导读:本文包含了线状目标论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:线状,目标,图像,距离,边缘,特征,线图。
线状目标论文文献综述
姜朝宇,罗涛,王亚波,夏珉[1]（2018）在《水下线状目标距离选通成像探测研究》一文中研究指出针对海底电缆、水下管道等水下线状目标的自动光电探测需求,基于距离选通成像探测方法,构造实验系统在实验船池环境下对水下线状目标进行探测实验,根据图像特征,采用了结合中值滤波、对比度拉伸和小波去噪的图像预处理方法改善图像质量,采用改进型Canny边缘检测算法识别线状目标边界,采用改进型RANSAC算法对水下线状目标进行曲线拟合。实验结果表明本文提出的方法可在5倍水下衰减长度内,有效用于二次曲线状目标检测,算法稳定可靠,可适用于任意形状的水下线状目标光电探测应用。(本文来源于《舰船科学技术》期刊2018年19期）
陈旭林[2]（2018）在《基于多方向模板及深度学习的线状目标检测与分割》一文中研究指出线状目标的检测与分割是图像处理中的重要内容,常见的线状目标如医学领域的毛细血管、遥感影像中的机场跑道和公路隧道中的裂缝病害等。近年来我国公路建设取得了长足的发展,极大地促进了相关地区的经济增长,但随之而来的一个问题便是公路的维修与养护。路面病害时刻威胁着人们的出行安全,传统人工检测伴随着主观性、不安全性和低效性,实现路面病害的自动化检测一直是广大科研人员的目标。裂缝是大多数病害的早期特征,在宏观上呈现出一定的长度、宽度与方向,是一类典型的线状目标。本文以裂缝检测作为主要研究内容,利用图像处理技术,提出了两种方法实现裂缝检测与分割。一个是传统方法,即利用多方向模板卷积实现裂缝分割;另一个是结合深度学习实现裂缝的检测及语义分割。具体工作如下:(1)设计多方向大尺度模板实现裂缝分割。在图像预处理部分提出了新的自适应阈值化算法,然后设计16个方向的大尺寸模板,用模板与经过二值化的路面图像进行卷积计算,最后对卷积结果进行阈值化,便能得到路面裂缝的分割结果图。算法对线状裂缝和网状裂缝都有较好的分割效果。(2)利用卷积神经网络实现裂缝检测。首先手动进行数据的切割与标注,把图像划分成96?96的小块作为网络输入。针对类别不均衡以及样本不充足的问题,提出了一种新的算法生成伪裂缝来扩充数据。公路图片训练集为167,328张,隧道图片训练集为179,718张。基于TensorFlow深度学习框架设计了一个卷积神经网络,在公路样本上获得96.01%的正确率,隧道样本的正确率为74.25%;然后基于多层感知卷积层思想以及多尺度卷积核思想对网络模型进行改进,公路样本的分类正确率提升到97.02%,结合生成的伪裂缝数据,隧道样本的正确率提升到89.72%。通过可视化技术解释了网络为何能实现裂缝分类检测,并设计单层卷积神经网络分析传统方法中多方向模板与卷积神经网络中卷积核的区别与联系。(3)利用全卷积神经网络进行裂缝语义分割。基于PyTorch深度学习框架设计了两个网络模型。第一个网络参考FCN,由前面裂缝分类的CNN网络改造而成,网络输入图片大小为96?96。用FCN网络对路面裂缝的分割结果较为粗糙,均交并比为0.5480;第二个网络参考U-Net,网络输入图片大小为256?256,U-Net网络对路面裂缝的分割质量较为理想,均交并比为0.6514。(本文来源于《西安电子科技大学》期刊2018-09-01）
徐涛,杨克成,夏珉,李微,郭文平[3]（2017）在《基于距离选通成像的水下线状目标检测算法》一文中研究指出基于水下距离选通激光成像技术,提出了一种可用于长距离下的水下线状目标检测算法。该算法针对水下成像中低对比度、模糊和噪声等特性,首先采用对比度拉升、中值滤波、小波变换等方法对图像进行增强处理;然后利用Canny边缘检测算子提取出目标的边缘特征;最后针对边缘特征中出现的噪声边缘问题,选用了鲁棒性强的随机抽样一致性参数估计算法从边缘特征中检测出线状目标,并计算得到目标的位置和方向等相关参数。实验结果表明,该算法可以有效地检测出水下曲线状目标,弥补现有方法只能检测直线目标的不足,检测率可以达到93%,有效检测距离能达到5倍水下衰减长度。(本文来源于《激光与红外》期刊2017年10期）
