一、基于最大類間可分離性的輪廓線分割（論文文獻(xiàn)綜述）
耿黎娜[1]（2019）在《基于多尺度分割下多特征綜合的遙感影像變化檢測方法研究》文中研究說明隨著我國社會(huì)經(jīng)濟(jì)的穩(wěn)健發(fā)展,使得城鄉(xiāng)發(fā)展不均衡、產(chǎn)業(yè)結(jié)構(gòu)不合理、資源與環(huán)境矛盾等問題日益突出。地理國情普查和監(jiān)測工作在服務(wù)于社會(huì)經(jīng)濟(jì)發(fā)展和生態(tài)文明建設(shè)中發(fā)揮著越來越重要的作用。通過開展地理國情普查和監(jiān)測工作,全面的、實(shí)時(shí)的、高效地掌握我國地理國情相關(guān)動(dòng)態(tài),深刻揭示了社會(huì)經(jīng)濟(jì)發(fā)展,資源與生態(tài)環(huán)境及其發(fā)展趨勢的內(nèi)在聯(lián)系。面向地理國情監(jiān)測重大工程應(yīng)用,變化區(qū)域識(shí)別是其技術(shù)流程的重要環(huán)節(jié),而變化區(qū)域信息的識(shí)別主要是依靠遙感影像變化檢測技術(shù)的支撐。因此,本文通過高分辨率遙感影像,在面向?qū)ο笥跋穹治黾夹g(shù)的基礎(chǔ)上對變化檢測方法深入進(jìn)行了探討和學(xué)習(xí)。本文系統(tǒng)的總結(jié)了遙感影像變化檢測的研究現(xiàn)狀、存在問題以及變化檢測技術(shù)的基礎(chǔ)理論,梳理歸納了其主要技術(shù)流程。從遙感影像的變化檢測處理的基本單元入手,將其分為基于像素和基于面向?qū)ο笥跋穹治龅膬纱箢愖兓瘷z測方法,并深入探討了這兩類變化檢測方法的原理、內(nèi)容以及其相應(yīng)的常規(guī)方法。伴隨著高空間分辨率的遙感影像的發(fā)展迅速發(fā)展,單個(gè)像素所能提供的特征信息越來越有限,傳統(tǒng)的基于像素的變化檢測只利用了影像像素光譜特征,對于高空間分辨率的影像,就會(huì)存在大量“異物同譜”和“同物異譜”的現(xiàn)象,致使檢測精度存在一定的誤差;數(shù)據(jù)冗余,處理速度慢,且檢測結(jié)果受噪聲影像。而面向?qū)ο蟮淖兓瘷z測方法,將影像分割為一個(gè)個(gè)對象,通過對對象特征的提取和分析,快速準(zhǔn)確的獲取變化信息,該方法以彌補(bǔ)基于像素的變化檢測方法的不足。對于面向?qū)ο蟮淖兓瘷z測方法,其影像分割、特征提取、自動(dòng)分類是該技術(shù)的關(guān)鍵,也是難點(diǎn),本文從這幾個(gè)問題出發(fā),主要研究內(nèi)容如下:（1）面向?qū)ο蟮母叻直媛蔬b感影像的變化檢測主要技術(shù)流程,包括:影像預(yù)處理、影像分割、影像對象特征提取、自動(dòng)分類和變化檢測等。（2）深入研究了影像分割技術(shù)的原理和內(nèi)容,對基于影像分割變化檢測的兩大類方法進(jìn)行了歸納總結(jié),通過基于eCognition的多尺度分割算法進(jìn)行了深入的研究,針對多尺度分割算法的三個(gè)主要參數(shù)進(jìn)行實(shí)驗(yàn)討論,尤其是最優(yōu)分割尺度的確定問題,提出了基于紋理特征的GLCM同質(zhì)性（Homogeneity）和熵（Entropy）來構(gòu)造評價(jià)模型函數(shù),構(gòu)建分割尺度與各評價(jià)指標(biāo)的變化曲線圖,并與其他評價(jià)指標(biāo),進(jìn)行對比分析,驗(yàn)證了本文提出了的HOEN評價(jià)指標(biāo)法的可行性。最后評判出各地物的最優(yōu)分割尺度。利用確定的參數(shù)指導(dǎo)影像在多個(gè)最優(yōu)分割尺度下完成影像分割,構(gòu)建多層次的影像對象層,使分割后影像對象對實(shí)際地物的表達(dá)更貼切,有效避免分割過度或者分割欠缺的情況。