导读:本文包含了子图像特征融合论文开题报告文献综述、选题提纲参考文献，主要关键词:特征,图像,遥感,光谱,多核,里程计,视觉。
子图像特征融合论文文献综述写法
姚本佐,何芳[1]（2019）在《空谱特征分层融合的高光谱图像特征提取》一文中研究指出利用基于光谱维的特征提取方法将原始高光谱图像数据降到一定维数,对降维后的数据采用多尺度自适应加权滤波器(adaptive weighted filters,AWF)进行滤波,将在所有尺度上得到的滤波结果分层融合为新的图像,设计了分层融合框架,有效提取出了高光谱图像中重要的空谱特征,从而提高了分类精度。又将主成分分析(principal component analysis,PCA)算法融入到该框架中,提出了分层融合-主成分分析(hierarchical fusion principal component analysis,HF-PCA)算法。该方法不仅降低了波段间的冗余性,而且削弱了样本的类内差异性,提高了高光谱图像的分类精度。在Indian Pines和Salinas数据库上的实验结果表明,即使在训练样本数量较少的情况下,由HFPCA算法得到的分类精度明显高于其他算法,2种数据总体分类精度的最大值分别为86. 73%和95. 01%,有效提高了高光谱图像的分类精度。(本文来源于《国土资源遥感》期刊2019年03期）
赵明富,陈兵,宋涛,曹利波[2]（2019）在《融合特征光流与角点特征的图像特征匹配算法研究》一文中研究指出图像特征匹配是视觉里程计的重要环节,针对视觉图像序列特征点匹配中存在的匹配精度低问题,提出一种融合金字塔特征光流与角点特征的精确快速图像特征匹配算法。算法首先利用ORB(二进制定向简单描述符)算法快速提取图像特征点,然后融合金字塔Lucas-Kanade特征光流的追踪特性,使用局部特征窗口计算图像特征点位移矢量。接着针对图像特征的匹配对齐问题以及特征丢失问题,算法采用K最近邻半径搜索作为特征滤波器移除混淆的匹配,最后使用RANSAC(Random Sample Consensus)算法剔除冗余误匹配点对,提高匹配率。通过多组实验数据对比,该算法的图像特征匹配率可达到98%。对比传统的ORB特征匹配算法,该算法在实时性和图像特征匹配精度上均有显着提高。(本文来源于《半导体光电》期刊2019年04期）
程文冬,马勇,魏庆媛[3]（2019）在《驾驶人手机通话行为中基于图像特征决策融合的手势识别方法》一文中研究指出为鲁棒检测自然环境中驾驶人的通话行为,提出了一种驾驶人手机通话手势的识别方法。运用Adaboost算法检测驾驶人面部区域,在YC_gC_r色彩空间中分别对面部肤色亮度分量和色度分量进行稀疏网格间隔采样,由此建立了肤色的高斯分布模型;针对驾驶室光照强度的不均匀性,提出了肤色分量的漂移补偿算法,建立了适应光照变化的在线肤色模型,以准确分割左右手部肤色区域;运用HOG算法获取手部肤色区域的2 376维HOG特征向量,运用PCA方法将HOG特征降至400维;同时提取手部肤色区域的PZMs特征,并采用Relief算法筛选出权重最大的8个PZMs特征向量,建立了融合PCA-HOG特征和Relief-PZMs特征的通话手势支持向量机分类决策。试验结果表明:基于PCA-HOG特征的手势识别率为93.1%,对光照变化的鲁棒性较好,但易受到手部与头部转动的干扰;基于Relief-PZMs特征的手势识别率为91.9%,对于头部与手部姿态的耐受度较好,但光照鲁棒性较差;基于PCA-HOG和Relief-PZMs多元特征融合方法的手势识别率达到94.5%,对光照波动、手部与头部转动等干扰条件具有较好的适应性。(本文来源于《交通运输工程学报》期刊2019年04期）
