一、一种直方图不完全均衡化方法（论文文献综述）
陈妃奋[1]（2021）在《基于深度学习的字轮式水表读数识别研究与应用》文中进行了进一步梳理自然场景中拍摄的水表图像存在不同的光照条件、污迹以及拍摄角度等问题,这对读数区域检测与识别造成很大的影响。此外,不同类型的水表读数区域框的边缘特征存在较大差异,并且读数字符个数也存在不同,这些因素进一步加大读数识别的难度。当前的字轮式水表读数检测与识别方法虽然取得了一定的研究成果,但在解决上述问题时仍然存在不足,如方法的泛化能力不足,易受环境因素的干扰以及识别模型较大等问题,无法满足自然场景下的水表读数检测与识别。针对上述问题,本文研究了基于深度学习的字轮式水表读数检测与识别算法,并将其应用于识别不同环境下的水表图像,取得较好的预期效果。主要工作如下:1、采用一种基于区域插值法的大分辨率水表图像预处理方法,使大分辨率水表图像经过缩放后能够保留原图像的特征信息而不会导致图像失真。同时,利用缩放后的水表图像均值来调节亮度与对比度,增强水表图像。2、将水表圆盘检测当成目标检测,采用Yolov4目标检测算法对水表圆盘图像进行检测与定位,并通过迁移学习的训练方式,解决训练样本较少而引起过拟合问题,加快网络的收敛并提升模型的性能。通过调整圆盘检测输出框并采用透视变换算法对不同角度拍摄的水表圆盘图像进行透视变换,使分割出来的水表圆盘图像经过缩放后,其读数区域的图像特征信息能够保持不变。3、引入对比度受限的自适应直方图均衡化算法以及双边滤波算法来增强水圆盘的图像,同时设计一种基于全卷积的读数区域检测算法,在不需要传统方法的辅助条件下完成对不同旋转方向的水表读数区域检测。实验结果表明,训练出来的网络模型对读数区域检测效果较好。4、根据读数区域的检测结果和水表圆盘图像的尺寸信息,设计一种水表读数区域矫正与分割算法,准确分割出读数区域图像。对于读数区域图像,提出一种基于投影法与滑动窗口法相结合的动态字符分割算法,实现对字符的分割。最后设计一种轻量级的读数识别网络来识别水表读数。实验结果表明,在需要较少的模型参数以及训练时间的同时,保持较高的识别准确率。5、基于本文的读数检测与识别方法来设计水表读数检测与识别系统。首先采用Tkinter来设计一个可视化平台,用于测试本文方法的可行性和性能;再根据测试效果来设计水表读数检测与识别系统。测试结果表明,本文方法能够在0.3秒左右完成对水表读数的识别,并且对复杂环境下不同类型的水表读数的准确率为95.176%。除了读数被遮挡或缺失,其他水表读数都能够被识别出来,达到预期效果。
钟棉卿[2]（2020）在《基于移动激光雷达数据的路面状况检测方法研究》文中研究指明随着我国公路建设的迅速发展,对公路养护和旧路改扩建的需求迅速扩大。路面是公路养护及改扩建工作的核心内容,快速、有效掌握路面几何参数和公路路面技术状况及其变化趋势是路面养护决策、路面大中修养护及改扩建方案设计的前提和依据。路面几何参数及技术状况评价指标的获取长期依赖于种类繁多的特定传感器和现场测量,其检测结果易受多种因素的影响,且缺乏统一的数据基准。移动激光扫描（Mobile Laser Scanning,MLS）技术集成激光扫描仪、全球卫星导航系统、姿态测量系统、相机等多种传感器,能迅速采集高精度、高密度的公路三维实景点云数据,为路面几何及技术状况自动化检测提供了一种新的技术手段。本文针对MLS数据用于公路路面几何及技术状况自动化检测领域中的关键技术开展研究,构建了“MLS数据组织—路面特征提取—几何状况检测—技术状况检测”的技术框架。主要研究内容如下:1、针对MLS点云数据离散、无拓扑的问题,本文提出一种基于MLS点云的采集顺序而构建的顺序索引结构Tgrid,该方法可以实现为每个激光点分配一个2维规则索引号,将点云的顺序邻接关系转换为一张Tgrid结点图,相比传统方法,本文方法不仅很好地实现了海量点云数据的快速查询,解决MLS点云顺序存储与索引存储间的不一致问题,并能将图像处理方法成功引入到MLS点云数据处理。2、针对某些MLS场景数据文件不包含轨迹数据、无扫描角信息和轨迹文件损坏的情况,本文提出了一种根据点云空间分布特点重建扫描仪地面轨迹的方法。实验结果表明,重建的轨迹数据与真实轨迹数据的平均误差在1-2个激光点之内。本研究为基于MLS点云的扫描轨迹重建提供了理论基础。3、基于本文创建的Tgrid结构,提出并研究了利用MLS点云数据提取路面特征信息的系统化的处理方法,包括下列主要工作:（1）提出了一种基于点云标记控制的区域生长方法用于路面点云的检测,设计了基于Tgrid结构的联通区域分析和Freeman链码边界检测算法快速提取路面点云轮廓以及道路边界;（2）设计了一种基于点云强度背景反差自适应阈值分割方法筛选路面标线点云,在此基础上,引入数学形态学方法识别车道线,最终提取了道路中线和轮迹线等路面几何及技术状况关键信息;（3）通过将提取的道路边界与路面点云在Tgrid结点图上的叠置分析,实现了路面内部点云孔洞的快速、有效检测。实验结果表明,路面点云检测完整率达99.67%,与人工标定的道路边界和车道线相比,检测边界的精准率和召回率分别为96.78%和92.91%,车道线检测结果的正确检测率达98.80%,验证了本文方法的有效性和准确性。4、开展了基于提出的道路中线和MLS密集路面点云获取公路几何状况的研究。设计了利用高精度三维点云检测路面线路曲率、纵坡和横坡等几何状况主要参数的方法;根据曲率和纵坡的变化检测公路的几何线形,并基于连续性、均衡性和坡长三个技术指标评估了既有几何线形的安全性。在一段多弯道盘山公路场景测试结果表明,基于本文方法判定的危险路段与实际状况基本相符,与抽样实测数据比较,纵断面高程误差0.031m,横坡率误差0.33%。5、提出了基于MLS数据的路面损坏、路面平整度和路面车辙等路面技术状况自动化检测的系列方法,构建了使用MLS点云自动化检测路面几何及技术状况的技术框架。（1）设计一种融合三维点云与高分辨率CCD（Charge Coupled Device）图像的路面损伤检测策略,提出了一种基于比例限制的路面破损背景反差自适应阈值分割方法,实现了路面裂缝和坑槽的自动化检测;（2）参考路面检测规范中对常规检测方法采用数据精度和采样率的要求,提出基于轮迹线点云纵断面高程检测路面平整度的方法;（3）研究实现基于轮迹线点云生成精细横断面的方法用来检测路面车辙深度的方法。平整度的检测结果表明,基于密集点云断面高程计算的平整度标准差σ和国际平整度指数（IRI）结果高度相关,可通过在测试路段上开展相关实验来获取的二者之间的转换关系,将σ值转换为IRI值,从而简化IRI的计算复杂度。使用精密水准测量方法,对局部路面车辙深度的最大值进行了抽样检验,基于MLS点云检测的车辙深度误差不大于0.010m。
