一、小波变换的多尺度方法在边缘检测中的应用（论文文献综述）
任继亭,李尉[1]（2021）在《海天线检测方法综述》文中认为海天线是无人艇利用视觉技术感知周围环境的重要因素。准确的海天线检测可以将海天区域准确地划分,对无人艇在海面上的安全航行和水面目标检测具有重要作用。复杂的海面环境一直是影响海天线准确检测的重要因素。本文对在复杂的海天背景下海天线的检测方法做了阐述。
张旺[2]（2021）在《基于深度学习的多尺度边缘检测算法研究》文中研究说明边缘检测旨在提取自然图像中的目标边界和视觉上明显的边缘,是高级计算机视觉任务如图像分割、目标检测/识别、图片速写等的基础,甚至直接决定了任务精度的上限,因此对该技术的研究具有十分重要的意义。传统的边缘检测方法根据手工特征如亮度、颜色、梯度和纹理等来区分边缘像素。然而,应用低级视觉线索很难表示高级的语义意义。近年来,随着人工智能浪潮的来临,在图像处理领域中应用深度学习已经成为一种主流方法,但截至目前,将深度学习应用于图像边缘检测领域才刚刚起步,研究成果有限。同时,训练基于深度学习的算法需要进行大量的数据运算,检测目标的多尺度变化也为边缘检测带来了新的挑战。本文针对以上问题,对基于深度学习的多尺度边缘检测算法进行了实验研究。针对基于深度学习的边缘检测算法中相似的低层特征在多个尺度下被多次提取,导致信息冗余使用,同时没有对全局长程相关性有效地建模,导致非最有区分力的特征表示,本文提出一种多尺度全局通道网络。首先利用VGG16丰富的卷积层捕获多尺度特征。然后,通过全局注意模块对全局长程相关性建模,并将局部特征与其对应的全局相关性结合起来。最后利用通道注意模块以较少参数自适应地重新校准通道响应,引导网络忽略无关信息,强调相关特征间的关联。通过在BSDS500数据集和NYUD数据集上对该方法进行消融实验,在ODS上分别实现了0.815和0.741的F值,比现有的其他算法高出0.9%和1.2%,证明该方法在均衡参数规模与精度的前提下对比其他算法获得更清晰的边缘,明显优于其他对比算法。基于深度卷积网络的边缘检测算法对多尺度中间层输出采用相同单一的深度监督,忽略了中间层特征在尺度上的差异性,以及深度卷积网络中存在梯度消失/爆炸和网络退化问题。针对以上问题,本文引入残差学习,构建基于残差网络的深度监督网络来提升网络的收敛效果,训练的稳定性。本文将残差网络分为不同阶段,利用每一阶段不同尺度的特征信息丰富多尺度特征,对每一阶段的中间输出采用宽松标签进行深度监督,通过亚像素卷积对各阶段的输出进行上采样,将获得的高分辨率的特征图用于边缘检测。相对于经典的Canny算子和目前基于深度学习的主流边缘检测方法如HED、RCF等,本文所述方法得到的边缘具有更好的连续性和准确性,能检测到更精细的边缘,在BSDS500数据集上ODS的F值分别提高了20.3%、2.6%、0.8%,并且训练时间更短。利用多尺度特征对于改善不同尺度下的目标的边缘检测效果具有重要意义。为了提取不同尺度下的边缘特征,本文提出利用特定尺度下的边缘标签来监督每个卷积层的输出,此外,引入多尺度增强模块来丰富浅层网络的多尺度表示,该模块利用膨胀卷积生成多尺度特征,得到一个参数较少的紧凑网络。本文在BSDS500数据集上对提出的方法进行评估,在ODS实现了0.818的F值,比当前技术水平高1.2%。
郑志峰[3]（2020）在《高分辨率卫星影像分类及变化检测算法研究》文中研究指明随着城市化的快速发展,由此引发的城镇建设用地不断增加,同时耕地、林地被占用等一系列地表快速变化等问题,引起各级土地管理部门的高度关注。然而,如何快速、及时、准确地发现城市土地利用变化情况和信息是关键问题,遥感变化检测技术为解决这一问题提供了科学方法。高分影像为准确提取地表变化信息提供了丰富的数据基础,同时,由于高分影像的多分辨率为经典变化检测方法带来了新的困难与问题。高分影像在多分辨率、多尺度环境下的同谱异物与异物同谱问题、纹理结构的尺度问题、类内方差减小同时类间方差增大问题等等,都是高分影像变化检测的困难问题。为此,本文紧紧围绕着地表变化检测中突出的问题,从高分影像的脊波变换特征、融合特征以及卷积神经网络等方面进行多尺度变化检测算法研究,旨在综合利用高分影像多分辨率信息,减弱预处理过程及检测过程中的误差影响,从而增强地表变化检测结果的准确性与合理性,构建新的变化检测方法,为变化检测技术应用及生产实践提供理论支持。主要研究工作及创新点如下:创新性的提出了高分影像分类与变化检测处理技术:基于脊波、卷积神经网络的高分影像分类算法和基于光谱特征级融合及多尺度分割投票决策的变化检测算法。基于脊波、卷积神经网络的分类算法是在脊波理论及卷积神经网络的理论基础上,将脊波提取的“低水平”的简单特征与神经网络提取的“高水平”特征相融合。由于在提取特征的过程中,使用脊波提取的“低水平”特征减少了融合特征对训练集的依赖性,使得融合特征更加独立;而卷积神经网络在此过程中又抑制了噪声的产生及提高分类区域的一致性,最终提高了影像的分类精度。基于光谱特征级融合及多尺度分割投票决策的变化检测方法则是提出了一种提高变化检测精度的方法框架。此方法由影像融合算法开始,分别使用不同的算法提取影像的多尺度特征,然后通过这些提取的特征融合为特征层,然后通过曼哈顿距离量测不同时相间融合特征向量之间的变化幅度,并以Otsu法进行分割后得到二值变化检测图。随后采用“少数服从多数”的投票策略,对目标内的每个像素进行标记,并最终形成变化检测图。从最终的实验结果来看,将基于脊波、卷积神经网络的高分影像分类算法与目前最先进的五种算法相比较,其结果具有一定优势。基于光谱特征级融合及多尺度分割投票决策的变化检测方法在三组数据中进行实验,实验结果表明,与单独使用原始光谱特征和其他先进的变化检测方法相比,该方法获得了更好的性能。最后,将本文算法应用于土地调查的实际数据中,取得了较好的效果,充分表明本文算法研究的有效性和对实际工作的适应性。
曹辉[4]（2020）在《基于漏磁内检测的输油管道缺陷识别方法研究》文中研究表明为了保证输油管道输送的安全、高效,减少由于如磨损、腐蚀、意外损伤等各种原因引起的管道潜在的泄漏风险,需要对管道进行定期的检测和维护,避免管道泄漏造成的能源浪费和环境污染;需要在管道泄漏发生之前预先检测出管道中的异常,识别缺陷,从而对管道进行修复,保证管道安全使用。目前,管道检测技术中,漏磁检测（Magnetic flux leakage,简写为MFL）技术通常用于检测钢铁管道中的金属损失缺陷,该技术作为最常用的非破坏性检测技术之一,为评价管道的安全性、预测管道寿命、对管道进行检修维护等提供可靠依据。本文针对长输管道漏磁内检测数据进行研究,将管道漏磁内检测数据转化成漏磁图像,对漏磁图像进行智能检测和识别,同时对检测到的缺陷区域进行三维轮廓重构。针对上述问题开展了大量的研究和创新工作。论文研究了管道异常边缘提取方法。在进行漏磁图像缺陷的智能化识别中,异常边缘提取是十分重要的环节,异常边缘的精确程度直接影响到后续的反演评估环节。由于数据噪声的存在,使得边缘提取特别是复杂异常边缘提取精度大大下降,而且,面对庞大的漏磁数据,一般机器学习算法耗时较多。小波多尺度边缘检测方法被广泛用于工业异常提取中,因此,针对漏磁内检测中异常边缘提取问题,提出一种基于数据融合的小波变换漏磁异常边缘提取算法,将传统的小波多尺度极大值边缘提取和数据融合的思想结合在一起,在算法中加入数据层融合、特征层融合和决策层融合,最终对漏磁内检测中的异常边缘进行精确的边缘提取。论文研究了管道微小异常区域提取方法。针对管道中微小异常区域,提出一种基于U-Net深度网络的微小异常区域提取方法。U-Net网络是改进的全卷积神经网络,使用少量数据就可以较好对图像的细节特征进行提取,应用在管道漏磁内检测中,可以有效的对微小异常区域进行准确提取。为了提升提取确性,本文对U-Net网络模型进行改进,并提出一个基于对抗网络的训练方法。所提方法能准确、完整地对微小异常区域进行提取,保留漏磁图像异常区域细节特征,具有较强的鲁棒性、较高的精度和效率。论文研究了管道组件和缺陷的识别方法。针对管道内检测中组件和缺陷的识别,提出一种基于卷积神经网络的深度网络缺陷识别方法。该方法采用改进的卷积神经网络算法,可以提高管道组件和缺陷图像的识别精度,精度指标可达到90%以上。该方法不仅对信噪比不明显样本有较高的识别灵敏度,对漏磁图像也具有良好的位移鲁棒性和畸变鲁棒性。论文研究了管道缺陷轮廓重构方法。在漏磁检测中,可以通过测量的漏磁信号重建缺陷的轮廓,缺陷的三维轮廓重构可以对缺陷进行定量的研究,无论对缺陷的尺寸评估还是对于实际项目缺陷重构的可视化展示,都有一定的实际意义。本文提出一种基于偏差估计的随机森林缺陷三维轮廓重构方法。该方法利用随机森林算法通过估计信号和实际信号之间的偏差估计重构轮廓偏差,通过优化参数更新缺陷轮廓,最终可实现缺陷三维轮廓的重构。所提出的方法在缺陷轮廓重构精度上具有良好的效果。本文通过基于数据融合的小波变换提取漏磁异常边缘,并通过U-Net网络进一步提取漏磁图像的细微异常区域;通过改进的卷积神经网络对漏磁图像的组件和缺陷进行智能识别;通过基于偏差估计的随机森林缺陷三维轮廓重构方法对检测到的缺陷区域进行轮廓重构,实现了对长输管道缺陷进行智能检测和识别的目的,确保管道运输安全。
