一、基于数学形态学的图像处理方法（论文文献综述）
贾彩花[1]（2021）在《边缘检测在电力设备图像中的应用》文中研究表明众所周知,人们在生活和工作中都需要电的参与,经济的快速发展更加促使了对电能日益扩大的需求量。当所有电力设备完好无缺,可以去顺利地运行时,才能提高电能生产与运输的效率。然而,预防电力设备发生损伤,保证其运行的安全度,对仪器设备检修或更换,也是比较现实有效的措施,不可或缺。随着智能化时代的到来,电力企业也逐步引入了新型化的网络数字系统,例如远程的监测使工作流程更加便捷,间接优化了电力行业的整个系统。当然,数字图像处理在其中起着非常重要的作用,而边缘信息的提取对图像后期处理的效果发挥着关键性的价值。本文首先对电力设备图像,图像处理,传统边缘检测等做了基础的理论介绍,然后着重分析了数学形态学相关的理念。新型的数学形态学以严谨的集合论为支撑,虽然算法简单,但是坚实的理论基础验证了其可靠性,在图像的处理与分析方面应用地愈加广泛,也延伸到了其他各个领域。由此来看,数学形态学在未来的研究领域可以开拓出一条新的道路。传统的数学形态学如果单单依靠固定单一的结构元素,图像的处理效果并不理想,也无法做到对所有的图像都适用。基于此,本文通过分析电力设备图像的特点,充分发挥数学形态学在边缘检测方面的优势,不断进行改进和完善。通过比较数学形态学结构元素不同特性对边缘的影响效果,综合不同尺度,不同方向,不同形状的结构元素,提出一种多尺度多结构的自适应权值新型算子,来对电力设备图像进行边缘提取。其中算法也实现了自动选取权值的功能。大量实验结果表明,采用改进后的算法,不仅保证了边缘细节很好地提取出来,而且更大程度上消除了噪声影响。本文算法可以为电力行业在设备的监测方面提供良好的借鉴价值,前景可观。
胥晏[2]（2021）在《既有隧道衬砌病害探地雷达模型试验与正演模拟》文中研究说明隧道衬砌是一种保持车辆运行所需空间、防止围岩风化和阻挡地下水侵蚀的结构,同时也是支持和维护隧道稳定的永久性结构,它具有足够的强度、抗冻性和抗渗性能。开展对既有隧道衬砌病害研究时,既要保证有效检测结构内部病害,又要保证不影响检测对象使用性能和不伤害检测对象内部结构,因此各种无损检测方法应运而生。目前在隧道结构检测中常用的无损检测方法主要包括回弹法、红外热成像法、超声回波法和探地雷达法。探地雷达法作为最具代表性的无损检测方法,被广泛应用于岩土工程勘察、工程质量检测、矿产勘查、灾害地质调查、建筑结构检测和考古等诸多领域,它的优点是效率高、精度高、抗干扰能力强并且不损伤结构。论文采用物理模型试验、COMSOL Multiphysics有限元正演模拟和数学形态学信号处理相结合的手段,开展既有隧道衬砌典型病害无损检测研究,并分析既有隧道衬砌典型病害图像特征。本文主要研究内容和成果如下:（1）通过查阅既有隧道衬砌典型病害的相关文献,分析既有隧道衬砌典型病害的形成原因,并根据《公路隧道设计规范》（JTG 3370.1-2018）和《铁路隧道设计规范》（TB10003-2016）（J 449-2016）,建立既有隧道衬砌空洞和不密实两种典型病害的物理试验模型。分析物理模型中两种典型病害不同养护时间的探地雷达二维图像特征,并研究不同养护时间、不同切片深度的三维图像特征。（2）建立COMSOL Multiphysics有限元正演模型。有限元正演模型是一个尺寸为长×宽×高=1.2m×1.0m×0.6m的长方体,长方体模型中设置不同相对位置的空洞、不密实和裂缝病害模型,包括裂缝上下空洞病害、裂缝上下不密实病害四种模型。对四种模型进行入射过程与反射结果分析,研究表明,电磁波在不同病害模型中的入射和反射轨迹与物理模型试验基本一致。（3）基于数学形态学理论编写MATLAB信号处理程序。数学形态学图像处理基本运算包含腐蚀、膨胀、开运算和闭运算等,数学形态学图像重构原理分为选择和重建两个步骤,数学形态学顶帽操作分为顶帽开操作和顶帽闭操作。文中对隧道衬砌空洞和不密实两种典型病害的二维图像进行形态学基本运算与顶帽操作,结果表明经过顶帽操作处理后的二维图像中可以分辨出病害的形状和面积。
蔡敏[3]（2021）在《基于Faster R-CNN的铁磁材料脉冲涡流热成像缺陷检测研究》文中研究说明铁磁性材料零部件被广泛地应用于大型机械设备、航天航空、管道运输等领域,铁磁性材料零部件在长期的服役过程中,由于受运行环境、制造工艺和使用方式等因素的影响,易产生表面或内部不同程度的损伤,影响设备运行情况及使用寿命,留下安全隐患,甚至造成工业事故。为此,对设备的铁磁性材料零部件及时地进行非接触、非侵入的检测变得十分重要。为了构建非接触、非侵入的缺陷检测模型,本文利用无损检测技术中的红外热成像技术,建立红外热图像缺陷检测试验平台,研究基于红外热图像缺陷检测技术与方法,实现对部件或设备缺陷的无损检测分析。论文聚焦于建立红外热成像检测试验平台,构建红外热成像缺陷检测模型等研究内容,围绕铁磁性材料红外热成像中的热图像去噪、缺陷的识别与定位、边缘分割等问题和难点展开研究,研究内容如下:（1）针对采集的铁磁性材料红外图像存在较大的噪声干扰,采用一种优化的K-SVD字典学习算法。首先固定初始字典,然后利用正交匹配追踪算法求出稀疏系数;通过运用迭代算法用稀疏系数对初始字典进行更新学习,并从中学习出自适应于目标信号的冗余字典。实验证明,该方法能有效的减少图像中噪声的干扰,有利于下一步的缺陷识别与定位。