一、关于遥感概论教学中像素亮度值重抽样法的优化解（论文文献综述）
周鲜成[1]（2008）在《基于微粒群算法的数字图像处理方法研究》文中认为随着数字图像处理技术在军事、医学、遥感、工业生产等领域越来越广泛的应用,图像信息呈现出复杂性和多样性特征,普遍存在着图像信息处理的不完整性、不确定性以及建模困难等问题。因此,智能优化算法在图像处理领域得到了广泛应用,并在某些方面取得了比传统方法更好的效果。近年来,将微粒群算法应用于图像处理领域的研究已取得一定成绩,但在图像分割、图像增强和图像复原等方面仍存在值得进一步深入研究探讨的问题。本文在研究微粒群算法基本理论的基础上,提出了微粒群算法的改进形式,并将微粒群算法和模糊理论、模拟退火算法结合应用于图像处理领域,研究基于微粒群算法的图像模糊阈值分割、图像聚类分割、图像增强和图像复原方法。主要研究工作包括以下几个方面。1.研究了基于微粒群算法的多峰函数寻优问题,提出一种基于峰谷函数的小生镜微粒群算法。算法通过峰谷函数判断小生境子微粒群的生成和合并,产生新的小生境微粒群。该算法克服了初始化参数选取依赖于求解问题先验知识、算法收敛速度慢等缺陷,提高了小生境微粒群算法的多峰函数寻优能力,避免了计算资源的浪费,使算法的寻优效率和收敛速度均有明显改善。2.提出了基于微粒群算法的最大模糊熵阈值分割算法。该算法利用微粒群算法的全局优化能力,依据最大模糊熵原理,搜索模糊参数的最优组合,自适应地确定分割阈值,能应用于单目标、多目标以及信噪比较低图像的分割,具有较强的适应性和较好的图像分割效果,并能大大降低计算的复杂度。3.提出了基于微粒群算法的图像模糊聚类分割算法。根据不同的应用对象,对传统FCM算法的目标函数进行修改,设计了不同的适应度函数,利用捕食者-食饵微粒群算法寻找最优聚类中心,能应用于普通图像、噪声污染图像和彩色图像的分割。提出的算法能克服模糊C均值聚类算法对初始聚类中心敏感易陷入局部最优的不足,提高FCM算法的计算速度。特别是当应用于噪声图像分割时,提出的算法由于既考虑了图像所具有的模糊性,又利用了图像的空间信息,对噪声不敏感,具有抗噪性能好、鲁棒性强等特点。4.提出了基于微粒群算法的图像增强算法。该算法利用Tubbs提出的规则化Beta函数拟合对比度变换曲线,自动寻找Beta函数的最优参数,实现灰度图像对比度的自适应变换;针对彩色图像滤波,通过自适应地获得滤波器窗口的最优权值,体现滤波器窗口内像素之间的空间距离对滤波效果的影响,实现彩色图像脉冲噪声的自适应滤波,其性能明显优于现有的彩色图像滤波方法。5.提出了基于微粒群和模拟退火算法的图像复原算法。该算法利用微粒群算法的快速搜索能力和模拟退火算法良好的全局收敛性能寻找最佳复原图像,克服了传统的图像复原方法存在较多约束条件、依赖先验知识、计算求解复杂和对噪声十分敏感等不足,能应用于不同类型退化图像的复原,并能有效地解决经典维纳滤波算法噪信功率比难以确定的问题。最后,对论文进行了总结,并提出了一些有待于今后进一步研究的问题。
孙运达[2]（2006）在《多视点非接触式人体运动捕捉的研究》文中研究说明运动捕捉是检测记录运动目标的动作或表情，将其转化为数字化的“抽象运动”的技术。运动捕捉结果表达为不同时刻目标所处的姿态，可用于新一代人机自然交互、动画制作、游戏制作、运动分析、虚拟现实等诸多应用领域。由于非接触式人体运动捕捉具有非强迫、成本低、智能化等优点，如何不依赖于特殊设备或标志，克服噪声、复杂背景、遮挡和自遮挡等因素的干扰，从图像序列中获取人体的姿态信息已成为运动捕捉领域的重要热点之一。本文对多目图像序列中的人体运动捕捉的相关技术进行了研究和探讨，提出了一系列新的解决方案和算法。主要内容如下： 1．