李钢[5]（2020）在《视觉烟雾检测中的变换域局部特征建模》文中研究指明视觉烟雾检测已成为当前早期火灾探测领域的研究热点和难点,其检测率直接影响到视觉火灾探测技术的应用。近年来,随着数字图像处理、视频分析、模式识别、机器学习等技术的发展,视觉火灾探测对烟雾的检测率有了更高的要求。火灾中烟雾的视觉特征通常呈现出形态多变、颜色各异、透明度差异大、运动无规律等特点,易受外界环境影响,稳定性差,这使得从视频和图像中提取表达能力强、鲁棒性好的烟雾特征成为了提高烟雾检测率的技术难题。因此,研究视觉烟雾检测中的烟雾特征建模方法,对早期火灾预警具有重要的理论价值和实践意义。烟雾的变换域特征和静态纹理特征是两种重要特征。变换域蕴涵了原始图像中较高层的抽象信息,提取变换域上的特征有利于增强烟雾特征的表达能力。烟雾的局部特征能很好地表达烟雾的静态纹理信息,是一种稳定的烟雾特征。因此,本文围绕变换域和局部特征模式对烟雾特征建模展开研究,以提高烟雾检测的检测率,降低误报率和错误率,促进视觉烟雾检测技术的发展。本文的主要研究工作如下。（1）提出了边缘变换域局部特征建模方法。图像中的烟雾多表现为边缘模糊弯曲、少直线,而其他人造物体通常存在清晰的直线边缘。基于这一现象,该方法利用边缘特征图上的局部特征来增强烟雾特征的表达能力。为保证边缘检测方法的适应性,该方法使用了自适应Canny算子检测边缘。针对二值的边缘特征图,该方法提出了两种局部特征模式（局部边界求和模式与局部区域求和模式）。提取边缘特征图的局部边界求和模式特征与局部区域求和模式特征、原图和边缘特征图的局部二值模式特征之后,该方法对所提特征进行选择得到最终特征。该方法利用边缘变换域解决了图像中目标物体的边缘信息没有得到利用的问题。（2）提出了Gabor变换域局部特征建模方法。图像变换常被用于传统视觉烟雾检测,而烟雾特征提取过程通常只使用单一尺度的变换域,较少采用具有多尺度特性的Gabor变换域。因此,该方法引入了具有多尺度、多方向特性的Gabor小波,通过提取Gabor特征图的局部特征来增强烟雾特征的表达能力。首先,该方法通过构造聚合Gabor核,减少了传统Gabor核的数量和传统Gabor核之间的冗余信息。然后,改进了传统局部二值模式的编码方式,采用自定义比较函数替代原始的二值化函数,很好地利用了Gabor特征图中丰富的像素值信息。最后,利用改进的局部二值模式提取原始图像和Gabor特征图的特征,并串联所有特征生成最终特征。该方法利用Gabor变换域解决了传统局部特征不具有多尺度、多方向特性的问题。（3）提出了基于Gabor变换域和边缘变换域的局部特征建模方法。Gabor特征图能够提取原始图像中所蕴涵的抽象特征,具有丰富的像素值信息。为更好利用Gabor特征图上的像素值信息,该方法改进了局部三值模式。针对传统局部三值模式中使用固定阈值不能很好适应所有图像的问题,该方法提出了置信水平局部三值模式,利用置信水平阈值来计算三值化函数的高低阈值,并设计了新的三值化函数来生成编码特征图,提高了局部三值模式的适应性。针对Gabor特征图上所提特征的融合方法过于简单而导致不能反映各特征重要程度的问题,该方法使用Gabor特征图的信息熵来计算对应特征的权重,从而生成加权特征。另外,边缘特征图能捕获原始图像中特定的高频信息,体现了物体的边缘特征,故该方法也使用了原始图像的边缘特征图。利用置信水平局部三值模式,该方法分别计算了原始图像和边缘特征图的特征、Gabor特征图的加权特征,并将这些特征融合、降维生成最终特征。该方法很好地解决了多个Gabor变换域的局部特征融合方法过于简单的问题,同时利用Gabor变换域和边缘变换域捕获了原始图像上两种不同的抽象信息。（4）提出了多层Gabor变换域局部特征建模方法。使用Gabor核的传统特征提取方法中,每个Gabor核通常只执行一次卷积运算,无法同时提取到原始图像在不同层次上的抽象特征。为此,该方法构建一个多层Gabor卷积网络,提取了原始图像在多个层次上的抽象特征,生成了多层级的Gabor特征图。该网络含有一个图像输入层和多个Gabor特征计算层。Gabor特征计算层包含Gabor卷积子层和Gabor特征融合子层。在卷积子层利用Gabor核生成Gabor特征图后,该网络能利用特征融合子层融合Gabor特征图,避免了网络中图像数量呈指数级增长。在利用Gabor卷积网络输出多个层级的图像后,该方法计算了这些图像的局部二值模式特征。最后利用特征选择权重向量对各层的特征进行选择,并对所选特征进行融合、降维生成最终特征。针对Gabor核仅使用一次卷积运算的问题,该方法通过构建多层Gabor卷积网络很好地捕获了原始图像上多个层次的抽象信息。（5）为验证上述4种局部特征建模方法的性能,本文分别在烟雾识别和视频烟雾检测实验中使用了这4种方法来提取烟雾特征,并且视频烟雾检测实验使用了由烟雾识别实验训练的分类模型。实验结果显示:烟雾识别实验中,这4种方法都能获得较高的检测率,所提特征具有很好的烟雾辨识能力;视频烟雾检测中,分类模型能够很好地检测出烟雾视频中的烟雾,具有较好的烟雾检测效果。
刘晓明[6]（2020）在《多尺度几何变换在金属表面缺陷识别中的应用》文中进行了进一步梳理表面缺陷是影响金属板带产品质量的重要因素之一,国内板带材产品用户质量异议事件很大一部分归因于表面缺陷。基于机器视觉的表面检测系统可以对表面缺陷进行在线检测和实时反馈,已成为现代钢铁企业主要的检测手段。目前基于机器视觉的表面检测系统面临的主要难题是缺陷识别率较低,如何在满足在线检测速度的前提下进一步提高缺陷的识别率是一个重要研究内容。特征提取的好坏直接影响表面检测系统的应用效果,因此寻求有效的特征提取方法是提高缺陷识别率的关键。金属表面缺陷在不同方向和不同尺度上具有不同的信息量,缺陷的整体轮廓和几何形状等信息主要表征在图像的粗尺度上,局部边缘和灰度突变点等细节信息则主要体现在图像细尺度上,因此提取表面缺陷的多尺度和多方向信息对于提高缺陷识别率非常重要。多尺度几何变换比小波变换具有更多的方向选择性且基函数满足各向异性的尺度关系,在描述高维信号时能以更少的系数、更优的逼近阶逼近信号奇异处。因此本文针对酸洗带钢、中厚板、铝板等4种金属表面缺陷检测的特点,开发了相应的基于多尺度几何变换的检测算法。本文主要研究内容与创新成果如下。（1）针对酸洗带钢生产线运行速度快、图像背景简单、缺陷种类少的特点,提出基于 Contourlet 变换和 KSR（Kernel Spectral Regression）降维的Contourlet-KSR特征提取方法。通过Contourlet变换对图像进行多尺度、多方向分解,并对分解得到的子带提取统计特征,采用KSR非线性降维算法去除冗余特征,将得到的低维特征输入分类器进行分类识别。与几种常用的特征提取算法进行了对比,Contourlet-KSR方法对酸洗带钢缺陷识别率达到了96.76%,比小波方法、局部二值模式方法、幅值谱方法分别提高了 3.05%、15.66%、5.14%。（2）针对Contourlet变换方法进行下采样操作导致的图像信息丢失问题,提出 了改进 Contourlet 变换方法 ICT（Improved Contourlet Transform）,在此基础上,提出ICT-KSR特征提取方法,并应用于中厚板表面缺陷识别。对Contourlet变换方法进行了如下改进:在多尺度分解时采用了非子采样的金字塔滤波器NSP（Non-Subsampled Pyramid）,用来消除了尺度分解带来的频率混叠和信息丢失,然后将图像输入到双通道方向滤波器组DFB（directional filter banks）中进行方向分解。ICT-KSR方法对于中厚板每类缺陷的识别率均达到了 97.62%以上,整体识别率达到了 99.21%。（3）针对铝板图像对比度低、缺陷细小、干扰因素多等难以识别的特点,提出基于NSST（non-subsampled shearlettransform）特征提取方法。对铝板样本图像进行对比度拉伸处理,再利用NSST对图像进行水平锥和垂直锥子带分解,对得到的各个子带系数提取均值和方差统计特征并组成NSST特征矩阵,再利用非线性降维算法去除提取的冗余特征,最后将低维特征矩阵和类别标签数据输入分类器中进行缺陷识别。该方法对铝板表面缺陷识别率达到了 97.92%。（4）针对连铸坯生产线运行速度慢、图像背景复杂、干扰因素多等特点,提出了 DNST（discrete non-separable shearlettransform）与 GLCM（gray level co-occurrence matrix）纹理特征融合的提取方法。对连铸坯样本进行DNST分解,提取各个子带的统计量,再对连铸坯样本计算灰度共生矩阵并提取能量、熵、惯性矩等5个纹理参数,对这5种纹理参数分别计算均值和方差统计量,将DNST与GLCM两者的统计特征进行连接组成特征融合矩阵,利用非线性降维算法得到用于分类的特征。该方法对连铸坯缺陷的整体识别率达到了96.37%,裂纹识别率达到了 95.50%。（5）利用复剪切波变换（complex shearlettransform,CST）具有相位信息的特点,提出了基于复剪切波变换的缺陷区域提取算法,在带钢表面夹渣和铝板表面划伤图像上进行了测试,该算法可以准确地提取带钢夹渣缺陷和铝板划伤缺陷区域。针对连铸坯表面缺陷识别的特点,提出了基于CST的特征融合方法,得到连铸坯缺陷的识别率为95.97%。
