基于稀疏表示的盲道检测算法研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 课题研究现状 | 第9-11页 |
| 1.2.1 盲道分割综述 | 第9-11页 |
| 1.2.2 图像分割综述 | 第11页 |
| 1.3 本文主要内容及章节安排 | 第11-13页 |
| 2 图像稀疏表示理论基础 | 第13-27页 |
| 2.1 稀疏表示模型 | 第13-15页 |
| 2.1.1 冗余稀疏表示 | 第14-15页 |
| 2.1.2 唯一性与不确定性 | 第15页 |
| 2.2 常用稀疏分解算法 | 第15-21页 |
| 2.3 常用字典学习算法 | 第21-24页 |
| 2.3.1 字典学习的核心问题 | 第21-22页 |
| 2.3.2 MOD算法 | 第22页 |
| 2.3.3 K-SVD算法 | 第22-24页 |
| 2.4 稀疏表示理论研究进展 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于显著性检测和投影字典对的盲道分割 | 第27-39页 |
| 3.1 盲道图像预处理 | 第27-30页 |
| 3.2 盲道分割决策图提取 | 第30-33页 |
| 3.3 判别式字典学习 | 第33-36页 |
| 3.3.1 字典对学习模型 | 第33-34页 |
| 3.3.2 改进的字典对学习模型（RDPL） | 第34-36页 |
| 3.4 基于RDPL算法的盲道分割 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 盲道分割后处理 | 第39-47页 |
| 4.1 盲道边界检测 | 第39-43页 |
| 4.1.1 常用边缘检测算法 | 第40-41页 |
| 4.1.2 基于Canny算子的盲道边界检测 | 第41-43页 |
| 4.2 盲道拐点检测 | 第43-46页 |
| 4.2.1 基于最小二乘法的边界直线拟合 | 第43-45页 |
| 4.2.2 盲道拐点检测结果 | 第45-46页 |
| 4.3 本章小结 | 第46-47页 |
| 5 实验仿真与结果分析 | 第47-53页 |
| 5.1 实验样本描述及参数设置 | 第47-48页 |
| 5.2 RDPL算法评价 | 第48-49页 |
| 5.2.1 抗噪性能评价 | 第48-49页 |
| 5.2.2 算法速率评价 | 第49页 |
| 5.3 盲道分割结果比较与分析 | 第49-52页 |
| 5.3.1 分割结果客观评价 | 第50-51页 |
| 5.3.2 分割结果主观比较 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 工作总结 | 第53页 |
| 6.2 研究展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士期间的主要研究成果 | 第63页 |
