一、基于四邻域的二值图像细化算法（论文文献综述）
周维桢[1]（2021）在《隧道图像采集系统与裂缝智能识别方法研究》文中认为近年来,我国城市轨道交通高速发展,其中隧道总里程位于世界第一。由于施工、温度、载荷等各种因素的影响,地铁隧道表面会有病害发生,其中,隧道表面裂缝是最常见的病害之一,给地铁的安全运营带来威胁,因此,裂缝检测是地铁周期性巡检的重要任务。目前,针对地铁隧道衬砌裂缝的检测仍然以人工巡检为主,本文设计了一种基于多目相机的隧道衬砌图像同步采集系统,可以在天窗时间内快速采集高质量的隧道衬砌图像,同时提出了一套基于深度学习和传统图像处理的裂缝智能识别方法,实现了裂缝病害的智能检测与危险程度评价。本论文针对盾构隧道所设计的隧道衬砌图像采集系统,包括面阵相机及光源一体化模块、相机支架、大容量工控机和供电系统,并进行了以下改进:首先,设计12组相机模块,以实现全断面采集;其次,采用串口通信的方法实现所有相机模块的同步采集功能;最后,完成图像像素尺寸和物理尺寸之间的相互转换,计算了系统最高运行速度和相机采集帧率。整体隧道图像多目视觉采集系统,可灵活安装于轨道移动巡检平台上,实现隧道裂缝图像的自动采集。裂缝智能识别方法主要包括:基于边缘检测网络和图像后处理的裂缝识别算法和裂缝危险程度评价方法。本文构建了地铁隧道裂缝图像样本库,制作像素级的裂缝边缘检测数据集。基于经典边缘检测模型Holistically-Nested Edge Detection（HED）和双向级联的边缘检测模型Bi-Directional Cascade Network（BDCN）对裂缝边缘检测网络进行了优化和改进,以HED的网络结构为基础,引入特征金字塔和空洞卷积,实现了裂缝图像自动识别。设计基于数字图像处理的后处理算法进一步提取裂缝,使用自适应阈值分割算法获得裂缝二值图像,然后使用连通域滤波剔除斑点噪声,最后使用形态学闭运算填补裂缝内部空洞,平滑裂缝边缘。同时,基于裂缝骨架提取模型,实现了线性裂缝（纵向裂缝、斜向裂缝、环向裂缝）和复杂裂缝的智能分类识别。针对不同的裂缝特征,设计了典型参数测量算法,并提出了一种裂缝危险程度评价方法。本论文研发的多目视觉图像采集系统,在地铁隧道模拟隧道和实际地铁隧道正线区间,进行了同步采集与算法验证实验。结果表明:本系统可以采集到精度为0.2mm的裂缝图像,且整个系统运行稳定。设计的裂缝检测算法可以实现像素级的检测,Io U可达0.3912,准确率为83.79%,召回率为78.77%。可以看出,图像采集系统和裂缝检测算法,可以为实际隧道裂缝检测,提供较好的技术支持。
马炜明[2]（2021）在《基于偏微分方程的低质量指纹复原的研究》文中认为随着社会信息安全的高速发展,生物信息被广泛的关注,而指纹由于它的唯一性、普遍性、永久性、可靠性等特点成为了应用最广泛的生物信息,但是在实际应用中,尤其是在一些刑事案件中,指纹信息的采集由于受到设备和环境的影响,再加上人体手指潮湿、脱皮、油污、静电等原因,使提取的一部分指纹图像往往是模糊、脊线断裂、背景复杂的低质量指纹图像。这种低质量指纹图像会降低指纹识别系统的识别率甚至在一些刑事案件的判定中导致冤假错案;大多数低质量指纹图像含有较多的伪特征点和潜在特征点,但现有的低质量指纹图像处理方法对潜在特征点的修复效果不佳,所以低质量的指纹图像的复原已经成为一个亟待解决的现实性问题,这个难题的解决将不仅提高指纹识别设备的准确率,更对司法界的指纹比对具有重大的意义。本文针对低质量指纹信息的噪声大,断裂点多的特点,对传统低质量指纹图像处理方法进行了改进,将低质量指纹图像在传统预处理算法的基础上加入了改进的偏微分方程修复模型,即将指纹图像先进性去噪然后修复,既降低了复杂背景对修复算法造成的干扰,又提高了修复准确性。其主要工作成果和创新如下:1.根据本文的研究目的研究和优化传统的指纹预处理算法;针对低质量指纹的特点,使用传统指纹预处理算法中分割算法、Gabor增强算法和二值化算法对低质量指纹图像进行处理,将传统预处理算法中的细化算法剔除,旨在降低低质量指纹图像的背景噪音,减小修复算法的难度,提高修复后的准确性。2.学习传统的偏微分方程模型,将三种经典的偏微分方程修复模型BSBC修复模型、TV修复模型、CDD修复模型进行复现,经过对比选出CDD修复模型为本课题的基础算法,并在经典的CDD修复引入了一个指数因子和自适应正提升参数,经过实验对比,改进的CDD修复算法不仅继承了经典CDD算法的优点,还降低了算法难度。3.根据传统偏微分方程在修复指纹纹理会产生纹理模糊的缺点,将改进后的CDD修复模型和Starck等人提出的MCA修复模型进行融合和改进,经过验证,本文最终的算法不仅解决了经典偏微分方程图像修复模型对纹理区域修复产生的虚假的现象,又克服了原MCA修复模型无法满足连通性的缺点。4.指纹图像处理软件的实现,主要采用VS2013、QT5.9和OPencv3.0作为开发工具,将改进后的指纹预处理算法和指纹图像修复算法应用到系统中,实现了对低质量指纹图像的快速复原处理。
王钰婷[3]（2021）在《图像目标的显着性骨架计算方法研究》文中研究指明骨架是一种形式简单但功能强大的形状表示和分析工具,它对原始形状进行少一维的编码,但可以很好地保留拓扑信息,便于计算机对图像结构特征进行保存和传递。因此,被广泛应用于计算机视觉与计算机图形学的各个领域,如形状检索、对象配准、人体姿态识别、医学图像处理等。自从骨架的概念被提出以后,许多优秀的方法纷纷涌现。虽然有很多方法可以得到比较好的骨架,但也有很多缺点,比如对边界噪声过于敏感,不能保证拓扑的完整性,或者需要繁琐的后处理操作等。另外,这些方法大多以能够获得图像目标对象完整的边界为前提,这对于很难提取图像目标完整边界的彩色图像而言十分苛刻。针对上述问题,本文提出了一种新的显着性骨架的概念,其通过分析图像中目标对象的对称性,来衡量目标对象内每一像素属于骨架点的概率,生成骨架化显着性映射图（即显着性骨架）,然后通过简单阈值化获得二值骨架。该方法主要有以下创新点:（1）提出了一种新的对称性度量方法——投影对称性度量,其充分考虑图像目标对象的对称性和全局特性;（2）提出了一种新的显着性骨架的概念,通过骨架化显着性映射图（Skeletal Saliency Map）来编码骨架,并提供了理论分析。（3）为二值图像和彩色图像提供了一个高效、鲁棒的实现,其直接生成一个连续、对噪声不敏感的骨架,而不需要依赖复杂的后处理。在具体实现过程中,该方法主要包括以下几步:首先,提取图像中目标对象的边界或概率边缘;然后,对于图像目标对象中的每个像素p,该方法将其四邻域像素投影到边界上,然后计算两两投影点之间沿边界的劣弧距离,选择这些劣弧距离的最大值作为该像素p的投影对称性度量值;在对图像目标对象内的所有像素,计算投影对称性度量之后,得到一个骨架化显着性映射图,然后通过二值化得到一个清晰的二值骨架。该方法可以生成具有正确拓扑结构的两像素宽的二值骨架,避免额外的后处理。在任意阈值下,均能保证主骨架的拓扑连续性。此外,该算法对边界噪声也有较强的鲁棒性。大量的实验结果验证了该方法的良好性能,表明它优于目前其他先进的骨架计算方法。另外,本文也对其应用进行了探索,发现其可以应用于矢量图生成、概率边缘细化等领域,具有良好的应用前景。