（3）在通過建立多尺度分割下影像對象層的基礎(chǔ)上,綜合分析了影像對象的光譜、紋理以及空間結(jié)構(gòu)特征等及與相對應(yīng)實(shí)際地物的特征,針對面向?qū)ο笥跋穹治黾夹g(shù)中,特征選擇的好壞和維數(shù)對分類結(jié)果以及變化檢測檢測精度的影像問題,深入研究了分離閾值法SEaTH和FSO特征空間優(yōu)化算法,通過FSO算法對冗余特征進(jìn)行初步的篩選,降低特征維數(shù),綜合最優(yōu)特征組合,再利用SEaTH算法進(jìn)行自動(dòng)選擇優(yōu)化后的特征集和確定閾值后進(jìn)行分類。（4）最后結(jié)合高分辨率遙感影像實(shí)例,應(yīng)用（2）、（3）中的關(guān)鍵技術(shù),對T1時(shí)相影像和T2時(shí)相影像進(jìn)行最優(yōu)尺度分割和特征空間優(yōu)化,完成前后時(shí)相影像的分類后進(jìn)行變化檢測,判別變化信息和非變化信息,實(shí)現(xiàn)變化信息的自動(dòng)獲取。
張?zhí)祚Y[2]（2019）在《腦膠質(zhì)瘤核磁共振圖像分割方法研究》文中指出醫(yī)學(xué)圖像處理技術(shù)作為醫(yī)療的重要技術(shù)手段,發(fā)揮著不可替代的作用。腦瘤是影響人類健康的重要原因之一,基于核磁共振圖像（Magnetic Resonance Imaging,MRI）進(jìn)行腦膠質(zhì)瘤標(biāo)志物分割辨識(shí)是目前最有效的醫(yī)療診斷技術(shù)手段之一,因此,研究腦瘤MRI圖像分割技術(shù)具有重要的理論研究意義和實(shí)際應(yīng)用價(jià)值。本文針對腦膠質(zhì)瘤MRI圖像目標(biāo)物形狀復(fù)雜且不規(guī)則、邊緣模糊、目標(biāo)和背景灰度值相近等特征,基于納什均衡、粗糙集和粗糙熵、玻色-愛因斯坦凝聚等理論,研究腦膠質(zhì)瘤MRI圖像分割問題,旨在為提高腦瘤等醫(yī)學(xué)圖像分割質(zhì)量探索新方法。論文主要研究內(nèi)容如下:研究基于納什均衡理論改進(jìn)支持向量機(jī)（Support Vector Machine,SVM）的腦膠質(zhì)瘤圖像分割方法。針對SVM中懲罰參數(shù)的設(shè)置影響圖像分割準(zhǔn)確性的問題,提出熵和標(biāo)準(zhǔn)差雙重約束的新型納什均衡模型,研究圖像特征及其分割過程與納什均衡理論及其推理機(jī)制之間的關(guān)系,得出新型納什均衡模型參數(shù)計(jì)算方法,構(gòu)建納什均衡過程。提出基于新型納什均衡模型改進(jìn)SVM,采用熵和標(biāo)準(zhǔn)差雙重約束的納什均衡收益通過納什均衡推理來設(shè)定SVM中的懲罰參數(shù)。通過對腦膠質(zhì)瘤MRI圖像分割實(shí)驗(yàn)驗(yàn)證本文方法的效果。研究基于納什均衡理論的目標(biāo)邊緣區(qū)域聚類方法。針對腦膠質(zhì)瘤圖像目標(biāo)邊緣區(qū)域模糊的問題,提出兩步納什均衡聚類方法,通過類內(nèi)最大相似性判斷（目標(biāo)區(qū)域內(nèi)部節(jié)點(diǎn)之間的最大相似度）和類間最小相似性判斷（目標(biāo)和背景區(qū)域的節(jié)點(diǎn)之間的最小相似度）獲得腦瘤目標(biāo)區(qū)域和背景區(qū)域。基于納什均衡理論改進(jìn)C-V模型,通過該模型得到腦瘤目標(biāo)輪廓線;針對腦瘤圖像目標(biāo)邊緣區(qū)域相似的問題,提出基于納什均衡的紋理相似區(qū)域判斷與合并方法,獲得腦瘤目標(biāo)區(qū)域和背景區(qū)域之后,基于納什均衡理論改進(jìn)多紋理特征C-V模型,將圖像中節(jié)點(diǎn)特征映射為納什均衡的收益,通過納什均衡推理來設(shè)定C-V模型中平均灰度參數(shù)。通過改進(jìn)后的C-V模型求得腦瘤目標(biāo)輪廓線。通過MRI腦瘤圖像分割實(shí)驗(yàn)驗(yàn)證本文方法的效果。研究基于粗糙集和粗糙熵的Petri網(wǎng)腦瘤圖像分割方法。針對粗糙集和粗糙熵只對輪廓線上某個(gè)節(jié)點(diǎn)自身進(jìn)行判斷不對該節(jié)點(diǎn)相鄰節(jié)點(diǎn)進(jìn)行相關(guān)性判斷而導(dǎo)致腦瘤圖像分割輪廓線不準(zhǔn)確的問題,提出基于粗糙集和粗糙熵的Petri網(wǎng)的腦瘤圖像分割方法,提出粗分割、精分割兩階段分割方式:第一階段基于粗糙集和粗糙熵進(jìn)行粗分割以獲得目標(biāo)對象的初步輪廓;第二階段通過Petri網(wǎng)進(jìn)行精分割,利用Petri網(wǎng)進(jìn)行對多邊界選擇和前后向校正以得到更精確的目標(biāo)輪廓。