李亮亮[7]（2019）在《基于非下采样剪切波变换的图像增强算法研究》文中认为近年来,随着科学技术的快速发展,基于计算机辅助系统的图像处理算法也不断更新,其应用领域在人们的生活中逐渐增多,尤其是在医学图像、遥感图像和多聚焦图像处理方面。医学图像的获取可以提供患者疾病部位的有用信息,使得医生可以对患者的疾病进行快速有效的诊断和治疗,但是由于图像采集设备的限制和拍摄过程中受外界因素（如光照强度、温度等）的干扰,所获取的图像质量通常较低,这严重影响了对图像中重要信息的提取和图像的后续处理。遥感图像作为记录地貌特征的特殊图像,其广泛应用到军事、国防、民生等领域,例如对自然灾害的监控、城市规划与建设和土地利用动态监测等;但由于受大气环境和传感器设备等因素的影响,获取的遥感图像通常会出现清晰度低和亮度不均等缺点。因此对这些获取的低质量的医学图像和遥感图像进行有效的增强处理是非常有必要的,而且增强后的图像更能反映真实的信息。由于光学镜头的景深有限,使得人们在摄影时很难获取一幅全景清晰的图像,又因聚焦点不同,所以多聚焦图像中包含有不同的清晰区域和模糊区域,这将不利于对图像中信息的提取;图像融合技术作为图像增强的一个分支,将其应用到多聚焦图像的处理中,可以使得图像得到有效的增强。针对医学图像、遥感图像和多聚焦图像的特点,探索有效的图像增强算法,以获取视觉效果良好的图像,具有十分重要的意义。本论文主要针对医学图像、遥感图像以及多聚焦图像在获取中出现的模糊和对比度低等问题进行了深入的研究,提出了相应的解决方法,并给出了实验数据和讨论分析以验证所提出方法的有效性和可行性。本论文的主要研究内容和创新性如下:1.基于非下采样剪切波变换和引导滤波的医学图像增强方法。为了解决所获取的医学图像存在清晰度偏低的问题,提出了一种新的医学图像增强模型。首先,将原始图像进行非下采样剪切波变换分解,得到了一个低频子带和多个高频子带,由于图像的低频部分包含了图像的大量背景信息,这些信息将直接影响图像的对比度。引导滤波是一个快速且有效的对比度增强方法,采用该方法对低频部分进行处理,以提高图像的整体对比度;图像的高频部分包含了噪声和细节信息,采用自适应阈值的方法对高频部分进行处理,以降低噪声的干扰,同时使得图像的细节信息得到很好保持。最后利用非下采样剪切波变换的反变换对有效处理后的所有子带进行重构,得到最终的增强图像。实验结果表明,提出的算法在医学图像增强方面有明显的优势,在客观评价指标方面也取得了很好的效果。2.在非下采样剪切波变换域基于梯度引导滤波和模糊对比度的医学图像增强方法。大脑图像作为医学图像的一个重要分支,对于人体脑部组织的分析有非常重要的作用,为了提高大脑图像的清晰度和对比度,以及抑制噪声的干扰,一种基于非下采样剪切波变换的医学图像增强方法被提出。首先,将输入的大脑图像进行非下采样剪切波变换分解,得到低频子带和高频子带;梯度域引导滤波是一个有效的图像增强方法,且计算复杂度较低,将其用来对图像的低频部分进行处理,以改善图像的对比度;改进的模糊对比度方法用来对图像的高频部分进行有效的处理,以降低噪声的干扰。最后采用非下采样剪切波变换的反变换进行重构得到最终的增强图像。实验结果表明,该算法在大脑图像的细节保持和对比度增加方面具有很好的效果,且在客观评价指标数据方面具有一定的优势。3.基于非下采样剪切波变换和局部拉普拉斯滤波的遥感图像增强算法。由于获取的遥感图像存在视觉对比度和空间分辨率不能完全满足应用需求的缺点,对遥感图像进行分析和解译之前进行有效的增强处理是有必要的,因此提出了一种新的遥感图像增强方法。首先,将初始的低质量遥感图像进行NSST分解,分别得到低频部分和高频部分;然后将初始图像的低频部分进行局部拉普拉斯滤波算法处理,以提高图像的对比度并抑制低频中少量的噪声,将改进后的阈值算法应用到高频部分,以消除噪声的干扰;最后采用非下采样剪切波变换的逆变换对所有的子带进行重构,得到增强后的遥感图像。实验结果表明,与一些最新提出的图像增强算法相比较,该方法在遥感图像增强的主观和客观评价方面都具有明显的优势。4.基于非下采样剪切波变换和SF-PAPCNN的多聚焦图像融合与增强算法。针对图像融合方法中出现的模糊、伪影等问题,提出了一种基于非下采样剪切波变换的图像融合模型。首先将两个多源图像进行非下采样剪切波变换分解,分别得到相应的低频部分和高频部分;然后对于低频部分采用SF-PAPCNN模型进行融合,高频部分采用ISML模型进行融合;最后采用非下采样剪切波变换的逆变换对融合后的低频和高频部分进行重构,得到最终的融合图像。实验结果表明,相比于经典的和最新提出的融合方法,该算法在多聚焦图像融合中可以获得更清晰的融合图像和更多的图像细节信息。
刘冬梅[8]（2019）在《视觉显着性检测及显着目标分割方法研究》文中研究指明随着社会的快速发展、科学技术的突破以及互联网的日益普及,人们获取图像的手段日益方便与灵活,获取到的图像数据量也急速增长。相对海量的并不断增长的图像数据而言,计算资源是有限的,如何利用有限的计算资源自动高效准确地分析和理解图像内容,是计算机视觉领域面临的巨大挑战。视觉注意力机制使得人类在面对一个复杂的视觉场景时,能够快速地找到场景中显着的或感兴趣的某个或某些局部内容并对之进行处理,其核心任务就是视觉显着性检测及分割。本文在现有研究的基础上,对视觉显着性检测和显着目标分割展开深入研究,主要内容及创新点归纳如下:1.针对当前的基于频域的视觉显着性检测方法获得的显着性图一般不具备清晰边界的问题,提出一种基于非下采样轮廓波变换全局和局部信息的视觉显着性检测算法,可以较好地检测图像中的显着目标并进行显着目标的分割。非下采样轮廓波变换具有多分辨率、局部化、多方向性和各向异性等特点,使得其具有有效描述图像细节和精确逼近光滑轮廓的能力。首先应用非下采样轮廓波变换对图像进行分解;然后对高频系数进行分类和优化,对这些优化后系数进行逆变换得到特征图;从全局对比度和局部对比度出发度量全局和局部显着性,最后将全局显着性和局部显着性进行融合得到最终的显着性图。在MSRA10K数据库上的实验结果证明了该方法的有效性。2.基于各个策略的显着性检测方法很少考虑图像光照对检测效果的影响,以及之前的一些基于频域的显着性检测方法一般是利用图像的高频信息进行分析而没有考虑低频信息,针对这些问题,设计一种基于非下采样轮廓波变换的由粗到精的显着性检测框架。首先讨论了场景光照对显着性检测的影响,并利用Retinex理论对传统方法进行改进并进行实验验证。在此基础上,运用Retinex校正的显着性检测方法对非下采样轮廓波分解后的低频分量进行粗糙显着性度量,在粗糙显着性的基础上对高频特征图进行增强并从全局和局部角度出发计算精细显着性,可以有效利用低频分量和高频分量并抑制光照带来的影响。在ASD、DUT-OMRON和MSRA-10K数据集上进行定性和定量评测,验证了所提方法的可行性和有效性。3.针对亮度不均和复杂背景自然图像中的显着目标分割,提出两种结合显着性信息的水平集分割方法。（1）提出结合亮度校正和显着性信息的区域型水平集分割方法,通过对图像进行Retinex亮度校正可以抑制光照带来的亮度不均并且增强后续显着检测;将校正的图像和显着性信息嵌入到区域型水平集能量泛函中,通过曲线演化完成分割。（2）提出嵌入显着性信息的区域和边缘相结合的水平集分割方法,首先引入Retinex理论对显着性检测进行校正,抑制亮度不均对显着性检测和后续分割的影响;然后将显着性信息嵌入到区域能量项中,可以突出复杂图像中的显着目标;最后结合边缘能量项,可以使分割结果的边界更加精确和平滑。对两种方法均进行实验验证,结果表明所提方法的鲁棒性和有效性。4.小波变换的基缺乏各向异性,在稀疏逼近目标轮廓方面不如非下采样轮廓波,而水平集方法可以通过曲线演化达到逼近目标轮廓的目的,且有很好的扩展性。因此本文使用水平集方法弥补小波变换逼近轮廓的局限,设计一种基于小波变换显着性信息和水平集方法的显着目标分割方法。首先通过GBVS算法计算图像显着性,结合CV水平集方法自动定位初始轮廓;然后对图像进行小波分解,将高频分量进行重构得到特征图并利用GBVS显着性进行增强;从全局对比度和局部对比度出发度量显着性;结合自动定位的初始轮廓和基于小波变换的显着性信息,依据水平集能量泛函指导曲线演化,对显着目标实施分割。在数据库上的实验结果可以验证基于小波变换和水平集方法进行显着性目标检测和分割的有效性。
