一、一种新的彩色图像降维方法（论文文献综述）
谢斌[1]（2020）在《基于特征保持的彩色图像增强研究》文中指出图像增强是图像处理的一个重要分支,其目的是通过添加特定信息或进行特定变换来有选择地突出或保持源图像中的重要特征,以得到满足用户需求的结果图像。随着计算机视觉技术的迅速发展和人们对图像质量要求的不断提高,图像增强技术涉及的研究领域日益广泛。由于彩色图像已经非常普及,并且它所包含的内容和表达的丰富信息是灰度图像无法比拟的,因此,对彩色图像增强的研究显得尤为重要。现阶段,重彩色技术和去彩色技术是彩色图像增强领域中的热点问题,受到众多科研人员的密切关注。为此,文中在综述了相关研究现状的基础上,对重彩色技术和去彩色技术中的若干特征保持关键问题进行了深入的研究和探讨。主要研究成果如下:（1）针对传统基于总变分正则的重彩色方法容易导致结果图像出现“阶梯效应”和小细节模糊的问题,文中提出了一种基于自适应总广义变分正则的重彩色新方法（ATGVR方法）。首先,将总广义变分正则引入到重彩色模型中,以有效地抑制“阶梯效应”。其次,在重彩色模型中设计了一种加权的边缘指示函数,它能够根据图像的内容自适应地引导总广义变分正则控制模型的平滑力度,以更好地达到保护重彩色结果图像细节的目的。另外,文中结合前向-后向分裂算法和加权原始-对偶算法设计了一种新的数值解法,以有效地求解所提新模型。仿真实验结果表明,相对于传统基于总变分正则的重彩色方法,文中所提ATGVR方法不仅可以有效地抑制“阶梯效应”,而且还能够更好地保护图像细节,得到的结果图像更加自然和清晰。（2）针对传统重彩色方法中目标图像的颜色信息容易对重彩色过程造成干扰并影响结果图像颜色效果的问题,文中提出了一种基于中心化约束的重彩色新方法（CFTVR方法）。一方面,设计了一种新的中心化约束并将其引入到重彩色模型中,以减小目标图像的颜色对重彩色过程的干扰,并使结果图像能够更好地保持参考图像的颜色信息。另一方面,将分数阶总变分正则引入到重彩色模型中,以更方便地抑制“阶梯效应”和保护结果图像细节。此外,为了求解所提新模型,文中结合增广拉格朗日算法和原始-对偶算法设计了一种新的数值解法。仿真实验结果表明,相对于传统的重彩色方法,文中所提CFTVR方法可以让结果图像的颜色风格更加忠诚于参考图像的颜色风格,并能够取得更好的重彩色效果。（3）针对传统织物图像重彩色方法中存在的算法复杂度高、重彩色后的结果图像不能很好地保留原织物图像的层次感和细节等问题,文中结合显着颜色提取和图像分解提出了一种新的织物图像重彩色方法（SDFR方法）。一方面,利用显着颜色提取得到原织物图像更具代表性的主要颜色和分割区域,以使结果图像能够更好地保持原织物图像的层次感。另一方面,将原织物图像分解成包含主要细节的纹理部分和包含主要轮廓结构的卡通部分,并利用更加简单有效的防溢出重彩色策略将新的颜色主题转移到原织物图像的卡通部分,然后再叠加原织物图像的纹理部分以得到重彩色后的结果图像,从而更好地保持织物图像的细节和有效地提升算法的运行效率。仿真实验结果表明,相对于传统的织物图像重彩色方法,文中所提SDFR方法不仅能够让结果图像较好地保持原织物图像的层次感和细节,而且运行效率也得到了明显的提升。新方法具有简单、高效的特点,能够较好地适用于织物图像的颜色设计工作。（4）针对传统基于双峰高斯分布的去彩色方法存在的对比度保持能力不足、容易产生伪影和算法复杂度较高等问题,文中提出了一种基于梯度保持和全局对比度保持的去彩色实时方法（GBGD方法）。首先,利用灰度结果图像的梯度和由亮度控制的彩色图像梯度设计了一种新的梯度保持约束项,以有效地保持灰度结果图像的局部对比度。其次,在双峰高斯函数约束中引入全局像素对比度,以更好地保持灰度结果图像的全局对比度。另外,为了求解所提新模型,文中结合固定点迭代法设计了一种高效的数值解法。仿真实验结果表明,相对于传统的去彩色方法,文中所提GBGD方法能够较好地保持原彩色图像的对比度和有效地抑制伪影,在评价指标方面亦有更好的表现。该方法达到了实时的速度,具有较好的应用价值。（5）针对传统去彩色方法不能较好地保持原彩色图像的主要视觉对比度、层次感和细节等问题,文中结合局部线性嵌入和梯度相似度提出了一种新的离散搜索去彩色方法（LLEGSD方法）。一方面,引入局部线性嵌入思想以让灰度结果图像保持原彩色图像的主要视觉对比度和层次感。另一方面,利用灰度结果图像与原彩色图像的梯度相似度以让灰度结果图像保持原彩色图像的边缘细节特征。最后,采用离散搜索策略快速地得到去彩色结果。仿真实验结果表明,文中所提LLEGSD方法可以有效地保持原彩色图像的主要视觉对比度、层次感和边缘细节,并能够取得较传统方法更好的去彩色效果。
陈采璐[2]（2019）在《基于深度卷积神经网络的高光谱图像分类方法研究》文中研究说明近年来,深度学习特别是深度卷积神经网络在高光谱图像分类领域的应用越来越广泛,取得了越来越好的分类性能。然而随着高光谱图像空间分辨率和光谱分辨率的不断提高,在分类时还存在着空谱信息融合利用不足、光谱信息冗余、计算复杂度高、椒盐噪声难以去除等问题。并且基于深度学习的分类方法总需要一个大规模标注的数据集来支持训练,样本数量不足将影响分类准确率。针对这些问题,本文开展了如下研究:首先,作为本文的研究基础,分析了几类基于深度卷积神经网络的经典分类方法,它们分别是基于光谱信息、基于空间信息和融合空谱信息的分类方法,通过这些方法的分析与验证,不仅证明了融合空谱信息的方法具有明显的优势,同时为本文后续研究奠定了基础。随后,提出了基于信息测度降维的高光谱图像分类方法（IM）,应用熵和颜色匹配函数对谱带初步选择,再计算最小互信息对谱带二次选择,有效实现了对高光谱图像降维。并通过对选出谱带合成假彩色图像,实现了对地物信息的可视预判。相对于基于光谱信息的分类方法,IM方法的总分类准确率至少提高了7%。相对于基于空间信息的分类方法和融合光谱与第一主成分空间信息的分类方法,IM方法总分类准确率至少提高了4%。在此基础上,又提出基于信息测度降维与光谱信息加强的分类方法（IMSPE）,进一步融合空谱信息输入卷积神经网络,获得比基于前三主成分空谱信息分类方法和IM方法更高的分类准确率,该方法通过巧妙的降维在一定程度上解决了光谱信息冗余的问题,并且利用空谱融合得到了更好的分类效果。最后,研究分析了基于深度迁移学习的高光谱图像分类方法,并提出基于深度迁移学习与最优邻域降噪的分类方法,在小样本上获得了超过98%的平均分类准确率,且相对于无迁移学习方法和基于前三主成分空谱信息的分类方法,总分类准确率分别提高了至少3%和2%。该方法在一定程度上减小了计算复杂度,并解决了训练样本不足、噪声严重导致分类准确率不高的问题。通过以上所有分类方法的性能对比实验,验证了本文提出的方法均在一定程度上提高了分类准确率,特别是在高维小样本上有着最为稳定和优异的性能表现。
姜飞[3]（2018）在《基于循环卷积的张量稀疏模型及应用研究》文中指出基于张量稀疏表示的多维图像特征提取方法,由于能够保留图像的空间结构,去除冗余信息,深入挖掘隐含在多维图像内部的本质特征,近年来得到了广泛关注,并成功应用在图像识别、视频跟踪、图像修复等领域。其中,基于循环卷积的张量模型,由于其运算法则和矩阵类似且可在频域内快速计算,同时能够有效的模拟多维数据各个维度之间的相关特性,已成为张量研究的一个热点。本论文主要研究基于循环卷积的张量稀疏模型,包括构建新的张量稀疏编码模型和低秩张量填充模型。通过深入挖掘循环卷积下特有的性质,并借助经典的矩阵分析理论,对所提的张量稀疏模型的物理含义及特性给出了一定的解释,并在多谱图像去噪、彩色视频重构、图像聚类、彩色图像填充等问题中验证了所提模型的有效性。本论文的贡献和创新点主要体现在以下方面:1.提出了一种新的基于张量线性组合的张量稀疏编码模型。深入挖掘张量线性组合下小字典、平移不变及张量系数丰富的物理含义等特性,采用更为简洁的张量字典表示多维图像,显着减少了存储空间和计算复杂度。根据不同的稀疏性度量方法,提出了两种不同的张量稀疏模型。同时,提出了一种高效的交替迭代优化算法。在求解张量系数时,设计了一种新的基于张量的快速迭代软阈值收缩算法。由于该算法在迭代过程中的复杂运算只涉及循环卷积,可并行运算且计算的复杂度较低;在求解张量字典时,首先转化到频域内将原问题分解成一些相关性不大的子问题,降低计算复杂度。然后利用拉格朗日对偶算法减少优化的变量,提高计算的效率。最后,在多谱图像去噪和彩色视频重构等实验中验证了小字典特性和所提算法的有效性。2.提出了一种用于图像聚类的图正则化张量稀疏编码模型。该模型一方面通过张量稀疏编码保留图像的空间结构和提取隐含在图像内部的本质特征,另一方面通过图拉普拉斯保留图像分布的局部不变特性,增强图像聚类的效果。由于模型中同时包含了矩阵运算和张量运算,为有效求解,我们将图拉普拉斯矩阵升级成张量,统一成循环卷积运算,设计新的张量快速迭代软阈值收缩算法快速求解。在聚类过程中,所提算法不需要降维,根据小字典等特性,直接进行张量稀疏编码。通过和传统的稀疏编码比较,验证了基于张量表示的特征提取的优势。通过和张量稀疏编码比较,验证了图正则化的作用。3.提出了一种新的稀疏正交张量字典学习模型。考虑到相似的样本之间所包含的模式有限,不需要过完备的字典进行描述,提出了一种稀疏正交张量字典学习模型。通过在字典中加入正交约束减少字典各项间的相关性,增强字典的表达能力。同时,提出了一种快速的迭代优化算法。在张量稀疏学习和张量字典学习过程中都不需要迭代,每个子问题都有闭式解,显着降低了训练和测试的时间。在多谱图像去噪实验中,从去噪效果和运行速度两方面验证了所提算法的有效性。4.提出了一种全变分低秩张量填充模型,用于彩色图像填充等问题。该模型首先通过张量核近似多维图像的低秩特性,考虑了多维图像各个维度间的相关性。然后利用各向异性的全变分算子保证恢复出的彩色图像在空间结构上所具有的光滑特性,同时保留了信号维度上不连续的特性。接着,我们提出了一种有效的求解方法,最后,在彩色图像填充的实验中,验证了张量核范数和各向异性的变分算子的在彩色图像修复中的作用。
