| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 红外与可见光的图像配准方法研究现状 | 第11页 |
| 1.2.2 变电设备的红外与可见光图像配准方法研究现状 | 第11-12页 |
| 1.2.3 基于深度学习的图像匹配方法研究现状 | 第12-13页 |
| 1.3 本文主要工作和内容安排 | 第13-15页 |
| 第2章 基于超列的红外与可见光图像配准方法 | 第15-32页 |
| 2.1 引言 | 第15页 |
| 2.2 相关局部不变特征表达方法 | 第15-21页 |
| 2.2.1 SIFT特征 | 第15-18页 |
| 2.2.2 SURF特征 | 第18-19页 |
| 2.2.3 算例分析 | 第19-21页 |
| 2.3 基于卷积神经网络的深度特征表达 | 第21-24页 |
| 2.3.1 卷积层 | 第21-22页 |
| 2.3.2 池化层 | 第22页 |
| 2.3.3 全连接层 | 第22-23页 |
| 2.3.4 整体模型图 | 第23-24页 |
| 2.4 基于超列的变电设备红外与可见光图像配准方法 | 第24-30页 |
| 2.4.1 VGG16卷积神经网络模型 | 第24-25页 |
| 2.4.2 超列模型概念 | 第25-26页 |
| 2.4.3 配准步骤 | 第26-29页 |
| 2.4.3.1 角点检测 | 第26-27页 |
| 2.4.3.2 深度特征提取 | 第27页 |
| 2.4.3.3 相似度度量 | 第27-28页 |
| 2.4.3.4 几何变换 | 第28-29页 |
| 2.4.4 算例分析 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于Triplet loss的红外与可见光图像配准方法 | 第32-41页 |
| 3.1 引言 | 第32页 |
| 3.2 Triplet loss模型 | 第32-33页 |
| 3.3 基于Triplet loss的红外与可见光图像配准方法 | 第33-35页 |
| 3.3.1 制作数据集 | 第34页 |
| 3.3.2 定义训练模型 | 第34-35页 |
| 3.3.3 微调 | 第35页 |
| 3.4 实验结果与分析 | 第35-40页 |
| 3.4.1 经典红外与可见光图像配准实验 | 第35-37页 |
| 3.4.2 变电设备红外与可见光图像配准实验 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于端到端学习的配准方法 | 第41-52页 |
| 4.1 引言 | 第41页 |
| 4.2 端到端学习理论 | 第41页 |
| 4.3 端到端学习的配准方法 | 第41-46页 |
| 4.3.1 特征提取网络 | 第42页 |
| 4.3.2 特征融合网络 | 第42-44页 |
| 4.3.3 回归网络 | 第44-45页 |
| 4.3.4 训练网络 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-51页 |
| 4.4.1 单模态图像配准实验 | 第46-47页 |
| 4.4.2 经典多模态图像配准实验 | 第47-48页 |
| 4.4.3 变电设备红外与可见光图像配准实验 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第57-58页 |
| 致谢 | 第58页 |