许文凯[3]（2020）在《基于卷积神经网络的管廊火灾图像识别方法研究》文中研究说明随着社会的进步和城市地下综合管廊的发展,城市地下综合管廊集电力、通信、燃气、供热、给排水等各种工程管线一体,发挥着重要的社会作用。城市地下综合管廊一旦发生火灾就会造成巨大的社会经济损失,在火灾造成巨大损失前发现火灾并扑灭有着十分重要的意义。采用温感传感器或烟感传感器为主的传统火灾报警方法,会因为环境因素的大量干扰从而出现误报、漏报的现象。而采用数字图像处理技术的火灾自动检测报警方法利用的是摄像头对监控场景进行视频检测,然后利用设计好的数字图像处理算法对图像进行处理,接着将疑似区域中的特征提取出来,最后采用模式识别的方法实现对火灾的图像识别。因此对比之下,采用图像处理技术的火灾检测方法可监控并取得更多的现场信息,从而使得系统对火灾的反应更加的敏捷,更适合用在早期的火灾检测系统当中。本文对基于卷积神经网络的管廊火灾图像识别方法进行了深入研究,论文的主要研究成果如下:研究了一种火灾图像亮度增强方法,有效解决管廊火灾图像亮度不足的问题。现阶段,管廊火灾图像主要存在亮度分布不均衡和离散点干扰导致的图像质量受损的问题。针对以上问题,本文将多通道融合技术应用于提高管廊火灾图像质量,首先将原始RGB通道转换为HSV通道并分离出三个独立的通道分别是色调通道、饱和度通道和亮度通道,接着对亮度通道进行直方图均衡化处理,可以显着的增强亮度。然后在图像亮度增强的前提下对图像进行中值滤波操作,去除火灾图像中的离散值干扰,使V通道清晰度有效提高。最后将分离出来的三个通道进行融合并转换到RGB通道,使图像质量有效提高。在对具有明显亮度值偏低且离散噪声较多的管廊火灾图像处理中,所提出的多通道融合算法具有明显的图像质量提高效果。研究了一种基于粒子群算法（Particle Swarm Optimization,PSO）优化的k近邻算法,用于有效解决k近邻算法聚类缓慢计算量大的问题。现阶段k近邻算法处理管廊火灾图像主要存在的问题是火灾图像数据量大,导致k近邻算法计算量大耗时久;聚类算法对初始值敏感,不同的初始值会导致不同的结果。针对以上问题,本文首先将PSO应用于k中值聚类算法,PSO的优势在于将速度-位移模型应用在全局搜索策略当中,很大程度的减少了计算复杂度。然后确定聚类数使算法达到最大适应度,有效提高算法的计算效率。对于在管廊火灾图像区域分割应用中,所提出的算法在样本集较大时也能取得较好的区域分割效果。研究了一种基于自适应池化的卷积神经网络算法。传统的卷积神经网络池化方法包括最大值池化和均值池化,这些方法没有考虑到极端值干扰的问题,在某些情况下会对原图信息造成损失。针对以上问题,本文首先将火灾区域分割后的图像输入卷积神经网络,避免网络学习到大量非火灾特征信息,减少训练时间。然后基于自适应池化方法,建立了动态池化方法选择模型,提高了池化操作的稳定性。对于在管廊火灾图像识别的应用中,所提出的算法较使用传统池化方法的神经网络具有更高的火灾识别准确率。设计了一套基于PyQt的管廊火灾图像识别软件。该软件系统主要实现了对管廊火灾的图像识别,主要设计了三大模块分别是主界面、系统首页和登录界面。在主界面中,针对本文提出的算法设计了相应的结果显示界面,实现了管廊火灾图像识别的完整流程。在登录界面中利用My SQL与后台数据库建立连接来验证登录用户信息的正确性,保证了软件的登录和使用安全。对于在管廊火灾图像识别的操作中,所设计的软件具有较好的易操作性。
汤玉笛[4]（2020）在《结合数字图像处理技术的工程岩体分级自动化途径的探索》文中研究指明工程岩体分级是对工程岩体质量和稳定性进行评价的有效途径,国内外常用的多因素工程岩体分级方法大多将结构面相关参数作为岩体质量评价最重要的指标。结构面的特性对于工程岩体的稳定性和力学行为有着重要的影响和控制作用,传统的结构面测量方法是通过人工逐一测量、调查采集结构面信息,这样的测量方法存在着信息采集速度慢、危险性大和准确性低的缺点,难以满足未来大规模、自动化、高精度的岩体结构面测量需求。近年来,岩体结构面非接触测量方法如三维激光扫描技术、摄影测量技术和数字图像处理技术的迅速发展,为快速、高效、精确的结构面测量提供了可能。然而三维激光扫描和摄影测量方法的数据量很大,目前对数据的处理和分析存在着自动化程度和准确度较低的困难。因此,本文选取了相对来说数据量较低的数字图像处理技术,以图像数据为基本研究对象,采用图像处理方法识别出岩体的裂隙骨架。通过对裂隙骨架进一步分析探索了主流工程岩体分级中结构面参数自动获取的途径。本文主要的研究内容和成果如下:（1）基于露头数字图像的岩体裂隙骨架追踪算法针对大多数岩石图像的噪声多、裂隙呈曲线性和裂隙处对比度较低的特点提出了一种基于图像暗区曲线性结构增强的自动化岩石裂隙追踪方法,该方法在图像预处理阶段以曲线性结构增强滤波器Frangi2D为核心,通过多种图像增强手段在降噪的同时提高了图像暗区对比度,极大地增强Frangi2D滤波的效果。在图像分割阶段,采用最大熵法将图像二值化。最后依次通过形态学操作得到裂隙骨架追踪的最终结果。（2）裂隙标记算法和裂隙几何特征的提取和分析在获取的裂隙骨架追踪的基础上,去除骨架毛刺后,依次标记出骨架中的端点、节点和每条裂隙中每个点的坐标,从而计算出裂隙的各个几何特征并进行分析。（3）工程岩体分级部分结构面参数的计算方法探索利用盒计数法计算图像识别得到的裂隙骨架的分形维数,分别计算单条代表性裂隙的分形维数和结构面分布的分形维数,由分形维数和岩体结构面粗糙度JRC的经验关系得到结构面JRC值。最后由基本几何特征和上述参数尝试性地获取部分工程岩体分级结果。
刘斯阳[5]（2020）在《适用于地图印刷的缺陷检测技术研究》文中认为地图印刷缺陷检测作为地图质量控制的重要环节,其检测技术的创新与发展对于促进地图生产和管理系统转型升级具有重要意义。为了提高地图印刷缺陷检测的自动化程度,进一步完善地图生产的数字化管理模式,本文以机器视觉检测系统组成、图像处理算法和机器学习思想为基础,对地图印刷缺陷图像的采集设备、图像预处理、缺陷检测以及缺陷分类算法等进行了较为深入的研究,并完善了系统功能模块。主要研究内容如下:1.改进了地图印刷缺陷检测系统的硬件方案。分析地图浅色普染缺陷难以检测的原因,设计了适用于地图缺陷检测的照明方案,最大限度地突出了普染区域。2.优化了适用于地图印刷缺陷检测的图像预处理算法。选择合适的模板制作方法,针对纸面与要素对比度较低的问题,设计了一种基于权值调整的灰度化方法,较大程度的提高浅色普染要素与纸面的对比度;设计了Gamma校正与CLAHE结合的图像增强算法,并通过实验给出最佳参数确定方法。针对图像采集中的噪声选择双边滤波,在保留边缘的同时滤除噪声。3.建立了基于机器学习的分类模型。首先设计了支持向量机的多分类算法,并通过实际产生的数据集进行实验;重点阐释了基于Faster R-CNN网络设计的针对本文需求的分类算法,设计实验证明在小样本数据集下其具有更好的分类效果。4.优化了地图缺陷检测系统的功能模块。改进了硬件管理模块和图像处理模块;重建了模型训练模块和缺陷分类模块,重点增加了基于卷积神经网络的分类模型的训练、更新和分类操作;添加了缺陷信息管理模块,为缺陷分类模型建立缺陷训练数据库,充分利用缺陷检测结果,指导地图分级,生成检测报告和更新分类模型。
