| 【中文题名】 | 电力工程图纸典型图元自动识别技术研究 |
| 【英文题名】 | Study on Automatic Recognition Technology of Representative Notation in Power Engineering Drawing |
| 【学科专业】 | 农业电气化与自动化 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-4-5 |
| 【中关键词】 | 图像分割,特征提取,符号识别,BP算法,MATLAB, |
| 【英关键词】 | image segmentation,characteristic extraction,image recognition,BP neural network,MATLAB, |
| 【分类导航】 | 天文学、地球科学>测绘学>一般性问题>测绘数据库与信息系统>> |
| 【论文摘要】 | 随着地理信息系统(GIS)的不断推广和应用，数据质量问题越来越引起普遍的关注。图纸扫描矢量化作为目前一种流行的GIS数据采集手段，它给GIS数据质量所带来的影响也日益受到重视。而工程图纸矢量化的关键技术-工程图纸的计算机自动输入识别技术是一个国际上公认的难题。本文选取常用电气符号作为研究对象，通过提取符号的不变特征来完成符号的分类识别工作，避免了像素跟踪和函数拟合的过程，有效地简化了矢量化的过程。
本文首先对图像变换和图像滤波的各种算法进行了研究，分析了各个算法的处理效果，根据实验试验结果提出应结合图像本身的特点选择合适的预处理方法，并运用小波变换对图像进行压缩变换和滤波处理。
其次，对现有的图像分割方法进行了归类总结，对边缘检测方法进行了研究，并重点对阈值法分割图像的方法进行了分析，提出了自适应阈值的分割算法。与直方图法和最大类间方差法对比，自适应阈值分割方法对本文所选的图纸具有较好的分割效果。
最后，针对Hu不变矩对连续图像具有旋转、缩放和平移不变性，但是对离散的图像不具有缩放不变性的特点。本论文进行了相关的改进，使改进后的HU不变矩具有针对离散图像的旋转、... |
| 【论文题纲】 |
|
摘要 |
10-11 |
|
英文摘要 |
11-12 |
|
第一章 绪论 |
12-16 |
|
1.1 课题研究背景 |
12-13 |
|
1.2 课题的研究意义 |
13-14 |
|
1.3 自动矢量化关键技术的研究现状 |
14-15 |
|
1.3.1 国内矢量化软件研究现状分析 |
14 |
|
1.3.2 国外矢量化软件研究现状分析 |
14-15 |
|
1.4 本课题的主要工作 |
15-16 |
|
第二章 工程图纸预处理的算法研究 |
16-26 |
|
2.1 图像变换 |
16-19 |
|
2.1.1 二维离散 Fourier变换(DFT) |
16-17 |
|
2.1.2 离散余弦变换(DCT) |
17 |
|
2.1.3 直方图均衡化 |
17-18 |
|
2.1.4 小波变换 |
18 |
|
2.1.5 实验结果 |
18-19 |
|
2.2 频域滤波增强 |
19-23 |
|
2.2.1 低通滤波增强 |
20-21 |
|
2.2.2 高通滤波增强 |
21-22 |
|
2.2.3 实验结果 |
22-23 |
|
2.3 空间域滤波增强 |
23-25 |
|
2.3.1 均值滤波(线性滤波) |
23 |
|
2.3.2 中值滤波(非线性滤波) |
23-24 |
|
2.3.3 实验结果 |
24-25 |
|
2.4 小结 |
25-26 |
|
第三章 工程图纸图像分割 |
26-42 |
|
3.1 图像分割综述 |
26-27 |
|
3.2 分割算法分类 |
27 |
|
3.3 并行边界的图像分割方法 |
27-30 |
|
3.3.1 微分算子边缘检测 |
27-29 |
|
3.3.2 实验结果 |
29-30 |
|
3.4 串行边界分割方法 |
30-32 |
|
3.4.1 边界跟踪 |
31 |
|
3.4.2 曲线拟合 |
31-32 |
|
3.5 并行区域的图像分割方法 |
32-38 |
|
3.5.1 阈值法介绍 |
32 |
|
3.5.2 阈值法的分类 |
32-33 |
|
3.5.3 基于直方图的阈值选取方法 |
33-36 |
|
3.5.4 自适应阈值分割方法 |
36 |
|
3.5.5 最大类间方差阈值分割 |
36-37 |
|
3.5.6 实验结果 |
37-38 |
|
3.6 串行区域分割技术 |
38-39 |
|
3.6.1 区域生长法 |
38 |
|
3.6.2 分裂合并法 |
38-39 |
|
3.6.3 实验结果 |
39 |
|
3.7 图像分割算法评价 |
39 |
|
3.8 图像分割的发展方向和趋势 |
39-40 |
|
3.9 小结 |
40-42 |
|
第四章 图像特征描述及提取 |
42-55 |
|
4.1 图像特征的描述 |
42 |
|
4.2 图像特征提取 |
42-43 |
|
4.3 不变矩概述 |
43-49 |
|
4.3.1 不变矩的基本概念 |
44-46 |
|
4.3.2 矩的物理意义 |
46-49 |
|
4.4 Hu不变矩特征提取 |
49-53 |
|
4.5 图像不变矩特征的修正 |
53 |
|
4.6 不变矩方法的计算结果 |
53-54 |
|
4.7 小结 |
54-55 |
|
第五章 基于人工神经网络的电气符号识别 |
55-70 |
|
5.1 模式识别分类器概述 |
55-56 |
|
5.2 人工神经网络原理 |
56-60 |
|
5.2.1 人工神经元模型 |
56-58 |
|
5.2.2 神经网络结构及工作方式 |
58-60 |
|
5.2.3 神经网络的训练方式 |
60 |
|
5.3 BP神经网络 |
60-65 |
|
5.3.1 BP神经网络模型 |
61 |
|
5.3.2 基本 BP算法 |
61-63 |
|
5.3.3 BP算法存在的问题 |
63-64 |
|
5.3.4 BP算法的改进措施 |
64-65 |
|
5.4 用于电气符号分类的 BP网络设计 |
65-68 |
|
5.4.1 训练样本库的建立 |
65-66 |
|
5.4.2 BP神经网络设计 |
66-67 |
|
5.4.3 两种训练算法性能比较 |
67-68 |
|
5.5 测试样本库建立与网络识别性能的检验 |
68-69 |
|
5.6 小结 |
69-70 |
|
第六章 软件实现 |
70-75 |
|
6.1 VB的引入 |
70 |
|
6.2 采用Active X自动化技术 |
70-71 |
|
6.3 软件具体功能介绍 |
71-75 |
|
6.3.1 打开需要处理的图像 |
71 |
|
6.3.2 图像预处理模块 |
71-72 |
|
6.3.3 图像分割模块 |
72-73 |
|
6.3.4 训练神经网络模块 |
73 |
|
6.3.5 特征提取模式识别模块 |
73-75 |
|
结束语 |
75-76 |
|
参考文献 |
76-79 |
|
附录 |
79-80 |
|
致谢 |
80-81 |
|
攻读硕士学位期间发表文章 |
81 |
|
| 【DOI】 | LunWen.ID:2.2008.366485 |