（2）针对铁磁性材料的红外热成像检测中存在表面缺陷检测速度慢和图像干扰信息多的问题,建立了一种基于改进的Faster R-CNN的铁磁性材料红外图像智能检测模型,提高了Faster R-CNN图像处理能力。改进的Faster R-CNN使用VGG-16网络进行迁移学习,将网络中多个层次的特征图进行融合,并对RPN网络的锚框选择方案进行了调整。实验结果证明,该模型能准确的检测出缺陷并确定缺陷的具体位置,对4种长度不同的缺陷的平均检测正确率达到了96%。（3）针对识别出的缺陷在图像中边缘特征信息不突出的问题,采用基于数学形态学的边缘检测方法,对确定出具体缺陷位置的图像进行边缘分割。该方法以信息熵的比值为依据,采用不同方向的算子对缺陷图像进行边缘检测,然后根据每张边缘检测图像有用信息的多少赋予权值,再融合图像,从而准确地分割出缺陷图像的边缘轮廓。论文建立了红外热图像无损检测平台,以红外热图像作为无损检测手段,解决了热图像误分割、缺陷检测定位等问题,建立了铁磁性材料的缺陷检测分析模型,可以检测出设备存在的缺陷,为设备的安全运行提供保障。
马仲林[4]（2020）在《基于数字形态学的图像边缘检测算法研究》文中研究指明随着机器视觉等技术的发展,对图像处理算法的精度和处理速度均提出了新的要求,其中边缘检测是快速获取目标物轮廓,实现目识别的关键步骤,得到了广泛的关注。边缘检测在机器视觉领域和图像处理方面都有着非常重要的意义,主要被大规模的应用于图像处理、目标物边缘提取等领域。一幅图像最基本的特征就是图像的边缘,它包含有大量的图像信息,边缘检测是进行图像处理和图像分析的主要研究内容,关于边缘检测的方法有许多,其中边缘有效提取是其核心内容。其中,基于数学形态学的方法由于能够在对噪声进行有效滤除的同时,较好地保留了有效信息,因而在图像分割和边缘提取方面取得了比较好的效果。本课题以图像形态学为基础,进一步研究图像的边缘检测算法,并通过实验对所得结果进行验证。主要内容如下:（1）由于图像的边缘包含了一幅图像中大部分的信息,也是其中局部亮度变化比较显着的。因此在图像边缘处理过程中,对于图像边缘的确定以及边缘轮廓的提取都有非常重要的意义,由于传统的边缘检测算法都存在一定的不足之处,这其中以Canny算法运用最为广泛,但是当Canny算法单独使用时,对噪声比较敏感,还有就是提取的边缘细节不够清晰和完整,因此以列车上常用的复合绝缘子为例,将传统的Canny算法进行改进,在上述算法的基础上,和二维Otsu结合使用,应用于绝缘子灰度图像中,进行边缘检测,分析它的憎水性等级,评价它的憎水性指标,通过实验验证了算法的有效性和实用性。实验表明,通过对传统Canny算法的改进,提高了Otsu法对复合绝缘子憎水性图像边缘检测的精度。（2）传统的边缘检测算法能够进行基础的图像边缘的检测处理,对图像分割处理过程做需要的信息能够进行有效的提取,但是传统的边缘检测算法也存在图像处理过程中对噪声比较敏感,检测出来图像的清晰度不够,细节不够完整,由于多尺度多结构元素算法能够克服上述不足之处,使得检测到的结果细节完整,图像平滑,因此将两者进行结合使用,在传统算子的基础上,引入了多尺度多结构元素算法,通过以几张灰度图像为例进行实验验证,实验表明它的检测效果良好,证明此方法可行,能够应用于各种场景,有很好的应用价值。（3）前面提及的算法都是基于确定性的理论,都是针对于灰度图像的边缘分割处理,由于在现实生活中,大多数事物都存在一定的不确定性,相对于灰度图像,彩色图像在生活中也需要进行一定的分割处理,对于边缘的提取显得尤为重要,由于云模型理论是基于不确定性的定性定量转换模型,本小节主要以云模型算法为基础,运用HSV颜色空间进行转换,以彩色图为例,对图像进行预处理,概念跃升和边缘分割处理,通过正态云变换,对图像进行分析处理,提取图像的边缘轮廓,验证算法的可靠性。
李栋凯[5]（2020）在《基于形态学和对数理论的图像处理算法研究及FPGA实现》文中指出近年来,多媒体技术飞快发展,在社会生活中人类越来越多地使用图像来传递信息,因此数字图像处理技术就显得特别重要,目前数字图像处理技术在医疗、军事、安防、遥感等多个领域内有着广泛的应用。然而,随着数字图像分辨率的提高和待处理图像数量的剧增,实时图像处理对图像处理速度的要求越来越高,因此兼备准确性和高效率的数字图像处理系统的设计变得越来越重要,传统的基于软件实现的数字图像处理系统已经不能满足需求,而FPGA具有并行执行和高速计算的特点,并且内部包含大量的逻辑资源,可以很好地应用到图像处理系统的设计中。大量研究表明,基于FPGA的图像处理系统可以显着地提高算法的执行速度,满足实时图像处理的要求。本文主要研究数字图像处理算法在FPGA上的设计与实现,FPGA芯片采用Xilinx公司Zynq-7000系列的Zedboard开发板,利用Verilog HDL编写图像处理算法的硬件实现逻辑,并在Modelsim软件上仿真所设计模块的功能,通过Vivado开发工具进行综合优化和布局布线,并下载编程到FPGA芯片进行上电调试。1.本文将自适应的灰度形态学算子在FPGA上设计实现。传统的灰度形态学算子对整幅图像采用固定的结构元素进行处理,会损失图像的细节信息,而自适应灰度形态学算子能够根据图像的局部信息自动调整结构元素的形状和尺寸,对图像的处理效果更好。本文首先在MATLAB软件上实现了自适应灰度形态学算子,并和传统的灰度形态学算子的处理效果进行对比,验证了自适应灰度形态学算子的优越性。