谷小婧[4]（2011）在《基于图像分析的自然彩色夜视成像方法研究》文中研究说明夜视技术借助于光电成像器件拓展了人类的光谱响应范围尤其是在黑暗中观察景物的能力,使夜晚变得透明。传统的夜视图像都是单色,不利于对于场景的理解及目标的识别。随着对色彩在人类认知系统中所起作用的认识逐步加深,如何实现彩色夜视、尤其是与人眼视觉特性相符合的自然彩色夜视,已经成为夜视领域的研究热点。自然彩色夜视技术可以使夜视图像获得最佳的观测性能,在各种军用及民用领域,如战场监控、情报传送、刑事侦察、安全检查、交通管制、夜间导航、文物保护等方面有着重要应用。本论文首先从夜视图像的成像特性和应用特性出发,探讨具有景物深度及空间立体视觉感的自然彩色夜视实现的问题、单波段红外热像的自然彩色夜视实现的问题、红外/微光双波段图像的实时自然彩色夜视实现的问题；其次从与自然彩色夜视实现过程相关的数学模型出发,探讨用于图像识别的数据降维算法和用于模型训练的稀疏学习算法。具体而言,论文的主要研究内容和创新点如下：（1）具有景物深度及空间立体视觉感的自然彩色夜视实现方法研究。提出夜视图像应具有立体空间感的新问题。并基于夜视图像的特性,提出利用单目双波段夜视图像中的红外/微光的强度来估计景物的深度信息,再利用色彩饱和度变化来增强夜视图像空间感的方法。该方法首先通过构建一个夜视图像的模式数据库,利用辐射/反射特征和纹理特征来识别图像中的景物类别、并为各景物赋予其相应的特征色彩,再根据估计的深度信息对景物色彩的饱和度进行调制,以便获得符合人眼观察规律的具有空间立体视觉感的彩色夜视图像视觉。最后通过实验证明这种彩色夜视图像不仅具有与人眼视觉特性相吻合的自然色彩,更具有与景物深度相吻合的空间立体视觉感,从而可以显着改善观察者对夜视图像的理解效果、提高目标识别率。（2）单波段红外热像的自然彩色夜视实现方法研究。提出基于单波段红外热像实现自然彩色夜视的新问题。为克服红外图像缺乏细节、局部信息不足的问题,提出使用一种具有“多尺度”和“空间上下文”信息的特征向量来对像素点进行分析；为解决红外图像的亮度分布规律与可见光图像极为不同的问题,首次采用“监督学习”的方法来建立色彩估计模型,给出一种基于线性回归的线性模型和一种基于支持向量回归（SVR）的非线性模型。该方法不同于以往的基于“多波段图像融合技术”的彩色夜视实现方法,可直接基于单波段红外热像实现彩色夜视,在提升彩色夜视系统便携性、降低成本等方面具有重大价值。最后通过实验证明该方法可以有效地实现单波段红外热像的自然彩色夜视。（3）红外/微光双波段图像的实时自然彩色夜视实现方法研究。为了克服以往的实时彩色夜视实现方法不适用于红外/微光双波段图像的问题,根据红外/微光双波段图像的特性设计了一种新的“自然—高亮色彩查找表”。不同于以前的方法,新的色彩查找表并不是由自然彩色图像生成,而是由一种特制的“环境具有自然色而目标具有高亮色”的红外/微光彩色融合图像生成。因此,这种新的色彩查找表与红外/微光双波段图像的光谱变化具有极好的相关性,可以实现准确映射。在合成这种特制的红外/微光彩色融合图像时,为了克服红外/微光双波段图像缺乏与普通可见光图像相近的光谱变化的缺陷,使用微光波段的纹理信息来获得自然色彩；为了克服自然色彩中缺少与热目标相对应的高亮色的缺陷,使用红外/微光的特征级融合图像作为亮度通道以保持目标区域与背景环境间的高对比度。最后通过实验证明这种彩色夜视图像具有环境呈现自然色、目标呈现高亮色的特点,可以使观察者在拥有良好环境感知度的同时对热目标也有极高的敏感度。（4）基于全局推断保留映射的半监督降维方法研究。提出一种充分利用未标记样本所隐含的鉴别信息的线性半监督降维方法GIP。该方法不同于以往基于局部几何特征的半监督降维方法,通过定义并使用一种未标记样本的全局结构：“全局鉴别结构”来求得投影矩阵,使得未标记样本所隐含的类别信息得到充分利用,以提升降维后数据的分类效果。为了推断未标记样本所隐含的类别信息,一种基于路径不相似度的测量被用来构造数据间的连接矩阵。通过在数据可视化、物体图像识别数据库、人脸识别数据库、声音识别数据库上的实验证明该方法的有效性。最后也通过实验说明GIPP在微光图像彩色夜视成像中的应用：基于自动相关反馈结构,实现用于色彩传递的彩色参考图像的自动选择。（5）基于Double Lomax先验的稀疏线性模型的变分贝叶斯求解方法研究。提出一种新的“稀疏提升”型先验分布：Double Lomax先验,首先证明它代表了比ARD先验更逼近于e0范数的松弛函数,因此理论上它可以利用更少的测量值个数来恢复稀疏变量；然后证明它像ARD先验一样可以被表示成为高斯混合尺度模型（GSM）的形式,因此计算上它可以得到闭合解,同时兼顾了理论优越性和计算可行性。另外,推导出使用该先验的线性稀疏模型（SLM）的全变分贝叶斯求解方法,并分析说明该全变分贝叶斯求解方法可以很好地克服在使用非凸松弛型先验时会出现的“多个局部极值点”及“过学习”的问题。通过在自回归模型（AR）系统识别及压缩感知（CS）方面的实验说明该方法与基于ARD先验的方法相比的优越性。最后也通过实验说明该方法在单波段红外热像彩色夜视成像中的应用：可以使用较少的样本就训练出准确的色彩估计模型。
张莹[5]（2021）在《基于鲸鱼算法的高光谱遥感影像降维方法研究》文中提出高光谱遥感影像由于其自身的高维数特性,涵盖了丰富的地物信息特征。但高光谱遥感影像相邻波段的光谱特征相关性强,因此信息冗余度也大大增加,增加了图像处理和分类计算的难度。因此,如何在尽量保证数据完整性的前提下减少数据量,降低数据维数,是高光谱数据处理工作的一项重要内容。高光谱遥感影像的高维数据特征导致其容易出现维数灾难,因此,对原始数据进行降维处理是非常有必要的。特征选择作为维数约简的重要手段之一,已经被广泛应用于降维工作当中。因此,如何从几十个甚至几百个波段中选择有效波段进行后续处理,从中提取有效信息,成为高光谱遥感数据降维处理的关键问题。鲸鱼优化算法（Whale Optimization Algorithm,WOA）是受到座头鲸捕食过程中的策略启发而诞生的一种新型群智能算法,通过搜索代理的不断更迭,对整个数据空间中进行随机搜索。在原始空间中,通过波段选择所产生的波段子集基本上会集中在一个连续的空间中,它们往往非常相似,容易造成信息的重用,影响后续处理的效果。为了解决这些问题,本文使用了波段子空间划分方法,将高光谱数据集的所有波段划分为若干个子空间,然后进行波段选择。普通的平滑去噪方法在平滑地物类别过程中有时跨越地物类别的边界,造成地类信息混合,不连续保持松弛（Discontinuity Preserving Relaxation,DPR）算法能够在平滑高光谱遥感影像的同时,兼顾地物类别边界类别趋于相同的问题。本文基于上述的几种算法,提出了一种新的高光谱遥感影像特征选择降维方案,在该方案中,第一步,使用FCM子空间划分法将高光谱数据集进行波段子空间划分,接着,以最大熵（Maximum Entropy,ME）为评价准则,对经过波段子空间划分的数据集进行波段选择并得到一个包含特征信息最丰富的波段子集,随后,采用DPR对波段子集进行平滑后处理。使用支持向量机（Support Vector Machine,SVM）对平滑后的波段子集进行分类计算。本文采用三个国际通用的高光谱遥感影像数据集,即Indian Pines数据集、Pavia University数据集和Salinas数据集,来验证所提出的方案,实验结果证明了该方案的有效性。
