| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 液位检测系统简介 | 第12-13页 |
| 1.3 数字图像处理技术在液位检测中的应用 | 第13-15页 |
| 1.4 本文方法的整体设计和特点 | 第15-17页 |
| 1.4.1 整体设计 | 第15-16页 |
| 1.4.2 设计特点 | 第16-17页 |
| 1.5 论文主要工作 | 第17页 |
| 1.6 论文组织结构 | 第17-19页 |
| 第二章 基于数字图像处理的水位识别方法 | 第19-41页 |
| 2.1 图像的灰度化 | 第19页 |
| 2.2 图像分割 | 第19-22页 |
| 2.2.1 概述 | 第19-20页 |
| 2.2.2 最大类间方差法（OTSU） | 第20-22页 |
| 2.3 形态学滤波 | 第22-24页 |
| 2.4 倾斜校正算法 | 第24-26页 |
| 2.5 边缘检测算法 | 第26-31页 |
| 2.5.1 Roberts算子 | 第27页 |
| 2.5.2 Sobel算子 | 第27-28页 |
| 2.5.3 Prewitt算子 | 第28页 |
| 2.5.4 Canny算子 | 第28-31页 |
| 2.6 目标识别 | 第31-35页 |
| 2.7 整体实现 | 第35-39页 |
| 2.7.1 标尺区域的定位 | 第35-36页 |
| 2.7.2 水位值的输出 | 第36-39页 |
| 2.8 本章小结 | 第39-41页 |
| 第三章 基于改进的Retinex增强算法的夜间水位识别 | 第41-58页 |
| 3.1 引言 | 第41-42页 |
| 3.2 Retinex算法原理 | 第42-43页 |
| 3.3 引导滤波原理 | 第43-45页 |
| 3.4 基于空间熵的全局对比度增强算法 | 第45-47页 |
| 3.5 改进的Retinex夜间图像增强算法 | 第47-48页 |
| 3.6 实验结果与分析 | 第48-56页 |
| 3.6.1 水位识别误差对比 | 第48-52页 |
| 3.6.2 标尺边界定位对比 | 第52-53页 |
| 3.6.3 二维灰度直方图对比 | 第53-55页 |
| 3.6.4 平均梯度对比 | 第55-56页 |
| 3.7 本章小结 | 第56-58页 |
| 第四章 基于图像超分辨率重建的远距离水位识别 | 第58-81页 |
| 4.1 引言 | 第58-59页 |
| 4.2 基于稀疏表示的图像重建方法 | 第59-63页 |
| 4.2.1 信号稀疏原理 | 第59-60页 |
| 4.2.2 字典训练 | 第60-61页 |
| 4.2.3 算法流程 | 第61-63页 |
| 4.3 基于卷积神经网络的水位图像重建算法 | 第63-66页 |
| 4.3.1 网络结构 | 第63-65页 |
| 4.3.2 训练 | 第65-66页 |
| 4.4 基于深度递归神经网络的水位图像重建算法 | 第66-70页 |
| 4.4.1 网络模型 | 第66-68页 |
| 4.4.2 递归监督与跳连接 | 第68-69页 |
| 4.4.3 训练 | 第69-70页 |
| 4.4.4 与基于卷积神经网络的重建算法的分析比较 | 第70页 |
| 4.5 实验结果对比与分析 | 第70-80页 |
| 4.5.1 深度神经网络的特征可视化 | 第71-72页 |
| 4.5.2 水位识别误差对比 | 第72-77页 |
| 4.5.3 标尺边界定位对比 | 第77-79页 |
| 4.5.4 标准差对比 | 第79-80页 |
| 4.6 本章小结 | 第80-81页 |
| 第五章 总结与展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-89页 |
| 致谢 | 第89-90页 |
| 附件 | 第90页 |