基于云端号的去绳图像处理算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 图像检测的研究现状 | 第12-16页 |
| 1.2.2 图像修复的研究现状 | 第16页 |
| 1.3 相关技术的研究难点 | 第16-17页 |
| 1.4 课题来源 | 第17页 |
| 1.5 本文的研究内容和章节安排 | 第17-19页 |
| 第2章 传统线特征的检测方法 | 第19-27页 |
| 2.1 基于Hough变换的线检测 | 第19-21页 |
| 2.1.1 图像预处理 | 第19页 |
| 2.1.2 边缘检测 | 第19-20页 |
| 2.1.3 Hough变换线检测 | 第20-21页 |
| 2.2 基于边缘的对比度特征的自适应线检测 | 第21-25页 |
| 2.2.1 图像预处理 | 第22页 |
| 2.2.2 边缘对比度特征的提取 | 第22-23页 |
| 2.2.3 自适应线性回归 | 第23-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 基于深度学习的图像中绳带检测算法的研究 | 第27-53页 |
| 3.1 卷积神经网络 | 第27-37页 |
| 3.1.1 卷积 | 第27-28页 |
| 3.1.2 池化 | 第28-29页 |
| 3.1.3 全连接 | 第29-30页 |
| 3.1.4 卷积神经网络结构 | 第30-34页 |
| 3.1.5 卷积神经网络的反向传播 | 第34-37页 |
| 3.2 基于U-net网络的绳带检测模型 | 第37-45页 |
| 3.2.1 U-net的网络 | 第37-39页 |
| 3.2.2 改进的U-net网络结构 | 第39-40页 |
| 3.2.3 可分离卷积 | 第40-41页 |
| 3.2.4 批量归一化 | 第41-43页 |
| 3.2.5 双线性插值的反卷积 | 第43-44页 |
| 3.2.6 损失函数 | 第44-45页 |
| 3.3 训练数据的准备 | 第45-48页 |
| 3.3.1 数据采集 | 第46-47页 |
| 3.3.2 数据标记 | 第47页 |
| 3.3.3 数据增强 | 第47-48页 |
| 3.4 训练模型 | 第48-51页 |
| 3.4.1 参数初始化策略 | 第48-50页 |
| 3.4.2 训练方法 | 第50-51页 |
| 3.5 绳带的精细分割 | 第51页 |
| 3.6 本章小结 | 第51-53页 |
| 第4章 基于FMM的图像去绳带方法 | 第53-57页 |
| 4.1 图像修复的过程 | 第53-54页 |
| 4.2 图像修复的原则 | 第54页 |
| 4.3 图像修复的评价准则 | 第54-55页 |
| 4.4 基于FMM的图像修复算法 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 实验结果与分析 | 第57-67页 |
| 5.1 软硬件配置 | 第57-58页 |
| 5.2 绳带检测实验与结果分析 | 第58-64页 |
| 5.2.1 评价指标 | 第58页 |
| 5.2.2 实验结果与分析 | 第58-64页 |
| 5.3 图像去绳带的修复实验 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 总结和展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-77页 |
| 攻读硕士期间已发表的论文 | 第77-79页 |
| 致谢 | 第79页 |