王新军[6]（2021）在《子空间划分下高光谱图像无监督波段选择方法》文中进行了进一步梳理高光谱图像（Hyperspectral Image,HSI）通常由数百个连续且狭窄的光谱图像组成,含有丰富的空间信息和光谱信息,在遥感领域被广泛使用。HSI过高的数据维度增加了图像处理的成本,而且存在波段间相关性大,冗余度高等问题。对HSI进行降维处理,是解决HSI维数高的重要手段。波段选择是一种常见的降维手段,在降低维度的同时,能够保留原始数据的物理意义及光谱特性,是HSI降维研究热点之一。经典的波段选择方法往往注重于波段的代表性,而忽略了波段的多样性,使得HSI在去除冗余的同时,损失了一部分特征,降低了HSI的多样性。本论文综合考虑波段的代表性和多样性,研究在子空间划分下如何选择出既具备代表性又具有多样性的波段,提出了一种有效的无监督波段选择算法,实现了HSI的降维处理。主要研究内容为:（1）基于子空间划分和固定大小行列式点过程（Fixed-Size Determinantal Point Processes,k-DPP）方法,提出一种HSI无监督波段选择方法FCM-k DPP。该方法首先利用KL散度构建波段间距离矩阵并基于距离矩阵采用模糊C均值（Fuzzy C Means,FCM）算法对波段进行子空间划分,将相似波段划分至同一子空间内,之后在子空间内采用k-DPP方法进行波段选择,保证所选波段的多样性。行列式点过程（Determinantal Point Processes,DPP）是一种概率模型,作为一种选择高分集、低冗余特征子集的搜索算法,已广泛应用于图像、视频或文本的汇总,图像搜索和新闻线程处理等任务中。构建相似度矩阵是DPP算法的关键步骤,FCM-k DPP算法中,论文提出一种新的基于KL散度的相似度矩阵构建方法并论证了其有效性。（2）进一步,为削弱k-DPP方法在波段选择时存在的随机性问题,增强选择波段的代表性,对FCM-k DPP算法进行优化,提出了一种改进算法。改进算法中加入波段代表性质量评价机制,结合波段的信息熵、子集内距离以及子集外距离等信息度量对波段打分,得到的分值用于评判波段的代表性,通过多次循环,选取代表性分值高的波段作为最终输出波段,不仅提高了HSI分类精度,也提高了算法的稳定性。为证明所提出算法的有效性,将算法选取的波段采用支持向量机（Support Vector Machine,SVM）分类器对HSI进行像素级分类。在Salinas、Pavia University和Indian Pines三个HSI数据集上进行测试,实验结果表明,与现有6种波段选择方法相比,本文提出的波段选择方法在总体精度（Overall Accuracy,OA）、平均精度（Average Accuracy,AA）以及Kappa系数（Kappa Coefficient,KC）等指标上具有更高的分类精度。
苍圣[7]（2021）在《基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究》文中研究表明高光谱遥感技术不仅在军事领域有着举足轻重的地位,同时也被广泛地应用于气象预报、国土普查、作物估产、森林调查、地质找矿、海洋预报、灾害监测、城市规划、地图测绘等各个方面,并且与全球遥感卫星、通信卫星和定位导航卫星相配合,为国家经济建设提供了多方面的信息服务。在林业遥感应用上,高光谱遥感技术也凭借具有大量的光谱信息这个特点在森林树种分类、森林病虫害监测评估、火灾监测、森林资源变化信息提取的方面得到了广泛的应用。遥感技术为森林经营与管理提供了一种新的科学的有效的管理新手段。虽然我们可以通过分析植被的反射光谱来得到高光谱的特征,但是由于高光谱存在信息量大、数据冗余等问题,影响了高光谱数据信息的处理。如何解决该问题已经成为了高光谱遥感研究的热点及未来遥感技术的发展方向。从我国森林林业的发展趋势来看,在高光谱遥感技术数据处理的全过程中,高光谱图像的存储存在“休斯状态”、“同谱对映异构”、“同构异构”等问题。另外,由于大量的数据处理以及高光谱数据信息的收集和传输速度慢等问题,对中后期的图像和图像分辨率造成了一定的影响。本文在对高光谱图像研究现状进行详细分析和总结之后,在压缩感知和稀疏表示基础理论的指导下,开展了高效高光谱分类方法的科学研究。通过对真实的乌伊岭高光谱遥感图像的森林类型分类和树种分类实验,表明了该方法在分类问题上的有效性。具体的研究如下:（1）对研究区的高光谱遥感影像进行了图像预处理,具体包括数据读取、去条带、坏线修复、大气校正、几何精校正、裁剪与镶嵌等。通过HJ-1A卫星获得的高光谱遥感数据共有115个波段,波段间相关程度很大,冗余信息多,同时众多的波段数量对数据处理速度和数据处理质量产生一定的影响。（2）针对高光谱遥感影像数据冗余问题,本文利用分块压缩感知思想并结合TV方法,建立了一种新的基于GISMT压缩感知和谱间预测的高光谱遥感影像重构模型。首先基于分块采样方式,将降维后的遥感图像划分为若干个互不重叠的等尺寸图像块,再根据遥感图像的基本先验知识得到改进的联合稀疏表示模型,分别对各个子图像块进行随机采样;最后结合TV方法的ALM重构算法,实现了从所有图像块压缩采样得到的少量测量值中重构出降维后的高光谱遥感图像。所研究的重构算法与单一的ALM重构算法相比较,时间复杂度更小。GISMT压缩感知和谱间预测的高光谱遥感影像降维方法可以与森林分类相结合。经过重构处理后的高光谱遥感影像的稀疏性更加明显,为后续的基于压缩感知与稀疏表示的分类算法打下基础。（3）提出了一种基于多特征降维与谱间预测重构的高光谱遥感影像森林分类方法。该方法首先利用核函数将样本映射到高维空间,在高维特征空间内根据稀疏表示系数进行特征选择。在分类过程中,采用基于谱间预测重构与多核支持向量机的高光谱分类算法。通过在标准高光谱数据（集）库上的实验研究表明,该算法在小样本学习情况下,大大提高了分类精度。该算法可用于一般性的实验数据,且分类效果较好,达到95%以上,但对于森林类型分类仅达到90%以上,还有待改进。（4）提出了一种基于压缩感知与稀疏表示的窗口自适应的遥感影像森林分类方法。该算法针对高光谱遥感图像“同谱异物、同物异谱”、“维数灾难”等现象导致的难以高精度分类问题,以及无法发挥重构后的图像的稀疏性的问题,提出了解决方案。一方面,研究形状自适应搜索算法来充分挖掘图像光谱结构信息,将其用于稀疏表示模型的系数求解优化,提升表示的准确性。同时,相似像元的联合分类能够有效去除孤立像元分类产生的类似“椒盐噪声”的分类结果,从而提升整体分类性能。实验中,对比了经典的高光谱图像分类方法,实验结果表明提出方法在解决高光谱图像森林大类分类问题上有很高的分类精度,平均分类精度可达到90%以上,甚至个别分类精度超过96%。（5）提出了一种基于压缩感知与稀疏表示的无监督字典学习高光谱遥感影像森林分类方法。该方法是一种无监督的分类方法,采用基于压缩感知的字典学习方法代替基于训练样本光谱的字典构造方法,有助于构建结构紧凑、表示性能更强的字典,从而提升对复杂光谱结构的精确表示能力。实验结果表明,所提出的方法在分类性能上有较大优势,该方法应用在乌伊岭树种识别中,可以得到较好的森林树种分类的效果。与其他字典学习分类方法相比,该算法不仅在分类精度上有显着提升,达到95%以上,且也有效减少了算法的运行时间。
周兴[8]（2020）在《基于目标跟踪的智慧教学空中手写识别系统》文中进行了进一步梳理随着信息技术的发展,传统教育也朝着智慧教育发展,智慧教学是智慧教育的核心组成部分之一,多媒体等智能设备被引入到教学中。在使用多媒体教学时,教师基本使用鼠标、键盘、PPT翻页笔等计算机交互设备操作PPT、文字书写等进行教学。然而,现有的多媒体教学操作方式所借助的交互设备需要手与之接触、操作固定不够自由,在非接触性操作、预防病菌接触传播、自由无约束等特定场景下的应用存在一定的局限性。因此,为改善上述问题,本文根据多媒体教学操作环境,设计实现了一种基于目标跟踪的智慧教学空中手写识别系统,可以在多场景下通过空中手写实现智慧教学等人机交互操作。本文在研究分析目标跟踪和空中手写识别相关理论及国内外研究现状的基础上,以空中手写识别技术为研究重点,研究设计了基于目标跟踪的智慧教学空中手写识别系统。该系统通过单目摄像头进行图像采集,利用人脸检测确定目标位置,以当前帧图像的人脸位置确定空中手写区域并结合硬件云台控制实现目标跟踪,然后对空中手写区域图像利用图像识别技术实现空中手势分割、空中手势识别、空中手写轨迹采集、空中手写轨迹识别,最后根据空中手势、手写识别结果来实现多媒体教学中的PPT翻页以及字符输入等智慧教学操作方式。本文主要完成的工作如下:（1）通过分析现有多媒体教学操作方式及环境,提出了基于目标跟踪的智慧教学空中手写识别系统需求,根据系统需求分析给出对应的解决方案并设计了系统框架及实现流程。本系统主要由六大模块组成:图像采集模块、目标跟踪模块、空中手势识别模块、空中手写轨迹采集模块、空中手写识别模块、硬件控制模块。（2）通过图像采集模块获取图像,在目标跟踪模块中,使用Harr-like特征、Adaboost算法和缩小待检测图像方法实现了更快速的人脸检测,根据人脸检测结果确定空中手写区域及舵机旋转角度。采用STM32、PCA9685、舵机等搭建硬件控制模块,辅助实现智慧教学中的人脸目标跟踪。（3）在空中手势识别模块中,使用帧间差分和GMM模型对空中手写区域图像进行分割,基于PCA-SVM搭建了空中手势识别模型,实验结果表明空中手势识别率为93.44%,平均每帧耗时0.04秒,选取连续多帧空中手势识别结果中占比最大的作为空中手势识别结果并实现了智慧教学控制。（4）在空中手写轨迹采集模块中,提出了一种新指尖检测算法用于空中手写指尖检测,实验结果表明相同测试数据下性能和识别率均优于传统的重心距离法等指尖检测,取得了95.81%的识别率,平均每帧耗时0.0009秒,根据时钟信号提取有效的指尖点进行均值平滑、卡尔曼滤波处理并绘制空中手写轨迹。（5）在空中手写识别模块中,设计实现了一种基于3层卷积神经网络的空中手写识别模型,与Le Net模型及一般的3层卷积神经网络模型相比,实验结果表明本文设计的模型识别率更高,在训练集上的识别率为99.99%,验证集上的识别率为94.64%,采取Top-4方法将识别率提升到了98.79%,平均空中手写一个字符的时间大约为2秒。（6）通过对智慧教学空中手写识别系统进行功能及性能测试,测试结果证明空中手写在无约束、非接触等场景下实现了智慧教学人机交互操作,满足本系统设计需求。