修春波,马云菲,潘肖楠[4]（2019）在《基于距离融合的图像特征点匹配方法》一文中研究指出针对ORB算法中特征点缺乏尺度不变性导致算法误匹配率高,以及二进制鲁棒独立基本特征(BRIEF)算法的描述子易受噪声影响的问题,提出了改进的特征点匹配方法。采用加速的具有鲁棒性的特征(SURF)算法进行特征点提取,利用带有方向信息的BRIEF算法进行特征点描述;在特征点邻域内选取随机点对,并对随机点对的灰度大小比较和相似度比较分别进行编码,采用汉明距离计算两种编码的差异;利用自适应加权融合的方式实现特征点相似性距离度量。实验结果表明,改进方法对于尺度变化、光照变化以及模糊变化的图像具有更好的适应性,与传统ORB特征点匹配方法相比能够获得更高的特征点正确匹配率,且该特征点匹配方法可用于改善图像拼接的性能。(本文来源于《计算机应用》期刊2019年11期）
马祥[5]（2019）在《基于卷积神经网络的低分辨率细胞图像特征融合算法研究》一文中研究指出基于CMOS图像传感器及微流控技术组成的无透镜细胞采集系统因其具备便携化的优点越来越受到研究者的青睐。但该系统采集图像时因没有经过光学放大,采集的细胞图像分辨率低、特征信息少。采用传统图像处理算法很难提高低分辨率细胞图像的分辨率与特征细节。本文利用卷积神经网络算法,对低分辨率细胞图像的超分辨率重建算法及同类相似细胞特征融合算法进行了研究。为了实现低分辨率细胞图像的重建与特征融合。首先以白细胞为例研究了低分辨率细胞图像数据集的建立。由于无透镜系统采集的细胞图像分辨率低,因此利用显微镜采集血涂片。采用bicbic下采样算法获得模拟无透镜系统采集效果数据集,并运用无透镜系统采集血样本获得白细胞数据集,接着采用图像处理算法制作了有空泡病变白细胞数据集。然后在caffe上搭建低分辨率细胞图像重构网络(CSRN)。待训练得到重构模型后,从模拟无透镜采集效果的数据集与无透镜系统采集的白细胞数据集中分别选取3幅图像进行测试。并采用主观和客观图像质量评价标准对重建结果进行评价。结果表明:相比Bicbic、SRCNN、FSRCNN等算法重建的白细胞图像,CSRN网络有效的提高了低分辨率细胞图像的细节信息,这对于低分辨率图像的识别、分类等应用意义重大。最后搭建低分辨率细胞图像特征融合网络(CFFNet),并训练得到特征融合模型。从模拟无透镜采集效果的数据集与无透镜系统采集的白细胞数据集中分别选取4组(每组11幅)细胞图像进行融合,融合结果为集合测试图像特征的正常白细胞图像。接着运用图像二值化等算法计算融合细胞图像核质比等特征参数,随后分别将正常与病变图像按照不同组合方式进行混合,在混合图像中选取11组(每组11幅)图像并进行测试。结果表明,融合细胞图像的形貌等特征与测试图像占比较大一方相似。证明融合结果服从统计学规律且能够实现血细胞病变检测,对于细胞的疾病诊断和医学字典库的建立意义重大。(本文来源于《西安理工大学》期刊2019-06-30）
王路[6]（2019）在《基于图像特征融合的颜体书法风格识别研究》一文中研究指出基于图像学的书法风格研究在书法风格识别、分类存储及风格鉴赏等应用中有着重要的意义。在众多的书法作品中,颜真卿的楷书是唐楷中最具代表的作品,对其风格的计算机视觉研究具有重要的学术意义和实践意义。本文主要对书法风格识别与颜体书法风格一致性问题进行研究。首先对颜体和其余楷书四大家风格进行区分,接着以颜真卿不同时期的书法字体为数据集来研究颜体风格的变化和发展,并验证颜体在其他书法风格中的内在相似性,从而区分颜体风格与其他风格。本文主要工作如下:(1)提取了书法字体库作为样本数据集。