胡广[4]（2021）在《基于深度学习语义分割的断层识别应用研究》文中研究指明随着全球人口增长和现代化的进程继续不断推进,也就造成了对能源的需求也日益增加。虽然对新能源和可再生能源的开发研究从未止步,但石油和天然气现在仍然是不可或缺的重要资源,可以说各行各业都需要石油和天然气资源的强力支撑才能维持整个社会稳定前行,因此继续对油气勘探研究仍至关重要。地下的层位在构造应力作用下破裂、错位形成了断层。断层既是油气田的边界,也是油气运移、聚集的通道。断层的解释是油气勘探开发中十分重要的工作,断层的分布和形态对油气藏的识别和描述起到关键性作用,并对地壳发展构造和天然气、石油等的开采与分布都有着非常重要的影响。近几年随着地震勘探技术的不断提高,地震数据的体量也越来越大,利用常规的方法进行断层解释不仅十分琐碎和耗时,而且难度较以及无法重复验证,复杂的解释流程也对解释人员专业性的要求十分高。随着近几年人工智能在各行各业应用的爆炸式增长,人工智能的各种方法已经应用到各行各业。深度学习是人工智能方法研究的热点,它提供了一种思路利用更深的神经网络方法来把人类的经验来让计算机进行学习,从而来代替人类判断来解决某些问题。图像分割是指根据图像的灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,简单的说就是在一副图像中,把目标从背景中分离出来。在地震勘探领域的断层解释中,地震振幅图像中包含大量的有用关于地下地质构造的信息,通过对些信息的利用可以很好的实现断层解释。因此可以充分利用深度学习方法的优势,让计算机来学习地震断层解释的模式,实现从计算机视觉来识别地震数据中的断层,这样可以大大的减少人为干预以及错误的发生,并大幅度减少断层解释所需要的时间。鉴于此,本文针对地震数据中断层解释中面临的一些问题,结合目前最流行的深度学习方法,提出了基于深度学习语义分割的断层识别方法,并研究了在地震数据进行深度学习中有效样本难以获取和样本不平衡的问题,还进行了断层识别结果优化后处理的研究。主要有以下的具体工作:（1）分析了深度学习语义分割中地震断层识别问题,并设计了一种适用于地震振幅图像的端对端的深度学习语义分割网络,实现了计算机视觉来识别地震断层,并在合成地震数据上对网络进行了多方面的测试。（2）对深度学习地震断层识别方法中样本选择方式进行了研究,针对合成地震数据训练模型来预测实际地震数据中存在的效果不稳定问题,提出使用在待解释三维断层数据中选取部分二维切片数据人工解释断层作为训练样本,并通过数据扩充方法得到足够量的学习样本。（3）针对地震振幅图像中断层和非断层的数量严重不平衡的情况,研究了采用加权的交叉熵损失函数使神经网络朝准确的方向进行拟合学习。（4）对深度学习语义分割方法的断层识别结果进行了优化后处理研究,利用孤立小连通区域去除方法消除识别结果中的噪声,利用通过骨架化方法对模型预测的断层进行细化处理并利用剪枝操作去除骨架化过程中产生的多余枝节,采用八邻域端点检测方法寻找识别的断层线中断开点并连接不连续的断层。（5）结合深度学习语义分割断层识别网络和断层优化后处理提出了一个基于深度学习语义分割的断层识别流程,并在实际地震数据进行了断层识别处理,还对不同数据不同方法识别出来的断层效果进行了定性和定量分析,深入论证了本文方法的稳定性和可靠性。本文主要创新点为:（1）在VGG16网络基础上设计出一种针对地震断层识别的端对端深度学习语义分割轻量化网络结构。不仅能减少训练时间和预测时间,还能够实现在较少断层样本情况下保持良好断层识别效果。（2）针对深度学习语义分割识别结果中存在的问题,提出了断层识别结果优化后处理的方法流程。整个流程包括孤立小连通区域去除的方法剔除噪声,使用基于距离变换骨架提取算法来得到细化的断层并用剪枝算法去除产生的多余枝节,还提出了一种基于八邻域端点检测的方法来寻找并连接属于同一断层线上的断开点。
赵超浩[5]（2020）在《人类染色体核型分析的中轴细化算法和分类模型》文中提出人类染色体核型分析在遗传病的检查、产前诊断和癌症病理分析等方面具有重要作用。染色体核型分析通过显微成像设备拍摄到细胞中染色体中期分裂时的图像,经过图像处理和模式识别等方法识别每一个染色体类别并排序得到核型分析图。染色体特征的提取以及选择分类算法对整个流程极其重要,染色体常用于分类的长度、着丝粒指数和带纹特征都非常依赖于染色体图像中轴的确定。但是,在染色体中轴提取过程中,传统的细化算法提取的中轴具有容易形成较多毛刺、连通性较差以及不能具有单像素宽等问题;此外,目前常见的染色体分类方法在分类精度和模型训练时间都有一定的不足。因此如何有效地提取具有较少毛刺、连通性好、单像素宽的染色体中轴线,以及提出具有更优性能的分类模型是本文研究工作的重点。为了能够提取具有较少毛刺、连通性好、单像素宽等特征的染色体中轴线,本文提出了一种基于串行细化和并行细化的混合细化算法。该算法主要包括三个步骤:首先根据边缘检测算法确定图像轮廓并处理边界噪声;然后根据设定的约束条件,对图像轮廓像素进行删除和保留处理;最后对经过前两个步骤多次迭代得到的中轴线进行处理,以保证提取的中轴线为单像素宽。同时为了能够有效地评估所提出算法的性能,本文提出了基于数学方法的评价指标用于评估算法。通过提出的混合细化算法与其他常见的细化算法在现有染色体数据集以及公用数据集上进行的实验对比,可以看出本文所提出的算法能够得到具有较少毛刺、连通性好、单像素宽等特征的染色体中轴线,而且该算法具有很好的泛化性能。依据中轴线提取了染色体的长度、面积、着丝粒指数以及带纹特征,并对这些特征进行归一化,最终得到了21维的染色体特征数据。为了能够解决现有染色体分类方法的缺点,本文提出了基于改进的人工蜂群算法优化二分类核极限学习机竞争队列模型,通过改进的人工蜂群算法来寻找每一个针对两类染色体分类的核极限学习机的最优惩罚系数和核函数参数。并且在分类器分类之后加入校正程序。通过本文分类方法和相关文献中的分类方法进行实验对比,可以得出本文所提出的分类方法能够提高分类精度并且降低了模型的训练时间。