李钢[9]（2020）在《视觉烟雾检测中的变换域局部特征建模》文中指出视觉烟雾检测已成为当前早期火灾探测领域的研究热点和难点,其检测率直接影响到视觉火灾探测技术的应用。近年来,随着数字图像处理、视频分析、模式识别、机器学习等技术的发展,视觉火灾探测对烟雾的检测率有了更高的要求。火灾中烟雾的视觉特征通常呈现出形态多变、颜色各异、透明度差异大、运动无规律等特点,易受外界环境影响,稳定性差,这使得从视频和图像中提取表达能力强、鲁棒性好的烟雾特征成为了提高烟雾检测率的技术难题。因此,研究视觉烟雾检测中的烟雾特征建模方法,对早期火灾预警具有重要的理论价值和实践意义。烟雾的变换域特征和静态纹理特征是两种重要特征。变换域蕴涵了原始图像中较高层的抽象信息,提取变换域上的特征有利于增强烟雾特征的表达能力。烟雾的局部特征能很好地表达烟雾的静态纹理信息,是一种稳定的烟雾特征。因此,本文围绕变换域和局部特征模式对烟雾特征建模展开研究,以提高烟雾检测的检测率,降低误报率和错误率,促进视觉烟雾检测技术的发展。本文的主要研究工作如下。（1）提出了边缘变换域局部特征建模方法。图像中的烟雾多表现为边缘模糊弯曲、少直线,而其他人造物体通常存在清晰的直线边缘。基于这一现象,该方法利用边缘特征图上的局部特征来增强烟雾特征的表达能力。为保证边缘检测方法的适应性,该方法使用了自适应Canny算子检测边缘。针对二值的边缘特征图,该方法提出了两种局部特征模式（局部边界求和模式与局部区域求和模式）。提取边缘特征图的局部边界求和模式特征与局部区域求和模式特征、原图和边缘特征图的局部二值模式特征之后,该方法对所提特征进行选择得到最终特征。该方法利用边缘变换域解决了图像中目标物体的边缘信息没有得到利用的问题。（2）提出了Gabor变换域局部特征建模方法。图像变换常被用于传统视觉烟雾检测,而烟雾特征提取过程通常只使用单一尺度的变换域,较少采用具有多尺度特性的Gabor变换域。因此,该方法引入了具有多尺度、多方向特性的Gabor小波,通过提取Gabor特征图的局部特征来增强烟雾特征的表达能力。首先,该方法通过构造聚合Gabor核,减少了传统Gabor核的数量和传统Gabor核之间的冗余信息。然后,改进了传统局部二值模式的编码方式,采用自定义比较函数替代原始的二值化函数,很好地利用了Gabor特征图中丰富的像素值信息。最后,利用改进的局部二值模式提取原始图像和Gabor特征图的特征,并串联所有特征生成最终特征。该方法利用Gabor变换域解决了传统局部特征不具有多尺度、多方向特性的问题。（3）提出了基于Gabor变换域和边缘变换域的局部特征建模方法。Gabor特征图能够提取原始图像中所蕴涵的抽象特征,具有丰富的像素值信息。为更好利用Gabor特征图上的像素值信息,该方法改进了局部三值模式。针对传统局部三值模式中使用固定阈值不能很好适应所有图像的问题,该方法提出了置信水平局部三值模式,利用置信水平阈值来计算三值化函数的高低阈值,并设计了新的三值化函数来生成编码特征图,提高了局部三值模式的适应性。针对Gabor特征图上所提特征的融合方法过于简单而导致不能反映各特征重要程度的问题,该方法使用Gabor特征图的信息熵来计算对应特征的权重,从而生成加权特征。另外,边缘特征图能捕获原始图像中特定的高频信息,体现了物体的边缘特征,故该方法也使用了原始图像的边缘特征图。利用置信水平局部三值模式,该方法分别计算了原始图像和边缘特征图的特征、Gabor特征图的加权特征,并将这些特征融合、降维生成最终特征。该方法很好地解决了多个Gabor变换域的局部特征融合方法过于简单的问题,同时利用Gabor变换域和边缘变换域捕获了原始图像上两种不同的抽象信息。（4）提出了多层Gabor变换域局部特征建模方法。使用Gabor核的传统特征提取方法中,每个Gabor核通常只执行一次卷积运算,无法同时提取到原始图像在不同层次上的抽象特征。为此,该方法构建一个多层Gabor卷积网络,提取了原始图像在多个层次上的抽象特征,生成了多层级的Gabor特征图。该网络含有一个图像输入层和多个Gabor特征计算层。Gabor特征计算层包含Gabor卷积子层和Gabor特征融合子层。在卷积子层利用Gabor核生成Gabor特征图后,该网络能利用特征融合子层融合Gabor特征图,避免了网络中图像数量呈指数级增长。在利用Gabor卷积网络输出多个层级的图像后,该方法计算了这些图像的局部二值模式特征。最后利用特征选择权重向量对各层的特征进行选择,并对所选特征进行融合、降维生成最终特征。针对Gabor核仅使用一次卷积运算的问题,该方法通过构建多层Gabor卷积网络很好地捕获了原始图像上多个层次的抽象信息。（5）为验证上述4种局部特征建模方法的性能,本文分别在烟雾识别和视频烟雾检测实验中使用了这4种方法来提取烟雾特征,并且视频烟雾检测实验使用了由烟雾识别实验训练的分类模型。实验结果显示:烟雾识别实验中,这4种方法都能获得较高的检测率,所提特征具有很好的烟雾辨识能力;视频烟雾检测中,分类模型能够很好地检测出烟雾视频中的烟雾,具有较好的烟雾检测效果。
田纯[10]（2020）在《视网膜血管分割技术研究》文中进行了进一步梳理视网膜血管状态与包括眼睛病变在内的许多身体疾病之间存在着密切的关联性,对眼底视网膜图像进行智能检测和分析,获取视网膜血管病变和病灶信息,对临床医学具有重要的研究意义。由于视网膜血管粗细不一,其最小处直径只有数个像素宽度,因此血管分割的准确性,对于后续智能分析效果显得尤为重要。传统视网膜血管分割算法大多基于相邻像素或区域的颜色跳跃特性,利用梯度运算等数学模型来实现检测,重点关注图像局部区域以及特定方向上的血管分布,因此对比度较弱的微细血管的检测性能并不理想。考虑到生物视觉系统在感知目标时的非凡性能,因此本文将丢弃传统的图像处理思路,充分考虑视觉系统的弱目标检测以及感知学习能力,首先利用视觉神经系统中被广泛证实的弱信号增强随机共振机制,构建时空转换模型来实现微弱血管的自动分割检测;此外利用大脑神经元深层次动态突触互连的学习机制,在传统卷积神经网络的基础上,并结合视通路视觉信息传递的多路径特性,提出一种基于多路径卷积神经网络的眼底图像血管分割新方法。本文的主要研究工作和成果如下所示:（1）构建并实现随机共振响应模型在弱信号增强中的应用。给出了随机共振响应的评价指标以及一维弱信号增强的实现步骤,重点研究了传统随机共振响应模型在二维图像增强中的应用思路,尤其是二维空间与一维序列的映射关系对于图像空间特性保持的影响,并尝试将随机共振应用于眼底视网膜血管的分割,与传统基于梯度算法的数学模型进行了实验比较,结果表明随机共振方法对于视网膜血管具有较好的分割特性,尤其在弱血管分割中具有较为稳定的性能。（2）提出了一种基于时空信息变换的眼底图像血管分割方法。由于传统降维方法未考虑领域像素之间的相互关系和影响,破坏了图像二维的空间信息,导致图像细节信息变得模糊不清,图像的输出质量并不高。与传统的降维思路不同,本文主要利用图像的二维空间信息与时域之间的转换,将图像像素信息转换为时间轴t相关联的正弦信号,将每个像素的水平位置、垂直位置和对应像素值分别转换为正弦信号的频率、相位和幅值,将得到的一维正弦信号输入到非线性系统FHN神经元模型中,通过添加高斯白噪声寻求三者之间的最佳协同状态,得到信号的最优输出;对此输出信号进行逆变换重新组成一个新的方阵,即将一维像素值序列恢复成二维图像像素值矩阵,所得矩阵即为对应视网膜血管分割结果。以目前常用的DRIVE数据集和STARE数据集作为实验对象,对其进行定性定量的分析研究,评价指标平均准确度（Acc）、灵敏度（SE）、特异性（SP）分别为0.9477,0.7129,0.9652和0.9481,0.7205,0.9495。证明了该方法在视网膜血管检测上的有效性,改善了对于血管末梢微细血管的检测性能,为随机共振在医学图像上的应用提供了一种新的思路。（3）提出了一种基于多路径卷积神经网络的视网膜血管分割方法。改变了眼底图像全频段处理的传统模式,利用分频处理的思想,分别获取了表征整体轮廓的低频图像和表征局部细节特征的高频图像。针对低频图像特点构建一条低频特征提取通道,利用一系列卷积和采样操作提取图像特征,实现端到端的分割目标;针对高频图像特点构建一条高频特征提取通道,包括编码区-解码区,将编码区的特征图保存并融合到对应的解码区中,实现更具细节的分割效果;最后通过信息融合编码,实现整体轮廓和局部信息的融合,得到最终的分割图。以DRIVE和CHASE＿DB1图库为对象对本文方法进行了性能评估与测试,其中DRIVE数据库的实验结果中,评价指标平均准确度（Acc）、灵敏度（SE）、特异性（SP）分别为0.9580,0.8639,0.9690,CHASE＿DB1数据库的评价指标Acc、SE、SP分别为0.9601,0.8778,0.9680。所提方法在视网膜血管分割中具有较好的性能,展示了在生物医学图像处理中的应用潜力,为后续的图像处理及分析方面,提供了一种新的思路。