徐涛[4]（2017）在《基于光学成像的水下线状目标检测算法》一文中研究指出如今,在水下铺设有越来越多的石油、天然气管道,由于设备的老化和环境腐蚀作用,管道一旦损坏会造成巨大的经济损失和环境污染,研究针对水下线状目标的检测识别方法对设备的定期检测维护具有重要意义。现有检测方法主要集中于水下近距离、直线状目标检测,具有一定的局限性。本论文基于距离选通成像探测系统的实验结果,对远距离探测的二次曲线状目标检测算法展开研究,具体内容如下:首先,采用距离选通成像系统获取水下目标高分辨率探测图像,通过图像对比度拉伸、同态滤波、中值滤波和小波去噪等图像预处理算法提升了图像的对比度、改善了图像亮度非均匀性、滤除了图像中脉冲噪声和高斯噪声。其次,传统Canny算法的检测结果中会出现比较多的虚假边缘,会对后续的目标检测造成干扰。本论文从选用性能更好的Sobel梯度算子、使用自适应的阈值计算方法和去除检测结果中的短边缘叁个方面对传统Canny算法进行了改进,有效降低了检测结果中的虚假边缘比例。最后,选用鲁棒性强的随机抽样一致性算法(RANSAC)从边缘图像中拟合出目标的位置和方向参数。针对原始RANSAC算法计算量过高的特点,在算法中加入了预检验步骤以降低检测时间;对检测结果中的明显错误情形,在检测后加入了纠正处理步骤,在不降低检测率的前提下,有效降低了检测时间。(本文来源于《华中科技大学》期刊2017-05-01）
张舒[5]（2017）在《基于特征聚类和形状分析的线状目标检测》一文中研究指出近年来,目标检测技术这一研究领域飞速发展。在存在背景干扰或成像质量较差的情况下,如何提出行之有效的算法对目标进行准确的自动检测是该领域的研究的难点和要点。本文针对具体问题,充分结合线状目标的先验知识展开研究,提出了基于特征聚类和形状分析的线状目标检测相关算法和框架,能够有效克服干扰因素和提高检测算法的准确性,主要研究工作如下:(1)提出了基于特征聚类的机场跑道检测方法。该方法主要分为以下几个步骤实现:均值比边缘检测;使用本文提出的算法对边缘进行特征提取及聚类筛选;使用本文提出的算法对候选边缘点进行拟合连接;通过平行线检测技术完成对机场跑道的检测。本文提出的算法将特征聚类的概念与图像处理技术相结合,使用多维特征对边缘进行准确描述,通过聚类筛选避免了针对不同图像需要不同阈值的情况,针对图像噪声较丰富的特点本文提出基于最小二乘法提出对候选边缘点进行拟合连接的算法,通过SAR图像实验证明,算法鲁棒性较高,检测结果比较准确,用时较短,能够适用于实时检测。(2)提出了基于CLAHE(contrast-limited adaptive histogram equalization)与形状特征分析的裂缝目标检测框架。该方法实现步骤如下:利用限制对比度自适应直方图均衡对图像进行对比度增强;采用双边滤波技术对图像进行滤波降噪;通过局部自适应阈值分割处理初步得到前景图像;基于区域和轮廓的连通域形状特征分析筛选提取得到裂缝检测结果。本文提出的算法充分结合裂缝的灰度和几何先验,经实验结果分析证明,算法检测率较高,定位比较准确。(本文来源于《西安电子科技大学》期刊2017-05-01）
郑春燕,郭庆胜,胡华科[6]（2016）在《基于二进制粒子群优化算法的线状目标简化》一文中研究指出针对如何从线状目标的简化可行解中选取近似最优解的问题,该文基于二进制粒子群优化算法原理,将线状目标的可行解抽象为节点是否取舍两种状态的二进制序列,由粒子群根据个体经验和社会经验判断构成线状目标上的节点取舍,提出并设计了一种简化线状目标的算法。目标函数主要由节点压缩率和矢量偏差确定,文中给出了算法实现的关键步骤。通过与道格拉斯-普克算法作对比实验分析,证明了该算法的有效性,保留了重要的几何特征点,图形有良好的外观视觉效果,且有更高的节点压缩率。(本文来源于《测绘科学》期刊2016年06期）