周显恩[9]（2019）在《饮料智能生产线玻璃瓶视觉检测方法研究》文中研究表明我国的饮料产量规模世界第一,饮料包装材料多样,玻璃瓶具有密封性能好、可多次重复使用、降格低廉等优点,成为饮料主要包装材料,尤其广泛应用于啤酒包装。玻璃瓶易碎、易损,在运输和生产过程中发生碰撞、摩擦的现象极易造成玻璃瓶的破损,还可能存在脏污、异物等缺陷,使用存在脏污、异物或破损的玻璃瓶进行包装生产,可能造成生产线障碍、影响生产效率,甚至危及消费者的生命健康。因此,在利用玻璃瓶进行包装生产之前,需要对玻璃瓶的质量进行严格检测。研究饮料生产线中的视觉检测技术,保障饮料产品质量,加快饮料自动化生产线向智能生产线改造升级,实现饮料智能制造,满足饮料生产企业需求,是《中国制造2025》的一个重要环节。本文围绕饮料生产线玻璃瓶质量检测这一实际问题,开展以下研究工作:（1）分析饮料智能生产线和玻璃瓶的结构组成及特点,总结目前各种视觉成像机构的优缺点,研究玻璃瓶成像方案设计,设计电气控制系统,开发玻璃瓶视觉检测软件系统,研制并测试整套玻璃瓶机器视觉检测平台。（2）提出一种多次随机圆检测及圆拟合度评估的瓶口定位算法。采用阈值分割、重心法和径向扫描获取边缘点,利用从边缘点中随机采样的三个点确定一个圆,定义各边缘点到圆距离小于给定阈值的边缘点的数目与边缘点总数的比值为圆拟合度,提出将圆拟合度作为评估标准搜索最优定位结果的方法,利用多次重复随机圆检测获得大量圆拟合结果,并计算对应圆拟合度,以最大圆拟合度对应的圆拟合结果作为瓶口中心。为进一步提升定位精度,提出一种新的基于极坐标空间模型拟合和最小二乘原理的单圆检测方法,建立圆在极坐标空间的数学模型,利用该模型滤除噪声点,采用最小二乘法实现最终检测定位。实验证明,所提出的两种方法解决了瓶口缺损严重的情况下的瓶口速高精度定位难题。（3）提出一种残差分析动态阈值分割与全局阈值分割相结合的瓶口缺陷检测方法。分析各类瓶口缺陷特征,提出基于随机圆评估的三圆周定位法,以提高抗干扰能力和定位精度,并提出残差分析动态阈值分割与全局阈值分割结合的瓶口缺陷检测方法,以克服灰度变化和瓶口缺失对检测结果的影响。实验证明,与五种瓶口缺陷检测法对比,该方法提升了缺陷检测正确率,实现了强干扰、大缺陷的瓶口图像中缺陷快速精准检测。（4）提出一种基于改进测地线距离变换与模板匹配的瓶底缺陷检测方法。将霍夫圆检测与瓶底的尺寸先验相结合,实现瓶底检测区域定位,并将瓶底划分为中心平面、环形平面和环形纹理三个检测区域。提出改进的测地线距离变换显着性检测方法突出缺陷与背景差异,克服不同瓶底图像灰度变化范围大的影响,实现瓶底中心平面区域缺陷检测。采用多尺度均值滤波实现环形平面区域缺陷检测。将模板匹配和多尺度均值滤波结合实现环形纹理区域的缺陷检测。构建三个瓶底图像测试数据集,评估算法性能。实验证明,该方法实现了瓶底图像中小尺寸、低对比度缺陷的精准检测。（5）提出一种基于显着性检测和小波变换的瓶底表面缺陷检测方法。提出一种熵率超像素圆检测定位方法,通过降采样减少算法计算量,提出一种改进的随机圆检测算法,将其与最小二乘圆检测、熵率分割方法结合,实现瓶底高速高精度定位,根据瓶底结构特征将其分为两个检测区域:中心平面区域和环形纹理区域。提出将显着性检测、各向异性扩散和改进的超像素分割相结合的缺陷检测方法,利用显着性检测和各向异性扩散突出缺陷,通过超像素分割使每个缺陷区域尽量聚拢为一个整体,并通过显着值和面积特征实现中心平面区域的缺陷识别。为进一步抑制纹理影响、提高对定位误差的鲁棒性,提出一种基于小波变换和多尺度滤波算法的环形纹理区域缺陷检测方法。实验证明,该方法克服了瓶底纹理干扰和定位误差对影响,进一步提升缺陷检测精度。（6）提出一种基于二值模板匹配的瓶壁定位方法。考虑到模板和输入图像进行匹配主要利用了模板的外形结构信息,分辨率的降低对被检测瓶壁和模板的轮廓结构特征影响小,因此,为减少计算量、提升算法速度,对输入图像进行降采样,将瓶颈或瓶壁作为模板,对降采样图像进行二值化,随后进行二值模板匹配,以获取瓶壁中线位置。提出一个新的滤波核函数对瓶壁图像进行滤波处理,通过分割、扫描获取瓶口上边缘坐标,以突出瓶口上边缘区域。实验证明,该方法克服了同一视角瓶壁图像中存在多个瓶壁时定位不准的问题,满足玻璃瓶包装生产线实时在线检测要求。综上所述,本文以饮料智能生产线玻璃瓶质量视觉检测的实际需求和问题为导向,开发玻璃瓶视觉检测系统,提出多种定位和表面缺陷视觉检测方法,进行大量测试（测试数据和算法代码可下载）,实验证明,本文提出的方法和研制的系统解决了饮料视觉检测中的部分问题,其研究成果在相关领域中有着重要的理论意义和工程价值。
王森[10]（2017）在《非受限场景裂纹图像分割方法研究》文中提出结构体在制造、运输和应用过程中所承受的集中应力和交变载荷会使其在长期使用过程中极易引发危害较大的疲劳断裂。由于结构体本身材质各异,所属对象结构复杂,外力和载荷形式多样以及所处场景动态范围较大,结构体表面裂纹检测因此成为一项理论难度较高、实践性较强并具有重要社会意义和经济价值的工作。当前传统的裂纹检测技术涉及社会生产的不同领域并在各自检测对象上具备独特优势,但大多数方法的实现仍停留在符合特定检测和安装条件的前提下进行操作。随着社会经济和自动化技术的不断进步,计算机视觉和图像处理算法开始逐渐应用于医学、刑侦学、遥感和航空航天等诸多领域。自20世纪60年代以来,基于图像分割的裂纹检测技术已在包括汽车制造业在内的各个工业部门得到越来越广泛的应用。与此同时,国内外的学者与专家针对不同裂纹所属的研究对象提出很多具有针对性的图像裂纹分割算法,这些贡献对图像裂纹检测技术的推广和应用创造了有利的条件。但外在环境的复杂多变和裂纹形态的多样性,使得如何有效提取裂纹的属性特征、提高特征聚类的相似性,赋予模型或分类器强大的优化性能并同时解决精度和速度上的矛盾始终成为图像裂纹分割领域的难题。从提高裂纹图像分割鲁棒性和降低错分风险的综合角度出发,本学位论文以非受限场景道路、墙体和钢梁等结构体上存在的裂纹为对象进行裂纹图像分割方法的研究,逐步将小波变换、多尺度归一化割、多尺度结构化森林和全卷积网络等方法引入到裂纹图像分割领域中,并在各种方法的基础上分别提出基于反对称双正交小波变换的多尺度归一化分割方法、基于小波边缘检测的多尺度降采样归一化割方法、融合小波边缘检测于多尺度结构化森林的快速裂纹图像边缘检测方法和改进的全卷积网络方法。本文主要研究内容如下:1、在自然场景下共采集1576幅道路、墙体和钢梁等裂纹图像,通过人工标注制作相应的非受限场景裂纹图像标准数据集,并用该数据集和相应的标注结果对文中所提出的裂纹图像分割方法进行有效性验证;2、从有效提取裂纹边缘的属性特征着手,将小波的多尺度模极大值边缘检测引入裂纹图像分割中。以裂纹图像为分割对象进行3种小波基和5种小波系各自序列以及两个尺度的模极大值裂纹边缘检测实验,并将检测效果较好的6种小波与6种传统的边缘检测方法进行定性和定量的比较;3、针对引入的多尺度归一化割方法存在边缘信息丢失和构造多尺度相似矩阵耗时问题,将反对称双正交小波的半重构模极大值边缘检测引入到多尺度归一化割方法的边缘特征提取中,并通过缩减多尺度相似矩阵的构造方式、构造多尺度降采样相似矩阵和多尺度归一化相似矩阵实现降低运算耗时的前提下提高裂纹特征聚类的相似性。以裂纹图像为实验对象进行改进方法框架下的各种小波方法、多尺度归一化割以及基于多尺度归一化割的多种方法间的定性和定量比较;4、针对引入的多尺度结构化森林方法在裂纹图像分割时存在的精度较低问题,将反对称双正交小波的半重构模极大值方法引入结构化森林的特征通道提取中,以裂纹图像为训练和验证对象构建多尺度结构化森林分类器,利用裂纹图像、单一钢梁裂纹图像和拼接钢梁裂纹图像进行改进方法框架下的各种小波方法、单一尺度和多尺度结构化森林以及改进方法间的定性和定量比较;5、针对引入的全卷积网络方法存在小于感受野的目标会产生错误裂纹分类,细微裂纹目标被忽略或被划分为背景目标以及仅适合提取目标全局信息而无法获取精细细节问题,提出更改全卷积网络的网络结构,增加卷积层、反卷积层并取消Dropout技术来提高网络的分类性能;将裂纹图像作为训练、验证和测试对象进行全卷积网络模型和几种改进网络模型间的定性和定量比较。利用非受限场景裂纹图像数据集进行本论文所提出的4种分割方法间的定性和定量比较。对比结果表明:本论文最终提出的Crack FCN方法在分割时间较为合理的前提下能够显着提高非受限场景裂纹图像分割的鲁棒性并降低错分风险。
二、小波变换的多尺度方法在边缘检测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波变换的多尺度方法在边缘检测中的应用（论文提纲范文）
（2）基于深度学习的多尺度边缘检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关技术与国内外研究现状 |
| 1.2.1 传统的边缘检测算法 |
| 1.2.2 基于深度学习的边缘检测算法 |
| 1.3 基于深度学习的多尺度边缘检测面临的挑战 |
| 1.4 本文主要内容及创新点 |
| 1.5 本文章节安排 |
| 第二章 边缘检测算法相关理论 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积操作 |
| 2.1.2 池化操作 |
| 2.1.3 VGGNet卷积神经网络 |
| 2.2 残差网络 |
| 2.2.1 残差学习 |
| 2.2.2 残差块和瓶颈结构 |
| 2.2.3 ResNet残差网络 |
| 2.3 多尺度方法 |
| 2.3.1 图像金字塔 |
