基于图像的轨道表面缺陷识别研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-16页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于图像的轨道缺陷检测研究现状 | 第12-13页 |
| 1.2.2 相关技术的研究 | 第13-15页 |
| 1.3 本文研究的主要内容 | 第15-16页 |
| 2 轨道表面图像预处理 | 第16-28页 |
| 2.1 轨道图像数字化 | 第16-18页 |
| 2.2 轨道图像的图像增强 | 第18-20页 |
| 2.2.1 轨道图像的灰度直方图 | 第18-19页 |
| 2.2.2 轨道图像的增强 | 第19-20页 |
| 2.3 轨道图像的图像去噪 | 第20-24页 |
| 2.3.1 轨道图像的平滑线性滤波 | 第20-22页 |
| 2.3.2 轨道图像的统计排序滤波 | 第22页 |
| 2.3.3 轨道图像的自适应维纳滤波 | 第22-24页 |
| 2.3.4 轨道图像去噪方法对比 | 第24页 |
| 2.4 轨道表面信息的定位 | 第24-27页 |
| 2.5 小结 | 第27-28页 |
| 3 轨道表面缺陷的标记与提取 | 第28-42页 |
| 3.1 图像分割概述 | 第28-29页 |
| 3.2 基于边界的轨面缺陷分割 | 第29-32页 |
| 3.2.1 基于一阶导数的缺陷边缘检测 | 第29-30页 |
| 3.2.2 基于二阶导数的边缘检测 | 第30-32页 |
| 3.3 基于阈值的缺陷分割方法 | 第32-36页 |
| 3.3.1 Otsu阈值分割法 | 第33-34页 |
| 3.3.2 改进的分水岭算法 | 第34-36页 |
| 3.4 形态学图像处理 | 第36-41页 |
| 3.4.1 膨胀与腐蚀 | 第36-38页 |
| 3.4.2 轨道表面缺陷的标记与提取 | 第38-41页 |
| 3.5 小结 | 第41-42页 |
| 4 轨道表面缺陷的识别分类 | 第42-57页 |
| 4.1 轨道表面缺陷的特征选择与提取 | 第42-47页 |
| 4.1.1 缺陷特征的表示与描述 | 第42-45页 |
| 4.1.2 缺陷特征的选择与提取 | 第45-47页 |
| 4.2 分类器的输入和输出表示 | 第47-49页 |
| 4.3 基于径向基函数神经网络的缺陷分类器设计 | 第49-56页 |
| 4.3.1 人工神经网络 | 第49-51页 |
| 4.3.2 径向基函数神经网络设计 | 第51-54页 |
| 4.3.3 径向基神经网络分类器仿真 | 第54-56页 |
| 4.4 小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间的研究成果 | 第63页 |