二、一种新的彩色图像降维方法（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、一种新的彩色图像降维方法（论文提纲范文）
（1）基于特征保持的彩色图像增强研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 重彩色相关研究现状 |
| 1.2.2 去彩色相关研究现状 |
| 1.3 论文的主要研究内容和组织结构 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文的组织结构 |
| 第2章 基于自适应总广义变分正则的重彩色方法 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 基于自适应总广义变分正则的重彩色模型 |
| 2.4 数值解法 |
| 2.5 实验结果及分析 |
| 2.6 本章小结 |
| 第3章 基于中心化约束的重彩色方法 |
| 3.1 引言 |
| 3.2 基于中心化约束的重彩色模型 |
| 3.3 数值解法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 结合显着颜色提取和图像分解的织物图像重彩色方法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 基于显着颜色提取和图像分解的织物图像重彩色模型 |
| 4.3.1 图像分解 |
| 4.3.2 显着颜色提取及分割 |
| 4.3.3 防溢出重彩色策略 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于梯度保持和双峰高斯全局对比度保持的去彩色方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 基于梯度保持和双峰高斯全局对比度保持的去彩色模型 |
| 5.4 数值解法 |
| 5.5 实验结果及分析 |
| 5.6 本章小结 |
| 第6章 基于局部线性嵌入和梯度相似度的离散搜索去彩色方法 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 基于局部线性嵌入和梯度相似度的去彩色模型 |
| 6.4 新模型的离散搜索求解 |
| 6.5 实验结果及分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 深圳大学指导教师对研究生学位论文的学术评语 |
| 深圳大学研究生学位（毕业）论文答辩委员会决议书 |
| 致谢 |
| 攻读博士学位期间的研究成果与科研项目 |
（2）基于深度卷积神经网络的高光谱图像分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 基于深度学习的高光谱图像分类方法研究现状 |
| 1.2.2 融合空谱信息的高光谱图像分类方法研究现状 |
| 1.2.3 高光谱图像降维方法研究现状 |
| 1.2.4 基于深度迁移学习的高光谱图像分类方法研究现状 |
| 1.2.5 研究现状分析 |
| 1.3 课题主要研究内容 |
| 第2章 融合高光谱空谱信息的CNN分类方法分析 |
| 2.1 基于高光谱图像光谱信息的CNN分类方法 |
| 2.2 基于高光谱图像空间信息的CNN分类方法 |
| 2.2.1 主成分分析 |
| 2.2.2 基于高光谱图像空间信息的CNN分类方法流程 |
| 2.3 融合高光谱图像空谱信息的CNN分类方法 |
| 2.3.1 融合光谱与第一主成分空间信息的CNN分类方法 |
| 2.3.2 基于PCA前三主成分空谱信息的CNN分类方法 |
| 2.4 对比实验分析 |
| 2.4.1 数据集 |
| 2.4.2 方法评价指标 |
| 2.4.3 网络参数配置 |
| 2.4.4 性能对比实验 |
| 2.5 本章小结 |
| 第3章 基于信息测度的高光谱图像分类方法研究 |
| 3.1 基于信息测度降维的CNN分类方法 |
| 3.1.1 基于熵和颜色匹配函数的光谱带初步选择 |
| 3.1.2 基于互信息的光谱带二次选择 |
| 3.1.3 基于信息测度的假彩色合成方法 |
| 3.1.4 基于信息测度的高光谱图像分类方法流程 |
| 3.2 基于信息测度降维与光谱信息加强的CNN分类方法 |
| 3.3 实验验证及分析 |
| 3.3.1 数据集 |
| 3.3.2 方法评价指标 |
| 3.3.3 参数选择 |
| 3.3.4 性能对比实验 |
| 3.4 本章小结 |
| 第4章 基于深度迁移学习与邻域降噪的分类方法研究 |
| 4.1 基于深度迁移学习的高光谱图像分类方法 |
| 4.1.1 迁移学习原理 |
| 4.1.2 基于模型参数的深度迁移学习分类方法 |
| 4.1.3 基于深度迁移学习的高光谱图像分类方法流程 |
| 4.2 基于迁移学习与最优邻域点降噪的CNN分类方法 |
| 4.2.1 八邻域点降噪原理 |
| 4.2.2 高光谱图像分类最优邻域点降噪方法 |
| 4.2.3 基于迁移学习与最优邻域点降噪的CNN分类方法流程 |
| 4.3 实验验证及分析 |
| 4.3.1 数据集 |
| 4.3.2 方法评价指标 |
| 4.3.3 网络参数配置 |
| 4.3.4 性能对比实验 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）基于循环卷积的张量稀疏模型及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究课题产生的背景及意义 |
| 1.2 基于稀疏表示的特征提取方法 |
| 1.2.1 基于向量的稀疏表示特征提取方法 |
| 1.2.1.1 稀疏编码 |
| 1.2.1.2 低秩表示模型 |
| 1.2.2 基于张量的稀疏表示模型 |
| 1.2.2.1 张量稀疏编码 |
| 1.2.2.2 低秩张量表示 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文组织结构 |
| 第二章 基于循环卷积的张量基础知识介绍 |
| 2.1 三阶张量基本定义 |
| 2.2 张量的矩阵解释 |
| 2.3 任意阶张量基本定义 |
| 2.4 本章小结 |
| 第三章 基于张量线性组合的张量稀疏编码模型及应用 |
| 3.1 研究背景 |
| 3.2 相关工作介绍 |
| 3.2.1 基于Tucker分解的张量稀疏编码模型 |
| 3.2.2 张量卷积稀疏编码 |
| 3.2.3 基于张量线性组合的三阶张量稀疏编码模型 |
| 3.3 基于张量线性组合的张量稀疏编码模型 |
| 3.3.1 从线性组合到张量线性组合 |
| 3.3.1.1 相似之处 |
| 3.3.1.2 不同之处 |
| 3.3.1.3 等价性 |
| 3.3.2 基于张量线性组合的多维张量字典学习模型 |
| 3.3.2.1 MDTSC-Ⅰ |
| 3.3.2.2 MDTSC-Ⅱ |
| 3.4 交替迭代优化算法 |
| 3.4.1 张量系数学习方法 |
| 3.4.2 张量字典学习方法 |
| 3.4.3 算法复杂度分析 |
| 3.5 实验结果 |
| 3.5.1 评估准则 |
| 3.5.2 数据集介绍 |
| 3.5.3 算法性能比较 |
| 3.5.4 3阶张量稀疏编码算法比较 |
| 3.5.5 4阶张量稀疏编码算法比较 |
| 3.5.6 5阶张量稀疏编码算法比较 |