然后将自适应灰度形态学算子在FPGA上设计实现,完成了灰度图像的自适应形态学处理系统,包括图像存储模块、方形窗生成模块、结构元素选取模块、膨胀运算模块、腐蚀运算模块、开启运算模块、闭合运算模块以及图像显示模块,通过仿真和调试验证了所设计系统的功能正确性。最后将自适应灰度形态学算子在MATLAB软件和FPGA硬件上对图像的处理时间进行对比,证明了基于FPGA的自适应灰度形态学处理系统可以显着地提高算子的处理速度。2.本文将基于对数图像处理模型的图像边缘检测算法在FPGA上设计实现。对数图像处理模型可以有效解决线性图像处理中像素的加减运算超出图像灰度区间的问题,本文首先将基于对数图像处理模型的图像边缘检测算法和传统的Sobel边缘检测算法在MATLAB软件上实现以对比边缘检测的效果,从而验证了基于对数图像处理模型的边缘检测算法可以更加准确地检测图像的边缘。然后在FPGA上设计完成了基于对数图像处理模型的图像边缘检测系统,其中利用cordic算法实现对数图像处理模块,并将其和边缘检测模块以及图像存储模块、方形窗生成模块、图像显示模块组合构成整个边缘检测系统。通过对比算法在MATLAB软件和FPGA硬件上的处理效果和运行时间,证明了该边缘检测系统既能有效检测图像的边缘,又能提高图像的处理速度。
崔浩[6]（2020）在《轮毂图像分割与缺陷识别算法的研究与实现》文中研究表明随着汽车行业的不断发展,汽车行驶的安全性问题也日益受到广泛关注。在汽车的安全驾驶方面,汽车轮毂质量的好坏起到了至关重要的作用。目前国内的铝合金轮毂制造多数采用铸造工艺,且大多为一体式铸造,成本相对较低,而且抗金属疲劳的能力很强。生产过程为先设计好的模具,再将融化的合金液浇铸进模具中。但由于其成型过程中受到冷却系统、工艺参数等因素的影响,容易产生内部缺陷,从而使产品的质量降低。在轮毂的全自动检测过程中,X射线无损探伤是一种效果不错的缺陷识别方法,而其中探伤图像的自动分割与识别算法起着至关重要的作用。本文针对轮毂缺陷的自动分割与识别问题,对传统算法与神经网络算法在轮毂缺陷识别中应用做了调研。本文对传统算法的参数进行了设计实验,找到了最佳参数值并实现了传统算法对轮毂缺陷的检测,同时也训练了神经网络模型用于自动识别轮毂缺陷,并对两种算法的识别效果进行了对比分析。最终构建汽车轮毂图像缺陷识别系统,系统主要包括手动识别、自动识别、计算缺陷面积等功能。本文通过使用基于数学形态学的传统方法和神经网络技术的方法对汽车轮毂X光射线检测后得到的图像进行缺陷分割识别检测,为汽车轮毂缺陷自动识别检测领域未来的发展提供一定参考。同时,本文将构建了一个汽车轮毂图像缺陷识别系统,可以帮助汽车轮毂图像缺陷检测人员更快、更好的实现对汽车轮毂图像缺陷的检测。
马奕[7]（2020）在《基于区域灰度模型的亚像素边缘检测研究与实现》文中研究指明随着中国制造2025发展战略的提出,传统加工制造产业逐步向信息化、智能化、自动化方向转型升级。视觉测量技术作为现代制造业实现生产检测一体化,提高制造效率和产品附加值的一项重要技术,在实际生产中得到了广泛的应用。视觉测量技术以被测物体的采集图像作为检测目标和信息载体,通过图像处理算法得到需要的信息。在图像中,边缘包含了丰富的视觉信息,是图像最重要的特征之一。边缘检测就是从图像中提取出边缘的位置信息,对边缘位置的高精度获取是实现缺陷检测、目标分类、尺寸测量等众多高层应用的前提条件。在视觉测量技术的实际应用场景中,高精度的测量结果来源于对边缘位置的高精度获取。然而,通过改善硬件设备性能以提高测量系统精度的做法会导致系统硬件成本的大幅提高。传统边缘检测算法检测得到的边缘位置在图像上是以整像素为单位的,无法达到精度要求,而亚像素边缘检测算法能够计算出边缘在像素内的精确位置,可以有效解决检测精度和系统成本间的矛盾。本文的主要研究内容如下:（1）分析了数字图像中的噪声分布,介绍了图像滤波方法,并通过数学形态学运算提高了图像中轮廓边缘的完整性,有效地减弱了噪声和杂斑信息对边缘检测的负面影响。研究了微分算子和最优化算子方法中各边缘检测算子的原理和特性,通过实验比较并根据具体应用条件选择了最适宜的像素级边缘检测算子,通过快速细化算法得到了单像素边缘,避免了后续亚像素边缘检测算法在非边缘位置的冗余计算。（2）深入研究了基于区域灰度分布模型的亚像素边缘检测算法的原理和实现,引入高斯函数改善了边缘两侧灰度强度的计算方式,实现了像素级粗检测和亚像素级细检测相结合的分步式亚像素边缘检测方法。经过实验证明,该方法在人工合成图像上对直线型边缘的检测精度达到了 0.095个像素。随后由检测速度实验,证明了本文分步式亚像素边缘检测方法相较于传统算法的检测速度优势。（3）研究了基于图像处理的自动对焦技术,在传统Brenner图像清晰度评价函数的基础上引入高通滤波模板,提升了函数的图像清晰度评价性能并减小了计算量。通过实验对比证明,改进后的Brenner函数具有良好的无偏性和更快的计算速度,以其为核心的自动对焦系统能够保证视觉测量系统的高质量成像。（4）搭建了视觉测量系统实验平台,完成了被测物体图像采集前的对焦和畸变校正工作,使用二次标定法计算得到了像素当量,确定了由被测物体的采集图像得到其物理尺寸的计算公式,减少了测量时的系统误差,得到的测量结果精度更高。（5）在搭建好的测量实验平台下,以矩形标准工件为检测目标,对其进行了尺寸测量实验。实验结果表明,本文提出的分步式亚像素边缘检测算法的检测效果,测量精度和运算速度都优于传统的亚像素边缘检测算法,测量结果的稳定性好,能够满足视觉测量系统的高精度要求。
