基于图像特征的煤矿火灾检测与识别研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-24页 |
| ·研究背景及意义 | 第9-13页 |
| ·研究背景 | 第9-12页 |
| ·研究目的和意义 | 第12-13页 |
| ·基于图像型的火灾检测国内外研究现状 | 第13-21页 |
| ·火灾检测技术发展历史 | 第13-16页 |
| ·图像型火灾检测技术 | 第16-18页 |
| ·图像型火灾检测技术的国内外研究现状 | 第18-21页 |
| ·论文主要研究内容 | 第21-24页 |
| 2 基于模糊逻辑的煤矿火灾图像快速增强 | 第24-46页 |
| ·矿井视频图像特点及火灾检测系统组成 | 第24-27页 |
| ·基于传统算法的图像增强方法分析 | 第27-34页 |
| ·直方图均衡化算法 | 第28-31页 |
| ·平滑滤波 | 第31-32页 |
| ·灰度变换 | 第32-34页 |
| ·基于模糊逻辑的图像增强 | 第34-40页 |
| ·模糊逻辑的概念 | 第35-38页 |
| ·经典的pal算法理论 | 第38-40页 |
| ·改进的基于模糊逻辑的快速图像增强 | 第40-43页 |
| ·实验结果与分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 3 基于粒子群优化的煤矿火灾图像分割 | 第46-59页 |
| ·图像分割的概念及模型 | 第46-51页 |
| ·图像分割技术 | 第46-47页 |
| ·基于二维熵的阈值法图像分割技术 | 第47-51页 |
| ·基于PSO的二维模糊最大熵的图像分割技术 | 第51-56页 |
| ·二维模糊划分最大熵分割 | 第51-53页 |
| ·粒子群优化算法 | 第53-54页 |
| ·基于PSO的二维模糊最大熵火灾图像分割 | 第54-56页 |
| ·实验结果与分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 4 火灾图像的多特征提取技术研究与实现 | 第59-78页 |
| ·图像特征提取概述 | 第59-60页 |
| ·火灾图像的特征提取 | 第60-74页 |
| ·面积增长特性 | 第60-62页 |
| ·形体变化特性 | 第62-65页 |
| ·边缘变化特性 | 第65-68页 |
| ·基于灰度共生矩阵的纹理特征 | 第68-70页 |
| ·频闪特性 | 第70-72页 |
| ·图像相关性 | 第72-74页 |
| ·基于多特征融合的火灾图像特征选择 | 第74-77页 |
| ·特征选择的概念与方法 | 第74-75页 |
| ·火灾图像的特征分析及特征选择 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 5 基于图像特征的煤矿火灾火焰图像识别 | 第78-101页 |
| ·模识识别概述 | 第78-79页 |
| ·基于神经网络的火灾图像识别 | 第79-85页 |
| ·人工神经网络 | 第80-81页 |
| ·BP神经网络 | 第81页 |
| ·基于BP神经网络的火灾识别 | 第81-85页 |
| ·基于改进的最小二乘支持向量机的火灾图像识别 | 第85-97页 |
| ·支持向量机的基本理论 | 第85-89页 |
| ·最小二乘支持向量机 | 第89-90页 |
| ·基于FR—LSSVM的火灾图像识别 | 第90-97页 |
| ·实验结果与分析 | 第97-100页 |
| ·本章小结 | 第100-101页 |
| 6 基于图像特征的煤矿火灾烟雾检测 | 第101-113页 |
| ·烟雾图像特征及烟雾检测算法的发展 | 第101-104页 |
| ·烟雾图像的静态特征 | 第101-102页 |
| ·烟雾图像的动态特征 | 第102页 |
| ·基于图像特征的烟雾检测技术综述 | 第102-104页 |
| ·基于混合高斯分布的烟雾图像分割 | 第104-107页 |
| ·烟雾的扩散性检测 | 第107-108页 |
| ·烟雾的纹理特征和动态特征提取及识别 | 第108-111页 |
| ·纹理特征提取 | 第108页 |
| ·烟雾动态特征提取 | 第108-110页 |
| ·基于支持向量机的烟雾识别 | 第110-111页 |
| ·实验结果与分析 | 第111-112页 |
| ·本章小结 | 第112-113页 |
| 7 结论 | 第113-115页 |
| ·结论 | 第113-114页 |
| ·展望 | 第114-115页 |
| 致谢 | 第115-116页 |
| 参考文献 | 第116-126页 |
| 附录 | 第126页 |