在运动目标的提取中提出了一种自适应层次式混合高斯（GMM）背景模型，即HGMM。它使运动捕捉系统能够处理更多复杂场景中采集的数据，较好的解决了自适应混合高斯背景模型中存在的三个方面的问题：背景模型初始化速度慢、暂停运动或运动缓慢的目标被背景模型过快吸收、无法处理剧烈的光照变化。为了解决这些问题，本文介绍了一种小样本集上的背景模型学习算法、一种新的背景模型选取算法以及背景模型的层次式组织形式。 2．在运动目标的提取中提出了一种新的结合“自适应GMM背景模型”的马尔可夫随机场后验概率最大化（MRF-MAP）方法，即GMM-MRF。它是一种固定摄像机条件下实时、准确的运动目标自动提取方案，解决了已有MRF-MAP方法中存在的四个方面的问题：无法处理动态背景造成的“伪目标”、阴影的干扰、提取结果不符合图像中的边缘特征、算法效率太低。本文对MRF-MAP方法的贡献在于：设计了基于“自适应GMM背景模型”的能量项、设计了阴影消除能量项、设计了对比能量项以及引入了动态的切图算法。 3．在基于学习的人体运动捕捉中，提出了一种从视点基本无关的三维体素数据中学习人体姿态的方法，即LPFV（Learning Pose From Voxel）。它在一
王鑫[3]（2005）在《图像配准理论及其算法研究》文中研究说明图像配准是图像处理的基本任务之一,用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行（主要是几何意义上的）匹配。图像配准是多种图像处理及应用如物体辨识、变化检测、三维建模等的基础,配准效果将直接影响到其后续图像处理工作的效果。 图像形变可分为两类,引起图像失配的形变以及非图像失配原因的形变,图像配准的主要工作即选取适当的方法以适应前者并且尽量减小后者带来的影响。图像配准的方法很多,但目前没有哪一种方法可以适用于所有图像,因此针对所应用的图像找到适合其特点的配准方法是图像配准研究中的重点。 本文主要内容是对图像配准概念、意义以及常见配准方法、配准模型进行了分析,并回顾了传统的配准方法。其中重点是对本文采用的三种图像配准方法进行了研究。 首先通过分析基于控制点配准方法的原理,实现了两幅图像的配准。实验结果表明在ERDAS IMAGINE软件系统中采用基于控制点的配准方法可有效解决图像配准问题,而且具有较高的配准精度。 第二讨论了傅氏变换的相位相关技术对于具有平移,旋转和比例缩放的两幅图像在配准中的应用。同时提出了一种改进算法,通过在极坐标下将旋转角度和比例缩放因子转化为平移的形式,使相位相关方法的速度得到了改善,实验结果表明该方法可有效解决图像配准中的平移,旋转和比例缩放问题,而且具有较高的配准精度和运算效率。 第三对配准过程中的最优化算法进行了研究,提出了一种局部优化算法（单纯形搜索法）与全局优化算法（模拟退火算法）相结合的高效最优化算法,克服了配准过程中的局部极值问题,提高了求解速度与精度;本研究的创新之处在于对模拟退火法进行了改进,并结合局部优化算法（单纯形搜索法）,提出了一种崭新、高效的全局最优化算法。实验结果表明,无论在配准的速度、精度,还是鲁棒性方面都能够满足实际应用的需求。
苍桂华[4]（2001）在《关于遥感概论教学中像素亮度值重抽样法的优化解》文中指出通过总结几年的教学经验，对传统的遥感概论教学中的像素亮度值重抽样法过程进 行优化，计算被抽样点的亮度值，使得结果更具体、直观，便于学生理解掌握，提高教学效 果。
二、关于遥感概论教学中像素亮度值重抽样法的优化解（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、关于遥感概论教学中像素亮度值重抽样法的优化解（论文提纲范文）