陈曦[6]（2020）在《多中心医学影像数据标准化关键技术研究》文中进行了进一步梳理近几年基于人工智能的医疗大数据分析受到越来越多的关注,特别是基于影像组学的研究成为了热点。在基于影像组学的研究中,拥有充足的数据量来保证影像组学分析的一般性和普适性变得至关重要。由于从单个医疗机构获得的数据量往往不大,因此研究人员会将多家医疗机构的数据整合在一起形成多中心数据集。由于多中心数据在收集过程中使用不同的采集设备、设置不同的采集参数,使得数据在存储格式、规格、亮度和对比度等方面存在较大差异,对于临床医生进行鉴别诊断和影像组学分析都会产生干扰。针对该问题,本文基于磁共振的脑胶质瘤影像数据,对多中心数据标准化过程中的信息增强、数据统一等关键问题进行分析,提出了一套医学影像多中心数据的标准化方案,能够降低数据之间的差异,提高数据的适应性和可靠性。本文的主要研究内容如下:（1）针对目前多中心图像数据标准化过程中,不同图像对比度和亮度存在较大差异的问题,提出了基于自动直方图规定化的图像标准化方法HSASR。在HSASR方法中,直方图规定化能够在适当的参考帧的作用下,统一规范整体数据的对比度和亮度的动态分布,同时还能有效地增强肿瘤区域信息;另外,考虑到在规定化过程中,往往由放射科医生选取规定化映射的参考帧,但随着数据量的增加,手工选择的工作量繁重、极度费时的弊端逐渐暴露出来,并且也无法保证选出最佳的参考帧。因此,本方法在直方图规定化的基础上结合网格搜索实现参考帧的自动选择,从而选择出最优参考图像模板来对图像对比度和亮度分布进行标准化处理。最后,将本方法处理后的数据通过影像组学进行验证,实验结果表明,通过该方法处理过的数据比未处理之前的数据在影像组学的分级预测中的AUC、准确率等性能指标平均提高13%左右。（2）针对数据标准化方法处理后的图像存在域边界模糊的问题,提出基于多峰直方图的标准化方法MPH。HSASR方法虽然对整体图像亮度范围进行了统一,突出了肿瘤和其他组织之间的对比度,但是部分图像数据中存在肿瘤各组织区域间界限模糊问题,例如,脑胶质瘤的肿瘤区域一般可分为增强,坏死,水肿区域等,不同区域共同决定了脑胶质瘤的分级。为了提供更加丰富的肿瘤信息,MPH方法能在保证多中心数据图像亮度一致性的基础上着重突出肿瘤各区域的信息。实验结果表明,MPH方法的评价指标比HSASR方法的提升2%,由此验证了本方法的有效性。
解岩[7]（2020）在《深度学习语义分割的遥感影像道路提取方法研究》文中指出遥感影像道路提取在自动驾驶、应急指挥、智慧城市建设等基础地图数据处理和服务中具有重要作用和意义。遥感技术的发展和深度学习语义分割方法的不断进步为遥感影像道路提取提供了数据保障和技术支撑。然而,基于深度学习语义分割的遥感影像道路提取依旧面临挑战。遥感影像中道路表现出狭长跨度大、背景复杂、几何纹理特征易与背景混淆、样本不均衡、易被遮挡、拓扑连通难等独特特征,这使得遥感影像道路提取成为深度学习语义分割领域的研究难点。如何提高远程依赖关系的建模能力,特别是自适应样本动态建模对于具有独特特征的道路对象提取是重要的,而这一问题依旧是深度学习语义分割领域目前尚存在的主要问题。该问题目前的解决方法多采用空洞卷积、金字塔池化、自注意力机制等,这些方法因受限于空间信息损失或各向异性信息灵活捕获难或信息冗余等关联问题影响了其在遥感影像道路提取中的应用效果。本论文主要目标是提高道路提取精度,以增强远程依赖关系的建模能力和改善道路连通性为主要路径,以深度学习语义分割中的注意力机制、图卷积网络、轻量级高效的编码器-解码器网络等为技术基础,针对上述主要问题和关联问题,开展了以下主要研究工作:（1）研究了全局二阶信息聚合的语义分割模型和基于该模型的道路提取方法;（2）研究了双动态图卷积网络的各向异性信息自适应捕获推理的语义分割模型和基于该模型的道路提取方法;（3）研究了通过位置信息融合改善道路连通性的迭代强化后处理模型和基于该模型的道路提取方法;（4）研究了道路提取中遥感影像和GNSS数据预处理方法;（5）研究了基于多种语义分割模型的道路提取集成方法。最后,在公开数据集Space Net,Deep Globe,Bei Jing Data Set和实际应用数据上,本文对各研究方法进行实验、测试、分析、评价和应用,取得如下创新成果。（1）提出了一种基于全局二阶信息聚合的语义分割道路提取方法针对空洞卷积等造成信息损失全局长距离信息利用不足的问题,提出了一种基于全局二阶信息聚合的语义分割道路提取方法。全局二阶信息聚合的语义分割首先计算注意力权重系数,采用双线性池化的注意力机制聚合不同特征图的二阶信息,生成关联了空间和特征通道维度的低维全局的特征资源;其次根据注意力权重系数进行特征动态分配,根据每个像素的需要自适应选择互补特征,使得局部位置获得全局长距离依赖关系;然后使用残差操作叠加自身特征并反映射恢复原输入尺寸。最后,嵌入全局二阶信息聚合的语义分割网络到轻量级高效的编码器-解码器网络中的高级语义输出层,形成了新的道路提取方法。经实验证明:该成果在保证模型可靠性的情况下,对于道路提取是高效的。通过基于t-SNE的聚类及特征矩阵可视化分析,证明所提方法在信息去冗余方面也是有效的。（2）提出了一种双动态图卷积网络的语义分割方法和道路提取方法针对远程依赖关系动态自适应建模问题,提出了一种双动态图卷积语义分割方法,设计了该方法的网络架构并抽象定义其模型。该模型首先将特征空间的像素簇映射到图空间的节点,通过设置图节点参数初步过滤各向异性信息;其次使用KNN动态构建图邻接矩阵再次全局筛选各向异性信息,并利用图卷积进行长距离信息传播,设计双分支结构实现节点和节点特征两个维度信息的动态推理聚合;然后引入残差操作叠加自身特征,将图空间节点反映射回特征空间的像素描述。最后,嵌入双动态图卷积网络到编码器-解码器网络中的高级语义信息层,形成了新的道路提取方法。经实验证明:本文所提出的模型小复杂度低,能够有效提高道路提取精度,并且对信息去冗余也是有效的。（3）提出了一种融合位置信息的迭代强化后处理模型以及接入该模型的道路提取方法针对拓扑连通难的道路独特问题,提出了一种融合位置信息的迭代强化后处理增强方法,设计了该方法的网络架构并抽象定义其模型。该方法首先拼接预测输出图、直方图均衡化后的遥感影像、道路标签、偏差校正后的GNSS位置数据,这一拼接操作融合了多维度多层级多分辨率上下文信息;然后将拼接数据作为新的输入数据,采用BCE+Dice-coefficient自定义加强损失函数监督模型训练,反复迭代直至收敛;最后,接入迭代后处理模型到轻量级高效的编码器-解码器网络末端,形成了融合位置信息的新的道路提取方法。进一步实验得出:迭代强化后处理模型的性能随着迭代强化模块的基础块数量增长性能会升高到最优值后趋于稳定,性能表现力与直方图均衡化的数据预处理操作相关;迭代后处理模型对空间信息细节补充以及因信息损失造成输出结果边界模糊轮廓不清是有效的。经实验证明:所提方法能够有效改善因建筑、树木、云、阴影等遮挡造成提取道路不连通的问题,进而整体提高道路提取精度。（4）提出了一种基于多种语义分割方法的道路提取集成方法为了更好地支撑本文研究成果转换应用,提出了一种基于多种语义分割方法的道路提取集成方法。该集成方法根据实际数据类别和各方法的约束条件选择和组合各种方法,根据各方法的实际贡献度调整权重系数自动叠加各自预测输出的结果。实际项目应用表明:本论文提出的三个方法泛化能力较强,集成方法有效。