李青[7]（2015）在《线状目标提取技术研究及应用》一文中研究指出在计算机视觉系统中,几何特征是识别物体的重要属性,当图像中物体的位置、方向或尺度发生变化时,利用物体的几何特征依然可以描述和分辨物体。线作为几何特征中的一种重要特征,是图像处理的中层表述符号,可很好的反映图像高层信息。本文研究一种具体的线特征,称之为线状目标,代表有宽度的直线或曲线,较之边缘包含更多的信息,可更好表达目标物体。其应用领域非常广泛,因此始终是学者和机构的研究热点。本文主要关注线状目标提取在智能车辆导航车道线检测和遥感图像道路提取两方面的应用。车道线和道路在其相关图像中均呈现细长明亮且均匀的线状结构,’因此可借助线状目标提取技术来解决相应问题。本文针对解决道路提取的宽度限制问题,提出了基于自动尺度选择的道路提取算法。在分析了多尺度框架检测在道路提取中的必要性和可行性,我们将自动尺度选择引入道路特征检测中,同时采用跟踪检测的策略,降低了尺度空间迭代造成的高计算量。该方法成功去除了线状目标提取中的宽度约束,使执行过程避免人工干预。本文针对解决车道线检测领域普遍存在的难点：容易受阴影及光照条件等影响,提出基于亮度信息和曲线检测的车道线提取算法。本文利用车道线与其邻域亮度差异始终存在的特点来过滤车道线,并且采用RANSAC方法准确描述车道线几何信息。实验结果表明,该方法在符合车道线检测实时性要求的同时,可以消除人造物、道路裂缝等干扰,且对不同光照条件鲁棒。(本文来源于《大连理工大学》期刊2015-05-19）
芦俊,丛卫华[8]（2014）在《一种基于线状目标特征点集的声呐图像配准方法》一文中研究指出针对合成孔径声呐多测线图像拼接问题,提出一种基于线状目标特征点集的图像配准思想。首先使用Canny算子找出图像中线状目标边缘,优化选取出待匹配点,构成特征点集。通过Hausdorff距离计算点集间位置结构相似程度,找到两幅图像匹配点,并消除伪配准点,最后通过配准的线状目标特征点集实现图像的拼接。实验表明,针对线状目标特征图像的点集选取和图像配准方法具有较好的配准效果。(本文来源于《声学与电子工程》期刊2014年04期）
刘钊,高培超,施洪刚,王永红[9]（2014）在《一种基于曲率的线状目标简化算法》一文中研究指出线要素是GIS中常见的数据类型,其抽稀简化算法在尺度变换、制图综合等领域应用广泛。文章介绍了SimpliPoly算法的具体原理,并在实现该算法的基础上,研究了SimpliPoly算法应用过程中的关键问题:阀值确定与叁维扩展;提出了快速确定阀值组合的方法,并将该算法扩展至叁维线状目标简化。结果表明,阀值组合确定方法快速、有效,叁维扩展方法简单、实用,在叁维空间中延续了二维SimpliPoly算法的优点。(本文来源于《测绘科学》期刊2014年10期）
陆浩[10]（2014）在《基于线状特征提取的机场目标识别技术》一文中研究指出对机场目标识别的研究,从军事角度上可以帮助制导武器在末制导阶段自动识别敌方机场,通过摧毁敌方机场目标,瓦解敌方空军,对实现低成本打击、精确打击目标有很大的促进作用,从民用角度上实现民用飞机的自动导航,可以提高民航系统的安全度,确保飞机的稳定降落。如何从航拍图像中准确快速的提取机场目标,并将整个目标识别的过程可视化的研究工作是具有重大的理论价值和实际意义的。首先,本文针对机场跑道是机场中最明显、最规则、最能反映机场位置信息的建筑物这一特点,检测出机场跑道的位置,相应就得到了机场位置。因此本文围绕机场跑道的检测,研究了机场图像的线状特征提取算法,从图像空间到参数空间的“一对多”映射方式、累加器的唱票方法和端点检测等方面指出传统Hough变换应用于机场检测的局限性,并利用机场的先验知识驱动策略,提出了针对机场目标提取的改进Hough变换,较之传统Hough变换检测时间和正确率分别提高了30%、70%,并引入了国际上在线段检测上正确率最高的LSD算法,辅助以机场中跑道的长度门限值范围、宽度限制和跑道平行等特征,对保留线段检测出机场跑道的边缘。其次在实际的侦察机探测图像时,获取机场位置是通过不止一幅图像确定的,是通过多幅连续的序列图发现、验证、确认的。本文针对沿着直线段飞行的侦察机这一特例,考虑无人机的飞行距离、探测器延时等情况,采用截断分块处理探测图像的方法,能够在保持原有正确率的基础上,检测时间缩减为原来的22%。最后选用Vega Prime、MapX等开发工具,在VC++开发平台下,通过Socket接收机载端发送的无人机、导弹和机场目标的空间位置信息,将整个侦察机起始阶段巡查、发现目标的过程在叁维视景窗口、二维GIS窗口更真实的展现给地面观测人员。最终的实验结果,表征本文中针对机场的改进Hough变换和LSD算法对机场检测能满足实际应用,地面监控可视化平台也能实时观测整个检测过程。(本文来源于《电子科技大学》期刊2014-04-30）