| 2.3.2 预测金字塔 |
| 2.3.3 特征融合 |
| 2.3.4 特征金字塔 |
| 2.4 评价指标 |
| 2.4.1 非极大值抑制 |
| 2.4.2 评价指标 |
| 2.5 本章小结 |
| 第三章 基于多尺度全局通道网络的边缘检测 |
| 3.1 全局上下文自注意模块 |
| 3.2 多尺度全局通道网络 |
| 3.3 实验结果与分析 |
| 3.3.1 数据集 |
| 3.3.2 实验环境与设置 |
| 3.3.3 对比实验 |
| 3.3.4 实验结果 |
| 3.4 本章小结 |
| 第四章 基于残差网络的多尺度边缘检测 |
| 4.1 网络结构 |
| 4.2 亚像素卷积 |
| 4.3 基于Relaxed Label的深度监督 |
| 4.4 损失函数 |
| 4.5 实验结果与分析 |
| 4.5.1 实验数据集 |
| 4.5.2 实验设置 |
| 4.5.3 对比实验 |
| 4.5.4 实验结果 |
| 4.6 本章小结 |
| 第五章 基于多尺度增强的边缘检测网络 |
| 5.1 网络结构 |
| 5.2 ED块和MEM |
| 5.3 损失函数 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 对比实验 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间的研究成果 |
（3）高分辨率卫星影像分类及变化检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分影像 |
| 1.1.2 高分影像分类及变化检测技术 |
| 1.2 国内外研究现状 |
| 1.2.1 分类算法 |
| 1.2.2 变化检测算法 |
| 1.3 研究意义 |
| 1.4 研究目标和研究路线 |
| 1.5 论文的组织结构 |
| 第二章 影像分类与变化检测技术 |
| 2.1 影像分类技术概述 |
| 2.1.1 遥感影像传统分类方法 |
| 2.1.2 遥感影像深度学习分类方法 |
| 2.1.3 一般分类方案 |
| 2.2 目前分类技术的缺陷 |
| 2.3 变化检测技术概述 |
| 2.3.1 变化检测的概念 |
| 2.3.2 变化检测的方法 |
| 2.3.3 变化检测数学模型的建立 |
| 2.3.4 变化检测的基本流程 |
| 2.4 目前变化检测技术存在的缺陷 |
| 第三章 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.1 脊波理论 |
| 3.1.1 小波分析及多尺度几何分析 |
| 3.1.2 脊波理论 |
| 3.2 卷积神经网络 |
| 3.2.1 人工神经网络出现及发展 |
| 3.2.2 卷积神经网络 |
| 3.3 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.3.1 算法的整体思路 |
| 3.3.2 低分辨率样本的产生 |
| 3.3.3 脊波滤波器 |
| 3.3.4 多分辨率卷积神经网络模型(MRCNNS) |
| 3.4 实验说明 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计和参数分析 |
| 3.5 实验结果与分析 |
| 3.5.1 结果比较 |
| 3.5.2 训练样本数量对分类精度的影响分析 |
| 3.5.3 结果分析 |
| 第四章 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.1 影像融合 |
| 4.1.1 影像融合的主要方法 |
| 4.1.2 影像融合系统框架 |
| 4.2 多尺度分割 |
| 4.2.1 尺度空间理论 |
| 4.2.2 影像分割 |
| 4.2.3 多尺度分割 |
| 4.3 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.3.1 算法整体思路 |
| 4.3.2 二值变化特征影像的生成 |
| 4.3.3 多尺度分割投票决策 |
| 4.4 实验说明 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验设计和参数分析 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数说明 |
| 4.5.2 实验结果 |
| 4.5.3 结果分析 |
| 第五章 分类及变化检测算法在土地调查中的应用 |
| 5.1 分类算法在土地调查数据质量评价方面的应用 |
| 5.1.1 应用背景分析 |
| 5.1.2 实验数据及步骤说明 |
| 5.1.3 实验结果及分析 |
| 5.2 变化检测算法在年度土地变更调查与遥感监测中的应用 |
| 5.2.1 应用背景分析 |
| 5.2.2 实验数据及步骤说明 |
| 5.2.3 实验结果及分析 |
| 总结与展望 |
| 1 全文总结 |
| 2 主要创新点 |
| 3 存在的问题及后续研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）基于漏磁内检测的输油管道缺陷识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和目的 |
| 1.2 国内外漏磁检测技术发展及现状 |
| 1.3 国内外漏磁检测缺陷识别方法研究 |
| 1.3.1 国外漏磁检测缺陷识别方法研究 |
| 1.3.2 国内漏磁检测缺陷识别方法研究 |
| 1.3.3 基于深度学习的缺陷识别方法研究 |
| 1.4 国内外漏磁检测缺陷重构方法研究 |
| 1.5 论文研究内容及拟解决的关键问题 |
| 1.5.1 论文研究内容 |
| 1.5.2 拟解决的关键问题 |
| 第2章 管道漏磁内检测原理及检测数据研究 |
| 2.1 管道漏磁内检测原理 |
| 2.1.1 漏磁检测技术 |
| 2.1.2 管道漏磁内检测器结构及工作流程 |
| 2.1.3 管道漏磁内检测原理 |
| 2.1.4 漏磁场理论 |
| 2.1.5 漏磁场分布 |
| 2.2 管道漏磁内检测数据研究 |
| 2.2.1 漏磁检测数据曲线研究 |
| 2.2.2 漏测检测数据图像研究 |
| 第3章 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
| 3.1 小波变换理论研究 |
| 3.1.1 小波变换原理 |
| 3.1.2 小波多尺度变换原理 |
| 3.1.3 基于小波变换的融合算法 |
| 3.2 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
| 3.3 基于数据融合的小波变换漏磁异常边缘提取实验及结果分析 |
| 3.3.1 实验准备 |
| 3.3.2 实验评价指标 |
| 3.3.3 实验过程 |
| 3.3.4 仿真实验 |
| 3.3.5 实验算法参数分析 |
| 3.3.6 实验算法对比 |
| 3.4 本章小结 |
| 第4章 基于U-NET网络的微小漏磁异常区域提取方法研究 |
| 4.1 基于U-NET的深度学习方法研究 |
| 4.1.1 深度学习方法研究 |
| 4.1.2 深度学习技术研究 |
| 4.1.3 U-Net网络模型的研究 |
| 4.1.4 Res Net网络模型的研究 |
| 4.1.5 对抗网络模型的研究与优化 |
| 4.2 改进的U-NET网络模型和算法研究 |
| 4.3 基于U-NET网络和对抗网络的异常区域提取实验及结果分析 |
| 4.3.1 实验准备 |
| 4.3.2 实验过程 |
| 4.3.3 实验评价指标 |
| 4.3.4 实验结果分析 |
| 4.3.5 噪声鲁棒性实验分析 |
| 4.4 本章小结 |
| 第5章 基于卷积神经网络的管道连接组件和缺陷识别方法研究 |
| 5.1 管道连接组件识别意义研究 |
| 5.2 基于卷积神经网络的识别方法研究 |
| 5.2.1 深度神经网络研究 |
| 5.2.2 卷积神经网络研究 |
| 5.2.3 改进的卷积神经网络算法研究 |
| 5.3 基于改进的深度网络组件及缺陷识别实验及分析 |
| 5.3.1 实验设置 |
| 5.3.2 实验算法评估标准 |
| 5.3.3 改进的卷积神经网络实验训练过程 |
| 5.3.4 焊缝法兰组件识别结果实验分析 |
| 5.3.5 缺陷识别结果实验分析 |
| 5.3.6 漏磁图像位移和畸变实验分析 |
| 5.4 本章小结 |
| 第6章 基于偏差估计的漏磁信号缺陷三维轮廓重构方法研究 |
| 6.1 漏磁信号缺陷三维轮廓重构 |
| 6.1.1 缺陷三维重构方法研究 |
| 6.1.2 缺陷轮廓数据分析 |
| 6.2 理论算法研究 |
| 6.2.1 有限元正演模型研究 |
| 6.2.2 随机森林算法研究 |
| 6.3 训练数据的获取 |
