 |
| 1.3.1 图像识别的应用现状 | 第12页 |
| 1.3.2 图像目标识别的发展趋势 | 第12-13页 |
| 1.4 课题研究的目标 | 第13页 |
| 1.5 课题研究内容 | 第13-14页 |
| 第2章 图像复原理论 | 第14-24页 |
| 2.1 图像退化 | 第14-16页 |
| 2.1.1 连续退化的模型 | 第14-16页 |
| 2.1.2 离散退化的模型 | 第16页 |
| 2.2 图像的噪声 | 第16-18页 |
| 2.2.1 噪声的分类 | 第17页 |
| 2.2.2 噪声的概率密度函数 | 第17-18页 |
| 2.3 经典图像复原方法 | 第18-21页 |
| 2.3.1 逆滤波法 | 第18-19页 |
| 2.3.2 维纳滤波复原 | 第19-21页 |
| 2.4 图像复原质量评价 | 第21-24页 |
| 2.4.1 图像质量的主观评价 | 第21-22页 |
| 2.4.2 图像质量的客观评价 | 第22-24页 |
| 第3章 单质体振动实验平台搭建及图像预处理 | 第24-35页 |
| 3.1 单质体振动模糊实验平台搭建 | 第24-29页 |
| 3.1.1 设备选型 | 第24-25页 |
| 3.1.2 机械设计及电气设计 | 第25-27页 |
| 3.1.3 软件实现 | 第27页 |
| 3.1.4 测振系统的搭建 | 第27-29页 |
| 3.2 图像滤波 | 第29-31页 |
| 3.2.1 高斯滤波 | 第29-30页 |
| 3.2.2 中值滤波 | 第30-31页 |
| 3.3 图像分割 | 第31-35页 |
| 3.3.1 颜色空间与转换 | 第31-33页 |
| 3.3.2 图像阈值分割 | 第33-35页 |
| 第4章 振动模糊图像的复原 | 第35-48页 |
| 4.1 振动导致的降质分析 | 第35页 |
| 4.2 逐行法恢复空间移变振动降质图像 | 第35-39页 |
| 4.2.1PSF的建立 | 第35-36页 |
| 4.2.2 逐行恢复算法 | 第36-39页 |
| 4.3 高频振动模糊图像的恢复 | 第39-44页 |
| 4.3.1 高频振动降质模型 | 第39-41页 |
| 4.3.2Radon变换 | 第41页 |
| 4.3.3 模糊方向的估计 | 第41页 |
| 4.3.4 实验结果 | 第41-44页 |
| 4.4 低频振动模糊图像的恢复 | 第44-48页 |
| 4.4.1 低频振动的MTF | 第44-45页 |
| 4.4.2 低频振动的PTF | 第45-46页 |
| 4.4.3 实验结果 | 第46-48页 |
| 第5章 图像不变矩BP神经网络识别方法 | 第48-62页 |
| 5.1 图像的不变矩 | 第48-50页 |
| 5.1.1 不变矩理论 | 第48-49页 |
| 5.1.2 不变矩特征提取及矢量标准化 | 第49-50页 |
| 5.2BP神经网络 | 第50-52页 |
| 5.2.1 BP网络学习过程 | 第50页 |
| 5.2.2 BP神经网络的设计 | 第50-52页 |
| 5.3 图像的特征提取 | 第52-55页 |
| 5.3.1 图像特征提取介绍 | 第52页 |
| 5.3.2 边缘检测算子 | 第52-55页 |
| 5.4 不变矩BP神经网络识别方法 | 第55-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 导师简介 | 第67页 |
| 企业导师简介 | 第67-68页 |
| 作者简介 | 第68-69页 |
| 学位论文数据集 | 第69页 |
