| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 课题背景及研究目的 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.3 本文的研究方法,技术路线和结构安排 | 第16-21页 |
| 2 混凝土图像的预处理与初步特征提取 | 第21-43页 |
| 2.1 图像灰度化 | 第21页 |
| 2.2 图像直方图均衡化增强预处理 | 第21-24页 |
| 2.3 图像滤波处理 | 第24-26页 |
| 2.4 图像初步特征提取 | 第26-40页 |
| 2.4.1 裂缝识别常用的边缘特征提取方法 | 第26-33页 |
| 2.4.2 基于Gabor滤波器的特征提取 | 第33-40页 |
| 2.5 本章小结 | 第40-43页 |
| 3 混凝土裂缝图像的描述特征提取算法设计 | 第43-51页 |
| 3.1 LBP及其改进算子的原理与方法 | 第43-48页 |
| 3.2 ULGBPHS图像描述特征提取方法 | 第48页 |
| 3.3 非线性特征压缩—KernelPCA | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 4 混凝土裂缝目标的识别算法设计 | 第51-67页 |
| 4.1 集成学习概述 | 第51-52页 |
| 4.2 随机森林方法的原理与过程 | 第52-55页 |
| 4.3 随机森林与核心基分类器—决策树 | 第55-58页 |
| 4.3.1 传统随机森林与CART决策树 | 第56-57页 |
| 4.3.2 斜向随机森林算法与PSVM决策树 | 第57-58页 |
| 4.4 基于自适应遗传算法的分类器参数寻优 | 第58-66页 |
| 4.5 本章小结 | 第66-67页 |
| 5 实验与分析 | 第67-75页 |
| 5.1 混凝土裂缝识别算法的全过程概述 | 第67-68页 |
| 5.2 评价指标—识别率的定义 | 第68页 |
| 5.3 数据集获取与数据扩充 | 第68-70页 |
| 5.4 Gabor核参数对识别率的影响 | 第70-71页 |
| 5.5 ULGBPHS分块大小对识别率的影响 | 第71-72页 |
| 5.6 PCA与KernelPCA特征压缩方式的对比 | 第72-73页 |
| 5.7 不同分类器对识别率的影响 | 第73-74页 |
| 5.8 本章小结 | 第74-75页 |
| 6 结论与展望 | 第75-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-89页 |
| 附录 | 第89页 |
| A.作者在攻读学位期间发表的论文目录 | 第89页 |