| 6.4 基于随机森林的缺陷轮廓反演算法研究 |
| 6.5 实验及分析 |
| 6.5.1 仿真实验 |
| 6.5.2 仿真结果分析 |
| 6.5.3 真实实验 |
| 6.5.4 实验结果分析 |
| 6.6 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（5）视觉烟雾检测中的变换域局部特征建模（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 火灾危害与火灾应急管理 |
| 1.1.2 火灾预警与探测 |
| 1.1.3 视觉烟雾检测及意义 |
| 1.2 研究现状 |
| 1.2.1 传统视觉火焰检测 |
| 1.2.2 传统视觉烟雾检测 |
| 1.2.3 基于深度学习的火灾探测 |
| 1.3 传统视觉烟雾检测的框架 |
| 1.4 研究目标、研究内容和技术路线 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 技术路线 |
| 1.5 论文结构安排 |
| 第2章 视觉烟雾检测相关技术 |
| 2.1 疑似烟雾区域检测 |
| 2.1.1 疑似烟雾区域检测的基本流程 |
| 2.1.2 三帧差分法检测运动区域 |
| 2.1.3 暗通道图像转换 |
| 2.2 特征描述 |
| 2.2.1 边缘特征 |
| 2.2.2 Gabor特征 |
| 2.2.3 局部特征 |
| 2.3 烟雾识别 |
| 2.4 本章小结 |
| 第3章 边缘变换域局部特征建模 |
| 3.1 问题描述与分析 |
| 3.2 边缘特征图 |
| 3.3 局部特征模式 |
| 3.3.1 局部边界求和模式的编码 |
| 3.3.2 局部区域求和模式的编码 |
| 3.3.3 局部边界求和模式与局部区域求和模式的特征 |
| 3.3.4 局部二值模式的特征 |
| 3.4 边缘变换域局部特征建模框架 |
| 3.5 烟雾识别实验 |
| 3.5.1 烟雾图像数据库 |
| 3.5.2 评价指标 |
| 3.5.3 烟雾识别对比实验 |
| 3.6 视频烟雾检测实验 |
| 3.6.1 烟雾视频数据库 |
| 3.6.2 视频烟雾检测的结果及分析 |
| 3.6.3 视频烟雾检测的效率分析 |
| 3.6.4 视频烟雾检测的预警结果及分析 |
| 3.7 本章小结 |
| 第4章 Gabor变换域局部特征建模 |
| 4.1 问题描述与分析 |
| 4.2 基于聚合Gabor核的变换域特征图 |
| 4.2.1 传统Gabor小波核 |
| 4.2.2 聚合Gabor小波核 |
| 4.2.3 聚合Gabor特征图 |
| 4.3 改进的局部二值模式 |
| 4.4 Gabor变换域局部特征建模框架 |
| 4.5 烟雾识别实验 |
| 4.5.1 实验说明 |
| 4.5.2 超参数实验 |
| 4.5.3 烟雾识别对比实验 |
| 4.6 视频烟雾检测实验 |
| 4.6.1 视频烟雾检测的结果及分析 |
| 4.6.2 视频烟雾检测的效率分析 |
| 4.6.3 视频烟雾检测的预警结果及分析 |
| 4.7 本章小结 |
| 第5章 基于Gabor变换域和边缘变换域的局部特征建模 |
| 5.1 问题描述与分析 |
| 5.2 改进的局部三值模式 |
| 5.2.1 局部三值模式 |
| 5.2.2 基于置信水平的高低阈值计算 |
| 5.2.3 置信水平局部三值模式的特征 |
| 5.3 变换域特征图的特征 |
| 5.3.1 Gabor小波核 |
| 5.3.2 Gabor特征图的特征 |
| 5.3.3 Gabor特征图的加权特征 |
| 5.3.4 边缘特征图的特征 |
| 5.4 基于Gabor变换域和边缘变换域的局部特征建模 |
| 5.4.1 总体框架 |
| 5.4.2 特征降维 |
| 5.5 烟雾识别实验 |
| 5.5.1 实验说明 |
| 5.5.2 不同特征组合的结果及分析 |
| 5.5.3 烟雾识别对比实验 |
| 5.6 视频烟雾检测实验 |
| 5.6.1 视频烟雾检测的结果及分析 |
| 5.6.2 视频烟雾检测的效率分析 |
| 5.6.3 视频烟雾检测的预警结果及分析 |
| 5.7 纹理分类实验 |
| 5.8 本章小结 |
| 第6章 多层Gabor变换域局部特征建模 |
| 6.1 问题描述与分析 |
| 6.2 Gabor卷积网络 |
| 6.2.1 Gabor小波核 |
| 6.2.2 Gabor特征图的融合方案 |
| 6.2.3 Gabor卷积网络的基本结构 |
| 6.3 多层Gabor变换域局部特征建模框架 |
| 6.4 烟雾识别实验 |
| 6.4.1 实验说明 |
| 6.4.2 超参数实验 |
| 6.4.3 烟雾识别对比实验 |
| 6.5 视频烟雾检测实验 |
| 6.5.1 视频烟雾检测的结果及分析 |
| 6.5.2 视频烟雾检测的效率分析 |
| 6.5.3 视频烟雾检测的预警结果及分析 |
| 6.6 纹理分类对比实验 |
| 6.7 本文所提方法对比 |
| 6.8 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者在攻读博士期间的科研成果 |
| 致谢 |
（6）多尺度几何变换在金属表面缺陷识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于机器视觉的表面缺陷检测 |
| 1.2.1 金属表面缺陷检测系统发展概述 |
| 1.2.2 金属表面缺陷检测算法概况 |
| 1.2.3 本梯队的研究基础 |
| 1.3 多尺度几何变换方法发展概述 |
| 1.3.1 图像的稀疏表示 |
| 1.3.2 从傅里叶变换到小波变换 |
| 1.3.3 多尺度几何变换方法概述 |
| 1.4 论文结构与章节安排 |
| 2 金属表面缺陷图像及样本库 |
| 2.1 钢铁生产的工艺流程 |
| 2.2 机器视觉表面检测系统 |
| 2.3 酸洗带钢表面缺陷图像及样本库 |
| 2.3.1 酸洗带钢表面特点 |
| 2.3.2 酸洗带钢表面缺陷样本库 |
| 2.4 中厚板表面缺陷图像及样本库 |
| 2.4.1 中厚板表面特点 |
| 2.4.2 中厚板表面缺陷样本库 |
| 2.5 铝板表面缺陷图像及样本库 |
| 2.5.1 铝板表面特点 |
| 2.5.2 铝板表面缺陷样本库 |
| 2.6 连铸坯表面缺陷图像及样本库 |
| 2.6.1 连铸坯表面的特点 |
| 2.6.2 连铸坯表面缺陷样本库 |
| 2.7 本章小结 |
| 3 Contourlet-KSR特征提取方法研究 |
| 3.1 小波特征提取方法 |
| 3.1.1 直接小波特征提取方法实验 |
| 3.1.2 间接小波系数特征提取实验 |
| 3.1.3 小波特征选择实验 |
| 3.2 Contourlet变换在带钢表面缺陷识别中的应用 |
| 3.2.1 Contourlet变换 |
| 3.2.2 基于Contourlet变换的特征提取方法 |
| 3.3 Contourlet-KSR方法应用于酸洗带钢表面缺陷识别 |
| 3.3.1 KSR理论 |
| 3.3.2 Contourlet-KSR特征提取方法 |
| 3.3.3 实验结果讨论 |
| 3.3.4 可视化结果与混淆矩阵 |
| 3.3.5 实验结果对比分析 |
| 3.4 Contourlet-KSR在其它金属表面缺陷识别的应用 |
| 3.4.1 中厚板表面缺陷识别 |
| 3.4.2 铝板表面缺陷识别 |
| 3.4.3 连铸坯表面缺陷识别 |
| 3.5 本章小结 |
| 4 改进Contourlet变换的特征提取方法 |
| 4.1 改进轮廓波变换方法 |
| 4.1.1 改进Contourlet变换(ICT) |
| 4.1.2 横向裂纹的ICT分解与重构 |
| 4.1.3 ICT系数的稀疏性 |
| 4.2 ICT方法在中厚板表面缺陷识别的应用 |
| 4.2.1 基于ICT的特征提取方法 |
| 4.2.2 与Contourlet方法的比较 |
| 4.2.3 与NSCT方法的比较 |
| 4.2.4 实验结果对比分析 |
| 4.3 ICT方法在其它金属表面缺陷识别的应用 |
| 4.3.1 铝板表面缺陷识别的应用 |
| 4.3.2 连铸坯表面缺陷识别的应用 |
| 4.4 本章小结 |
| 5 基于剪切波变换的特征提取方法 |
| 5.1 NSST原理 |
| 5.1.1 非子采样剪切波的构造 |
| 5.1.2 非子采样剪切波的离散化 |
| 5.2 基于NSST的特征提取方法 |
| 5.2.1 基于NSST的铝板特征提取方法 |
| 5.2.2 实验结果和讨论 |
| 5.2.3 与基于轮廓波的特征提取方法比较 |
| 5.3 DNST变换 |
| 5.3.1 DNST构造基础 |
| 5.3.2 DNST的实现 |
| 5.3.3 DNST变换示例 |
| 5.4 DNST在连铸坯表面缺陷识别中的应用 |
| 5.4.1 DNST-KSR特征提取方法 |