钟佩甫[8]（2020）在《基于OpenCV的高速列车车号识别算法研究》文中研究说明近十几年来我国高速铁路从无到有,引进、消化、吸收、再创新,直到今天高铁已成为中国制造的一张亮丽名片。高速铁路给我们带来方便、快捷、舒适的同时,还有一群人默默的守护着他们的安全。动车组动态运行故障图像检测系统（TEDS,Trouble of moving EMU Detection System）作为一项实时监测高速列车健康状态的技术,通过识别车号来定位出哪列车的哪一辆出现故障,从而建立了列车车号与故障部位一一对应的关系。现有的TEDS系统依赖喷涂在列车两侧的车号来识别车辆,从而通过自动化的图像比对实现动车组故障判断。车号作为列车身份的唯一象征,准确的车号识别是TEDS系统能够正常工作的前提,说明车号识别在TEDS系统的重要性。本文利用计算机视觉技术库（OpenCV）的优良特性,对获取的高速列车车号数据先进行图像预处理,再进行车号定位,车号字符分割后,最终实现对车号的自动识别。本文的内容如下:（1）车号图像预处理操作,由于获取的车号图像存在噪声和干扰,通过图像灰度化、图像增强、图像去噪等一系列算法提高车号图像的质量。（2）利用数学形态学与投影法相结合对高速列车车号进行精确定位,整个定位过程分两步进行,首先采用数学形态学技术找出车号候选区域,也就是高速列车车号粗定位;再采用投影法对车号精确定位,去除干扰的非车号字符,最终得到精确车号图像。（3）投影法对车号字符进行分割,获得六个单独的车号字符图像。分割得到的车号字符的像素大小不同,需要对分割后的字符进行归一化处理,最终得到相同尺寸大小的车号字符图像。（4）卷积神经网络在图像处理领域中有很好的效果。结合车号字符特征对卷积神经网络的输入层、卷积层、池化层、输出层进行设计,在实验中优化网络结构,最终能够快速、准确的识别出动车组车号。通过最终的测试结果表明,对十个阿拉伯数字车号字符图像的单独识别准确率可以高达到99.8%。
陈尹刚[9]（2019）在《基于数学形态学图像处理算法研究》文中研究指明文章主要研究数学形态学,利用学科特点在图像处理进行处理。通过形态学膨胀、细化、腐蚀、开闭等算法,使得图像处理简明及严谨,提升有效数据,去除冗余数据,提升图像处理效率,达到使用者预期。
王建功[10]（2019）在《基于数学形态学的混凝土表面麻点检测方法》文中进行了进一步梳理由于原材料、增加剂、施工工艺、外部环境等多方面的原因,混凝土表面或多或少地会产生麻面、蜂窝、孔洞、气泡、龟裂、污渍、色差等缺陷,影响硬化混凝土的外观质量。为了提高混凝土外观质量,需多次进行工艺试验,观察对比每次试验结果的缺陷改善情况,来改进施工的工艺参数。目前,在施工和试验过程中,对麻面、蜂窝、孔洞、气泡等麻点的检测主要采用的是人工观察检测法。该方法用彩笔在混凝土表面标识出麻点,对麻点气泡等缺陷进行观察、测量、统计分析。该方法存在效率低、主观性强、结果不精确等问题,还会在混凝土表面留下污渍。为了解决人工检测带来的问题,本文提出基于数学形态学的检测混凝土表面麻点的方法,可有效弥补纯人工检测的问题。该方法分为图像采集、刻度识别和麻点识别三个模块。图像采集模块是在混凝土表面竖直放置一把刻度尺,用高清数码相机拍照,获得高清图像。为了提高图像分析的效率,将彩色图像转变为灰度图像。刻度识别模块有两个功能:一是识别出刻度尺的在图像中的坐标,将刻度尺从图像中提取出来,将整幅图像分开为刻度尺和混凝土表面两个单独的部分;二是用数学形态学方法,提取出图像中的刻度线,检测出每两根刻度线间的像素数量,用频率分布直方图函数和标准差函数结合的方法剔除偏移值后求取平均值,得到单位长度内的像素数量,从而计算出单个像素的实际面积,为确定整幅图像的大小和麻点的面积提供依据。麻点识别模块是对图像中的混凝土表面麻点进行识别、统计和分析。将图像中留有刻度尺阴影的区域与未受阴影影响的区域分开,两部分采用不同的方法进行图像增加处理,分别二值化后再合并为一幅完整的图像。用数学形态学方法识别其中的麻点,用连通分量提取的方法,统计麻点的总量和单个麻点的像素数量,计算出麻点的实际面积。最终统计计算图像中面积大于1平方毫米和面积大于2平方毫米的麻点个数。本文运用Matlab编制了检测程序,对该方法进行了实验。实验共选取20幅实际图像作为输入,实际仿真得出了分析结果。实验采用形态学梯度的方法,在原图中标识出麻点的轮廓,便于人工对实验结果进行核查。经过人工核查,证实本文方法对刻度的检测准确率高,对麻点检测有较高的检出率和正确率,可以满足施工和实验中对混凝土表面麻点进行统计分析的需要。
二、基于数学形态学的图像处理方法（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、基于数学形态学的图像处理方法（论文提纲范文）
（1）边缘检测在电力设备图像中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.1.1 电力设备 |
| 1.1.2 数字图像处理 |
| 1.1.3 边缘检测 |
| 1.1.4 数学形态学 |
| 1.2 研究的目的和意义 |
| 1.2.1 边缘检测在生产生活中的应用 |
| 1.2.2 边缘检测对于电力设备意义 |
| 1.2.3 数学形态学用于边缘检测的优势 |
| 1.3 研究现状及分析 |
| 1.3.1 电力设备研究现状 |
| 1.3.2 边缘检测研究现状 |
| 1.3.3 数学形态学研究现状 |
| 1.3.4 分析思考 |
| 1.4 主要内容工作安排 |
| 1.4.1 研究内容 |