陈梦焱[8]（2020）在《基于X光图像的轮胎缺陷检测算法研究》文中研究说明随着国民经济的快速发展,国民汽车保有量呈现激增的态势,由此带来的轮胎需求及轮胎生产缺口日益扩大。轮胎作为汽车生产中的关键零部件,既是整车质量的重要保障,也是驾驶员及乘客生命财产安全的关键因素,因此对于汽车轮胎生产厂家来说,轮胎质量的管控是很重要的一环,同时为了响应国家《十三五规划纲要》中对于现代产业体系向智能化发展的要求,需要对轮胎生产企业的工艺流程中的缺陷检测这一关键环节进行智能化升级。发展轮胎缺陷检测技术及时发现上层流程工艺的缺陷,能够避免原材料浪费,同时保证出厂轮胎的质量安全。大力发展轮胎缺陷自动化检测技术对于促进轮胎生产工业发展以及保障道路交通安全具有重大的技术及经济意义。国内外学者在工业领域提出了很多无损检测的技术方法,在轮胎工业生产中,基于X光成像进行缺陷检测的无损检测技术也在快速发展,但是由于轮胎产品结构分层、纹理多样、缺陷种类繁多,目前对于轮胎缺陷检测技术的研究仍然是一个热门而极具挑战性的课题。本文针对轮胎大分辨率X光图像不同区域与缺陷特征间的关联性,对不同区域与种类的缺陷采用特定的图像检测方法。首先采用图像处理方法进行轮胎缺陷检测的研究,对轮胎图像使用中值滤波、直方图均衡化等数字图像处理方法预处理轮胎数据,对预处理数据采用二值化方法进行胎侧杂质、帘布跳钢丝的缺陷检测,采用滤波及形态学方法进行胎体气泡的缺陷检测。针对上述传统图像处理方法的实时检测性能差的问题,提出采用主成分分析逆变换的方法对轮胎缺陷进行检测以满足工业实际的实时性要求,该方法在气泡杂质缺陷上的识别效果好,速度快。本文针对纹理类缺陷识别难,同时检测中需要满足实时性的问题,提出滑窗回归的YOLO网络监督学习方法,实现端到端的缺陷自动检测识别,构建了轮胎缺陷图像样本数据集,采用图像增强、旋转等方式扩充样本,该方法在纹理类缺陷上表现好,同时在轮胎局部小缺陷及大范围的如帘布叠等缺陷上有较好的表现,检测实时性好,精度较高。本文针对监督学习网络需要大量标注数据的问题,提出部分标签化的学习网络,采用非监督学习方法变分自编码器（VAE）对大量未标签数据进行聚类标签化,使其成为新的标签数据,参与到训练网络中。能够提升检测识别精度,并减少人工标注工作。对比传统图像处理方法,该方法能够进行自动化缺陷识别,受背景、噪声等干扰较小,能够满足实时性要求;对比监督学习方法,该方法减少标签过程,增加标签化数据,提升了检测精度。
褚清清[9]（2019）在《雾霾降质图像多通道偏振信息清晰化方法》文中提出雾霾环境下,成像设备获取的图像质量严重退化。低能见度致使用户无法准确获取图像目标特征信息,严重降低了军事侦察、民航运输及港口物流等方面计算机视觉系统感知有效性,例如雾霾天气下导弹无法精确打击目标,公路上交通事故频发,港口被迫关闭货轮无法出海等。可见,开展雾霾降质图像清晰化方法的研究,具有重要的现实意义。旨在降低雾霾天气对室外成像设备的影响,最大程度地提高雾天图像清晰度、对比度等视觉效果,本文介绍了一种多通道偏振信息的雾霾降质图像清晰化算法。主要工作如下:（1）以大气物理学为理论基础,研究了光的起偏特性及偏振光检测原理,实现了对光偏振特性的检测转化为对Stokes矢量的测量,使检测结果以数学表达式的形式呈现,并以此为基础推导了偏振去雾模型,为后续算法的精确运行提供一种必要的解决方案。（2）以光的Stokes矢量检测原理为基础,本文设计了多通道同步成像偏振信息探测器获取目标偏振信息。由于多通道探测器光学元件的制造工艺、镜头安装的不一致性等方面的因素,导致不同光路成像参量有所差别。为降低这种客观因素为实验造成的影响,本文进行了像素畸变校正及图像配准等预处理操作。（3）以偏振去雾模型为理论依据,本文提出了一种基于偏振信息的图像清晰化方法。提出基于正态分布阈值比较的方法滤除图像中高亮非天空区域,准确估计无穷远处大气光值;利用滤波预处理的方法对大气光偏振度进行准确求解,实现了从全局定量到局部变量的转变。最后将本文所提算法与几种典型去雾技术进行实验对比,并使用领域内权威客观的评价指标对去雾前后图像进行数据分析,分析表明本文所提算法在清晰度、对比度等视觉效果方面更优、应用范围更广。
司孟鑫[10]（2019）在《基于深度学习的肺癌和甲状腺癌医疗影像的研究》文中研究表明随着深度学习技术和计算机视觉相关技术的飞速发展,其应用范围也越来越广泛,因此将深度学习技术应用在医疗影像上也成了当下一个热门的话题,由此计算机辅助诊断技术也进入了一个新的次元。通过引入深度学习技术,初步的辅助诊断也变得越来越高效。本文从应用实际出发,旨在通过将深度学习技术应用在肺癌和甲状腺癌CT图像上来实现对这两个疾病的自动化诊断。对于肺癌CT图像,本文实现了肺结节的检测、假阳性筛查与良恶性分类三个个阶段的任务。在肺结节的检测当中,提出了U-Net+RPN构建的检测网络,称为NoduleNet,该网络结构在肺结节检测任务上达到了十分理想的结果,在测试集上的平均FROC值达到了0.876,相较于Luna16上的其它解决方案也有着极具竞争力的表现,并且在查全率上也要优于其它方案。在肺结节良恶性分类任务上,提出了3DU-Net分类网络+Leaky Noise-or全连接结构,该网络结构的检测精度达到了93%以上,与资深医生的分类准确率相比都不遑多让,在检测速度上更是有了质的飞跃。而在甲状腺癌上碍于给定数据的标注信息不完整不准确等问题,只是做了良恶性分类的任务,采用的模型为3D U-Net分类网络。最终的结果并不理想,在测试集上检测准确率只有69%,由于在该方面没有相关的研究,因此本工作只是为后续的工作提供了参考。在本文的最后,设计并实现了一个WEB APP来将上述提到的算法进行落地应用的尝试,以一种直观的方式将智慧医疗成果展示到大众面前。
二、一种直方图不完全均衡化方法（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、一种直方图不完全均衡化方法（论文提纲范文）