| 3.6 本章小结 |
| 第四章 基于图正则化张量稀疏编码的多维图像聚类算法 |
| 4.1 研究背景 |
| 4.2 相关工作介绍 |
| 4.2.1 基于稀疏编码的图像聚类算法 |
| 4.2.2 图正则化模拟局部不变特性 |
| 4.2.3 图正则化的稀疏编码模型 |
| 4.3 图正则化张量稀疏编码模型及求解方法 |
| 4.3.1 图正则化张量稀疏编码模型 |
| 4.3.2 图正则化张量稀疏编码模型求解算法 |
| 4.3.2.1 GTSC中张量稀疏编码求解算法 |
| 4.3.3 GTSC中张量字典学习求解算法 |
| 4.3.4 GTSC聚类算法 |
| 4.3.5 算法复杂度分析 |
| 4.4 实验结果分析及讨论 |
| 4.4.1 评测准则 |
| 4.4.2 数据集介绍 |
| 4.4.3 比较算法 |
| 4.4.4 聚类结果比较 |
| 4.4.5 参数选择 |
| 4.5 本章小结 |
| 第五章 基于稀疏的正交张量字典学习算法及其应用 |
| 5.1 研究背景 |
| 5.2 相关工作介绍 |
| 5.2.1 向量稀疏编码 |
| 5.2.2 张量稀疏编码 |
| 5.3 基于稀疏的正交张量字典学习模型及算法 |
| 5.3.1 正交张量字典学习模型 |
| 5.3.2 正交张量字典学习求解算法 |
| 5.3.2.1 张量系数求解 |
| 5.3.2.2 正交张量字典求解 |
| 5.3.3 复杂度分析 |
| 5.4 实验结果分析及讨论 |
| 5.4.1 评估准则 |
| 5.4.2 数据集 |
| 5.4.3 比较算法及参数设置 |
| 5.4.4 多谱图像去噪 |
| 5.4.4.1 固定位置噪声图去噪 |
| 5.4.4.2 任意位置噪声图去噪 |
| 5.4.5 算法有效性 |
| 5.5 本章小结 |
| 第六章 各向异性的全变分低秩张量填充模型 |
| 6.1 研究背景 |
| 6.2 相关工作介绍 |
| 6.2.1 基于CP分解 |
| 6.2.2 基于Tucker分解 |
| 6.2.3 基于t-SVD分解 |
| 6.3 各向异性全变分低秩张量填充模型及求解算法 |
| 6.3.1 模型建立 |
| 6.3.2 求解算法 |
| 6.3.3 计算复杂度分析 |
| 6.4 实验结果分析及讨论 |
| 6.4.1 评估准则 |
| 6.4.2 数据集 |
| 6.4.3 比较算法 |
| 6.4.4 彩色图像修复结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本论文主要工作及创新点 |
| 7.2 对未来研究的展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文目录 |
（4）基于图像分析的自然彩色夜视成像方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1. 基于图像分析的自然彩色夜视成像技术的研究意义 |
| 1.2. 彩色夜视成像技术的研究现状 |
| 1.2.1. 伪彩色编码法 |
| 1.2.2. 多波段图像的彩色空间映射法 |
| 1.2.3. 面向自然色彩的图像处理法 |
| 1.3. 论文的主要研究工作和创新点 |
| 1.4. 论文的结构安排 |
| 第二章 具有景物深度及空间立体视觉感的自然彩色夜视实现方法研究 |
| 2.1. 引言 |
| 2.2. 深度线索 |
| 2.3. 相对深度估计及饱和度调节 |
| 2.4. 构建模式数据库 |
| 2.4.1. 特征向量 |
| 2.4.2. 参考深度 |
| 2.4.3. 特征色彩 |
| 2.4.4. 构建模式数据库 |
| 2.5. 自动实现具有空间感的自然彩色夜视成像 |
| 2.5.1. 图像分割 |
| 2.5.2. 自动识别 |
| 2.6. 实验结果 |
| 2.7. 本章小结 |
| 第三章.单波段红外热像的自然彩色夜视实现方法研究 |
| 3.1. 引言 |
| 3.2. 特征向量 |
| 3.3. 线性色彩估计模型 |
| 3.3.1. 色彩估计模型 |
| 3.3.2. 模型训练 |
| 3.4. 非线性色彩估计模型 |
| 3.4.1. 色彩估计模型 |
| 3.4.2. 模型训练 |
| 3.5. 实验结果 |
| 3.6. 本章小结 |
| 第四章 红外/微光双波段图像的实时自然彩色夜视实现方法研究 |
| 4.1. 引言 |
| 4.2. 色彩传递 |
| 4.3. 红外/微光图像的特征级融合 |
| 4.4. 生成自然—高亮色彩查找表 |
| 4.5. 实验结果 |
| 4.6. 本章小结 |
| 第五章 基于全局推断保留映射的半监督降维方法研究 |
| 5.1. 引言 |
| 5.2. 相关算法 |
| 5.2.1. 半监督降维问题的数学描述 |
| 5.2.2. 半监督降维分析(SDA) |
| 5.3. 全局推断保留映射 |
| 5.3.1. 未标记样本的类别信息 |
| 5.3.2. 全局推断保留映射 |
| 5.4. 实验结果 |
| 5.4.1. 数据2-D可视化 |
| 5.4.2. COIL-100物体图像数据库 |
| 5.4.3. UMIST、PIE、AT&T人脸数据库 |
| 5.4.4. Isolet语音字母数据库 |
| 5.4.5. 参数α |
| 5.5. 在彩色夜视成像中的应用 |
| 5.6. 本章小结 |
| 第六章 基于Double Lomax先验的稀疏线性模型的变分贝叶斯求解方法研究 |
| 6.1. 引言 |
| 6.2. Double Lomax先验及其主要性质 |
| 6.3. 基于Double Lomax先验的稀疏线性模型 |
| 6.4. 变分贝叶斯求解 |
| 6.4.1. 系数x的求解 |
| 6.4.2. x的隐含变量α的求解 |
| 6.4.3. x的隐含变量υ的求解 |
| 6.4.4. 噪声的精度β的求解 |
| 6.4.5. 噪声的隐含变量δ的求解 |
| 6.4.6. 噪声的自由度d的求解 |
| 6.5. 仿真实验 |
| 6.5.1. 自回归模型系统识别 |
| 6.5.2. 压缩感知 |
| 6.5.3. 收敛速度 |
| 6.6. 在彩色夜视成像中的应用 |
| 6.7. 本章小结 |
| 第七章.总结与展望 |
| 7.1. 全文总结 |
| 7.2. 研究工作展望 |
| 参考文献 |
| 攻读学位期间发表和录用的论文及参与的科研项目 |
| 致谢 |
（5）基于鲸鱼算法的高光谱遥感影像降维方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 高光谱遥感 |
| 1.2 研究内容及意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.3 高光谱遥感影像分类 |
| 1.4 论文组织结构 |
| 2 高光谱遥感影像降维方法 |
| 2.1 特征提取 |
| 2.1.1 无监督特征提取 |
| 2.1.2 监督特征提取 |
| 2.1.3 半监督特征提取 |
| 2.2 特征选择 |
| 2.2.1 过滤式特征选择(Filter) |
| 2.2.2 封装式特征选择(Wrapper) |
| 2.2.3 嵌入式特征选择(Embedded) |
| 2.2.4 集成式特征选择(Ensemble) |
| 2.2.5 本节小结 |
| 2.3 本章小结 |
| 3 基于鲸鱼优化算法的高光谱遥感影像降维方法 |
| 3.1 子空间划分 |
| 3.1.1 FCM算法 |
| 3.1.2 基于FCM的特征子空间划分 |
| 3.2 最大熵原理 |
| 3.3 鲸鱼优化算法 |
| 3.3.1 包围猎物 |
| 3.3.2 泡泡网捕食行为 |
| 3.3.3 搜索猎物 |
| 3.4 基于FCM-WOA的波段降维方法 |
| 3.5 本章小结 |
| 4 基于FCM-WOA和松弛策略的分类算法 |
| 4.1 实验数据集及说明 |
| 4.2 不连续保持松弛(DPR) |
| 4.3 实验及结果分析 |
| 4.3.1 分类器选择 |
| 4.3.2 实验及结果分析 |
| 4.4 本章小结 |
| 5 总结 |
| 参考文献 |
| 攻读博/硕士学位期间发表学术论文情况 |
| 致谢 |
（6）子空间划分下高光谱图像无监督波段选择方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 高光谱数据降维与分类 |
| 1.3 波段选择方法的研究意义 |
| 1.4 实验数据集介绍 |
| 1.5 论文结构 |
| 2 高光谱图像无监督波段选择方法研究现状 |
| 2.1 特征选择方法的分类 |
| 2.2 无监督特征选择方法 |
| 2.2.1 方法分类 |
| 2.2.2 其他方法 |