| 1.4.2 创新点 |
| 1.4.3 工作安排 |
| 第2章 数字图像处理 |
| 2.1 引言 |
| 2.2 数字图像处理基本知识 |
| 2.2.1 概念要素 |
| 2.2.2 图像分类 |
| 2.3 数字图像处理基本运算 |
| 2.3.1 点运算 |
| 2.3.2 代数运算 |
| 2.3.3 几何运算 |
| 2.3.4 逻辑运算 |
| 2.4 数字图像处理基本运用 |
| 2.4.1 图像增强 |
| 2.4.2 图像分割 |
| 2.4.3 图像复原 |
| 2.4.4 图像压缩与编码 |
| 2.5 电力行业中的图像处理 |
| 2.6 本章小结 |
| 第3章 传统边缘检测 |
| 3.1 引言 |
| 3.2 边缘检测过程 |
| 3.2.1 图像边缘定义 |
| 3.2.2 边缘检测步骤 |
| 3.2.3 边缘检测要求 |
| 3.3 传统边缘检测算子 |
| 3.3.1 基于一阶导数的边缘检测 |
| 3.3.2 基于二阶导数的边缘检测 |
| 3.4 边缘检测评价标准 |
| 3.5 本章小结 |
| 第4章 数学形态学理论 |
| 4.1 引言 |
| 4.2 数学形态学概述 |
| 4.2.1 二值形态学 |
| 4.2.2 灰度形态学 |
| 4.3 数学形态学应用 |
| 4.3.1 边缘检测 |
| 4.3.2 去噪 |
| 4.4 本章小结 |
| 第5章 多尺度多方向数学形态学边缘检测 |
| 5.1 引言 |
| 5.2 传统数学形态学边缘检测算子 |
| 5.3 结构元素特性 |
| 5.3.1 结构元素尺度 |
| 5.3.2 结构元素方向 |
| 5.3.3 结构元素形状 |
| 5.4 改进的数学形态学边缘检测 |
| 5.4.1 多方向 |
| 5.4.2 多尺度 |
| 5.4.3 多方向与多尺度结合 |
| 5.5 实验结果分析 |
| 5.5.1 主观评析 |
| 5.5.2 客观评析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）既有隧道衬砌病害探地雷达模型试验与正演模拟（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 |
| 1.2.1 隧道衬砌病害探地雷达检测研究现状 |
| 1.2.2 探地雷达正演模拟研究现状 |
| 1.2.3 探地雷达信号处理研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 探地雷达基本理论及既有隧道衬砌常见病害成因 |
| 2.1 麦克斯韦本构方程组 |
| 2.2 电磁波传播理论 |
| 2.3 探地雷达工作原理 |
| 2.4 既有隧道衬砌常见病害成因 |
| 2.5 本章小结 |
| 3 既有隧道病害探地雷达模型试验 |
| 3.1 试验方案 |
| 3.1.1 探地雷达参数介绍 |
| 3.1.2 物理模型设计与制作 |
| 3.2 既有隧道病害探地雷达图像处理 |
| 3.3 既有隧道病害探地雷达二维图像分析 |
| 3.3.1 隧道衬砌病害二维图像分析 |
| 3.3.2 围岩病害二维图像分析 |
| 3.4 既有隧道病害探地雷达三维图像分析 |
| 3.4.1 隧道衬砌病害三维图像分析 |
| 3.4.2 围岩病害三维图像分析 |
| 3.5 本章小结 |
| 4 既有隧道衬砌病害探地雷达正演模拟 |
| 4.1 既有隧道衬砌病害模型的建立 |
| 4.2 既有隧道衬砌病害正演模拟入射过程分析 |
| 4.2.1 裂缝上空洞病害入射过程分析 |
| 4.2.2 裂缝下空洞病害入射过程分析 |
| 4.2.3 裂缝上不密实病害入射过程分析 |
| 4.2.4 裂缝下不密实病害入射过程分析 |
| 4.3 既有隧道衬砌病害正演模拟反射结果分析 |
| 4.4 本章小结 |
| 5 既有隧道病害探地雷达形态学识别技术研究 |
| 5.1 数学形态学图像处理基本运算 |
| 5.1.1 腐蚀 |
| 5.1.2 膨胀 |
| 5.1.3 开运算 |
| 5.1.4 闭运算 |
| 5.2 数学形态学图像重构 |
| 5.3 数学形态学顶帽操作 |
| 5.4 试验数据处理与分析 |
| 5.4.1 空洞病害图像处理与分析 |
| 5.4.2 不密实病害图像处理与分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（3）基于Faster R-CNN的铁磁材料脉冲涡流热成像缺陷检测研究（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 脉冲涡流热成像检测技术研究现状 |
| 1.2.2 热成像数据处理方法的国内外研究现状 |
| 1.3 研究思路与内容安排 |
| 1.3.1 研究思路 |
| 1.3.2 章节安排 |
| 第二章 脉冲涡流热成像检测原理与实验平台的开发 |
| 2.1 脉冲涡流加热技术 |
| 2.1.1 脉冲涡流加热趋肤效应原理 |
| 2.1.2 脉冲涡流加热原理 |
| 2.2 红外热成像检测技术 |
| 2.3 涡流热成像技术检测平台 |
| 2.3.1 红外热成像系统 |
| 2.3.2 脉冲涡流加热装置 |
| 2.4 基于涡流热成像技术的铁磁材料缺陷检测平台 |
| 2.4.1 下位机硬件设计 |
| 2.4.2 系统上位机软件设计 |
| 2.5 本章小结 |