首先对古代碑帖图像进行预处理,然后使用游长概率统计的方法对古代的碑帖图像进行去噪,最后通过自适应最小包围盒切割算法对去噪后的碑文字帖进行单字切割,获得了包含颜体四碑帖与楷书四大家字体库的原始数据集。(2)研究比较了传统图像算子在书法风格识别中的有效性。在特征提取方面,比较了Gabor、小波及LBP叁种经典的特征提取算法,并基于SVM进行多分类。针对书法字独特的笔画特征和结构特征,本文在对Gabor滤波器进行配置时,选择有效的方向和尺度参数,保证充分提取书法字信息的前提下,尽可能减少数据的冗余。(3)提出了基于GIST与PHOG融合特征的书法风格识别方法。首先提取了书法字图像面向全局的GIST特征和面向局部轮廓的PHOG特征,然后采用KPCA算法分别对两种特征进行降维,再将降维后的两个特征进行串行融合,最后使用SVM分类器进行风格训练和分类。实验结果一方面证明了所提出方法的优越性,另一方面从计算机视觉方面证明了颜体风格的特异性及代表性。综上所述,基于GIST与PHOG融合特征的书法风格分类方法,能够有效克服单一特征在描述书法字特征时的局限性。此外,本文将降维算法应用到书法特征融合中,既能保留书法字本身丰富的特征,又能在很大程度上降低数据的冗余,大大提高识别效率。同时,本文对颜体书法的研究起到重要的补充作用。(本文来源于《西安理工大学》期刊2019-06-30）
李望发[7]（2019）在《基于多核学习的煤岩图像特征融合与识别方法》一文中研究指出本文提出了基于多核学习的煤岩特征融合与识别方法,首先从煤岩图像提取两种特征,然后将每一种特征输入到一组核组合的SVM分类器中进行多核学习,得到该特征的一组核的权重系数,构成每个特征的核矩阵,最后将每个核矩阵组合起来再进行多核权重学习,得到每一组核的权重系数,最后将得出的权重组合成新的核空间,进行多核SVM分类。结果表明,该方法有效地对煤岩的图像特征进行融合,能够提高识别准确率。(本文来源于《电子技术与软件工程》期刊2019年07期）
宋相法,吕明[8]（2019）在《融合叁维骨架和深度图像特征的人体行为识别》一文中研究指出人体行为识别是计算机视觉与模式识别领域最为活跃的研究方向之一。针对现有方法多采用单一特征研究人体行为识别导致识别率较低的问题,提出了一种融合叁维骨架特征和深度图像特征的多特征人体行为识别方法。该方法首先从叁维骨架中提取出基于运动姿态描述子的稀疏编码特征,同时从深度图像中提取出基于深度运动图的梯度方向直方图特征,以增强特征互补性;然后利用线性分类器分别获得这两种特征的识别结果;最后将这两种特征的识别结果利用对数意见汇集规则融合得出最终的识别结果。该方法在MSR Action3D数据集上的识别率为98.53%,不但超过了基于叁维骨架特征方法的识别率和基于深度图像特征方法的识别率,而且相对于其他方法也取得了更高的识别率。(本文来源于《计算机技术与发展》期刊2019年07期）
吴晨,王宏伟,袁昱纬,王志强,刘宇[9]（2019）在《基于图像特征融合的遥感场景零样本分类算法》一文中研究指出利用不同图像特征之间的互补性,可提升遥感场景零样本分类性能。将图像特征的融合与零样本分类结合,提出一种基于图像特征融合的遥感场景零样本分类算法。采用解析字典学习方法,计算各图像特征的稀疏系数,并串接起来作为融合后图像特征,以减少冗余信息且保留各图像特征自身特点;引入监督信息,提高融合特征的鉴别性;将融合特征与场景类别词向量进行结构对齐,提升对新类别场景的迁移识别效果。在UC-Merced和航拍图像数据集两种遥感场景集上,对相同层次及不同层次的场景图像特征分别进行融合实验。实验结果表明:对于总体分类准确度和运算耗时,所提算法均优于其他零样本分类算法及通用的特征融合算法,证明了方法的有效性。(本文来源于《光学学报》期刊2019年06期）
