摘要
1 绪论
1.1 研究的目的意义
1.2 研究现状
1.3 主要研究内容
1.4 技术路线
2 木材表面缺陷图像的传统分割方法
2.1 图像采集
2.2 实验材料
2.3 传统图像分割算法
2.3.1 边缘检测算子介绍
2.3.2 基于边缘检测算子的木材表面缺陷图像分割
2.4 阈值分割
2.4.1 阈值法介绍
2.4.2 基于阈值法的木材表面缺陷图像分割
2.5 基于区域的木材表面缺陷图像分割
2.5.1 区域分裂与合并的图像分割
2.5.2 区域生长法及实验
2.6 本章小结
3 基于C-V模型的木材表面缺陷图像分割
3.1 Mumford-shah模型介绍
3.2 C-V模型介绍
3.2.1 C-V模型基本理论
3.2.2 基于C-V模型的木材表面缺陷图像分割
3.3 结合C-V模型与形态学的木材表面缺陷图像分割
3.3.1 数学形态学基本理论
3.3.2 结合C-V模型与形态学图像分割实验
3.4 基于改进C-V模型的木材表面缺陷图像分割
3.4.1 改进模型介绍
3.4.2 改进算法的图像分割步骤
3.4.3 改进算法的图像分割实验和结果分析
3.5 图像分割的对比实验
3.6 改进C-V模型的多目标图像分割实验
3.7 本章小结
4 基于Snake模型的木材表面缺陷图像分割
4.1 传统SNAKE模型介绍
4.1.1 传统SNAKE模型
4.1.2 采用SNAKE模型的木材表面缺陷图像分割
4.2 GVF SNAKE模型介绍
4.2.1 GVF SNAKE模型
4.2.2 GVF SNAKE模型数值解法
4.2.3 GVF SNAKE模型算法分割实验步骤
4.2.4 GVFSNAKE模型参数对分割结果的影响
4.2.5 GVF SNAKE分割实验和结果分析
4.3 算法的改进
4.3.1 维纳滤波介绍
4.3.2 改进算法的分割实验与结果分析
4.4 图像分割的对比实验
4.5 改进算法的多目标缺陷图像分割
4.6 本章小结
5 基于GAC水平集模型的木材表面缺陷图像分割
5.1 GAC模型的介绍
5.1.1 GAC模型的原理
5.1.2 木材表面缺陷分割实验与结果分析
5.2 基于GAC模型改进的木材表面缺陷分割介绍
5.2.1 改进的GAC模型
5.2.2 改进的GAC模型分割步骤
5.2.3 改进算法的参数对图像分割结果影响
5.2.4 基于GAC改进算法的木材表面缺陷分割实验
5.3 图像分割的对比实验
5.4 改进算法的多目标缺陷木材图像分割
5.5 本章小结
6 木材表面缺陷分割算法的比较分析
6.1 多目标缺陷木材图像分割方法比较
6.2 木材表面缺陷图像分割方法的抗噪声性能比较
6.3 复杂背景下改进GAC模型的木材表面缺陷图像分割
6.4 改进GAC模型的木材缺陷定位
6.5 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢
声明