陈定邦[6]（2020）在《基于机器视觉的手机外壳表面缺陷检测研究与开发》文中进行了进一步梳理在移动互联网高速发展下,智能手机逐渐走进人们的视野和生活,它在社交、购物、网上交易等方面扮演着一个必不可少的角色,其市场潜力巨大。在手机外壳生产的阳极氧化工序中,由于工艺因素的影响,会出现异色发白的现象,从而造成手机外壳表面出现白点缺陷。为避免这种产品报废,需要对白点缺陷进行修复。在进行修复工序前,需要将这种白点缺陷准确检测出来。但由于这种白点缺陷的面积小、边界模糊、不易辨别,导致人工检测对此类缺陷的检测准确率低、稳定性差。随着机器视觉技术的发展,可以有效地解决目前人工检测所存在的问题。因此,针对智能手机外壳表面出现白点缺陷的问题,采用机器视觉技术,研究开发一套白点缺陷检测系统,具有广泛的应用前景。首先,针对手机外壳白点缺陷区域的特点和检测要求,根据工业相机、工业镜头、光源种类的相关参数,选用了大恒公司的MER-504-10GC-P工业相机、奥普特公司的OPT-KS022-220-111远心镜头、白光与红外光结合的无影光源,搭建了白点缺陷检测系统的硬件平台。接着,分析了图像预处理的常用算法,利用中值滤波和高斯滤波相结合的方法去除图像噪声,并采用Canny算子进行边缘检测,根据轮廓跟踪算法和最小二乘法拟合出三条基准直线段,确定了感兴趣区域（ROI）,再利用开运算对感兴趣区域进行形态学处理,减少了图像噪声信息的干扰,突出了手机外壳白点缺陷区域的特征。然后,研究了快速连通域分析算法,提出了基于区域生长分割的缺陷检测算法。其中,结合阈值分割法和连通域分析法确定了白点区域的种子点,利用相邻点阈值差法制定了白点生长规则,将白点区域与背景进行分离,提取了白点区域的特征,实现了白点缺陷的检测。最后,利用OpenCV图像处理库,在VS2015软件的开发环境下,设计了图像采集、图像增强、图像定位、缺陷检测等软件模块,完成了白点缺陷检测系统的软件开发。并进行了手机外壳白点缺陷检测实验,分析了实验数据,准确率达到90.3%,验证了检测算法的可行性,满足了缺陷检测系统的要求。
朱孔辉[7]（2020）在《玻璃基板AOI系统中若干图像处理技术研究》文中进行了进一步梳理玻璃基板是平板显示制造产业重要的上游产品,随着平板显示技术在当今社会中的广泛应用,玻璃基板的市场需求量大为提高,因此玻璃基板的缺陷检测技术也越来越受到重视。传统的人工目视玻璃基板缺陷检测方法由于技术落后已经无法满足当代大规模生产的要求,AOI（自动光学检测）和图像处理技术在玻璃基板缺陷检测中的应用变得越来越广泛。本文主要对玻璃基板自动光学检测中的缺陷图像预处理、不同类型缺陷图像的特征参数提取以及缺陷识别与分类中的相关图像处理技术进行了系统研究。在对玻璃基板缺陷图像进行预处理算法的研究时,分别研究了均值滤波、高斯滤波及中值滤波算法对图像噪声的滤除效果,提出一种基于几何均值滤波与自适应中值滤波算法相结合的综合滤波方法,有效过滤了玻璃基板缺陷图像中存在的噪声;在图像增强算法中,采用直方图均衡化方法增强了缺陷位置区域的图像对比度;在图像分割算法中,引入OTSU分割法,实现了对缺陷图像的分割。在玻璃基板缺陷特征参数提取部分,首先针对图像预处理后的缺陷二值图像进行了特征参数的分析,选取几何特征、形状特征以及图像不变矩特征作为不同缺陷类型的分类依据,对不同位置区域的缺陷进行连通域标记时,对两次扫描法与种子填充法进行了比较,使用Andrew扫描法的凸包检测算法与旋转卡壳法的最小外接矩形标记算法获得单个缺陷最小外接矩形相关参数,对缺陷图像的相关特征参数数据进行计算并对数据进行归一化处理。在对不同缺陷图像进行分类识别时,分别使用BP神经网络及C-SVM支持向量机两种分类方法实现对不同的缺陷的识别分类工作。在BP神经网络中使用三层网络结构,通过多次实验确定了隐含层节点数,最终BP神经网络的识别准确率达到87.6%。在支持向量机中采用缺陷种类二分类方法,在选取核函数时采用径向基核函数,对每个SVM子分类器进行参数寻优,最终C-SVM的识别准确率达到92.4%。结果表明,支持向量机相较于BP神经网络在对玻璃基板进行缺陷检测时具有更好的优势。
苏明秋[8]（2020）在《基于烟叶图像的参数精确提取和分级识别系统研究与实现》文中认为烟草行业在我国的经济中始终占有重要地位,在烟叶的收购与加工过程中,如何快捷准确的进行烟叶分级至关重要。目前在烟草行业对烟叶的分级工作,主要以人工分级的方式进行,不仅费时费力,准确率也无法得到有效保障。在现有的烟叶分级算法研究中,主要是通过识别烟叶色度的不同来进行分级,但在对色度相近的烟叶进行分级时效果并不理想。本文设计了一种基于传统图像处理算法和卷积神经网络的烟叶参数提取与分级系统,以提高对烟叶分级的准确率。本文的主要内容如下:1.本文研究了一种基于叶脉骨架细化和区域生长算法的主脉与支脉间夹角提取方法。首先通过对快速并行细化算法的改进,可以去除主脉上长度较短的支脉和支脉上的分支叶脉骨架,减少后续角点检测算法中的角点数量,使改进后的细化算法更加适用于烟叶的叶脉骨架提取;然后通过改进区域生长算法的初始像素点选取与生长规则,可以提取出主脉与支脉间的夹角,并且有效提高了算法的运行速度;最后根据提取到的烟叶夹角、色度等特质,人工选取初始聚类中心点来优化聚类算法,将烟叶的色度特征与形态学特征相结合以提高对色度相近的烟叶分级的准确率。2.本文研究了一种适用于烟叶分级的卷积神经网络。由于不同类别的烟叶特征十分相似,本文提出了一种多尺度特征提取的卷积模块对网络进行改进,使网络可以同时学习烟叶图像的局部细节特征和全局特征,提高网络对烟叶分级的准确率;之后将多尺度特征提取的卷积模块放入网络中,通过大量对比实验的多种性能度量指标结果,得出使性能达到最优的网络结构,进一步提升烟叶分级算法的准确率。3.本文设计了一种烟叶图像参数提取与分级系统。首先通过传统图像处理算法提取烟叶图像长度、主脉与支脉间夹角和色度值这三种特征;然后根据深度学习算法提取烟叶图像中的多种特征;最后调整网络结构,将这两类特征相结合,提高网络对烟叶图像中高维度特征和局部细节特征的提取能力,再次提升整体系统对烟叶分级的准确率达到84.52%。4.本文设计并实现了一种烟叶图像参数提取与分级的软件系统。通过这一软件系统,可以让使用者更加方便快捷的实现对烟叶图像的检测。
