| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 课题研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 轨道梁裂纹检测技术国内外研究现状 | 第11-13页 |
| 1.2.2 轨道梁检测系统的国内外研究现状 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 2 轨道梁裂纹缺陷检测系统 | 第16-22页 |
| 2.1 裂纹检测硬件系统 | 第16-17页 |
| 2.2 裂纹检测软件系统 | 第17-21页 |
| 2.2.1 技术指标 | 第17页 |
| 2.2.2 软件系统框架 | 第17-20页 |
| 2.2.3 系统功能 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于稀疏表示和字典学习的图像去噪 | 第22-33页 |
| 3.1 图像去噪概述 | 第22-25页 |
| 3.1.1 图像噪声种类及分析 | 第22-23页 |
| 3.1.2 去噪方法研究 | 第23-25页 |
| 3.2 基于稀疏表示的图像去噪 | 第25-27页 |
| 3.2.1 稀疏表示理论 | 第25-26页 |
| 3.2.2 基于稀疏表示的图像去噪原理 | 第26-27页 |
| 3.3 基于字典学习的去噪方法 | 第27-32页 |
| 3.3.1 K-SVD算法 | 第27-28页 |
| 3.3.2 算法流程与实验分析 | 第28-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于支持向量机的裂纹图像判别 | 第33-48页 |
| 4.1 支持向量机 | 第33-37页 |
| 4.1.1 线性可分情形 | 第33-35页 |
| 4.1.2 广义线性可分 | 第35-36页 |
| 4.1.3 线性不可分情形 | 第36-37页 |
| 4.2 稠密SIFT特征提取 | 第37-40页 |
| 4.2.1 SIFT特征原理 | 第37-39页 |
| 4.2.2 稠密SIFT | 第39-40页 |
| 4.3 图像词袋化 | 第40-42页 |
| 4.3.1 K-means聚类算法 | 第40-41页 |
| 4.3.2 基于词袋的特征表示 | 第41-42页 |
| 4.4 程序流程与结果分析 | 第42-47页 |
| 4.4.1 训练模块 | 第42-44页 |
| 4.4.2 识别模块 | 第44页 |
| 4.4.3 实验与分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 基于阈值分割和SVM结合的轨道梁裂纹图像提取与分析 | 第48-59页 |
| 5.1 超像素分割原理 | 第48-49页 |
| 5.2 算法流程与结果分析 | 第49-53页 |
| 5.2.1 特征选取 | 第49-50页 |
| 5.2.2 训练样本的选取 | 第50-51页 |
| 5.2.3 程序步骤 | 第51-52页 |
| 5.2.4 实验结果 | 第52-53页 |
| 5.3 伪裂纹去除 | 第53-55页 |
| 5.4 裂纹分析 | 第55-56页 |
| 5.5 实验分析 | 第56-58页 |
| 5.6 本章总结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |