首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

红外图像分割算法研究及其在电气设备故障诊断中的应用

摘要第4-5页
Abstract第5-6页
第一章 绪论第9-18页
    1.1 数字图像处理技术背景及意义第9页
    1.2 图像分割概述第9-11页
        1.2.1 图像分割的背景与意义第9-10页
        1.2.2 图像分割的数学模型第10-11页
    1.3 图像分割的国内外研究现状第11-15页
        1.3.1 阈值分割法第11-12页
        1.3.2 结合特定理论工具法第12-13页
        1.3.3 区域提取法第13-14页
        1.3.4 边缘检测法第14-15页
    1.4 红外电气设备故障诊断介绍第15-17页
        1.4.1 红外故障检测背景及意义第15页
        1.4.2 红外故障检测方法第15-17页
    1.5 图像分割现状分析第17页
    1.6 本文组织结构和要点第17-18页
第二章 红外热成像技术及红外图像的特点第18-26页
    2.1 红外热成像技术第18-20页
    2.2 红外图像的获取第20-23页
        2.2.1 红外热像仪原理第20-22页
        2.2.2 课题使用的红外热像仪第22-23页
    2.3 采集红外图像特征分析第23-25页
    2.4 本章小结第25-26页
第三章 一种基于边缘的缩放多梯度的图像分割算法第26-43页
    3.1 边缘检测第26-31页
        3.1.1 边缘检测原理第26-27页
        3.1.2 常用边缘检测算子第27-31页
        3.1.3 复杂背景电力设备图像特征分析第31页
    3.2 缩放多梯度边缘检测算法第31-34页
        3.2.1 算法结构框图第32页
        3.2.2 多梯度方向第32-34页
        3.2.3 缩放第34页
    3.3 实验结果与分析第34-41页
        3.3.1 实验结果第34-41页
        3.3.2 实验分析第41页
    3.4 本章小结第41-43页
第四章 基于区域生长的最大熵检测器的图像分割算法第43-57页
    4.1 模糊电力设备图像特征分析第43-44页
    4.2 区域生长与最大熵检测器结合的图像分割算法第44-48页
        4.2.1 区域生长第44-45页
        4.2.2 最大信息熵第45-46页
        4.2.3 检测器及目标、背景的生成第46-48页
    4.3 算法流程图第48-49页
    4.4 实验结果与分析第49-56页
        4.4.1 实验结果第49-55页
        4.4.2 结果分析第55-56页
    4.5 本章小结第56-57页
第五章 一种应用于红外电气设备故障诊断的图像分割算法第57-71页
    5.1 电气设备红外诊断技术的理论研究第57-62页
        5.1.1 电力设备故障的发展和演变第57-58页
        5.1.2 电力设备的热缺陷第58-59页
        5.1.3 电力设备热缺陷类型第59-62页
    5.2 基于K均值聚类与区域生长相结合的算法第62-66页
        5.2.1 算法流程图第62-63页
        5.2.2 图像预处理第63-64页
        5.2.3 K-means算法第64-65页
        5.2.4 区域生长第65-66页
    5.3 实验结果与分析第66-70页
    5.4 本章小结第70-71页
第六章 总结与展望第71-73页
    6.1 总结第71页
    6.2 展望第71-73页
参考文献第73-78页
发表论文和科研情况说明第78-79页
致谢第79页

论文共79页,点击 下载论文
上一篇:多发射源无线电能传输系统的研究
下一篇:采用PWM整流的宽转速范围永磁同步发电机系统的稳压控制研究