（1）基于深度学习的字轮式水表读数识别研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.2 国内外研究现状 |
| §1.2.1 水表读数检测与识别研究现状 |
| §1.2.2 文本检测算法研究现状 |
| §1.3 研究内容及组织架构 |
| §1.3.1 研究内容 |
| §1.3.2 论文的组织架构 |
| 第二章 相关的技术理论 |
| §2.1 图像预处理方法 |
| §2.1.1 图像灰度化处理 |
| §2.1.2 直方图均衡化方法 |
| §2.1.3 噪声滤波算法 |
| §2.2 卷积神经网络的原理 |
| §2.3 读数区域检测算法 |
| §2.3.1 传统边缘检测算法 |
| §2.3.2 深度学习检测算法 |
| §2.4 字符分割与识别算法 |
| §2.5 本章小结 |
| 第三章 基于全卷积的读数区域检测方法 |
| §3.1 水表图像数据集 |
| §3.1.1 数据集介绍 |
| §3.1.2 数据集预处理 |
| §3.2 水表表盘定位与分割 |
| §3.3 读数区域检测模型详解 |
| §3.3.1 模型网络结构 |
| §3.3.2 读数区域边框预测 |
| §3.3.3 损失函数 |
| §3.4 实验结果与分析 |
| §3.4.1 水表表盘检测分析 |
| §3.4.1 读数区域检测分析 |
| §3.5 本章小结 |
| 第四章 基于轻量级神经网络的读数识别方法 |
| §4.1 水表字符数据预处理 |
| §4.1.1 读数区域矫正与分割 |
| §4.1.2 字符分割方法 |
| §4.2 读数识别模型详解 |
| §4.2.1 模型网络结构 |
| §4.2.2 分类结果预测 |
| §4.2.3 损失函数 |
| §4.3 实验结果与分析 |
| §4.4 本章小结 |
| 第五章 水表读数检测与识别系统 |
| §5.1 性能测试分析 |
| §5.2 系统设计 |
| §5.2.1 客户端 |
| §5.2.2 后台框架 |
| §5.2.3 数据库 |
| §5.3 系统环境及实现 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 全文工作总结 |
| §6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（2）基于移动激光雷达数据的路面状况检测方法研究（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 国内外研究现状 |
| 1.2.1 基于MLS点云的路面特征提取研究现状 |
| 1.2.2 基于MLS点云的路面几何状况检测研究现状 |
| 1.2.3 基于MLS数据的路面技术状况检测研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 第二章 MLS点云数据特征及索引方法 |
| 2.1 MLS系统构成 |
| 2.1.1 MLS系统工作原理 |
| 2.1.2 MLS系统主要构成 |
| 2.1.3 MLS系统关键性能指标 |
| 2.2 MLS点云数据特征 |
| 2.2.1 单点信息特征 |
| 2.2.2 邻域特征 |
| 2.3 点云组织与索引方法 |
| 2.3.1 Kd-Tree方法 |
| 2.3.2 Octree方法 |
| 2.3.3 点云栅格化方法 |
| 第三章 MLS顺序索引构建 |
| 3.1 Tgrid顺序索引构建 |
| 3.2 Tgrid改进的点云数据预处理 |
| 3.2.1 Tgrid改进的变邻域搜索 |
| 3.2.2 Tgrid改进的点云去噪 |
| 3.2.3 Tgrid改进的点云滤波 |
| 3.3 利用MLS点云重建扫描仪地面轨迹 |
| 3.4 实验与分析 |
| 3.4.1 利用MLS点云重建扫描仪地面轨迹 |
| 3.4.2 MLS点云顺序索引创建 |
| 3.4.3 Tgrid改进的路面点滤波 |
| 第四章 基于MLS点云的路面特征提取 |
| 4.1 路面与道路边界提取 |
| 4.1.1 路面点云提取 |
| 4.1.2 道路边界提取 |
| 4.2 车道线提取 |
| 4.2.1 提取候选标线 |
| 4.2.2 车道线滤波 |
| 4.3 车道分割 |
| 4.4 道路中线及轮迹线提取 |
| 4.4.1 道路中线提取 |
| 4.4.2 轮迹线提取 |
| 4.5 路面点云孔洞检测 |
| 4.6 实验与分析 |
| 4.6.1 路面与道路边界提取 |
| 4.6.2 车道线提取 |
| 4.6.3 车道分割 |
| 4.6.4 道路中线及轮迹线提取 |
| 第五章 基于MLS点云数据的路面几何状况检测 |
| 5.1 横断面提取 |
| 5.2 横坡、纵坡与曲率检测 |
| 5.2.1 横坡检测 |
| 5.2.2 纵坡检测 |
| 5.2.3 曲率检测 |
| 5.3 几何线形提取与安全性评价 |
| 5.3.1 平面线形提取 |
| 5.3.2 纵断面线形提取 |
| 5.3.3 几何线形安全性评价 |
| 5.4 实验与分析 |
| 5.4.1 横坡、纵断面高程检测 |
| 5.4.2 线形安全分析 |
| 第六章 基于MLS数据的路面技术状况检测 |
| 6.1 路面破损检测 |
| 6.1.1 数据要求 |
| 6.1.2 基于MLS点云检测路面裂缝与坑槽 |
| 6.1.3 融合MLS点云与路面影像的路面损坏检测策略 |
| 6.2 路面平整度检测 |
| 6.2.1 国际平整度指标 |
| 6.2.2 路面平整度标准差 |
| 6.3 路面车辙深度检测 |
| 6.4 实验与分析 |
| 6.4.1 路面裂缝与坑槽检测 |
| 6.4.2 路面平整度检测 |
| 6.4.3 路面车辙深度检测 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 本文创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）基于卷积神经网络的管廊火灾图像识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外火灾图像识别的研究现状 |
| 1.3 本文的主要内容及章节安排 |
| 2 图像预处理 |
| 2.1 灰度均衡处理 |
| 2.2 中值滤波 |
| 2.3 本章小结 |
| 3 火焰区域分割 |
| 3.1 基于颜色特征的传统分割方法 |