| 第三章 基于K-SVD的红外图像去噪 |
| 3.1 K均值聚类算法(K-means) |
| 3.2 K-SVD算法 |
| 3.2.1 奇异值分解 |
| 3.2.2 K-SVD字典学习算法原理分析 |
| 3.3 基于K-SVD算法的图像去噪 |
| 3.4 仿真实验与分析 |
| 3.4.1 图像质量评价 |
| 3.4.2 算法参数选择 |
| 3.4.3 仿真实验与结果分析 |
| 3.5 本章小结 |
| 第四章 基于Faster R-CNN的涡流热成像缺陷识别与定位 |
| 4.1 传统目标检测算法 |
| 4.1.1 HOG特征提取 |
| 4.1.2 支持向量机 |
| 4.2 卷积神经网络 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.2.3 激活函数 |
| 4.3 基于CNN的目标定位算法 |
| 4.3.1 R-CNN |
| 4.3.2 Fast R-CNN |
| 4.3.3 Faster R-CNN |
| 4.4 数据处理与网络优化 |
| 4.4.1 数据集增广原理 |
| 4.4.2 特征提取网络优化 |
| 4.4.3 锚点框参数优化 |
| 4.5 仿真实验与结果分析 |
| 4.6 本章小结 |
| 第五章 基于数学形态学的图像分割 |
| 5.1 基于边缘检测算子的图像分割算法 |
| 5.1.1 Roberts算子 |
| 5.1.2 Prewitt算子 |
| 5.1.3 数学形态学基本原理 |
| 5.2 基于改进的多尺度形态学图像分割算法 |
| 5.2.1 基于数学形态学的滤波算法 |
| 5.2.2 基于多方向数学形态学图像分割算法 |
| 5.2.3 算法流程 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读硕士期间发表的论文、申请的专利、软着) |
| 附录 B(攻读硕士期间参与的项目) |
| 附录 C(涡流红外热图像无损检测硬件系统PCB图) |
（4）基于数字形态学的图像边缘检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 图像处理技术的研究现状 |
| 1.3 研究内容及章节安排 |
| 2 数字形态学介绍 |
| 2.1 数学形态学简介 |
| 2.2 二值形态学 |
| 2.2.1 膨胀腐蚀运算 |
| 2.2.2 开启闭合运算 |
| 2.3 灰度形态学 |
| 2.3.1 灰度膨胀与灰度腐蚀 |
| 2.3.2 灰度开闭运算 |
| 3 基于改进Canny算法的图像边缘检测方法研究 |
| 3.1 传统的Canny算法 |
| 3.2 改进的Canny算法 |
| 3.2.1 复合绝缘子憎水性图像分析及处理 |
| 3.2.2 图像的灰度化及直方图均衡化 |
| 3.2.3 梯度幅值抑制 |
| 3.2.4 中值滤波和高斯平滑滤波 |
| 3.2.5 二维自适应Otsu阈值法分割 |
| 3.2.6 图像形态学处理和边缘连接 |
| 3.3 改进Canny算法的检测实验 |
| 3.4 本章小结 |
| 4 基于抗噪形态学的图像边缘检测算子研究 |
| 4.1 问题描述 |
| 4.2 传统形态学边缘检测算子 |
| 4.3 一种改进的抗噪边缘检测算子 |
| 4.4 多尺度结构元素的检测方法 |
| 4.5 本章小结 |
| 5 基于云模型的图像分割算法 |
| 5.1 引言 |
| 5.2 云模型理论 |
| 5.3 基于云模型的空间数据离散化 |
| 5.3.1 概念生成方法 |
| 5.3.2 云模型的“软或” |
| 5.4 峰值云变换算法 |
| 5.5 云模型算法的彩色图像分割 |
| 5.6 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（5）基于形态学和对数理论的图像处理算法研究及FPGA实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作及结构安排 |
| 第二章 FPGA图像处理系统设计的理论基础 |
| 2.1 数字图像处理技术概述 |
| 2.1.1 数字图像处理技术的发展历程 |
| 2.1.2 数字图像处理的常用方法 |
| 2.2 FPGA基本原理与特点 |
| 2.2.1 FPGA的结构及原理 |
| 2.2.2 FPGA的基本特点 |
| 2.3 FPGA设计方法与流程 |
| 2.3.1 Verilog硬件描述语言 |
| 2.3.2 FPGA开发流程 |
| 2.4 本章小结 |
| 第三章 自适应灰度形态学算子研究及FPGA实现 |
| 3.1 灰度形态学基本理论 |
| 3.1.1 结构元素 |
| 3.1.2 灰度形态学基本算子 |
| 3.2 自适应灰度形态学 |
| 3.2.1 像素距离的定义 |
| 3.2.2 自适应结构元素的选取 |
| 3.2.3 自适应灰度形态学算子的实现 |
| 3.3 自适应灰度形态学处理算法的FPGA设计 |
| 3.3.1 系统整体框架 |
| 3.3.2 图像存储模块 |
| 3.3.3 方形窗生成模块 |
| 3.3.4 结构元素选取模块 |
| 3.3.5 形态学运算模块 |
| 3.3.6 图像显示模块 |
| 3.4 实验结果与分析 |
| 3.4.1 软件仿真结果 |
| 3.4.2 硬件仿真结果 |
| 3.5 本章小结 |
| 第四章 对数图像处理模型应用研究及FPGA实现 |
| 4.1 对数图像处理模型 |
| 4.2 LIP模型在图像边缘检测中的应用 |
| 4.2.1 边缘检测算子 |
| 4.2.2 基于LIP模型的图像边缘检测算法实现 |
| 4.2.3 实验结果与分析 |
| 4.3 基于LIP模型的边缘检测算法的FPGA设计 |
| 4.3.1 系统整体框架 |
| 4.3.2 cordic算法 |
| 4.3.3 对数图像处理模块 |
| 4.3.4 边缘检测模块 |
| 4.3.5 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）轮毂图像分割与缺陷识别算法的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与意义 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容 |
| 1.4.1 基于数学形态学的传统算法 |
| 1.4.2 神经网络算法 |
| 1.4.3 汽车轮毂图像缺陷识别系统 |
| 1.5 论文的结构安排 |
| 第二章 传统算法 |
| 2.1 引言 |
| 2.2 算法设计 |
| 2.2.1 关键技术 |
| 2.2.2 算法具体操作步骤 |
| 2.3 实验与结果 |
| 2.3.1 进行实验 |
| 2.3.2 结果分析 |
| 2.4 传统算法总结 |
| 2.5 本章小结 |
| 第三章 神经网络 |
| 3.1 引言 |
| 3.2 算法介绍 |
| 3.2.1 关键技术及思路 |
| 3.2.2 DeepLab系列模型介绍 |
| 3.2.3 常见的图像语义分割数据集 |
| 3.3 模型训练及结果分析 |
| 3.3.1 数据集设置 |
| 3.3.2 训练参数设置 |
| 3.3.3 训练结果 |
| 3.3.4 结果分析 |
| 3.4 神经网络算法总结 |
| 3.5 本章小结 |
| 第四章 汽车轮毂图像缺陷识别系统 |
| 4.1 引言 |
| 4.2 系统的需求分析 |
| 4.3 系统的概要设计 |
| 4.3.1 层次架构设计 |
| 4.3.2 展示层客户端界面设计 |
| 4.3.3 服务层各功能模块设计 |
| 4.4 系统的详细设计与实现 |
| 4.4.1 基础文件操作模块 |
| 4.4.2 自动识别缺陷模块 |
| 4.4.3 手工识别缺陷模块 |
| 4.4.4 常见图像处理模块 |
| 4.4.5 计算缺陷面积模块 |
| 4.5 系统功能测试及结果分析 |
| 4.5.1 基础文件操作模块功能测试及结果分析 |
| 4.5.2 自动识别缺陷模块功能测试及结果分析 |
| 4.5.3 手工识别缺陷模块功能测试及结果分析 |
| 4.5.4 常见图像处理模块功能测试及结果分析 |
| 4.5.5 计算缺陷面积模块功能测试及结果分析 |
| 4.6 本章小结 |
| 第五章 工作总结及未来展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
（7）基于区域灰度模型的亚像素边缘检测研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究状况 |
| 1.2.1 像素级边缘检测技术 |
| 1.2.2 亚像素边缘检测技术 |
| 1.3 本文主要研究内容 |
| 第二章 图像粗边缘检测 |
| 2.1 视觉测量中关键性能指标分析 |
| 2.1.1 检测精度 |
| 2.1.2 检测速度 |
| 2.2 图像预处理 |
| 2.2.1 图像降噪处理 |
| 2.2.2 数学形态学处理 |
| 2.3 基于微分算子的边缘检测算法 |
| 2.3.1 梯度算子 |
| 2.3.2 二阶微分算子 |
| 2.3.3 最优化算子 |
| 2.3.4 实验仿真与分析 |
| 2.4 单像素边缘获取 |
| 2.5 本章小结 |
| 第三章 基于亚像素的图像细边缘检测 |
| 3.1 亚像素边缘检测原理 |
| 3.2 经典亚像素检测算法 |
| 3.2.1 矩法 |
| 3.2.2 插值法 |
| 3.2.3 拟合法 |
| 3.3 基于区域灰度分布的亚像素边缘检测 |
| 3.3.1 基本原理 |
| 3.3.2 算法实现过程 |
| 3.3.3 亚像素位置计算 |
| 3.4 分步式亚像素边缘检测算法 |
| 3.4.1 算法流程 |
| 3.4.2 实验及结果分析 |
| 3.5 本章小结 |
| 第四章 自动对焦技术 |
| 4.1 自动对焦原理 |
| 4.1.1 成像系统模型 |
| 4.1.2 离焦模糊分析 |
| 4.2 基于图像处理的自动对焦方法 |
| 4.2.1 离焦深度法 |
| 4.2.2 对焦深度法 |
| 4.3 基于图像处理的自动对焦系统实现 |
| 4.3.1 图像清晰度评价函数标准 |
| 4.3.2 典型对焦评价函数 |
| 4.3.3 基于改进Brenner算子的评价函数 |
| 4.3.4 对焦搜索策略 |
| 4.3.5 自动对焦实验及性能分析 |
| 4.4 本章小结 |
| 第五章 视觉测量系统实验验证 |
| 5.1 测量流程及系统软硬件组成 |
| 5.1.1 测量系统硬件组成 |
| 5.1.2 测量系统软件组成 |
| 5.2 系统标定与畸变校正 |
| 5.2.1 相机畸变校正 |
| 5.2.2 系统标定 |
| 5.3 实验结果及性能分析 |
| 5.3.1 边缘检测效果分析 |
| 5.3.2 边缘检测精度评测 |
| 5.3.3 边缘检测速度评测 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于OpenCV的高速列车车号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内硏究现状 |
| 1.3 实验环境及Open CV介绍 |
| 1.3.1 实验环境 |
| 1.3.2 Open CV |
| 1.4 论文主要工作内容及章节安排 |
| 2 高速列车车号图像预处理 |
| 2.1 数字图像处理介绍 |
| 2.1.1 数字图像的表示方法 |
| 2.1.2 数字图像的处理方法 |
| 2.2 车号图像灰度化 |
| 2.2.1 分量法 |
| 2.2.2 最大值法 |
| 2.2.3 平均值法 |
| 2.2.4 加权平均值法 |
| 2.3 图像增强 |
| 2.4 图像去噪 |
| 2.5 本章小结 |
| 3 高速列车车号定位 |
| 3.1 常用的定位方法 |
| 3.2 数学形态学图像处理技术 |
| 3.2.1 图像形态学的基本概念 |
| 3.2.2 形态学的基本运算 |
| 3.3 车号粗定位 |
| 3.3.1 图像滤波处理 |
| 3.3.2 获取连通区域 |
| 3.3.3 去除非车号区域 |
| 3.4 基于投影法的车号精确定位 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 4 高速列车车号字符分割 |
| 4.1 高速列车车号字符的特点 |
| 4.2 基于投影法的车号字符分割 |
| 4.3 字符归一化处理 |
| 4.4 本章小结 |
| 5 基于卷积神经网络的车号字符识别 |
| 5.1 CNN简介 |
| 5.2 车号字符ＣＮＮ结构设计 |
| 5.2.1 网络层的排列规则 |
| 5.2.2 输入输出层设计 |
| 5.2.3 隐藏层设计 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）基于数学形态学的混凝土表面麻点检测方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究的主要内容及框架 |
| 第二章 形态学图像处理基本理论 |
| 2.1 数学形态学简介 |
| 2.2 二值图像形态学 |
| 2.2.1 二值图像中的基本形态学的运算 |
| 2.2.2 二值图像形态学的组合运算及应用 |
| 2.3 灰度图像的形态学处理 |
| 2.4 模糊数学形态学 |
| 2.5 本章小结 |
| 第三章 混凝土表面麻点检测方法的设计 |
| 3.1 算法流程设计 |
| 3.2 图像采集及预处理 |
| 3.2.1 图像采集 |
| 3.2.2 图像预处理 |
| 3.2.3 空间域图像增强 |
| 3.3 刻度识别 |
| 3.3.1 刻度尺识别 |
| 3.3.2 刻度线识别 |
| 3.3.3 刻度数值统计 |
| 3.3.4 计算单个像素面积 |
| 3.4 麻点识别 |
| 3.4.1 图像处理 |
| 3.4.2 麻点统计 |
| 3.5 本章小结 |
| 第四章 麻点检测方法的实现与结果分析 |
| 4.1 刻度识别 |
| 4.1.1 图像采集及预处理 |
| 4.1.2 识别刻度尺 |
| 4.1.3 识别刻度线 |
| 4.1.4 计算单位长度内像素个数 |
| 4.2 麻点识别 |
| 4.2.1 图像增强 |
| 4.2.2 灰度阈值变换 |
| 4.2.3 提取连通分量 |
| 4.3 实验结果分析 |
| 4.3.1 刻度识别的结果分析 |
| 4.3.2 麻点识别结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 进一步的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
四、基于数学形态学的图像处理方法（论文参考文献）
- [1]边缘检测在电力设备图像中的应用[D]. 贾彩花. 华北电力大学(北京), 2021(01)
- [2]既有隧道衬砌病害探地雷达模型试验与正演模拟[D]. 胥晏. 西华大学, 2021(02)
- [3]基于Faster R-CNN的铁磁材料脉冲涡流热成像缺陷检测研究[D]. 蔡敏. 昆明理工大学, 2021(01)
- [4]基于数字形态学的图像边缘检测算法研究[D]. 马仲林. 兰州交通大学, 2020(01)
- [5]基于形态学和对数理论的图像处理算法研究及FPGA实现[D]. 李栋凯. 西安电子科技大学, 2020(05)
- [6]轮毂图像分割与缺陷识别算法的研究与实现[D]. 崔浩. 北京邮电大学, 2020(04)
- [7]基于区域灰度模型的亚像素边缘检测研究与实现[D]. 马奕. 西安电子科技大学, 2020(05)
- [8]基于OpenCV的高速列车车号识别算法研究[D]. 钟佩甫. 兰州交通大学, 2020(01)
- [9]基于数学形态学图像处理算法研究[J]. 陈尹刚. 信息通信, 2019(12)
- [10]基于数学形态学的混凝土表面麻点检测方法[D]. 王建功. 河北大学, 2019(04)