霍高杰[9]（2020）在《基于视觉的车道线与目标车辆检测算法研究》文中认为随着智能交通系统的发展和图像处理技术的进步,基于视觉的自动驾驶技术也得到了快速发展,同时搭载自动驾驶技术的智能车辆发展也受到了广泛关注。车道线与目标车辆检测算法是智能车辆搭载的关键技术之一,已经成为智能车辆的研究热点,并有多种算法应用于智能车辆中。但是实际道路交通状况比较复杂,车道线与目标车辆检测易受道路环境等因素的影响,在不同光照条件下对车道线与目标车辆进行精确检测比较困难。针对以上问题,本文对基于视觉的车道线与目标车辆检测算法展开了研究。首先利用同态滤波对道路图像进行增强,消除图像中照度不均问题,降低光照条件对目标检测的影响;然后对道路图像进行划分选取车道线区域,并对Canny算子中的双阈值选取进行改进,自适应精确提取车道线边缘特征;通过极角约束Hough变换对车道线区域进行直线检测,获得车道线检测结果;最后根据车道线参数得到车辆当前可行使区域信息。道路前方的运动目标是影响车辆行驶安全性的主要因素,因此在车道线检测的基础上通过分割车尾阴影特征完成目标车辆检测。首先根据车尾阴影的灰度级特点,利用二次阈值分割结合Kmeans聚类算法进行车尾阴影特征分割;然后利用形态学运算优化阴影特征形状,并通过计算连通域最小外接矩形得到车尾阴影线坐标;最后根据车尾阴影线坐标生成车辆假设区域,并利用车尾对称性验证车辆假设区域。选取实际道路图像与i Roads dataset数据集中的道路图像作为实验素材对提出算法进行验证,素材中包含不同光照条件下的道路图像。通过大量实验表明:本文提出的算法可以在不同道路环境中对车道线及目标车辆进行准确检测,能够解决不同光照条件下车道线检测结果不稳定的问题,降低不同光照条件对目标车辆检测准确率的影响,算法具有良好的稳定性。
邢文宇[10]（2020）在《图像法羊毛羊绒相似纤维识别算法研究及应用》文中进行了进一步梳理羊毛与羊绒极相似纤维的鉴别一直都是纺织领域和服装生产行业的重要研究课题之一,传统的方法主要有物理法、化学法、生物法以及感官识别,此类方法的操作较为复杂、效率较低,且容易受到外界因素的影响。而图像法是建立在客观评价分析的基础上,具有批量操作、快速响应、实验简便等优点,因此,本文设计了一种基于数字图像处理和多特征融合图像分析技术的图像法羊毛与羊绒相似纤维自动识别算法系统。本文的研究主要涉及以下内容:纤维图像采集及处理系统搭建;纤维图像预处理方案设计;纤维纹理及形态特征提取与分析;纤维图像分类识别。首先概述了近30年来国内外基于图像处理技术的羊毛与羊绒纤维纹理及形态特征分析的研究进展,总结了图像法应用于纤维鉴别的主要流程,并对本文的研究内容、创新点以及研究思路进行了简要地概述;其次,详细介绍了应用于纤维图像观察与采集的光学显微镜、数字化相机等硬件模块,以及应用于纤维图像传输、保存、处理及分析的软件模块,并提出一种片段化纤维制样的方法,从而保证显微镜观察到的视野中仅含有一根纤维;再次,通过对图像增强、去噪、分割、形态学处理、边缘检测、连通域分析等数字图像处理算法的研究,设计了六种不同的纤维图像预处理方案,其中三种可应用于纹理特征的提取,三种可应用于形态特征的提取,讨论了六种方案的优缺点之后,选择了第三种和第六种方案分别对采集到的纤维图像进行预处理操作,以获得应用于纤维纹理及形态特征分析所需的不同的纤维结果图像;此外,本文在充分调研了特征分析算法及其在纤维识别领域中的应用情况下,采用了灰度共生矩阵、分形分析、马尔科夫随机场三种不同的纹理特征分析算法分别对纤维的表面纹理特征及模型参数进行提取,同时,设计了一种交互式测量方法对纤维的形态特征进行分析,以实现对纤维直径、鳞片高度、径高比等特征的测量;最后,通过对机器学习算法的概述与分析,借助于十次十折交叉验证方法和高斯核函数构造的支持向量机分类器,实现了不同纹理、形态特征分析方法下的羊毛与羊绒纤维种类识别。实验结果显示了四种特征分析算法应用于羊毛与羊绒相似纤维鉴别时的识别精度分别为90.15%、82.26%、94.49%、94.78%。由于纤维种类较多,且生长过程中纹理或者形态容易产生变异,从而导致单一的特征分析算法更容易有识别错误的情况发生。因此,本文在单一特征识别分析的基础上,提出了一种基于纹理-形态多特征融合的纤维图像分析技术。主要将纹理特征分析中识别精度较高的分形分析算法与形态特征分析中的交互式测量算法相结合,同时对纤维的纹理及形态特征进行采集及归一化处理,组成新的五维特征数组,然后采用相同的支持向量机模型进行识别。实验结果显示,该方法应用于羊毛与羊绒相似纤维鉴别的最终准确率为96.99%,相比于单一纹理或者单一形态特征分析具有明显的提升。
二、基于四邻域的二值图像细化算法（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、基于四邻域的二值图像细化算法（论文提纲范文）
（1）隧道图像采集系统与裂缝智能识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 隧道裂缝检测方法概述 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.2.4 基于深度学习的裂缝检测算法概述 |
| 1.2.5 国内外研究现状总结 |
| 1.3 研究内容与章节安排 |
| 2 隧道图像采集与裂缝智能识别方案设计 |
| 2.1 总体方案设计 |
| 2.2 隧道衬砌图像采集方案 |
| 2.3 隧道衬砌裂缝智能识别方案 |
| 2.3.1 裂缝识别算法方案 |
| 2.3.2 裂缝危险程度评价 |
| 2.4 本章小结 |
| 3 隧道衬砌图像采集系统设计与实验 |
| 3.1 隧道衬砌图像采集系统 |
| 3.1.1 隧道全断面采集 |
| 3.1.2 同步采集 |
| 3.1.3 采集帧率计算 |
| 3.2 隧道衬砌图像采集系统的搭建与调试 |