| 2.2.3 本论文研究方向 |
| 2.3 本章小结 |
| 3 基于模糊C均值和行列式点过程的无监督波段选择方法 |
| 3.1 基于模糊C均值和行列式点过程的波段选择 |
| 3.1.1 相对熵 |
| 3.1.2 模糊C均值算法 |
| 3.1.3 行列式点过程基本原理 |
| 3.1.4 固定大小行列式点过程的基本原理 |
| 3.1.5 算法步骤 |
| 3.2 实验结果分析 |
| 3.2.1 实验设置 |
| 3.2.2 分类结果分析 |
| 3.2.3 不同波段子集数的分类精度对比 |
| 3.2.4 不同训练样本大小的分类精度对比 |
| 3.2.5 不同方法的计算效率 |
| 3.3 本章小结 |
| 4 基于模糊C均值和改进行列式点过程的无监督波段选择方法 |
| 4.1 改进的行列式点过程 |
| 4.1.1 存在问题及改进方法 |
| 4.1.2 算法步骤 |
| 4.2 实验结果分析 |
| 4.2.1 实验设置 |
| 4.2.2 参数分析 |
| 4.2.3 分类结果分析 |
| 4.2.4 不同算法对比 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间科研情况 |
| 致谢 |
（7）基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.1.1 课题的目的 |
| 1.1.2 课题的意义 |
| 1.2 课题的国内外研究现状 |
| 1.3 高光谱遥感数据分类研究 |
| 1.3.1 高光谱遥感数据的应用概述 |
| 1.3.2 高光谱遥感数据分类依据 |
| 1.3.3 高光谱遥感数据分类方法 |
| 1.3.4 高光谱遥感数据分类中存在的问题 |
| 1.4 基于压缩感知的森林高光谱遥感数据分类算法 |
| 1.4.1 压缩感知在森林高光谱遥感图像重构中的作用 |
| 1.4.2 压缩感知在森林高光谱遥感图像分类中的应用及优势 |
| 1.5 研究内容和技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 研究路线 |
| 1.6 章节安排 |
| 2 相关技术概述及数据处理 |
| 2.1 高光谱遥感影像森林类型分类算法概述 |
| 2.1.1 森林高光谱遥感影像重构算法 |
| 2.1.2 森林高光谱遥感影像降维算法 |
| 2.1.3 高光谱遥感影像森林分类算法 |
| 2.2 森林分类中的压缩感知算法 |
| 2.2.1 信号的稀疏表示 |
| 2.2.2 测量矩阵的设计 |
| 2.2.3 信号重构算法的设计 |
| 2.2.4 分块压缩感知方法 |
| 2.2.5 高光谱图像重构算法 |
| 2.2.6 高光谱图像特征分析 |
| 2.3 森林影像相关实验数据集 |
| 2.3.1 Indian Pines数据集 |
| 2.3.2 Salinas-A数据集 |
| 2.3.3 PaviaCentre数据集 |
| 2.4 黑龙江省伊春乌伊岭林场数据集 |
| 2.4.1 伊春乌伊岭概况 |
| 2.4.2 伊春乌伊岭地区高光谱遥感数据获取 |
| 2.4.3 伊春乌伊岭地区高光谱遥感数据预处理 |
| 2.5 高光谱遥感影像森林类型分类指标体系 |
| 2.5.1 混淆矩阵 |
| 2.5.2 误差矩阵基本精度指标 |
| 2.5.3 Kappa系数 |
| 2.6 本章小结 |
| 3 高光谱遥感影像压缩与重构算法研究 |
| 3.1 引言 |
| 3.2 高光谱遥感影像压缩方法研究 |
| 3.2.1 高光谱遥感影像压缩技术介绍 |
| 3.2.2 分块压缩感知的遥感图像压缩方法研究 |
| 3.2.3 改进的分块压缩感知的遥感图像压缩方法研究 |
| 3.2.4 基于GISMT的压缩感知高光谱图像重压缩法研究 |
| 3.3 高光谱遥感影像重构方法研究 |
| 3.3.1 基于参考波段复合预测模型的高光谱遥感图像重构方法研究 |
| 3.3.2 基于GISMT压缩感知和谱间预测的高光谱影像重构算法研究 |
| 3.3.3 实验及结果分析 |
| 3.4 本章小结 |
| 4 基于多特征降维与谱间预测的多核支持向量机分类研究 |
| 4.1 基于压缩感知和多特征集成的高光谱影像降维算法 |
| 4.2 基于压缩感知样本稀疏的支持向量机高光谱分类改进算法 |
| 4.3 基于压缩感知的多核支持向量机的高光谱分类算法 |
| 4.3.1 支持向量机的高光谱影像分类算法 |
| 4.3.2 支持向量机的非线性问题 |
| 4.4 基于谱间预测重构与多核支持向量机的高光谱遥感图像分类算法 |
| 4.4.1 经典数据集实验结果与分析 |
| 4.4.2 乌伊岭区森林类型分类 |
| 4.5 小结 |
| 5 基于CS与稀疏表示的有监督学习森林分类方法研究 |
| 5.1 高光谱遥感影像稀疏描述 |
| 5.1.1 稀疏表示分类器原理 |
| 5.1.2 高光谱影像稀疏表示与分类方法 |
| 5.2 基于形状自适应稀疏表示的高光谱森林影像分类 |
| 5.2.1 窗口边缘匹配搜索 |
| 5.2.2 联合稀疏表示高光谱遥感影像森林分类 |
| 5.3 实验过程 |
| 5.3.1 实验设置 |
| 5.3.2 分类性能对比实验 |
| 5.3.3 参数分析与讨论 |
| 5.4 小结 |
| 6 基于CS与稀疏表示的无监督字典学习森林分类研究 |
| 6.1 引言 |
| 6.2 基于光谱稀疏表示的字典学习 |
| 6.3 基于在线字典学习的高光谱遥感影像森林分类 |
| 6.3.1 稀疏先验和空间先验的混合约束 |
| 6.3.2 在线字典学习模型与优化算法 |
| 6.3.3 基于稀疏系数的线性分类算法 |
| 6.4 实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 分类性能对比 |
| 6.4.3 参数分析 |
| 6.5 本章小结 |
| 结论 |
| 1研究总结 |
| 2研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（8）基于目标跟踪的智慧教学空中手写识别系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及研究目的与意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 目标跟踪国内外研究现状分析 |
| 1.2.2 空中手写识别国内外研究现状分析 |
| 1.3 本文主要研究内容及论文结构 |
| 第2章 智慧教学相关理论与技术研究 |
| 2.1 图像预处理方法 |
| 2.2 目标跟踪方法 |
| 2.3 空中手势分割方法 |
| 2.4 空中手势识别方法 |
| 2.5 空中手写轨迹采集方法 |
| 2.6 空中手写轨迹识别方法 |
| 2.7 本章小结 |
| 第3章 系统需求分析与设计 |
| 3.1 智慧教学需求分析 |
| 3.2 图像采集及目标跟踪需求分析 |
| 3.3 空中手写区域需求分析 |
| 3.4 空中手写识别需求分析 |
| 3.5 系统框架及流程设计 |
| 3.5.1 智慧教学系统总框架设计 |
| 3.5.2 智慧教学图像采集模块 |
| 3.5.3 目标跟踪模块流程设计 |
| 3.5.4 空中手势识别模块流程设计 |
| 3.5.5 空中手写轨迹采集模块流程设计 |
| 3.5.6 空中手写识别模块流程设计 |
| 3.5.7 硬件控制模块流程设计 |
| 3.6 本章小结 |
| 第4章 系统设计与实现 |
| 4.1 人脸检测的目标跟踪设计与实现 |
| 4.1.1 基于Adaboost的人脸检测方法 |
| 4.1.2 基于人脸检测结果的角度控制计算 |
| 4.1.3 实验结果及分析 |
| 4.2 空中手势识别的设计与实现 |
| 4.2.1 空中手势图像分割 |
| 4.2.2 基于PCA-SVM的空中手势识别方法设计与实现 |
| 4.2.3 基于空中手势的智慧教学控制 |
| 4.2.4 实验结果及分析 |
| 4.3 空中手写轨迹采集的设计与实现 |
| 4.3.1 基于DP算法的指尖检测设计与实现 |
| 4.3.2 基于指尖检测的空中手写轨迹设计与实现 |
| 4.3.3 实验结果及分析 |
| 4.4 空中手写识别的设计与实现 |
| 4.4.1 基于CNN模型的空中手写识别 |
| 4.4.2 空中手写数据采集及预处理 |
| 4.4.3 空中手写模型优化训练 |
| 4.4.4 实验结果及分析 |
| 4.5 硬件系统设计与实现 |
| 4.5.1 智慧教学的硬件系统控制 |
| 4.5.2 智慧教学的舵机控制 |
| 4.5.3 智慧教学的电源模块 |
| 4.5.4 智慧教学的USB转串口模块 |