芦兵,孙俊,毛罕平,杨宁,武小红[10]（2018）在《高光谱和图像特征相融合的生菜病害识别》一文中研究指出为精准识别生菜的病害类型及所处病害时期,提出了一种结合高光谱技术和图像特征提取技术融合的生菜病害诊断方法。利用高光谱套件分别采集炭疽病、菌核病、白粉病的发病早期、中期和晚期以及健康状态下生菜叶片样本的高光谱信息,利用多项式平滑(Savitzky-Golay,SG)算法对原始光谱数据进行降噪平滑处理,采用连续投影算法(Successive projections algorithm,SPA)对预处理后的数据进行特征波长的优选,使用一阶到叁阶矩和纹理LBP算子分别提取样本图像的颜色特征和纹理特征,最后通过SVR预测模型对颜色、纹理及光谱特征值数据进行训练并对预测集样本进行分类研究。结果表明,基于高光谱和图像融合特征的SVR预测模型性能良好,预测集决定系数为0.895 6,均方根误差为3. 75%。由于决定系数不够理想,通过引入松弛变量的方式降低间隔阈值,最终模型预测集决定系数为0.928 6,均方根误差为0. 034 2,决定系数提高了3. 68%,均方根误差降低了8. 8%,病害时期判断准确率为92. 23%。说明该方法能够较有效地诊断生菜的病害类型及所处病害时期,可为农业精准化管理中病害的自动防治提供参考。(本文来源于《江苏农业学报》期刊2018年06期）
子图像特征融合论文开题报告范文
（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：
图像特征匹配是视觉里程计的重要环节,针对视觉图像序列特征点匹配中存在的匹配精度低问题,提出一种融合金字塔特征光流与角点特征的精确快速图像特征匹配算法。算法首先利用ORB(二进制定向简单描述符)算法快速提取图像特征点,然后融合金字塔Lucas-Kanade特征光流的追踪特性,使用局部特征窗口计算图像特征点位移矢量。接着针对图像特征的匹配对齐问题以及特征丢失问题,算法采用K最近邻半径搜索作为特征滤波器移除混淆的匹配,最后使用RANSAC(Random Sample Consensus)算法剔除冗余误匹配点对,提高匹配率。通过多组实验数据对比,该算法的图像特征匹配率可达到98%。对比传统的ORB特征匹配算法,该算法在实时性和图像特征匹配精度上均有显着提高。
（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。
子图像特征融合论文参考文献
[1].姚本佐,何芳.空谱特征分层融合的高光谱图像特征提取[J].国土资源遥感.2019
[2].赵明富,陈兵,宋涛,曹利波.融合特征光流与角点特征的图像特征匹配算法研究[J].半导体光电.2019
[3].程文冬,马勇,魏庆媛.驾驶人手机通话行为中基于图像特征决策融合的手势识别方法[J].交通运输工程学报.2019
[4].修春波,马云菲,潘肖楠.基于距离融合的图像特征点匹配方法[J].计算机应用.2019
[5].马祥.基于卷积神经网络的低分辨率细胞图像特征融合算法研究[D].西安理工大学.2019
[6].王路.基于图像特征融合的颜体书法风格识别研究[D].西安理工大学.2019
[7].李望发.基于多核学习的煤岩图像特征融合与识别方法[J].电子技术与软件工程.2019
[8].宋相法,吕明.融合叁维骨架和深度图像特征的人体行为识别[J].计算机技术与发展.2019
[9].吴晨,王宏伟,袁昱纬,王志强,刘宇.基于图像特征融合的遥感场景零样本分类算法[J].光学学报.2019
[10].芦兵,孙俊,毛罕平,杨宁,武小红.高光谱和图像特征相融合的生菜病害识别[J].江苏农业学报.2018