| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 产品表面缺陷检测技术发展 | 第8-9页 |
| 1.2.2 三维重建技术的发展 | 第9-10页 |
| 1.3 论文主要研究内容及章节安排 | 第10-12页 |
| 1.3.1 主要研究内容 | 第10-11页 |
| 1.3.2 章节安排 | 第11-12页 |
| 2 基于机器视觉的陶瓷碗表面缺陷检测算法 | 第12-22页 |
| 2.1 图像预处理 | 第13页 |
| 2.1.1 图像增强 | 第13页 |
| 2.1.2 直方图均衡化 | 第13页 |
| 2.2 经典的边缘检测算法 | 第13-18页 |
| 2.2.1 Sobel算子 | 第13-14页 |
| 2.2.2 Prewitt边缘检测算子 | 第14-15页 |
| 2.2.3 Roberts边缘检测算子 | 第15-16页 |
| 2.2.4 Laplace边缘检测算子 | 第16页 |
| 2.2.5 Canny边缘检测算子 | 第16-17页 |
| 2.2.6 Kirsch边缘检测算子 | 第17-18页 |
| 2.3 基于Kirsch和Canny算子的检测方法 | 第18页 |
| 2.4 图像形态学处理 | 第18页 |
| 2.5 缺陷区域几何特征提取 | 第18-19页 |
| 2.6 实验结果与分析 | 第19-21页 |
| 2.7 本章小结 | 第21-22页 |
| 3 基于遗传算法的双目摄像机标定 | 第22-38页 |
| 3.1 摄像机成像模型 | 第22-25页 |
| 3.1.1 图像坐标系、摄像机坐标系及世界坐标系 | 第22-24页 |
| 3.1.2 线性摄像机模型 | 第24页 |
| 3.1.3 非线性摄像机模型 | 第24-25页 |
| 3.2 摄像机标定方法 | 第25-28页 |
| 3.2.1 传统的摄像机标定法 | 第25-26页 |
| 3.2.2 摄像机自标定法 | 第26页 |
| 3.2.3 基于主动视觉的标定法 | 第26页 |
| 3.2.4 张正友标定法 | 第26-28页 |
| 3.3 极大似然估计与径向畸变处理 | 第28-29页 |
| 3.3.1 极大似然估计 | 第28-29页 |
| 3.3.2 径向畸变 | 第29页 |
| 3.4 相机标定中的遗传算法 | 第29-30页 |
| 3.4.1 遗传算法基本思想及原理 | 第29-30页 |
| 3.4.2 遗传算法的特点 | 第30页 |
| 3.5 遗传算法的实现 | 第30-33页 |
| 3.5.1 选择算子 | 第30-31页 |
| 3.5.2 交叉算子 | 第31页 |
| 3.5.3 变异算子 | 第31页 |
| 3.5.4 适应度函数 | 第31-32页 |
| 3.5.5 终止条件 | 第32-33页 |
| 3.6 实验结果与分析 | 第33-37页 |
| 3.7 本章小结 | 第37-38页 |
| 4 图像特征点提取与匹配 | 第38-46页 |
| 4.1 FAST特征点提取 | 第38-40页 |
| 4.2 SURF特征点描述及匹配 | 第40-41页 |
| 4.2.1 特征点主方向确定 | 第40页 |
| 4.2.2 特征点描述符的生成 | 第40-41页 |
| 4.2.3 FLANN匹配算法 | 第41页 |
| 4.3 实验结果与分析 | 第41-44页 |
| 4.4 本章小结 | 第44-46页 |
| 5 点云重建 | 第46-56页 |
| 5.1 SFM稀疏点云重建 | 第46-49页 |
| 5.1.1 三角定位 | 第46-47页 |
| 5.1.2 迭代计算 | 第47-48页 |
| 5.1.3 集束调整 | 第48-49页 |
| 5.2 PMVS稠密点云重建 | 第49-53页 |
| 5.2.1 面片模型 | 第50页 |
| 5.2.2 光度差异函数 | 第50-51页 |
| 5.2.3 面片重建 | 第51页 |
| 5.2.4 PLY文件输出 | 第51-53页 |
| 5.3 实验结果与分析 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读硕士学位期间发表论文 | 第64页 |