| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 排水管道检测国内外研究现状 | 第12-16页 |
| 1.2.1 管道检测手段 | 第12-14页 |
| 1.2.2 基于机器视觉的管道缺陷识别研究现状 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 第二章 CCTV管道缺陷分析及总体研究方案 | 第17-26页 |
| 2.1 排水管道常用材质 | 第17-18页 |
| 2.2 管道缺陷分析 | 第18-22页 |
| 2.2.1 管道缺陷分类 | 第18-19页 |
| 2.2.2 管道典型缺陷 | 第19-22页 |
| 2.3 管道缺陷检测总体方案 | 第22-25页 |
| 2.3.1 管道内窥图像获取 | 第22-24页 |
| 2.3.2 基于机器视觉的管道缺陷检测总体方案 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 管道图像预处理 | 第26-39页 |
| 3.1 基于改进SSIM算法的图像筛选 | 第26-28页 |
| 3.2 基于低秩矩阵恢复的图像去噪 | 第28-33页 |
| 3.2.1 常用图像去噪方法 | 第28-30页 |
| 3.2.2 基于低秩矩阵恢复的图像去噪算法 | 第30-33页 |
| 3.3 基于全局及局部结合的对比度自适应增强 | 第33-38页 |
| 3.3.1 常用图像对比度增强技术 | 第33-34页 |
| 3.3.2 基于全局及局部对比度自适应增强方法 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于随机森林的缺陷分类识别算法 | 第39-50页 |
| 4.1 管道图像分割 | 第39-43页 |
| 4.1.1 常用图像分割方法 | 第39-41页 |
| 4.1.2 结合Ostu及Kmeans的图像分割算法 | 第41-43页 |
| 4.2 缺陷特征提取 | 第43-46页 |
| 4.2.1 图像特征介绍 | 第43页 |
| 4.2.2 缺陷纹理及形状特征提取 | 第43-46页 |
| 4.3 基于随机森林的分类器设计 | 第46-49页 |
| 4.3.1 常用分类器介绍 | 第46-47页 |
| 4.3.2 基于随机森林的缺陷自动识别算法 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 仿真测试 | 第50-61页 |
| 5.1 实验数据准备与测试环境 | 第50-51页 |
| 5.2 仿真测试 | 第51-59页 |
| 5.2.1 图像预处理方法仿真 | 第51-54页 |
| 5.2.2 缺陷自动检测方法仿真 | 第54-59页 |
| 5.3 实验分析 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间获得的科研成果 | 第67-69页 |
| 致谢 | 第69页 |