| 3.3 图像采集实验 |
| 3.4 本章小结 |
| 4 隧道衬砌裂缝识别算法研究 |
| 4.1 地铁隧道裂缝样本库的构建和边缘检测数据集的制作 |
| 4.2 基于边缘检测的裂缝识别网络 |
| 4.2.1 HED网络结构 |
| 4.2.2 BDCN网络结构 |
| 4.2.3 改进的裂缝识别网络结构 |
| 4.3 基于数字图像处理的裂缝后处理算法 |
| 4.4 本章小结 |
| 5 隧道衬砌裂缝识别实验 |
| 5.1 数据集、评价指标和参数设置 |
| 5.2 裂缝识别网络结果分析 |
| 5.3 对比实验 |
| 5.3.1 基于传统图像处理和深度学习的裂缝识别对比实验 |
| 5.3.2 基于不同网络的裂缝识别对比实验 |
| 5.3.3 基于不同损失函数的裂缝识别对比实验 |
| 5.4 本章小结 |
| 6 裂缝危险程度评价 |
| 6.1 裂缝骨架提取 |
| 6.2 裂缝分类 |
| 6.3 裂缝参数计算 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于偏微分方程的低质量指纹复原的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究的主要内容及章节安排 |
| 第2章 指纹识别系统中的预处理算法 |
| 2.1 指纹识别系统 |
| 2.1.1 指纹识别系统的原理 |
| 2.1.2 指纹识别系统的评价标准 |
| 2.2 经典的指纹预处理 |
| 2.2.1 预处理算法的介绍 |
| 2.2.2 指纹图像的分割算法 |
| 2.2.3 指纹图像的增强算法 |
| 2.2.4 指纹图像的二值化算法 |
| 2.2.5 指纹图像的细化算法 |
| 2.3 改进的指纹预处理算法 |
| 2.4 本章小结 |
| 第3章 基于PDE修复经典模型的对比 |
| 3.1 引言 |
| 3.2 偏微分方程模型的理论基础 |
| 3.2.1 偏微分方程的基本概念 |
| 3.2.2 偏微分方程在图像处理中的应用 |
| 3.3 PDE修复算法的对比 |
| 3.3.1 BSBC修复算法 |
| 3.3.2 TV修复算法 |
| 3.3.3 CDD修复算法 |
| 3.3.4 实验结果对比 |
| 3.4 改进的CDD修复算法 |
| 3.4.1 改进的CDD算法介绍 |
| 3.4.2 图像修复评价标准 |
| 3.4.3 实验结果对比 |
| 3.5 本章小结 |
| 第4章 改进的偏微分方程修复算法 |
| 4.1 引言 |
| 4.2 MCA算法 |
| 4.2.1 MCA算法的基础理论 |
| 4.2.2 原MCA修复算法 |
| 4.3 改进的MCA修复算法 |
| 4.4 实验结果分析 |
| 4.4.1 图像修复评价标准 |
| 4.4.2 实验结果对比 |
| 4.5 本章总结 |
| 第5章 基于QT的指纹图像处理软件的设计与实现 |
| 5.1 系统框架 |
| 5.2 软件的设计与实现 |
| 5.2.1 系统体系结构 |
| 5.2.2 系统的界面设计 |
| 5.3 图像间的格式转换 |
| 5.4 系统运行 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
（3）图像目标的显着性骨架计算方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于二值图像的骨架计算方法 |
| 1.2.2 基于彩色图像的骨架计算方法 |
| 1.3 本文主要工作和创新点 |
| 1.4 本文的内容安排及组织结构 |
| 第二章 骨架计算方法综述 |
| 2.1 引言 |
| 2.2 骨架相关知识 |
| 2.2.1 骨架的定义 |
| 2.2.2 目标对象骨架提取的难点 |
| 2.3 基于二值图像目标对象的骨架计算方法 |
| 2.3.1 基于细化的骨架计算方法 |
| 2.3.2 基于Voronoi图的骨架计算方法 |
| 2.3.3 基于距离变换的骨架计算方法 |
| 2.3.4 基于曲线演化的骨架计算方法 |
| 2.4 基于彩色图像目标对象的骨架计算方法 |
| 2.4.1 传统的彩色图像目标对象骨架计算方法 |
| 2.4.2 基于深度学习的彩色图像目标对象骨架计算方法 |
| 2.5 本章小结 |
| 第三章 骨架化显着性映射图的数学模型 |
| 3.1 引言 |
| 3.2 关于骨架点特性的观察 |
| 3.3 骨架化显着性映射图的定义 |
| 3.4 骨架化显着性映射图的有效性 |
| 3.5 骨架化显着性映射图的特点和鲁棒性 |
| 3.5.1 两像素宽的骨架区域 |
| 3.5.2 对截断阈值容忍度高 |
| 3.5.3 对边界噪声鲁棒 |
| 3.6 本章小结 |
| 第四章 算法设计与实现 |
| 4.1 引言 |
| 4.2 二值图像的骨架计算 |
| 4.3 彩色图像的骨架计算 |
| 4.3.1 边缘提取 |
| 4.3.2 投影对称性度量的计算 |
| 4.3.3 截断骨架化显着性映射图 |
| 4.4 本章小结 |
| 第五章 实验结果分析 |
| 5.1 引言 |
| 5.2 评价指标 |
| 5.2.1 F~d measure |
| 5.2.2 重建错误率 |
| 5.3 二值图像比较 |
| 5.3.1 简单目标对象结果比较 |
| 5.3.2 复杂目标对象结果比较 |
| 5.3.3 鲁棒性分析 |
| 5.4 彩色图像的比较 |
| 5.5 应用 |
| 5.5.1 概率边缘细化 |
| 5.5.2 矢量图的生成 |
| 5.6 局限 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读学位期间参与的科研项目情况 |
| 学位论文评阅及答辩情况表 |
（4）基于深度学习语义分割的断层识别应用研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 选题的国内外研究现状及存在问题 |
| 1.2.1 地震断层解释方法的国内外研究现状 |
| 1.2.2 深度学习语义分割方法的研究现状 |
| 1.2.3 图像分割方法在断层识别中的研究现状 |
| 1.2.4 选题存在问题 |