（1）基于微粒群算法的数字图像处理方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 微粒群算法的研究进展及存在的问题 |
| 1.2.1 微粒群算法的研究进展 |
| 1.2.2 微粒群算法存在的主要问题 |
| 1.3 图像处理的基本问题 |
| 1.3.1 图像分割 |
| 1.3.2 图像增强 |
| 1.3.3 图像复原 |
| 1.4 微粒群算法应用于图像处理的研究进展 |
| 1.4.1 微粒群算法在图像分割中的应用 |
| 1.4.2 微粒群算法在图像配准和图像融合中的应用 |
| 1.4.3 微粒群算法在图像压缩中的应用 |
| 1.4.4 微粒群算法在图像识别中的应用 |
| 1.4.5 微粒群算法在图像处理领域的其它应用 |
| 1.5 基于微粒群算法的图像处理有待研究的问题 |
| 1.6 课题来源及论文的组织结构 |
| 第二章 微粒群算法及其改进 |
| 2.1 基本微粒群算法 |
| 2.1.1 算法原理 |
| 2.1.2 PSO算法的流程 |
| 2.1.3 PSO算法的参数分析与选择 |
| 2.2 捕食者—食饵微粒群算法 |
| 2.3 基于峰谷函数的小生镜微粒群算法 |
| 2.3.1 保证收敛的微粒群算法 |
| 2.3.2 峰谷函数 |
| 2.3.3 基于峰谷函数的小生境PSO算法 |
| 2.3.4 算法测试 |
| 2.4 本章小结 |
| 第三章 基于微粒群算法的图像阈值分割 |
| 3.1 图像阈值分割概述 |
| 3.1.1 类间方差法 |
| 3.1.2 最大熵法 |
| 3.1.3 最大模糊熵法 |
| 3.1.4 基于微粒群算法的最大类间方差阈值分割 |
| 3.1.5 基于微粒群算法的最大熵阈值分割 |
| 3.2 基于微粒群算法和最大模糊熵的单阈值分割 |
| 3.2.1 基于微粒群算法和最大模糊熵的单阈值分割算法 |
| 3.2.2 实验结果及分析 |
| 3.3 基于微粒群算法和最大模糊熵的双阈值分割 |
| 3.3.1 基于最大模糊熵的双阈值图像分割原理 |
| 3.3.2 基于微粒群算法和最大模糊熵的双阈值分割算法 |
| 3.3.3 实验结果及分析 |
| 3.4 基于微粒群算法和二维模糊熵的阈值分割 |
| 3.4.1 图像的二维模糊熵 |
| 3.4.2 基于微粒群算法和二维模糊熵的阈值分割算法 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于微粒群算法的图像聚类分割 |
| 4.1 聚类分析及聚类算法 |
| 4.1.1 聚类分析 |
| 4.1.2 聚类算法 |
| 4.1.3 聚类效果的评估参数 |
| 4.2 基于微粒群和C均值算法的图像聚类分割 |
| 4.2.1 基于微粒群和C均值算法的灰度图像分割 |
| 4.2.2 基于微粒群和C均值算法的彩色图像分割 |
| 4.3 基于微粒群和模糊 C均值算法的图像聚类分割 |
| 4.3.1 基于捕食者-食饵微粒群的模糊 C均值聚类图像分割算法 |
| 4.3.2 仿真结果 |
| 4.3.3 性能比较 |
| 4.4 基于改进微粒群算法和二维直方图的模糊聚类图像分割 |
| 4.4.1 基于捕食者-食饵微粒群的二维FCM图像分割算法 |
| 4.4.2 仿真结果和性能比较 |
| 4.5 基于微粒群和特征距离的模糊聚类彩色图像分割 |
| 4.5.1 特征距离 |
| 4.5.2 彩色图像的快速FCM分割 |
| 4.5.3 基于微粒群的改进FCM彩色图像分割算法 |
| 4.5.4 仿真结果和性能比较 |
| 4.6 本章小结 |
| 第五章 基于微粒群算法的图像增强 |
