| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.1.1 射线检测技术的概述 | 第9页 |
| 1.1.2 DR成像技术 | 第9页 |
| 1.1.3 DR成像技术的应用 | 第9-10页 |
| 1.1.4 DR图像缺陷识别技术分析 | 第10-11页 |
| 1.1.5 识别技术的难点分析 | 第11-12页 |
| 1.2 纹理特征概述 | 第12-13页 |
| 1.2.1 纹理的特点 | 第12页 |
| 1.2.2 纹理特征提取方法 | 第12-13页 |
| 1.3 缺陷识别算法概述 | 第13-14页 |
| 1.3.1 DR图像缺陷识别算法的应用进展 | 第13页 |
| 1.3.2 DR图像缺陷识别算法的难点 | 第13-14页 |
| 1.3.3 设计DR图像缺陷模板数据库和识别软件的意义 | 第14页 |
| 1.4 本文所做工作 | 第14-16页 |
| 1.4.1 主要研究的内容 | 第14页 |
| 1.4.2 本文内容的安排 | 第14-16页 |
| 2 LBP算法的原理及发展 | 第16-27页 |
| 2.1 LBP算法基本介绍 | 第16-17页 |
| 2.1.1 算法的由来 | 第16页 |
| 2.1.2 LBP算法的原理 | 第16-17页 |
| 2.2 LBP算法的发展 | 第17-25页 |
| 2.2.1 旋转不变的LBP算法 | 第17-18页 |
| 2.2.2 riu2LBP算法 | 第18-19页 |
| 2.2.3 近期LBP算法的演变 | 第19-25页 |
| 2.3 LBP算法在DR图像缺陷识别上的应用 | 第25页 |
| 2.4 小结 | 第25-27页 |
| 3 LBP算法的改进 | 第27-32页 |
| 3.1 DR图像缺陷识别上LBP算法的限制 | 第27-29页 |
| 3.1.1 DR图像的特点 | 第27页 |
| 3.1.2 传统LBP算法的缺点 | 第27-28页 |
| 3.1.3 改进LBP算法的必要性 | 第28-29页 |
| 3.2 WALBP算法 | 第29-31页 |
| 3.2.1 WALBP算法的原理 | 第29-30页 |
| 3.2.2 WALBP算法识别流程 | 第30-31页 |
| 3.2.3 相似性的度量方法 | 第31页 |
| 3.3 小结 | 第31-32页 |
| 4 WALBP算法实验分析 | 第32-41页 |
| 4.1 模板图像概述 | 第32-33页 |
| 4.1.1 模板图像的采集 | 第32页 |
| 4.1.2 模板图像的类别 | 第32-33页 |
| 4.2 GABOR滤波介绍 | 第33-34页 |
| 4.2.1 Gabor原理 | 第33页 |
| 4.2.2 提取特征 | 第33-34页 |
| 4.3 摇枕图像实验结果分析 | 第34-37页 |
| 4.3.1 算法的效果比较 | 第34-35页 |
| 4.3.2 识别率与时间分析 | 第35-37页 |
| 4.4 侧架图像实验结果分析 | 第37-40页 |
| 4.4.1 算法的效果比较 | 第37-38页 |
| 4.4.2 识别率与时间分析 | 第38-40页 |
| 4.5 小结 | 第40-41页 |
| 5 铁路铸件DR缺陷模板数据库与缺陷识别软件的设计 | 第41-48页 |
| 5.1 铁路铸件DR缺陷模板数据库及管理系统的建立 | 第41-45页 |
| 5.1.1 数据库建立的意义 | 第41页 |
| 5.1.2 数据库建立的过程 | 第41页 |
| 5.1.3 数据库管理系统的建立 | 第41-45页 |
| 5.2 DR图像缺陷识别软件的建立 | 第45-46页 |
| 5.2.1 软件设计的意义 | 第45页 |
| 5.2.2 第一代软件 | 第45-46页 |
| 5.2.3 第二代软件 | 第46页 |
| 5.3 小结 | 第46-48页 |
| 6 总结和展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录 | 第54页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第54页 |
