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 |