线状目标论文开题报告
（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：
线状目标的检测与分割是图像处理中的重要内容,常见的线状目标如医学领域的毛细血管、遥感影像中的机场跑道和公路隧道中的裂缝病害等。近年来我国公路建设取得了长足的发展,极大地促进了相关地区的经济增长,但随之而来的一个问题便是公路的维修与养护。路面病害时刻威胁着人们的出行安全,传统人工检测伴随着主观性、不安全性和低效性,实现路面病害的自动化检测一直是广大科研人员的目标。裂缝是大多数病害的早期特征,在宏观上呈现出一定的长度、宽度与方向,是一类典型的线状目标。本文以裂缝检测作为主要研究内容,利用图像处理技术,提出了两种方法实现裂缝检测与分割。一个是传统方法,即利用多方向模板卷积实现裂缝分割;另一个是结合深度学习实现裂缝的检测及语义分割。具体工作如下:(1)设计多方向大尺度模板实现裂缝分割。在图像预处理部分提出了新的自适应阈值化算法,然后设计16个方向的大尺寸模板,用模板与经过二值化的路面图像进行卷积计算,最后对卷积结果进行阈值化,便能得到路面裂缝的分割结果图。算法对线状裂缝和网状裂缝都有较好的分割效果。(2)利用卷积神经网络实现裂缝检测。首先手动进行数据的切割与标注,把图像划分成96?96的小块作为网络输入。针对类别不均衡以及样本不充足的问题,提出了一种新的算法生成伪裂缝来扩充数据。公路图片训练集为167,328张,隧道图片训练集为179,718张。基于TensorFlow深度学习框架设计了一个卷积神经网络,在公路样本上获得96.01%的正确率,隧道样本的正确率为74.25%;然后基于多层感知卷积层思想以及多尺度卷积核思想对网络模型进行改进,公路样本的分类正确率提升到97.02%,结合生成的伪裂缝数据,隧道样本的正确率提升到89.72%。通过可视化技术解释了网络为何能实现裂缝分类检测,并设计单层卷积神经网络分析传统方法中多方向模板与卷积神经网络中卷积核的区别与联系。(3)利用全卷积神经网络进行裂缝语义分割。基于PyTorch深度学习框架设计了两个网络模型。第一个网络参考FCN,由前面裂缝分类的CNN网络改造而成,网络输入图片大小为96?96。用FCN网络对路面裂缝的分割结果较为粗糙,均交并比为0.5480;第二个网络参考U-Net,网络输入图片大小为256?256,U-Net网络对路面裂缝的分割质量较为理想,均交并比为0.6514。
（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。
线状目标论文参考文献
[1].姜朝宇,罗涛,王亚波,夏珉.水下线状目标距离选通成像探测研究[J].舰船科学技术.2018
[2].陈旭林.基于多方向模板及深度学习的线状目标检测与分割[D].西安电子科技大学.2018
[3].徐涛,杨克成,夏珉,李微,郭文平.基于距离选通成像的水下线状目标检测算法[J].激光与红外.2017
[4].徐涛.基于光学成像的水下线状目标检测算法[D].华中科技大学.2017
[5].张舒.基于特征聚类和形状分析的线状目标检测[D].西安电子科技大学.2017
[6].郑春燕,郭庆胜,胡华科.基于二进制粒子群优化算法的线状目标简化[J].测绘科学.2016
[7].李青.线状目标提取技术研究及应用[D].大连理工大学.2015
[8].芦俊,丛卫华.一种基于线状目标特征点集的声呐图像配准方法[J].声学与电子工程.2014
[9].刘钊,高培超,施洪刚,王永红.一种基于曲率的线状目标简化算法[J].测绘科学.2014
[10].陆浩.基于线状特征提取的机场目标识别技术[D].电子科技大学.2014
论文知识图