| 3.2 基于改进K近邻算法的图像火焰区域分割 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于卷积神经网络的火灾图像识别 |
| 4.1 卷积神经网络 |
| 4.2 自适应池化方法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于PyQt的火灾图像识别软件的设计 |
| 5.1 PyQt简介 |
| 5.2 软件框架构造 |
| 5.3 建立GUI |
| 5.4 用户界面调试 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 本文的创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间获得的科研成果 |
| 学位论文数据集表 |
（4）结合数字图像处理技术的工程岩体分级自动化途径的探索（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的意义及依据 |
| 1.2 国内外研究现状 |
| 1.2.1 工程岩体分级概述 |
| 1.2.2 岩体结构面测量方法 |
| 1.2.3 岩体结构面几何特征提取研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 岩石裂隙骨架追踪常用图像处理算法 |
| 2.1 图像采集 |
| 2.2 图像预处理 |
| 2.2.1 彩色图像匀光 |
| 2.2.2 图像平滑 |
| 2.2.3 图像锐化 |
| 2.2.4 图像对比度增强 |
| 2.3 图像分割 |
| 2.3.1 边缘检测 |
| 2.3.2 阈值分割 |
| 2.4 形态学处理 |
| 2.4.1 基本形态学处理方法 |
| 2.4.2 其他常用的形态学处理方法 |
| 第3章 基于图像暗区曲线性结构增强的裂隙骨架追踪算法 |
| 3.1 总体流程 |
| 3.2 相关工作 |
| 3.2.1 同态滤波 |
| 3.2.2 Frangi2D滤波 |
| 3.2.3 粒子群优化 |
| 3.3 DRCSE法的原理和实现 |
| 3.3.1 岩石图像像素点成分和Frangi滤波效果 |
| 3.3.2 图像暗区对比度的增强 |
| 3.4 更多实验以及与传统方法结果的对比讨论 |
| 3.4.1 图像数据 |
| 3.4.2 定量化的裂隙骨架评价 |
| 3.4.3 与传统算法结果的对比讨论 |
| 第4章 工程岩体分级结构面参数自动化获取 |
| 4.1 裂隙骨架的标记算法和裂隙基本几何参数的计算 |
| 4.1.1 裂隙骨架标记算法 |
| 4.1.2 裂隙基本几何参数计算 |
| 4.2 RMR14分级 |
| 4.2.1 RMR14开挖面的节理密度的计算 |
| 4.2.2 RMR14开挖面的节理粗糙度的计算 |
| 4.3 GSI分级定量化的获取 |
| 4.4 分级结果的比较 |
| 第5章 结论和展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（5）适用于地图印刷的缺陷检测技术研究（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 地图印刷缺陷检测技术研究现状 |
| 1.2.1 印刷缺陷检测系统的研究 |
| 1.2.2 产业化的印刷质量检测机 |
| 1.2.3 存在的问题 |
| 1.3 论文的研究内容与研究目标 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.4 论文的组织结构 |
| 第二章 地图印刷缺陷检测系统硬件的优化 |
| 2.1 普染缺陷难以检测的原因 |
| 2.2 光源与照明系统的设计 |
| 2.2.1 光源的选择 |
| 2.2.2 相机的选择 |
| 2.2.3 照明系统的设计 |
| 2.3 实验结果与分析 |
| 2.3.1 常用灰度化算法的结果对比 |
| 2.3.2 不同照明方案检测效果的对比 |
| 2.4 本章小结 |
| 第三章 地图印刷缺陷检测预处理算法的优化 |
| 3.1 地图模板图像制作方法的选取 |
| 3.1.1 地图缺陷检测模板图像的数据来源 |
| 3.1.2 常用标准模板制作方法的比较 |
| 3.1.3 地图模板制备方法的确定 |
| 3.2 调整权值的灰度化方法 |
| 3.2.1 常用的灰度化方法 |
| 3.2.2 调整权值的灰度化方法 |
| 3.2.3 实验结果与分析 |
| 3.3 动态参数的图像增强方法 |
| 3.3.1 空间域图像增强技术 |
| 3.3.2 Gamma校正结合CLAHE算法的增强方法 |
| 3.3.3 实验结果与分析 |
| 3.4 图像去噪算法的选取 |
| 3.4.1 图像滤波器 |
| 3.4.2 实验结果与分析 |
| 3.5 缺陷检测实验结果与分析 |
| 3.6 本章小结 |
| 第四章 地图印刷缺陷分类模型的建立 |
| 4.1 基于机器学习的缺陷分类方法 |
| 4.1.1 机器学习概述 |
| 4.1.2 基于机器学习分类方法的选择 |
| 4.2 基于支持向量机的缺陷分类 |
| 4.2.1 支持向量机概述 |
| 4.2.2 地图印刷缺陷分类器设计 |
| 4.2.3 实验结果及分析 |
| 4.3 基于卷积神经网络的缺陷分类 |
| 4.3.1 卷积神经网络基本结构 |
| 4.3.2 卷积神经网络的训练过程 |
| 4.3.3 基于Faster R-CNN模型的分类设计 |
| 4.3.4 实验过程与结果 |
| 4.4 本章小结 |
| 第五章 地图印刷缺陷检测系统的设计与实现 |
| 5.1 软件开发工具介绍 |
| 5.2 地图印刷缺陷检测系统总体设计 |
| 5.2.1 缺陷检测系统结构 |
| 5.2.2 系统功能模块设计 |
| 5.2.3 系统流程图 |
| 5.3 系统集成实现 |
| 5.3.1 系统逻辑处理过程 |
| 5.3.2 系统功能模块设计 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 论文的创新点 |
| 6.3 进一步的工作 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（6）多中心医学影像数据标准化关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 1.4 论文组织结构 |
| 2 相关理论与方法 |
| 2.1 数据存储与去隐私处理方法 |
| 2.1.1 统一存储格式 |
| 2.1.2 数据匿名化 |
| 2.2 相关组织提取 |
| 2.3 分辨率统一 |
| 2.4 图像亮度对比度标准化统一 |
