| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.3 本文研究内容与章节安排 | 第13-15页 |
| 2 便携的图像式轨检系统组成 | 第15-23页 |
| 2.1 系统的硬件组成 | 第15-20页 |
| 2.1.1 图像采集系统 | 第16-20页 |
| 2.1.2 图像处理系统 | 第20页 |
| 2.2 系统的软件组成 | 第20-22页 |
| 2.2.1 软件系统结构 | 第20-22页 |
| 2.2.2 软件平台介绍 | 第22页 |
| 2.3 小结 | 第22-23页 |
| 3 钢轨表面缺陷图像预处理 | 第23-34页 |
| 3.1 轨面区域提取 | 第23-24页 |
| 3.2 轨面图像滤波 | 第24-25页 |
| 3.3 轨面图像增强 | 第25-30页 |
| 3.3.1 钢轨图像特征分析 | 第25-27页 |
| 3.3.2 基于改进Retinex的钢轨图像增强算法 | 第27-30页 |
| 3.4 轨面图像增强实验分析 | 第30-33页 |
| 3.4.1 不同实验条件对增强效果的影响 | 第31页 |
| 3.4.2 与其他方法比较 | 第31-33页 |
| 3.5 小结 | 第33-34页 |
| 4 钢轨表面缺陷图像分割 | 第34-45页 |
| 4.1 图像灰度梯度特征分析 | 第34-36页 |
| 4.2 基于图像灰度梯度特征的钢轨表面缺陷分割算法 | 第36-40页 |
| 4.2.1 背景图像平滑 | 第36-39页 |
| 4.2.2 图像差分与缺陷分割 | 第39-40页 |
| 4.3 缺陷分割实验分析 | 第40-44页 |
| 4.3.1 参数分析 | 第40-41页 |
| 4.3.2 不同实验条件对分割效果的影响 | 第41-42页 |
| 4.3.3 与其他方法比较 | 第42-44页 |
| 4.4 小结 | 第44-45页 |
| 5 钢轨表面缺陷分类识别 | 第45-57页 |
| 5.1 缺陷特征提取 | 第45-48页 |
| 5.1.1 几何形状特征 | 第45-47页 |
| 5.1.2 灰度特征 | 第47-48页 |
| 5.2 缺陷特征选择 | 第48-49页 |
| 5.3 基于Boosting的组合分类器设计 | 第49-52页 |
| 5.3.1 AdaBoost多分类器组合算法 | 第49-50页 |
| 5.3.2 CART决策树算法 | 第50-51页 |
| 5.3.3 组合分类器设计 | 第51-52页 |
| 5.4 缺陷分类实验分析 | 第52-54页 |
| 5.4.1 参数分析 | 第53页 |
| 5.4.2 组合分类器的识别结果 | 第53-54页 |
| 5.5 系统实现 | 第54-56页 |
| 5.6 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 |