| 5.4.2 DNST和GLCM特征融合方法 |
| 5.4.3 实验结果分析与讨论 |
| 5.4.4 实验结果对比分析 |
| 5.5 本章小结 |
| 6 复剪切波变换在金属表面检测中的研究 |
| 6.1 复剪切波变换的理论 |
| 6.1.1 复剪切波变换的发展背景 |
| 6.1.2 复剪切波变换的构造 |
| 6.1.3 复剪切波变换的特点 |
| 6.2 基于复剪切波变换的缺陷区域提取 |
| 6.2.1 CSTED的构造原理 |
| 6.2.2 CSTED方法实验 |
| 6.2.3 基于CSTED的缺陷区域提取 |
| 6.3 复剪切波变换在连铸坯表面缺陷识别中的应用 |
| 6.3.1 特征提取参数实验 |
| 6.3.2 特征融合方法 |
| 6.3.3 CST与DNST的对比实验 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录A 小波系数矩特征向量的组合明细表 |
| 附录B Contourlet参数设置及结果明细表(酸洗带钢) |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（7）基于非下采样剪切波变换的图像增强算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外图像增强算法的研究现状 |
| 1.2.1 基于空间域的图像增强算法 |
| 1.2.2 基于变换域的图像增强算法 |
| 1.2.3 基于深度学习的图像增强算法 |
| 1.2.4 基于融合模型的图像增强算法 |
| 1.3 本文的研究背景 |
| 1.4 论文的结构以及研究内容 |
| 1.5 本章小结 |
| 第2章 非下采样变换的基本理论 |
| 2.1 轮廓波变换 |
| 2.1.1 LP变换 |
| 2.1.2 方向滤波器组 |
| 2.2 非下采样轮廓波变换 |
| 2.2.1 非下采样金字塔分解 |
| 2.2.2 非下采样方向滤波器组分解 |
| 2.3 剪切波变换 |
| 2.4 离散剪切波变换 |
| 2.4.1 频域实现 |
| 2.4.2 时域实现 |
| 2.5 非下采样剪切波变换 |
| 2.6 本章小结 |
| 第3章 在NSST域基于引导滤波的医学图像增强 |
| 3.1 引言 |
| 3.2 引导滤波 |
| 3.3 本章的NSST-GF模型 |
| 3.3.1 低频部分进行引导滤波 |
| 3.3.2 高频部分进行阈值去噪 |
| 3.3.3 算法的实施步骤 |
| 3.4 实验结果和分析 |
| 3.4.1 主观分析 |
| 3.4.2 客观分析 |
| 3.5 本章小结 |
| 第4章 在NSST域基于GDGF和模糊对比度的医学图像增强 |
| 4.1 引言 |
| 4.2 梯度域引导滤波 |
| 4.3 本章的NSST-GDGF算法 |
| 4.3.1 基于梯度引导滤波的低频部分处理 |
| 4.3.2 基于模糊对比度的高频部分处理 |
| 4.3.3 本章算法实施步骤 |
| 4.4 实验结果和分析 |
| 4.4.1 视觉效果比较 |
| 4.4.2 客观指标评价 |
| 4.5 本章小结 |
| 第5章 基于NSST和局部拉普拉斯滤波的遥感图像增强 |
| 5.1 引言 |
| 5.2 局部拉普拉斯滤波 |
| 5.3 本章NSST-FLLF算法 |
| 5.3.1 低频部分处理 |
| 5.3.2 高频部分处理 |
| 5.3.3 算法的实施步骤 |
| 5.4 实验结果和分析 |
| 5.5 本章小结 |
| 第6章 在NSST域基于SF-PAPCNN的多聚焦图像融合与增强 |
| 6.1 引言 |
| 6.2 参数自适应PCNN模型 |
| 6.3 本章提出的算法实施步骤 |
| 6.4 实验结果对比和分析 |
| 6.4.1 实验设置 |
| 6.4.2 对灰度多聚焦图像仿真实验 |
| 6.4.3 对彩色多聚焦图像仿真实验 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简介及在学期间的科研成果和项目经历 |
| 致谢 |
（8）视觉显着性检测及显着目标分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关概念和机制 |
| 1.2.1 基本概念 |
| 1.2.2 相关神经生理学研究基础 |
| 1.2.3 相关认知心理学原理 |
| 1.3 国内外研究现状 |
| 1.3.1 视觉显着性检测研究现状 |
| 1.3.2 显着目标分割研究现状 |
| 1.4 存在的问题 |
| 1.5 主要研究内容 |
| 1.6 章节安排 |
| 第二章 视觉显着性检测研究概述 |
| 2.1 引言 |
| 2.2 视觉显着性检测模型概述 |
| 2.2.1 基于视觉处理模型的显着性检测 |
| 2.2.2 基于统计特征的显着性检测 |
| 2.2.3 基于变换域特征的显着性检测 |
| 2.2.4 基于其他特征的显着性检测 |
| 2.2.5 基于学习的显着性检测 |
| 2.3 数据库及评价指标 |
| 2.3.1 显着性检测数据库 |
| 2.3.2 评价指标 |
| 2.4 本章小结 |
| 第三章 基于非下采样轮廓波变换全局和局部信息融合的显着性检测 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 结合全局和局部信息的显着性检测 |
| 3.3.1 方法概述 |
| 3.3.2 非下采样轮廓波分解 |
| 3.3.3 特征图生成 |
| 3.3.4 全局和局部显着性计算 |
| 3.3.5 综合显着图生成 |
| 3.4 实验结果与分析 |
| 3.4.1 主观评价 |
| 3.4.2 客观评价 |
| 3.4.3 显着目标分割 |
| 3.4.4 复杂大场景下检测结果 |
| 3.5 本章小结 |
| 第四章 基于非下采样轮廓波变换增强的由粗到精显着性检测 |
| 4.1 引言 |
| 4.2 基于Retinex校正的显着性检测改进 |
| 4.2.1 视网膜大脑皮层理论Retinex |
| 4.2.2 基于Retinex校正的显着性检测改进 |
| 4.2.3 实验结果与分析 |
| 4.3 基于NSCT增强的由粗到精显着性检测 |
| 4.3.1 方法概述 |
| 4.3.2 粗糙显着性计算 |
| 4.3.3 精细显着性计算 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 嵌入显着性信息的水平集图像分割方法 |
| 5.1 引言 |
| 5.2 水平集方法介绍及相关工作 |
| 5.2.1 水平集方法 |
| 5.2.2 相关工作 |
| 5.3 结合亮度校正和显着性的区域型水平集自然图像分割 |
| 5.3.1 CV水平集模型 |
| 5.3.2 结合亮度校正和显着性的区域型水平集方法 |
| 5.3.4 实验结果与分析 |
| 5.4 嵌入显着性信息的区域和边缘相结合的水平集图像分割 |
| 5.4.1 显着性信息嵌入的区域能量项 |
| 5.4.2 边缘能量项 |
| 5.4.3 新的能量泛函 |
| 5.4.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 基于小波变换显着性信息和水平集方法的显着目标分割 |
| 6.1 引言 |
| 6.2 结合小波变换显着性信息和水平集方法的显着目标分割 |
| 6.2.1 方法概述 |
| 6.2.2 基于显着性信息的初始轮廓提取 |
| 6.2.3 基于小波变换的显着性检测 |
| 6.2.4 显着目标分割 |
| 6.3 实验结果与分析 |
| 6.3.1 基于小波变换显着性检测的有效性 |
| 6.3.2 图像分割实验 |
| 6.4 本章小结 |
| 第七章 研究工作的总结和展望 |
| 7.1 研究工作总结 |
| 7.1.1 主要研究成果 |
| 7.1.2 算法问题分析 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果及参与的项目 |
| 学位论文评阅及答辩情况表 |
（9）饮料智能生产线玻璃瓶视觉检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 饮料市场和饮料包装 |
| 1.1.2 饮料生产工艺 |
| 1.1.3 饮料行业问题和挑战 |
| 1.2 机器视觉技术及其应用概述 |
| 1.2.1 光学成像系统 |
| 1.2.2 机器视觉技术优势及其应用 |
| 1.3 饮料生产线玻璃瓶视觉检测技术与装备研究现状 |
| 1.4 本文研究内容与结构安排 |
| 第2章 饮料智能生产线玻璃瓶视觉检测机器 |
| 2.1 饮料智能生产线 |
| 2.2 玻璃瓶视觉检测机 |
| 2.3 玻璃瓶缺陷视觉检测机的硬件设计 |
| 2.3.1 速度测控模块 |
| 2.3.2 残留液和异形瓶检测模块 |