| 1.3 主要研究内容、技术路线和方法思路 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线和方法思路 |
| 1.4 主要研究成果和创新点 |
| 1.5 论文的组织结构 |
| 第二章 深度学习语义分割的基本原理 |
| 2.1 图像分割概述 |
| 2.1.1 图像分割的目标 |
| 2.1.2 相关分割算法 |
| 2.2 基于深度学习的语义分割实现方式 |
| 2.2.1 深度学习神经网络模型的构建 |
| 2.2.2 深度学习神经网络模型的训练 |
| 2.2.3 模型预测 |
| 2.3 深度学习语义分割效果的评价标准 |
| 2.4 本章小结 |
| 第三章 深度学习语义分割的断层识别网络设计研究 |
| 3.1 深度学习语义分割中地震断层识别问题分析 |
| 3.1.1 基于视觉检测的地震断层解释特点分析 |
| 3.1.2 深度学习中地震断层样本问题分析 |
| 3.1.3 深度学习语义分割网络分析 |
| 3.1.4 问题分析总结 |
| 3.2 基于VGG16 深度学习语义分割网络的断层识别方法 |
| 3.2.1 地震断层训练样本的选取方法 |
| 3.2.2 基于VGG16 改进的语义分割深度学习模型构建 |
| 3.2.3 模型训练方式 |
| 3.2.4 基于深度学习模型的断层预测 |
| 3.3 合成地震断层数据测试 |
| 3.3.1 测试环境配置 |
| 3.3.2 合成地震断层数据生成方法 |
| 3.3.3 合成数据测试与分析 |
| 3.4 本章小结 |
| 第四章 断层识别结果优化后处理研究 |
| 4.1 骨架的基本概念 |
| 4.1.1 骨架的定义 |
| 4.1.2 骨架的基本性质 |
| 4.2 骨架提取的算法及比较 |
| 4.2.1 骨架提取方法 |
| 4.2.2 骨架计算方法分析比较 |
| 4.2.3 本文断层骨架提取方法 |
| 4.3 优化处理方法 |
| 4.3.1 孤立小连通区域的去除 |
| 4.3.2 断线连接 |
| 4.3.3 剪枝 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 实际地震数据断层识别与分析 |
| 5.1 基于深度学习语义分割的断层识别流程 |
| 5.2 实际地震数据的断层识别 |
| 5.2.1 数据背景介绍 |
| 5.2.2 实际地震数据断层识别 |
| 5.2.3 三维结果讨论 |
| 5.3 不同方法对比分析研究 |
| 5.4 本章小结 |
| 第六章 结论和建议 |
| 6.1 结论 |
| 6.2 建议 |
| 致谢 |
| 参考文献 |
（5）人类染色体核型分析的中轴细化算法和分类模型（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文的研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 细化算法研究现状及分析 |
| 1.2.2 染色体分类算法研究现状及分析 |
| 1.3 本文的主要工作 |
| 1.4 本文的组织结构 |
| 2 图像细化基础及经典串行和并行细化算法 |
| 2.1 图像细化基础 |
| 2.1.1 图像细化背景及原理 |
| 2.1.2 图像细化标准 |
| 2.2 经典串行细化算法 |
| 2.2.1 Hildich细化算法 |
| 2.2.2 K3M细化算法 |
| 2.3 经典并行细化算法 |
| 2.3.1 AW细化算法 |
| 2.3.2 ZS细化算法原理 |
| 2.4 本章小结 |
| 3 核极限学习机和人工蜂群算法基础理论 |
| 3.1 核极限学习机基本原理 |
| 3.1.1 神经网络基本理论及模型 |
| 3.1.2 核极限学习机原理及其优缺点 |
| 3.2 人工蜂群算法理论基础 |
| 3.2.1 群智能优化算法概述 |
| 3.2.2 人工蜂群算法原理 |
| 3.3 本章小结 |
| 4 基于混合细化算法的染色体中轴提取 |
| 4.1 算法描述 |
| 4.2 算法内容 |
| 4.2.1 预处理阶段 |
| 4.2.2 根据约束条件保留和删除轮廓像素 |
| 4.2.3 后处理阶段 |
| 4.3 细化算法评价指标 |
| 4.4 实验与分析 |
| 4.4.1 实验运行环境 |
| 4.4.2 实验数据来源及对比方法 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 染色体特征的提取和IABC-KELM竞争队列分类模型 |
| 5.1 染色体特征的提取 |
| 5.1.1 染色体长度特征的提取 |
| 5.1.2 染色体面积和着丝粒指数的提取 |
| 5.1.3 染色体带纹特征提取 |
| 5.1.4 特征的归一化 |
| 5.2 基于二分类IABC-KELM竞争队列的染色体分类 |
| 5.2.1 算法描述 |
| 5.2.2 算法内容 |
| 5.3 实验与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文主要工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间发表的学术论文与研究成果 |
（6）基于机器视觉的手机外壳表面缺陷检测研究与开发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 表面缺陷检测研究现状 |
| 1.2.1 表面缺陷检测算法的研究现状 |
| 1.2.2 手机表面缺陷检测的研究现状 |
| 1.3 研究内容及章节结构 |
| 第二章 视觉检测系统的硬件设计 |
| 2.1 照明系统硬件选型 |
| 2.2 成像系统硬件选型 |
| 2.3 本章小结 |
| 第三章 手机外壳白点缺陷检测预处理算法的研究 |
| 3.1 颜色空间转换 |
| 3.2 图像去噪 |
| 3.2.1 均值滤波 |
| 3.2.2 高斯滤波 |
| 3.2.3 中值滤波 |
| 3.3 感兴趣区域提取 |
| 3.3.1 梯度算子 |
| 3.3.2 Canny算子 |
| 3.3.3 提取感兴趣区域 |
| 3.4 形态学处理 |
| 3.5 本章小结 |