| 2.4.1 自动直方图规定化的图像标准化相关方法 |
| 2.4.2 多峰直方图标准化技术的相关方法 |
| 2.5 本章小结 |
| 3 基于自动直方图规定化的图像标准化方法 |
| 3.1 HSASR方法介绍 |
| 3.2 实验设计 |
| 3.2.1 实验数据 |
| 3.2.2 实验方案 |
| 3.2.3 性能评价指标 |
| 3.3 实验结果分析 |
| 3.4 本章小结 |
| 4 基于多峰直方图的图像标准化方法 |
| 4.1 MPH方法介绍 |
| 4.2 实验设计 |
| 4.2.1 实验数据 |
| 4.2.2 实验方案 |
| 4.2.3 性能评价指标 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历、攻读硕士期间已发表的学术论文及研究成果 |
| 致谢 |
（7）深度学习语义分割的遥感影像道路提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景意义及目标 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习语义分割 |
| 1.2.2 遥感影像道路提取 |
| 1.3 研究内容和技术路线 |
| 1.3.1 主要问题 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 创新工作 |
| 1.5 章节安排 |
| 第2章 深度学习语义分割技术 |
| 2.1 引言 |
| 2.2 编解码器网络 |
| 2.3 注意力机制 |
| 2.4 图卷积网络 |
| 2.5 语义分割评价 |
| 2.6 本章小结 |
| 第3章 基于全局信息聚合的道路提取方法研究 |
| 3.1 引言 |
| 3.2 基于注意力机制的二阶信息全局感知的语义分割方法 |
| 3.2.1 双线性池化的二阶信息全局感知的网络模块 |
| 3.2.2 二阶信息全局感知模型 |
| 3.2.3 算法实现 |
| 3.3 嵌入二阶信息全局感知模型的道路提取方法 |
| 3.3.1 基于二阶信息全局感知的道路提取网络架构 |
| 3.3.2 算法实现 |
| 3.4 实验和结果 |
| 3.4.1 数据集和数据增强 |
| 3.4.2 实验设置 |
| 3.4.3 结果及可视化 |
| 3.5 分析和讨论 |
| 3.5.1 t-SNE聚类分析 |
| 3.5.2 特征矩阵分析 |
| 3.6 本章小结 |
| 第4章 基于双动态图卷积网络的道路提取方法研究 |
| 4.1 引言 |
| 4.2 基于双动态图卷积网络的语义分割方法 |
| 4.2.1 k最近邻的双动态图卷积网络模块 |
| 4.2.2 双动态图卷积推理模型 |
| 4.2.3 算法实现 |
| 4.3 嵌入双动态图卷积网络的道路提取方法 |
| 4.3.1 基于双动态图卷积网络的道路提取网络架构 |
| 4.3.2 算法实现 |
| 4.4 实验和结果 |
| 4.4.1 数据集和数据增强 |
| 4.4.2 实验设置 |
| 4.4.3 结果及可视化 |
| 4.5 分析和讨论 |
| 4.5.1 图节点数N和参数k |
| 4.5.2 单分支和双分支动态图卷积网络 |
| 4.5.3 双动态图卷积网络部署模式 |
| 4.5.4 图结构构建方法比较 |
| 4.5.5 特征矩阵分析 |
| 4.6 本章小结 |
| 第5章 基于位置信息融合的道路提取方法研究 |
| 5.1 引言 |
| 5.2 数据预处理 |
| 5.2.1 遥感影像与直方图均衡化 |
| 5.2.2 全球导航卫星系统数据与位置偏差校正 |
| 5.2.3 遥感影像与GNSS数据融合 |
| 5.3 基于位置信息融合的迭代后处理增强方法 |
| 5.3.1 自定义迭代强化后处理增强模块 |
| 5.3.2 自定义迭代强化后处理模型 |
| 5.3.3 加强损失函数 |
| 5.3.4 算法实现 |
| 5.4 接入融合位置信息的迭代强化模型的道路提取方法 |
| 5.4.1 基于融合位置信息的迭代强化模型的道路提取网络架构 |
| 5.4.2 算法实现 |
| 5.5 实验和结果 |
| 5.5.1 数据集和数据增强 |
| 5.5.2 实验设置 |
| 5.5.3 结果及可视化 |
| 5.6 分析和讨论 |
| 5.6.1 直方图均衡化使用前后对比 |
| 5.6.2 位置数据融合前后对比 |
| 5.6.3 多基础块性能对比 |
| 5.7 本章小结 |
| 第6章 基于集成方法的道路提取研究与应用 |
| 6.1 引言 |
| 6.2 数据介绍 |
| 6.2.1 应用区域 |
| 6.2.2 数据融合 |
| 6.2.3 数据集 |
| 6.3 集成方法 |
| 6.4 应用 |
| 6.4.1 结果及可视化 |
| 6.4.2 应用建议 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
| 附录 |
（8）基于X光图像的轮胎缺陷检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源与背景介绍 |
| 1.2 轮胎与缺陷介绍 |
| 1.3 轮胎缺陷检测技术研究现状 |
| 1.3.1 传统轮胎缺陷识别方法 |
| 1.3.2 基于深度学习的轮胎缺陷检测技术研究现状 |
| 1.4 本文主要研究内容及章节安排 |
| 第二章 基于图像处理的轮胎缺陷检测方法 |
| 2.1 传统图像处理的轮胎缺陷检测识别方法 |
| 2.1.1 图像数据预处理 |
| 2.1.2 图像处理轮胎缺陷检测方法 |
| 2.1.3 实验结果与分析 |
| 2.2 基于主成分分析逆变换方法的轮胎缺陷识别方法 |
| 2.2.1 主成分分析方法 |
| 2.2.2 利用主成分分析逆变换进行轮胎缺陷检测 |
| 2.2.3 实验结果与分析 |
| 2.3 本章小结 |
| 第三章 基于改进的YOLOv3的轮胎缺陷识别方法 |
| 3.1 YOLOv3算法介绍 |
| 3.1.1 YOLOv3算法架构 |
| 3.1.2 YOLOv3损失函数构建 |
| 3.1.3 YOLOv3相比v1v2的改进 |
| 3.2 结合滑窗的YOLOv3算法结构 |
| 3.3 预处理轮胎X光图像 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 利用部分标签化数据的学习网络进行轮胎缺陷识别 |
| 4.1 部分标签化数据的YOLO网络算法 |
| 4.2 变分自编码器 |
| 4.2.1 数据的变分自编码 |
| 4.2.2 损失函数构建 |
| 4.2.3 重参数化 |