| 5.1 灰度变换和彩色图像滤波 |
| 5.1.1 灰度变换 |
| 5.1.2 彩色图像滤波 |
| 5.3 基于微粒群算法的灰度图像自适应对比度变换 |
| 5.3.1 拟合对比度变换函数的非完全Beta函数 |
| 5.3.2 基于微粒群的图像对比度自适应变换算法 |
| 5.3.3 仿真结果及比较 |
| 5.4 基于微粒群算法的彩色图像滤波 |
| 5.4.1 种群的设计 |
| 5.4.2 适应度函数的确定 |
| 5.4.3 算法描述 |
| 5.4.4 仿真结果和性能比较 |
| 5.5 本章小结 |
| 第六章 基于微粒群算法的图像复原 |
| 6.1 图像复原概述 |
| 6.1.1 图像的退化/复原过程模型 |
| 6.1.2 估计退化函数的方法 |
| 6.1.3 逆滤波 |
| 6.1.4 维纳滤波 |
| 6.2 基于微粒群和模拟退火算法的图像复原 |
| 6.2.1 种群设计 |
| 6.2.2 个体适应度函数 |
| 6.2.3 基于微粒群和模拟退火的图像复原算法 |
| 6.2.4 实验仿真 |
| 6.3 基于微粒群优化噪信功率比的维纳滤波 |
| 6.3.1 适应度函数的选择 |
| 6.3.2 基于微粒群的噪信功率比优化算法设计 |
| 6.3.3 实验仿真 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文研究工作总结 |
| 7.2 需进一步研究的问题 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文和完成的科研项目 |
（2）多视点非接触式人体运动捕捉的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 有一章 绪论 |
| 1.1 论文的研究背景 |
| 1.2 运动捕捉技术的研究与发展 |
| 1.2.1 运动捕捉的发展历史 |
| 1.2.2 运动捕捉系统的分类 |
| 1.2.3 非接触式人体运动捕捉研究 |
| 1.3 论文的主要成果和结构安排 |
| 1.3.1 论文的主要成果 |
| 1.3.2 论文的结构安排 |
| 第二章 运动目标的提取 |
| 2.1 运动目标提取方法综述 |
| 2.2 “自适应层次式混合高斯背景模型”HGMM |
| 2.2.1 自适应GMM背景模型 |
| 2.2.2 初始化背景模型 |
| 2.2.3 处理复杂的运动形式 |
| 2.2.4 适应剧烈的光照变化 |
| 2.3 “结合GMM背景模型的MRF-MAP方法”GMM-MRF |
| 2.3.1 自动的MRf-MAP方法 |
| 2.3.2 基于“自适应GMM背景模型”的能量项 |
| 2.3.3 阴影消除能量项 |
| 2.3.4 对比能量项 |
| 2.3.5 动态的切图算法 |
| 2.4 实验分析 |
| 第三章 基于学习的人体运动捕捉 |
| 3.1 基于学习的人体运动捕捉算法综述 |
| 3.2 “从三维体素数据中学习人体姿态的方法”LPFV |
| 3.2.1 姿态参数化 |
| 3.2.2 三维体素数据重建 |
| 3.2.3 体素数据特征提取 |
| 3.2.4 回归分析 |
| 3.3 实验分析 |
| 第四章 基于模型的人体运动捕捉 |
| 4.1 基于模型的人体运动捕捉算法综述 |
| 4.2 “人体运动捕捉的三维动态马尔可夫随机场方法”3d-DMRF |
| 4.2.1 3D-DMRF方法的总体思路 |
| 4.2.2 3D-DMRF方法与E-M算法 |
| 4.2.3 3D-DMRF方法的具体内容 |
| 4.2.3.1 一元似然项 |