| 第四章 手机外壳白点缺陷检测算法的研究 |
| 4.1 快速连通域分析 |
| 4.1.1 游程及连通区域 |
| 4.1.2 基于游程的连通域分析 |
| 4.1.3 连通域分析算法流程 |
| 4.2 种子点和生长准则的选取 |
| 4.2.1 种子点的选取 |
| 4.2.2 生长准则的选取 |
| 4.3 搜索方式的选择 |
| 4.4 基于区域生长的白点缺陷检测算法 |
| 4.5 缺陷特征提取 |
| 4.6 本章小结 |
| 第五章 系统软件开发与实验分析 |
| 5.1 开发环境 |
| 5.2 软件设计 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
（7）玻璃基板AOI系统中若干图像处理技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 玻璃基板自动光学检测的研究意义 |
| 1.3 国内外发展现状 |
| 1.4 研究内容与章节安排 |
| 第二章 玻璃基板缺陷检测的基本处理算法 |
| 2.1 玻璃基板中常见缺陷类型 |
| 2.2 玻璃基板缺陷检测基本流程 |
| 2.2.1 缺陷图像预处理 |
| 2.2.2 缺陷特征参数提取 |
| 2.2.3 缺陷识别与分类 |
| 2.3 本章小结 |
| 第三章 玻璃基板图像预处理算法的研究 |
| 3.1 图像滤波算法 |
| 3.1.1 常用滤波算法研究 |
| 3.1.2 改进后的滤波算法 |
| 3.2 图像增强算法 |
| 3.2.1 常用图像增强算法研究 |
| 3.2.2 图像增强算法实验对比 |
| 3.3 图像分割算法 |
| 3.3.1 常用图像分割算法研究 |
| 3.3.2 图像分割算法实验对比 |
| 3.4 本章小结 |
| 第四章 玻璃基板缺陷特征参数提取 |
| 4.1 玻璃基板缺陷特征分析 |
| 4.2 连通域标记算法 |
| 4.3 凸包检测算法 |
| 4.4 缺陷特征参数提取结果 |
| 4.5 本章小结 |
| 第五章 玻璃基板缺陷识别与分类 |
| 5.1 基于BP神经网络的缺陷分类识别方法 |
| 5.1.1 BP神经网络原理简介 |
| 5.1.2 BP神经网络的优势 |
| 5.1.3 BP神经网络的相关参数设定 |
| 5.2 基于支持向量机的缺陷分类识别方法 |
| 5.2.1 支持向量机原理简介 |
| 5.2.2 支持向量机的优势 |
| 5.2.3 支持向量机的相关参数设定 |
| 5.3 仿真实验对比结果 |
| 5.3.1 BP神经网络的测试实验结果 |
| 5.3.2 支持向量机的测试实验结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作内容总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（8）基于烟叶图像的参数精确提取和分级识别系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 图像处理算法国内外研究 |
| 1.2.2 人工神经网络算法国内外研究 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 相关理论及技术研究 |
| 2.1 烟叶分级原理及难点 |
| 2.1.1 烟叶分组原理 |
| 2.1.2 烟叶分级原理 |
| 2.1.3 烟叶分级难点 |
| 2.2 图像处理技术研究与应用 |
| 2.2.1 图像处理算法流程图 |
| 2.2.2 图像二值化算法 |
| 2.2.3 图像阈值分割算法 |
| 2.2.4 图像平滑处理 |
| 2.2.5 图像HSI颜色空间模型 |
| 2.2.6 基于图像处理的烟叶参数提取 |
| 2.3 神经网络技术研究 |
| 2.3.1 人工神经网络 |
| 2.3.2 卷积神经网络结构 |
| 2.3.3 激活函数 |
| 2.3.4 损失函数 |
| 2.3.5 梯度下降法 |
| 2.3.6 过拟合 |
| 2.4 系统研究整体设计 |
| 2.5 本章小结 |
| 第三章 烟叶主脉与支脉夹角提取算法研究 |
| 3.1 本章算法框架设计 |
| 3.2 基于细化算法的叶脉骨架提取 |
| 3.2.1 快速并行细化算法研究 |
| 3.2.2 叶脉骨架提取结果与不足分析 |
| 3.3 基于烟叶叶脉骨架提取的细化算法改进 |
| 3.4 基于角点检测与区域生长算法的叶脉角度提取 |
| 3.4.1 Harris角点检测算法研究 |
| 3.4.2 区域生长算法研究与改进 |
| 3.5 基于聚类算法的烟叶分级与结果分析 |
| 3.5.1 K均值聚类算法研究与烟叶分级 |
| 3.5.2 K均值聚类算法研究与烟叶分级 |
| 3.6 本章小结 |
| 第四章 基于深度学习的烟叶分级算法研究 |
| 4.1 本章算法框架设计 |
| 4.2 基于Res2Net模型的烟叶分级网络研究 |
| 4.2.1 ResNet模型的网络结构研究 |
| 4.2.2 Res2Net模块结构研究 |
| 4.2.3 构建烟叶数据库 |
| 4.2.4 迁移学习 |
| 4.2.5 实验环境与性能度量指标 |
| 4.2.6 实验结果及分析 |
| 4.3 多尺度特征提取网络优化 |
| 4.3.1 多尺度特征研究 |
| 4.3.2 多尺度特征提取模块 |
| 4.3.3 网络优化与实验结果分析 |
| 4.3.4 网络结构优化 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 烟叶图像参数提取与分级系统实现 |
| 5.1 本章算法框架设计 |
| 5.2 烟叶分级系统实现 |
| 5.2.1 结合传统算法的神经网络结构 |
| 5.2.2 网络优化与实验结果分析 |
| 5.3 烟叶分级软件设计与实现 |
| 5.3.1 软件总体设计 |
| 5.3.2 软件界面实现 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）基于视觉的车道线与目标车辆检测算法研究（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 研究目的 |