| 4.3 构建轮胎缺陷的部分标签样本集 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）雾霾降质图像多通道偏振信息清晰化方法（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 国内外研究现状 |
| 1.2.1 图像复原方法 |
| 1.2.2 基于偏振特性的图像复原方法 |
| 1.3 论文的主要工作和内容安排 |
| 本章小结 |
| 第二章 雾天图像基本特征分析及偏振成像去雾模型建立 |
| 2.1 雾天户外图像特性分析 |
| 2.1.1 雾霾形成及能见度分析 |
| 2.1.2 雾天图像特征分析 |
| 2.2 雾与大气偏振的关系 |
| 2.2.1 光的偏振特性 |
| 2.2.2 偏振光的Stokes表述及检测原理 |
| 2.3 雾天成像去雾模型探究 |
| 本章小结 |
| 第三章 典型去雾方法的实现与分析 |
| 3.1 直方图均衡化去雾方法 |
| 3.1.1 直方图均衡化基本思想 |
| 3.1.2 直方图均衡化实验与分析 |
| 3.2 暗通道先验去雾方法 |
| 3.2.1 暗通道先验理论 |
| 3.2.2 暗通道先验去雾方法实验分析 |
| 3.3 传统基于偏振特性去雾方法 |
| 3.3.1 偏振去雾模型的建立 |
| 3.3.2 传统偏振去雾方法 |
| 本章小结 |
| 第四章 偏振成像系统误差分析与校正 |
| 4.1 偏振成像系统硬件构建 |
| 4.1.1 偏振成像系统研究现状 |
| 4.1.2 本文偏振成像系统 |
| 4.2 摄像机标定 |
| 4.2.1 摄像机参考坐标系 |
| 4.2.2 摄像机成像几何模型 |
| 4.2.3 摄像机标定实验 |
| 4.3 图像像素畸变校正与配准 |
| 4.3.1 摄像机成像的非线性模型 |
| 4.3.2 图像畸变校正流程 |
| 4.3.3 图像配准 |
| 本章小结 |
| 第五章 多通道偏振信息的雾霾降质图像清晰化方法 |
| 5.1 算法设计描述 |
| 5.2 偏振参数估计 |
| 5.2.1 偏振度估计 |
| 5.2.2 大气光偏振度的估计 |
| 5.2.3 无穷远处大气光强值的估计 |
| 5.3 实验结果的分析与评价 |
| 5.3.1 去雾评价指标 |
| 5.3.2 不同去雾算法分析与评价 |
| 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 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）基于深度学习的肺癌和甲状腺癌医疗影像的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究目的和意义 |
| 1.2 研究背景概述 |
| 1.3 当前研究所存在的问题 |
| 1.4 本文组织结构 |
| 第2章 国内外相关研究现状及相关技术简介 |
| 2.1 引言 |
| 2.2 国内外肺癌CT图像相关数据库 |
| 2.2.1 LIDC-IDRI数据集 |
| 2.2.2 TCGA-LUAD数据集 |
| 2.3 部分研究方法及成果展示 |
| 2.3.1 提取ROI区域并利用机器学习方法预测 |
| 2.3.2 结合语义信息的深度学习方法 |
| 2.3.3 带结节检测的深度学习方法 |
| 2.3.4 利用特征融合和迁移学习进行甲状腺良恶性检测的方法 |
| 2.4 相关技术简介 |
| 2.4.1 ResNet简介 |
| 2.4.2 DenseNet介绍 |
| 2.4.3 U-Net介绍 |
| 2.4.4 Faster RCNN简介 |
| 第3章 深度学习在肺癌CT图像上应用的相关研究 |
| 3.1 引言 |
| 3.2 肺癌CT图像预处理 |
| 3.3 肺结节检测部分 |
| 3.3.1 肺部结节检测网络结构 |
| 3.3.2 结节检测网络损失函数 |
| 3.3.3 Hard negative mining |
| 3.3.4 后处理(非极大值抑制) |
| 3.3.5 实验设置以及实验结果 |
| 3.4 False Positive Reduction部分 |
| 3.4.1 False Positive Reduction网络结构 |
| 3.4.2 False Positive Reduction网络损失函数 |
| 3.4.3 实验设置以及实验结果 |
| 3.5 肺结节良恶性分类部分 |
| 3.5.1 最初网络结构 |
| 3.5.2 改进全连接部分 |
| 3.5.3 损失函数和实验设置 |
| 3.6 本章小结 |
| 第4章 深度学习技术在甲状腺CT图像上应用的相关研究 |
| 4.1 引言 |
| 4.2 甲状腺CT图像预处理 |
| 4.2.1 降噪预处理 |
| 4.2.2 增强对比度 |
| 4.2.2.1 传统对比度调整方法 |
| 4.2.2.2 直方图均衡化方法 |
| 4.2.2.3 限制对比度的自适应直方图均衡化方法 |
| 4.3 甲状腺癌良恶性分类网络结构 |
| 4.4 损失函数和实验参数设置 |
| 4.5 本章小结 |
| 第5章 APP的设计与实现 |
| 5.1 引言 |
| 5.2 系统整体框架 |
| 5.3 系统使用流程图 |
| 5.4 系统功能截图 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、一种直方图不完全均衡化方法（论文参考文献）
- [1]基于深度学习的字轮式水表读数识别研究与应用[D]. 陈妃奋. 桂林电子科技大学, 2021(02)
- [2]基于移动激光雷达数据的路面状况检测方法研究[D]. 钟棉卿. 长安大学, 2020(06)
- [3]基于卷积神经网络的管廊火灾图像识别方法研究[D]. 许文凯. 广东技术师范大学, 2020(02)
- [4]结合数字图像处理技术的工程岩体分级自动化途径的探索[D]. 汤玉笛. 东南大学, 2020(01)
- [5]适用于地图印刷的缺陷检测技术研究[D]. 刘斯阳. 战略支援部队信息工程大学, 2020(08)
- [6]多中心医学影像数据标准化关键技术研究[D]. 陈曦. 郑州大学, 2020(02)
- [7]深度学习语义分割的遥感影像道路提取方法研究[D]. 解岩. 成都理工大学, 2020
- [8]基于X光图像的轮胎缺陷检测算法研究[D]. 陈梦焱. 上海交通大学, 2020(01)
- [9]雾霾降质图像多通道偏振信息清晰化方法[D]. 褚清清. 大连交通大学, 2019(08)
- [10]基于深度学习的肺癌和甲状腺癌医疗影像的研究[D]. 司孟鑫. 哈尔滨工业大学, 2019(02)