| 4.5.5 智慧教学的硬件系统实现 |
| 4.6 智慧教学系统设计与实现 |
| 4.7 本章小结 |
| 第5章 系统测试 |
| 5.1 测试目的与原则 |
| 5.2 系统测试环境 |
| 5.3 系统功能测试 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（9）视觉烟雾检测中的变换域局部特征建模（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 火灾危害与火灾应急管理 |
| 1.1.2 火灾预警与探测 |
| 1.1.3 视觉烟雾检测及意义 |
| 1.2 研究现状 |
| 1.2.1 传统视觉火焰检测 |
| 1.2.2 传统视觉烟雾检测 |
| 1.2.3 基于深度学习的火灾探测 |
| 1.3 传统视觉烟雾检测的框架 |
| 1.4 研究目标、研究内容和技术路线 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 技术路线 |
| 1.5 论文结构安排 |
| 第2章 视觉烟雾检测相关技术 |
| 2.1 疑似烟雾区域检测 |
| 2.1.1 疑似烟雾区域检测的基本流程 |
| 2.1.2 三帧差分法检测运动区域 |
| 2.1.3 暗通道图像转换 |
| 2.2 特征描述 |
| 2.2.1 边缘特征 |
| 2.2.2 Gabor特征 |
| 2.2.3 局部特征 |
| 2.3 烟雾识别 |
| 2.4 本章小结 |
| 第3章 边缘变换域局部特征建模 |
| 3.1 问题描述与分析 |
| 3.2 边缘特征图 |
| 3.3 局部特征模式 |
| 3.3.1 局部边界求和模式的编码 |
| 3.3.2 局部区域求和模式的编码 |
| 3.3.3 局部边界求和模式与局部区域求和模式的特征 |
| 3.3.4 局部二值模式的特征 |
| 3.4 边缘变换域局部特征建模框架 |
| 3.5 烟雾识别实验 |
| 3.5.1 烟雾图像数据库 |
| 3.5.2 评价指标 |
| 3.5.3 烟雾识别对比实验 |
| 3.6 视频烟雾检测实验 |
| 3.6.1 烟雾视频数据库 |
| 3.6.2 视频烟雾检测的结果及分析 |
| 3.6.3 视频烟雾检测的效率分析 |
| 3.6.4 视频烟雾检测的预警结果及分析 |
| 3.7 本章小结 |
| 第4章 Gabor变换域局部特征建模 |
| 4.1 问题描述与分析 |
| 4.2 基于聚合Gabor核的变换域特征图 |
| 4.2.1 传统Gabor小波核 |
| 4.2.2 聚合Gabor小波核 |
| 4.2.3 聚合Gabor特征图 |
| 4.3 改进的局部二值模式 |
| 4.4 Gabor变换域局部特征建模框架 |
| 4.5 烟雾识别实验 |
| 4.5.1 实验说明 |
| 4.5.2 超参数实验 |
| 4.5.3 烟雾识别对比实验 |
| 4.6 视频烟雾检测实验 |
| 4.6.1 视频烟雾检测的结果及分析 |
| 4.6.2 视频烟雾检测的效率分析 |
| 4.6.3 视频烟雾检测的预警结果及分析 |
| 4.7 本章小结 |
| 第5章 基于Gabor变换域和边缘变换域的局部特征建模 |
| 5.1 问题描述与分析 |
| 5.2 改进的局部三值模式 |
| 5.2.1 局部三值模式 |
| 5.2.2 基于置信水平的高低阈值计算 |
| 5.2.3 置信水平局部三值模式的特征 |
| 5.3 变换域特征图的特征 |
| 5.3.1 Gabor小波核 |
| 5.3.2 Gabor特征图的特征 |
| 5.3.3 Gabor特征图的加权特征 |
| 5.3.4 边缘特征图的特征 |
| 5.4 基于Gabor变换域和边缘变换域的局部特征建模 |
| 5.4.1 总体框架 |
| 5.4.2 特征降维 |
| 5.5 烟雾识别实验 |
| 5.5.1 实验说明 |
| 5.5.2 不同特征组合的结果及分析 |
| 5.5.3 烟雾识别对比实验 |
| 5.6 视频烟雾检测实验 |
| 5.6.1 视频烟雾检测的结果及分析 |
| 5.6.2 视频烟雾检测的效率分析 |
| 5.6.3 视频烟雾检测的预警结果及分析 |
| 5.7 纹理分类实验 |
| 5.8 本章小结 |
| 第6章 多层Gabor变换域局部特征建模 |
| 6.1 问题描述与分析 |
| 6.2 Gabor卷积网络 |
| 6.2.1 Gabor小波核 |
| 6.2.2 Gabor特征图的融合方案 |
| 6.2.3 Gabor卷积网络的基本结构 |
| 6.3 多层Gabor变换域局部特征建模框架 |
| 6.4 烟雾识别实验 |
| 6.4.1 实验说明 |
| 6.4.2 超参数实验 |
| 6.4.3 烟雾识别对比实验 |
| 6.5 视频烟雾检测实验 |
| 6.5.1 视频烟雾检测的结果及分析 |
| 6.5.2 视频烟雾检测的效率分析 |
| 6.5.3 视频烟雾检测的预警结果及分析 |
| 6.6 纹理分类对比实验 |
| 6.7 本文所提方法对比 |
| 6.8 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者在攻读博士期间的科研成果 |
| 致谢 |
（10）视网膜血管分割技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作及创新点 |
| 1.4 论文的组织结构 |
| 第2章 视网膜血管图像研究基础 |
| 2.1 眼底视网膜结构 |
| 2.2 视网膜血管分割算法评价标准 |
| 2.3 视网膜图像公开数据集 |
| 2.3.1 DRIVE数据集 |
| 2.3.2 STARE数据集 |
| 2.3.3 CHASE_DB1 数据集 |
| 2.4 小结 |
| 第3章 随机共振响应模型在弱信号增强中的应用 |
| 3.1 随机共振理论基础 |
| 3.2 图像的随机共振 |
| 3.2.1 光栅扫描法 |
| 3.2.2 Hilbert扫描法 |
| 3.2.3 峰值信噪比 |
| 3.3 随机共振在眼底血管图像增强中的应用 |
| 3.3.1 算法原理 |
| 3.3.2 实现结果分析 |
| 3.4 小结 |
| 第4章 基于时空信息变换的眼底图像血管随机共振分割方法 |
| 4.1 方法概述 |
| 4.2 算法步骤 |
| 4.2.1 通道的选择 |
| 4.2.2 掩膜提取 |
| 4.2.3 实现步骤 |
| 4.3 实验与分析 |
| 4.3.1 DRIVE数据库分析结果 |
| 4.3.2 STARE数据库分析结果 |
| 4.4 小结 |
| 第5章 基于多路径卷积神经网络的视网膜血管分割方法 |
| 5.1 卷积神经网络基础 |
| 5.1.1 卷积与权值共享 |
| 5.1.2 局部感受野 |
| 5.1.3 池化 |
| 5.1.4 上采样 |
| 5.2 方法概述 |
| 5.3 原理与实现方法 |
| 5.3.1 图像全局与局部细节的提取 |
| 5.3.2 低频特征提取通道 |
| 5.3.3 高频特征提取通道 |
| 5.3.4 多路径通道融合编码机制 |
| 5.4 实验结果与分析 |
| 5.4.1 DRIVE 数据库分割结果 |
| 5.4.2 CHASE_DB1 数据库分割结果 |
| 5.4.3 定性与定量分析 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、一种新的彩色图像降维方法（论文参考文献）
- [1]基于特征保持的彩色图像增强研究[D]. 谢斌. 深圳大学, 2020(11)
- [2]基于深度卷积神经网络的高光谱图像分类方法研究[D]. 陈采璐. 哈尔滨工业大学, 2019(02)
- [3]基于循环卷积的张量稀疏模型及应用研究[D]. 姜飞. 上海交通大学, 2018(01)
- [4]基于图像分析的自然彩色夜视成像方法研究[D]. 谷小婧. 东华大学, 2011(06)
- [5]基于鲸鱼算法的高光谱遥感影像降维方法研究[D]. 张莹. 辽宁师范大学, 2021(08)
- [6]子空间划分下高光谱图像无监督波段选择方法[D]. 王新军. 辽宁师范大学, 2021(08)
- [7]基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究[D]. 苍圣. 东北林业大学, 2021(09)
- [8]基于目标跟踪的智慧教学空中手写识别系统[D]. 周兴. 成都理工大学, 2020(04)
- [9]视觉烟雾检测中的变换域局部特征建模[D]. 李钢. 江西财经大学, 2020(01)
- [10]视网膜血管分割技术研究[D]. 田纯. 杭州电子科技大学, 2020(01)