| 2.3.3 瓶壁视觉检测模块 |
| 2.3.4 瓶口视觉检测模块 |
| 2.3.5 瓶底视觉检测模块 |
| 2.3.6 次品剔除模块 |
| 2.3.7 人机交互模块 |
| 2.4 玻璃瓶缺陷视觉检测机的软件设计 |
| 2.4.1 玻璃瓶视觉检测软件 |
| 2.4.2 运动控制软件 |
| 2.5 面向表面缺陷检测应用的图像标注软件设计 |
| 2.5.1 缺陷标注软件功能模块 |
| 2.5.2 缺陷标注软件界面 |
| 2.5.3 标注软件的工作状态转换 |
| 2.6 玻璃瓶结构和各部位缺陷 |
| 2.7 本章小结 |
| 第3章 基于多次随机圆检测和模型拟合的瓶口定位方法 |
| 3.1 引言 |
| 3.2 一种多次随机圆检测及拟合度评估的瓶口定位法 |
| 3.2.1 获取边缘点 |
| 3.2.2 多次随机圆检测及拟合度评估 |
| 3.2.3 参数敏感性分析 |
| 3.2.4 实验测试与结果分析 |
| 3.3 基于模型拟合及最小二乘圆检测的瓶口定位方法 |
| 3.3.1 边缘点提取 |
| 3.3.2 极坐标变换 |
| 3.3.3 模型拟合 |
| 3.3.4 最小二乘圆检测 |
| 3.3.5 实验测试与结果分析 |
| 3.4 本章小结 |
| 第4章 基于残差分析动态阈值分割的瓶口缺陷检测方法 |
| 4.1 引言 |
| 4.2 瓶口图像特征分析 |
| 4.3 基于残差分析动态阈值分割的缺陷检测 |
| 4.3.1 瓶口检测区域定位 |
| 4.3.2 残差分析动态阈值缺陷检测 |
| 4.3.3 全局阈值缺陷识别 |
| 4.3.4 缺陷检测联合判断 |
| 4.4 实验测试与结果分析 |
| 4.5 本章小结 |
| 第5章 基于测地线距离和模板匹配的瓶底缺陷检测方法 |
| 5.1 引言 |
| 5.2 瓶底图像特征和缺陷检测难点 |
| 5.3 基于测地线距离和模板匹配瓶底缺陷检测 |
| 5.3.1 检测区域的定位 |
| 5.3.2 环形纹理区域缺陷检测 |
| 5.3.3 环形平面区域缺陷检测 |
| 5.3.4 中心平面区域缺陷检测 |
| 5.4 实验测试与结果分析 |
| 5.4.1 评估指标 |
| 5.4.2 参数敏感性分析 |
| 5.4.3 方法验证 |
| 5.4.4 量化分析和方法对比 |
| 5.5 本章小结 |
| 第6章 基于显着性检测和小波变换的瓶底缺陷检测方法 |
| 6.1 引言 |
| 6.2 基于显着性检测和小波变换的瓶底缺陷检测 |
| 6.2.1 基于ERSCD的定位和检测区域划分 |
| 6.2.2 基于FTADSP的中心平面区域缺陷检测 |
| 6.2.3 基于WTMF的环形纹理区域缺陷检测 |
| 6.3 实验测试与结果分析 |
| 6.3.1 参数敏感性分析 |
| 6.3.2 ERSCD方法性能分析 |
| 6.3.3 FTADSP方法性能分析 |
| 6.3.4 WTMF方法性能分析 |
| 6.3.5 整个缺陷检测框架测试 |
| 6.4 本章小结 |
| 第7章 基于二值模板匹配的瓶壁定位方法 |
| 7.1 引言 |
| 7.2 基于二值模板匹配的瓶壁定位 |
| 7.2.1 图像降采样和分割 |
| 7.2.2 二值图像模板匹配 |
| 7.2.3 瓶口位置获取 |
| 7.3 实验测试与结果分析 |
| 7.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 发表论文和参加科研情况说明 |
| 致谢 |
（10）非受限场景裂纹图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 裂纹图像检测系统及裂纹图像分割研究对象的基本概况 |
| 1.3 裂纹图像分割方法概况 |
| 1.3.1 空间域图像处理 |
| 1.3.2 频率域、小波域处理和多尺度几何分析 |
| 1.3.3 区域纹理描述 |
| 1.3.4 裂纹图像分割有监督学习方法 |
| 1.3.5 裂纹图像分割无监督学习方法 |
| 1.4 裂纹图像分割研究的热点、难点及存在的主要问题 |
| 1.4.1 裂纹图像分割研究的热点 |
| 1.4.2 裂纹图像分割研究的难点 |
| 1.4.3 裂纹图像分割研究当前存在的主要问题 |
| 1.5 本文的主要工作和组织结构 |
| 第二章 基于反对称双正交小波变换的裂纹图像边缘检测 |
| 2.1 引言 |
| 2.2 小波分析理论 |
| 2.2.1 小波基的数学特性 |
| 2.3 小波多尺度边缘检测 |
| 2.3.1 多尺度边缘检测方法概述 |
| 2.3.2 基于二进小波变换的快速多尺度边缘检测 |
| 2.3.3 基于反对称双正交小波半重构特性的模极大值边缘检测 |
| 2.4 基于小波变换的模极大值裂纹边缘检测实验 |
| 2.4.1 Haar(haar-s)、Dyadic(dyadic-s)、Discrete Meyer(dmey-s)小波和Coiflet(coifN-s)小波系 |
| 2.4.2 Daubechies(dbN)小波系 |
| 2.4.3 Symlets(symN)小波系 |
| 2.4.4 Biorthogonal(biorNr.Nd-s)小波 |
| 2.4.5 Reverse Biorthogonal(rbioNr.Nd-s)小波系 |
| 2.4.6 反对称双正交小波半重构(hrbioNr.Nd) |
| 2.4.7 小波与传统边缘检测方法的比较 |
| 2.5 本章小结 |
| 第三章 基于多尺度降采样归一化割的裂纹图像分割 |
| 3.1 引言 |
| 3.2 多尺度归一化割 |
| 3.2.1 多尺度归一化割的优化求解 |
| 3.2.2 多尺度相似矩阵W和跨尺度约束矩阵C |
| 3.3 基于反对称双正交小波变换的多尺度归一化分割方法 |
| 3.3.1 方法概述 |
| 3.3.2 裂纹图像数据库分割结果及分析 |
| 3.4 基于小波边缘检测的多尺度降采样归一化割方法 |
| 3.4.1 方法概述 |
| 3.4.2 裂纹图像数据库分割结果及分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度结构化森林的快速裂纹图像分割 |
| 4.1 引言 |
| 4.2 融合小波边缘检测于多尺度结构化森林的快速图像裂纹分割 |
| 4.2.1 特征通道提取和离散化映射 |
| 4.2.2 训练结构化森林分类器 |
| 4.2.3 多尺度边缘检测 |
| 4.3 裂纹图像分割结果及分析 |
| 4.3.1 裂纹图像数据库分割结果及分析 |
| 4.3.2 钢梁图像数据库裂纹分割结果及分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习的全卷积网络裂纹图像分割 |
| 5.1 引言 |
| 5.2 基于深度学习的卷积神经网络 |
| 5.2.1 CNN卷积神经网络 |
| 5.2.2 FCN全卷积神经网络 |
| 5.3 基于深度学习的全卷积裂纹神经网络 |
| 5.3.1 Crack FCN网络模型结构 |
| 5.3.2 Crack FCN网络模型参数 |
| 5.3.3 Crack FCN网络模型搭建流程 |
| 5.4 裂纹图像数据库分割结果及分析 |
| 5.4.1 Crack FCN网络训练和验证 |
| 5.4.2 Crack FCN网络测试与比较 |
| 5.4.3 论文方法分割结果比较及分析 |
| 5.5 本章小结 |
| 第六章 结论和展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录A: 攻读博士期间发表与录用论文情况 |
| 附录B: 攻读博士期间申请及公布专利情况 |
| 附录C: 攻读博士期间参与基金 |
| 附录D: 攻读博士期间参与项目 |
四、小波变换的多尺度方法在边缘检测中的应用（论文参考文献）
- [1]海天线检测方法综述[J]. 任继亭,李尉. 青岛远洋船员职业学院学报, 2021(02)
- [2]基于深度学习的多尺度边缘检测算法研究[D]. 张旺. 江南大学, 2021(01)
- [3]高分辨率卫星影像分类及变化检测算法研究[D]. 郑志峰. 长安大学, 2020(06)
- [4]基于漏磁内检测的输油管道缺陷识别方法研究[D]. 曹辉. 沈阳工业大学, 2020(02)
- [5]视觉烟雾检测中的变换域局部特征建模[D]. 李钢. 江西财经大学, 2020(01)
- [6]多尺度几何变换在金属表面缺陷识别中的应用[D]. 刘晓明. 北京科技大学, 2020(03)
- [7]基于非下采样剪切波变换的图像增强算法研究[D]. 李亮亮. 吉林大学, 2019(02)
- [8]视觉显着性检测及显着目标分割方法研究[D]. 刘冬梅. 山东大学, 2019(02)
- [9]饮料智能生产线玻璃瓶视觉检测方法研究[D]. 周显恩. 湖南大学, 2019
- [10]非受限场景裂纹图像分割方法研究[D]. 王森. 昆明理工大学, 2017(05)