基于水平集等人工智能的路面裂缝检测研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 课题的国内外研究现状 | 第9-10页 |
| 1.3 论文的研究内容与组织结构 | 第10-12页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 组织结构 | 第11-12页 |
| 第二章 路面裂缝的预处理 | 第12-26页 |
| 2.1 路面图像的检测原理 | 第12-13页 |
| 2.2 色彩空间及灰度变换 | 第13-15页 |
| 2.2.1 RGB色彩空间 | 第14页 |
| 2.2.2 灰度变换 | 第14-15页 |
| 2.3 匀光去噪处理 | 第15-22页 |
| 2.3.1 传统的噪声滤波算法 | 第15-17页 |
| 2.3.2 数学形态学运算 | 第17-20页 |
| 2.3.3 测地线阴影去除算法 | 第20-22页 |
| 2.4 基于局部方向性滤波的裂缝图像增强 | 第22-25页 |
| 本章小结 | 第25-26页 |
| 第三章 基于水平集方法的路面裂缝图像分割提取 | 第26-59页 |
| 3.1 传统的裂缝提取算法 | 第26-41页 |
| 3.1.1 阈值分割算法 | 第26-31页 |
| 3.1.2 区域分割算法 | 第31-35页 |
| 3.1.3 分水岭算法 | 第35-36页 |
| 3.1.4 边缘检测算法 | 第36-41页 |
| 3.2 水平集方法相关理论概述 | 第41-47页 |
| 3.2.1 水平集方法原理 | 第42-43页 |
| 3.2.2 Snake模型 | 第43-44页 |
| 3.2.3 GAC模型 | 第44-45页 |
| 3.2.4 Chan-Vese模型 | 第45-46页 |
| 3.2.5 Li模型 | 第46-47页 |
| 3.3 基于改进水平集方法的路面裂缝提取 | 第47-50页 |
| 3.4 实验与分析 | 第50-58页 |
| 本章小结 | 第58-59页 |
| 第四章 路面裂缝的特征提取与分析 | 第59-70页 |
| 4.1 路面图像的特征 | 第59-60页 |
| 4.2 图像细化及骨架提取 | 第60-61页 |
| 4.3 裂缝断口连接 | 第61-65页 |
| 4.3.1 实验分析 | 第63-64页 |
| 4.3.2 本文算法流程 | 第64-65页 |
| 4.4 裂缝特征提取与批量检测 | 第65-69页 |
| 4.4.1 裂缝类型判断 | 第65-66页 |
| 4.4.2 路面裂缝面积参数获取 | 第66-67页 |
| 4.4.3 路面裂缝长度计算 | 第67页 |
| 4.4.4 路面裂缝特征批量检测结果 | 第67-69页 |
| 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-73页 |
| 5.1 总结 | 第70页 |
| 5.2 本课题的创新点 | 第70-71页 |
| 5.3 展望 | 第71-73页 |
| 结束语 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第79页 |