| 1.3 相关技术研究现状 |
| 1.3.1 车道线检测研究现状 |
| 1.3.2 目标车辆检测研究现状 |
| 1.4 论文研究内容与组织结构 |
| 第二章 图像处理理论与方法 |
| 2.1 图像处理基本方法 |
| 2.1.1 降采样 |
| 2.1.2 图像灰度化 |
| 2.1.3 图像增强 |
| 2.2 图像平滑 |
| 2.2.1 中值滤波 |
| 2.2.2 高斯滤波 |
| 2.3 图像分割 |
| 2.3.1 固定阈值分割 |
| 2.3.2 最大类间方差法 |
| 2.4 本章小结 |
| 第三章 车道线检测 |
| 3.1 车道线区域选取 |
| 3.1.1 车道线模型 |
| 3.1.2 车道线区域划分 |
| 3.2 边缘特征提取 |
| 3.2.1 常用边缘算子对比 |
| 3.2.2 改进Sobel算子 |
| 3.2.3 Canny算子边缘检测及改进 |
| 3.3 车道线检测 |
| 3.3.1 Hough变换原理 |
| 3.3.2 极角约束Hough变换直线检测 |
| 3.3.3 可行使区域判断 |
| 3.3.4 车道线检测结果 |
| 3.4 本章小结 |
| 第四章 目标车辆检测 |
| 4.1 车辆特征选取 |
| 4.1.1 感兴趣区域选取 |
| 4.2 车尾阴影分割 |
| 4.2.1 二次阈值分割 |
| 4.2.2 Kmeans聚类分割 |
| 4.2.3 形态学运算 |
| 4.2.4 车尾阴影线提取 |
| 4.3 目标车辆验证 |
| 4.3.1 车辆假设区域 |
| 4.3.2 垂直边缘对称性验证 |
| 4.3.3 目标车辆检测算法流程 |
| 4.3.4 目标车辆检测结果 |
| 4.4 本章小结 |
| 第五章 算法验证与分析 |
| 5.1 实验环境与实验素材 |
| 5.1.1 实验环境 |
| 5.1.2 实验素材 |
| 5.2 车道线检测实验 |
| 5.2.1 车道线检测流程 |
| 5.2.2 实验结果 |
| 5.2.3 结果分析 |
| 5.3 目标车辆检测实验 |
| 5.3.1 目标车辆检测流程 |
| 5.3.2 实验结果 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）图像法羊毛羊绒相似纤维识别算法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题来源与研究意义 |
| 1.2 羊毛与羊绒纤维识别综述 |
| 1.3 研究内容与创新点 |
| 1.4 课题研究主要思路 |
| 1.4.1 纤维图像采集 |
| 1.4.2 图像预处理 |
| 1.4.3 特征提取与分析 |
| 1.4.4 分类识别 |
| 1.5 论文结构的安排 |
| 第二章 纤维识别系统介绍 |
| 2.1 纤维图像采集模块概述 |
| 2.1.1 图像采集硬件介绍 |
| 2.1.2 图像采集软件介绍 |
| 2.2 纤维图像识别模块介绍 |
| 2.3 本章小结 |
| 第三章 纤维图像采集及预处理 |
| 3.1 羊毛与羊绒纤维图像采集 |
| 3.1.1 纤维样本制作 |
| 3.1.2 纤维图像观察与采集 |
| 3.2 纤维图像预处理 |
| 3.2.1 图像增强 |
| 3.2.2 图像去噪 |
| 3.2.3 图像分割 |
| 3.2.4 图像形态学处理 |
| 3.2.5 图像边缘检测 |
| 3.2.6 图像连通域标记及提取 |
| 3.3 纤维图像预处理方案设计 |
| 3.4 六类图像预处理方案综合评价 |
| 3.5 本章小结 |
| 第四章 纤维纹理及形态特征分析 |
| 4.1 羊毛与羊绒纤维纹理及形态差异 |
| 4.2 纤维纹理特征分析 |
| 4.2.1 纹理特征方法概述 |
| 4.2.2 灰度共生矩阵 |
| 4.2.3 马尔科夫随机场 |
| 4.2.4 分形分析 |
| 4.3 纤维形态特征分析 |
| 4.4 纤维纹理及形态特征可行性分析 |
| 4.5 本章小结 |
| 第五章 羊毛与羊绒纤维种类识别 |
| 5.1 机器学习概述 |
| 5.2 支持向量机 |
| 5.2.1 算法概述 |
| 5.2.2 算法基本原理 |
| 5.3 基于支持向量机的分类器设计 |
| 5.3.1 样本数据集处理 |
| 5.3.2 分类模型构造 |
| 5.3.3 分类模型评估 |
| 5.4 羊毛与羊绒纤维识别分析 |
| 5.4.1 单一特征分析算法识别结果展示 |
| 5.4.2 单一特征分析算法识别结果分析 |
| 5.4.3 多特征融合图像分析方法介绍 |
| 5.4.4 多特征融合纤维识别结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的研究成果 |
| 6.2 应用前景和社会价值 |
| 6.3 存在的不足与改进 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
四、基于四邻域的二值图像细化算法（论文参考文献）
- [1]隧道图像采集系统与裂缝智能识别方法研究[D]. 周维桢. 北京交通大学, 2021(02)
- [2]基于偏微分方程的低质量指纹复原的研究[D]. 马炜明. 兰州理工大学, 2021(01)
- [3]图像目标的显着性骨架计算方法研究[D]. 王钰婷. 山东大学, 2021(12)
- [4]基于深度学习语义分割的断层识别应用研究[D]. 胡广. 中国地质大学, 2021(02)
- [5]人类染色体核型分析的中轴细化算法和分类模型[D]. 赵超浩. 郑州大学, 2020(02)
- [6]基于机器视觉的手机外壳表面缺陷检测研究与开发[D]. 陈定邦. 广东工业大学, 2020(07)
- [7]玻璃基板AOI系统中若干图像处理技术研究[D]. 朱孔辉. 合肥工业大学, 2020(02)
- [8]基于烟叶图像的参数精确提取和分级识别系统研究与实现[D]. 苏明秋. 电子科技大学, 2020(07)
- [9]基于视觉的车道线与目标车辆检测算法研究[D]. 霍高杰. 长安大学, 2020(06)
- [10]图像法羊毛羊绒相似纤维识别算法研究及应用[D]. 邢文宇. 上海工程技术大学, 2020(04)