| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及研究意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 路面破损分类 | 第9-10页 |
| 1.3 路面裂缝识别算法研究现状 | 第10-12页 |
| 1.3.1 国外算法的研究现状 | 第10-11页 |
| 1.3.2 国内算法研究现状 | 第11-12页 |
| 1.4 路面裂缝识别的难点 | 第12-13页 |
| 1.5 本文的研究内容及内容安排 | 第13-16页 |
| 第二章 路面裂缝图像的预处理 | 第16-20页 |
| 2.1 引言 | 第16页 |
| 2.2 图像的去噪处理 | 第16-17页 |
| 2.3 光照非均匀校正 | 第17-18页 |
| 2.4 图像增强 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 路面裂缝图像的分割 | 第20-30页 |
| 3.1 引言 | 第20页 |
| 3.2 常见分割算法的可行性分析 | 第20-24页 |
| 3.2.1 迭代法阈值分割 | 第20-21页 |
| 3.2.2 OTSU算法（大津法） | 第21-22页 |
| 3.2.3 基于边缘的分割方法 | 第22-23页 |
| 3.2.4 神经网络分割方法 | 第23-24页 |
| 3.3 基于传统的DBC方法的改进算法 | 第24-25页 |
| 3.4 改进前后算法实验结果对比 | 第25-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 路面裂缝图像的特征提取 | 第30-42页 |
| 4.1 引言 | 第30页 |
| 4.2 普通背景下的路面裂缝提取 | 第30-31页 |
| 4.3 复杂背景下的路面裂缝提取 | 第31-40页 |
| 4.3.1 基于分数阶积分的裂缝检测方法概述 | 第31-35页 |
| 4.3.2 裂缝图像的缩小 | 第35-37页 |
| 4.3.3 最大类间交叉熵的计算 | 第37-39页 |
| 4.3.4 复杂背景裂缝提取实验结果与分析 | 第39-40页 |
| 4.4 本章小结 | 第40-42页 |
| 第五章 路面裂缝图像的分类 | 第42-54页 |
| 5.1 引言 | 第42页 |
| 5.2 路面裂缝图像分类特征提取 | 第42-45页 |
| 5.2.1 基于传统Proximity算法的分类特征提取 | 第42-43页 |
| 5.2.2 针对Proximity算法的改进 | 第43-45页 |
| 5.3 裂缝分类算法研究 | 第45-48页 |
| 5.3.1 基于SVM的裂缝分类概述 | 第45-47页 |
| 5.3.2 基于SVM的裂缝分类实验分析 | 第47-48页 |
| 5.4 基于SVM—Adaboost的裂缝分类算法 | 第48-52页 |
| 5.5 裂缝分类实验及结果分析 | 第52-53页 |
| 5.6 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间所取得的研究成果 | 第60-61页 |
| 致谢 | 第61页 |