| 4.2.3.2 一元人体模型项 |
| 4.2.3.3 二元平滑项 |
| 4.2.3.4 二元似然项 |
| 4.2.3.5 内层优化 |
| 4.2.3.6 外层优化 |
| 4.2.3.7 附加约束 |
| 4.2.3.8 姿态初始化 |
| 4.3 实验分析 |
| 第五章 人体运动捕捉原型系统 |
| 5.1 系统假设 |
| 5.2 摄像机定标 |
| 5.3 多目同步视频采集模块 |
| 5.4 人体运动捕捉模块 |
| 第六章 结束语 |
| 附录A |
| 附录B |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文 |
（3）图像配准理论及其算法研究（论文提纲范文）
| 第1章 绪论 |
| 1.1 课题的目的和意义 |
| 1.2 图像配准的研究现状 |
| 1.2.1 遥感图像和图像配准 |
| 1.2.2 图像配准国内外发展现状 |
| 1.3 课题内容及重点难点 |
| 1.3.1 课题内容 |
| 1.3.2 课题重点 |
| 1.3.3 课题难点 |
| 1.4 开发工具简介 |
| 第2章 图像配准预处理 |
| 2.1 几何纠正概论 |
| 2.2 几何纠正的一般方法 |
| 2.2.1 多项式近似法 |
| 2.2.2 表面拟和纠正方法 |
| 2.2.3 局部加权平均表面拟合方法 |
| 2.3 本文采用的几何纠正方法 |
| 2.4 本章小结 |
| 第3章 图像配准方法研究 |
| 3.1 图像配准简介 |
| 3.2 图像配准理论 |
| 3.2.1 图像配准的数学模型 |
| 3.2.2 图像变换 |
| 3.3 图像配准方法 |
| 3.3.1 基于灰度信息的图像配准方法 |
| 3.3.2 变换域的图像配准方法 |
| 3.3.3 基于特征的配准算法 |
| 3.3.4 基于控制点的图像配准方法 |
| 3.3.5 如何使用 ERDAS IMAGINE进行图像配准 |
| 3.3.6 基于弹性模型的方法 |
| 3.4 本章小结 |
| 第4章 基于傅氏变换的图像配准方法 |
| 4.1 变换域的图像配准方法 |
| 4.2 实验结果及讨论 |
| 4.3 本章小结 |
| 第5章 求解配准最优变换参数的最优化算法研究 |
| 5.1 优化问题的提出 |
| 5.2 优化问题的定义 |
| 5.3 配准参数求取的优化方法介绍 |
| 5.4 局部优化算法原理 |
| 5.4.1 牛顿型方法及改进牛顿方法 |
| 5.4.2 单纯形搜索法 |
| 5.5 优化问题的解决 |
| 5.5.1 模拟退火法(Simulated Annealing ，SA) |
| 5.5.2 模拟退火参数的确立及其步骤 |
| 5.5.3 改进的模拟退火法 |
| 5.6 单纯形-模拟退火算法 |
| 5.7 算法验证 |
| 5.8 本章结论 |
| 第6章 图像配准后处理 |
| 6.1 重采样理论 |
| 6.2 图像镶嵌 |
| 6.3 实验结果 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、关于遥感概论教学中像素亮度值重抽样法的优化解（论文参考文献）
- [1]基于微粒群算法的数字图像处理方法研究[D]. 周鲜成. 中南大学, 2008(02)
- [2]多视点非接触式人体运动捕捉的研究[D]. 孙运达. 北京交通大学, 2006(06)
- [3]图像配准理论及其算法研究[D]. 王鑫. 哈尔滨工程大学, 2005(08)
- [4]关于遥感概论教学中像素亮度值重抽样法的优化解[J]. 苍桂华. 南京建筑工程学院学报(社会科学版), 2001(02)