图像烟雾识别的成分分离算法
| 摘要 | 第5-6页 |
| Absbact | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 问题的提出 | 第11-14页 |
| 1.1.1 传统烟雾探测技术 | 第11-13页 |
| 1.1.2 基于视频图像烟雾检测技术 | 第13-14页 |
| 1.2 国内外研究现状及分析 | 第14-18页 |
| 1.2.1 基于烟雾特征的烟雾识别方法 | 第14-16页 |
| 1.2.2 基于光流的烟雾识别方法 | 第16-17页 |
| 1.2.3 基于成分分离的烟雾识别方法 | 第17-18页 |
| 1.3 主要研究内容及章节安排 | 第18-21页 |
| 1.3.1 主要研究内容 | 第18-19页 |
| 1.3.2 论文章节安排 | 第19-21页 |
| 第二章 线性模型 | 第21-31页 |
| 2.1 烟雾线性表达 | 第21-23页 |
| 2.1.1 基本模型 | 第21-22页 |
| 2.1.2 线性表达模型 | 第22-23页 |
| 2.2 数值计算过程 | 第23-28页 |
| 2.2.1 约束最优化问题 | 第23页 |
| 2.2.2 解析法 | 第23-24页 |
| 2.2.3 数值法 | 第24-26页 |
| 2.2.4 惩罚函数法 | 第26-28页 |
| 2.3 本章小结 | 第28-31页 |
| 第三章 成分分离模型 | 第31-39页 |
| 3.1 局部平滑分离模型 | 第31-33页 |
| 3.1.1 局部平滑模型 | 第31页 |
| 3.1.2 数值计算过程 | 第31-33页 |
| 3.2 主成分分离模型 | 第33-36页 |
| 3.2.1 PCA子空间建立 | 第33-35页 |
| 3.2.2 主成分模型 | 第35页 |
| 3.2.3 数值计算过程 | 第35-36页 |
| 3.3 成分分离算法 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于LBP特征的SVM分类器训练 | 第39-61页 |
| 4.1 LBP特征 | 第39-45页 |
| 4.1.1 基本LBP算子 | 第39-42页 |
| 4.1.2 旋转不变LBP算子 | 第42-43页 |
| 4.1.3 等价模式LBP算子 | 第43-44页 |
| 4.1.4 LBP特征提取 | 第44-45页 |
| 4.2 SVM分类器训练 | 第45-59页 |
| 4.2.1 支持向量机原理 | 第46-54页 |
| 4.2.2 样本准备 | 第54-55页 |
| 4.2.3 分类器训练 | 第55-59页 |
| 4.3 分类器精度 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 实验与分析 | 第61-83页 |
| 5.1 烟雾识别的成分分离算法实现 | 第61-70页 |
| 5.1.1 烟雾成分分离算法 | 第61-62页 |
| 5.1.2 算法实现 | 第62-70页 |
| 5.2 烟雾分离性能 | 第70-75页 |
| 5.2.1 合成图像烟雾分离性能 | 第70-75页 |
| 5.2.2 真实视频烟雾分离性能 | 第75页 |
| 5.3 烟雾检测实验结果与分析 | 第75-81页 |
| 5.3.1 真实视频烟雾检测结果 | 第75-77页 |
| 5.3.2 检测精度 | 第77-81页 |
| 5.4 本章小结 | 第81-83页 |
| 第六章 结论与展望 | 第83-85页 |
| 6.1 主要工作 | 第83页 |
| 6.2 创新点 | 第83-84页 |
| 6.3 展望 | 第84-85页 |
| 致谢 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 附录 | 第93页 |
| 附录A: 攻读学位期间的主要科研工作 | 第93页 |
