| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 钢板表面质量检测的国内外研究动态 | 第14-15页 |
| 1.3 超像素分割的研究动态 | 第15-18页 |
| 1.4 研究目的和意义 | 第18-19页 |
| 1.5 本文研究的主要内容 | 第19-20页 |
| 第2章 表面质量检测系统 | 第20-28页 |
| 2.1 系统构建 | 第20-23页 |
| 2.1.1 图像采集 | 第21-22页 |
| 2.1.2 图像处理 | 第22-23页 |
| 2.2 无缺陷图像快速甄别 | 第23-25页 |
| 2.3 缺陷区域分割 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 分割的理论与建模 | 第28-50页 |
| 3.1 经典超像素分割方法 | 第28-32页 |
| 3.1.1 normalized cut方法 | 第28-29页 |
| 3.1.2 graph-based方法 | 第29-30页 |
| 3.1.3 mean-shift方法 | 第30-32页 |
| 3.2 SLIC超像素分割 | 第32-40页 |
| 3.2.1 K-means理论与建模 | 第32-34页 |
| 3.2.2 K-means图像处理 | 第34-36页 |
| 3.2.3 SLIC超像素分割与K-means算法的比较 | 第36-37页 |
| 3.2.4 SLIC算法 | 第37-40页 |
| 3.3 超像素聚合 | 第40-44页 |
| 3.3.1 L邻域 | 第40-42页 |
| 3.3.2 超像素聚合 | 第42-44页 |
| 3.4 BP神经网络 | 第44-48页 |
| 3.4.1 BP神经网络基本原理 | 第44-45页 |
| 3.4.2 BP神经网络算法 | 第45-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 油污图像的SLIC分割 | 第50-56页 |
| 4.1 SLIC超像素预设形状探讨 | 第50-51页 |
| 4.2 超像素的m参数选择 | 第51-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第5章 油污图像的超像素聚合 | 第56-66页 |
| 5.1 自适应阈值输入探究 | 第56-58页 |
| 5.2 自适应阈值输出探究 | 第58-60页 |
| 5.3 BP神经网络自适应阈值曲线 | 第60页 |
| 5.4 单油污分割举例 | 第60-62页 |
| 5.5 多油污分割举例 | 第62-64页 |
| 5.6 结果分析 | 第64-65页 |
| 5.6.1 准确率分析 | 第64-65页 |
| 5.6.2 时间分析 | 第65页 |
| 5.7 本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |