基于輪廓波變換的金屬斷口圖像處理方法研究.pdf_第1頁
已閱讀1頁,還剩70頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、本論文是在國家自然科學基金(51075372)和無損檢測技術(shù)教育部重點實驗室開放基金(No.ZD200829003)資助下,將輪廓波(Contourlet)變換應(yīng)用于金屬斷口圖像處理中,并在此基礎(chǔ)上,深入研究了基于Contourlet變換的金屬斷口圖像處理方法,取得了一些創(chuàng)新性成果。本論文的主要內(nèi)容包括以下幾個方面:
   第一章,論述了本課題的提出及其研究意義,綜述了金屬斷口圖像的國內(nèi)外研究現(xiàn)狀,并對Contourlet變換的

2、國內(nèi)外研究現(xiàn)狀進行了闡述,提出了本論文的主要內(nèi)容及創(chuàng)新之處。
   第二章,針對小波變換在圖像處理領(lǐng)域中的不足,論述了Contourlet變換的基本理論和算法,同時,通過仿真實驗對比了Contourlet變換和小波變換在圖像處理中的優(yōu)缺點,給出了離散Contourlet變換的特性。本章的內(nèi)容是整篇論文的理論基礎(chǔ)。
   第三章,針對Contourlet變換在圖像處理中存在的低頻變換產(chǎn)生冗余性的不足,即Contourlet

3、變換中的拉普拉斯分解是有冗余的,并考慮到Grouplet變換是基于圖像幾何流最佳稀疏表示的正交變換,可以最大限度的利用圖像的幾何特征,提出了一種無冗余的基于Grouplet-Contourlet變換的金屬斷口圖像去噪和增強方法,提出的方法利用Grouplet變換代替Contourlet變換中的拉普拉斯塔形分解,消除了Contourlet變換的冗余性。同時,將提出的算法與基于傳統(tǒng)的小波變換和Contourlet變換的圖像去噪和增強算法進行

4、了對比分析。實驗結(jié)果表明,該算法優(yōu)于基于傳統(tǒng)的小波變換和Contourlet變換的圖像去噪和增強算法,提高了去噪和增強圖像的峰值信噪比,同時也很好的保留了圖像的輪廓信息。
   第四章,基于小波的Contourlet變換是一種新的無冗余和完美重構(gòu)的變換,與小波變換和Contourlet變換相比較,能更好地挖掘圖像的方向、紋理等信息。脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)是一種可視化貓激勵的神經(jīng)網(wǎng)絡(luò),具有同步脈沖發(fā)放和全局耦合等特性,它不需

5、要學習或者訓練,能從復雜背景下提取有效信息。結(jié)合兩種方法的各自的優(yōu)點,提出了一種基于WBCT-PCNN的圖像融合方法。在提出的方法中,首先對待融合的兩幅圖像進行WBCT變換,然后對得到的各對應(yīng)的低頻和高頻子帶系數(shù)采用PCNN融合規(guī)則選取融合系數(shù),最后對融合后的子帶系數(shù)采用逆WBCT變換生成融合圖像。同時,將提出的算法與基于PCNN、小波-PCNN、Contourlet-PCNN、NSCT-PCNN的融合算法進行了對比分析。實驗結(jié)果表明,

6、該算法在圖像融合方面具有一定的優(yōu)勢。
   第五章,將峭度的概念和Contourlet變換引入到金屬斷口圖像處理中,并結(jié)合Contourlet變換和峭度的各自優(yōu)點,給出了Contourlet峭度的定義和算法,與L1范數(shù)、平均能量相比較,Contourlet峭度能夠更敏感地反映金屬斷口的紋理特征,并且對方向不敏感。在此基礎(chǔ)上,提出了一種基于Contourlet峭度的金屬斷口圖像識別方法。該方法首先對金屬斷口圖像進行三級Contou

7、rlet變換,將各個頻帶輸出的峭度作為斷口識別的特征,輸入到分類器中進行識別。同時,提出的方法還與基于厶范數(shù)和平均能量的識別方法進行了比較。試驗結(jié)果表明,提出的方法是有效的。
   關(guān)聯(lián)向量機(relevence vectormachine,RVM)具有很好的泛化能力,能對類別的歸屬給出一種概率度量。本章還結(jié)合RVM和Contourlet變換各自的優(yōu)點,提出了一種基于Contourlet-RVM金屬斷口圖像識別方法。在提出的方法

8、中,首先對金屬斷口圖像進行兩級Contourlet變換,將各個頻帶輸出的厶范數(shù)作為斷口識別的特征,然后采用RVM分類器進行分類。同時,提出的方法還與Contourlet-SVM識別方法進行了對比分析。實驗結(jié)果表明,提出的方法是有效的,不論在正確識別率方面,還是在訓練速度方面,Contourlet-RVM識別方法都優(yōu)于Contourlet-SVM識別方法。
   第六章,對本論文的研究工作進行了總結(jié),并提出了值得進一步研究的問題。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論