通過實(shí)驗(yàn)驗(yàn)證該方法在提高圖像分割準(zhǔn)確性方面的效果。研究基于玻色—愛因斯坦凝聚理論（Bose–Einstein Condensate,BEC）的腦膠質(zhì)瘤圖像分割模型。針對腦膠質(zhì)瘤形狀通常為囊性或環(huán)狀增強(qiáng)的邊緣輪廓而難以對其圖像進(jìn)行精確分割的問題,為探索新的醫(yī)學(xué)圖像分割方法,本文嘗試將BEC理論應(yīng)用于腦瘤圖像分割?；贐EC構(gòu)建支持向量機(jī)（SVM）中的核函數(shù),提出一種BEC核函數(shù)的SVM腦瘤圖像分割方法。通過不同類型的腦膠質(zhì)瘤圖像分割實(shí)驗(yàn),對比驗(yàn)證本文方法與其他相近方法的分割效果。研究基于量子蟲洞粒子群優(yōu)化算法的腦瘤圖像分割方法。針對具有“瓶頸”和“硬腦尾”等復(fù)雜形狀的腦瘤圖像分割問題,引入量子和蟲洞理論來改進(jìn)量子粒子群優(yōu)化算法（Quantum-behaved Particle Swarm Optimization,QPSO）,提出一種新的量子蟲洞粒子群優(yōu)化算法（Quantum and Wormhole-behaved Particle Swarm Optimization,QWPSO）,提出將圖像中節(jié)點(diǎn)分為種子粒子節(jié)點(diǎn)和像素粒子節(jié)點(diǎn)兩類,給出區(qū)分兩類節(jié)點(diǎn)的分類公式。提出一種蟲洞雙曲線路徑公式,給出QWPSO算法的計(jì)算公式。通過實(shí)驗(yàn)驗(yàn)證本文方法和其他方法的對比效果。為復(fù)雜形狀的腦瘤MRI圖像分割探索一種新方法。
金根炎[3]（2019）在《基于機(jī)器視覺的光伏太陽能晶硅電池片缺陷檢測及顏色分選系統(tǒng)研究》文中研究說明為了解決在絲網(wǎng)印刷流水線末端光伏太陽能晶硅電池的自動(dòng)缺陷檢測和顏色分類的問題,通過對太陽能電池的檢測方法進(jìn)行分析,提出了基于機(jī)器視覺的電池片缺陷檢測及顏色分選的解決方案,開發(fā)了光伏太陽能晶硅電池片檢測系統(tǒng)。首先介紹了太陽能電池的制備工藝,分析了太陽能電池的常見缺陷種類和色系等級及其形成原因,并提出了相應(yīng)的檢測標(biāo)準(zhǔn)和要求。同時(shí)進(jìn)行光伏太陽能晶硅電池片檢測系統(tǒng)整體方案設(shè)計(jì),分別對系統(tǒng)硬件和系統(tǒng)軟件進(jìn)行分析設(shè)計(jì),然后根據(jù)檢測系統(tǒng)要求完成了工業(yè)相機(jī),鏡頭,灰度卡等核心元件的選型以及檢測功能模塊化,離線在線相結(jié)合的軟件系統(tǒng)設(shè)計(jì)。研究了太陽能晶硅電池片缺陷檢測算法,介紹了電池片圖像的色彩校正,區(qū)域提取,硅片定位,工藝點(diǎn)屏蔽等預(yù)處理過程。提出了基于亞像素的電池片的尺寸測量方法。針對破損缺陷,分別使用形態(tài)學(xué)和參考模板的檢測方法進(jìn)行實(shí)驗(yàn),通過比較分析選擇合適的檢測算法。針對柵線印刷缺陷,根據(jù)柵線分布特征將檢測步驟細(xì)分為柵線提取,細(xì)柵檢測,主柵檢測。針對臟污缺陷,提取出基于改進(jìn)的局部閾值分割方法。研究了太陽能晶硅電池片顏色分選算法,介紹了常用的顏色空間及其轉(zhuǎn)化方法,并使用HSI通道進(jìn)行顏色直方圖特征提取。分析了傳統(tǒng)的顏色分選算法后,提出了一種基于神經(jīng)網(wǎng)絡(luò)的顏色分選算法,并通過實(shí)驗(yàn)對比分析兩種方法的運(yùn)行效率和精確度,驗(yàn)證了本算法的優(yōu)越性。最后,針對本課題的太陽能晶硅電池片缺陷檢測及顏色分選系統(tǒng),在線檢測與人工目檢相結(jié)合,分別從系統(tǒng)的精確度,高效性以及穩(wěn)定性進(jìn)行綜合性能的實(shí)驗(yàn)分析。實(shí)驗(yàn)數(shù)據(jù)表明,系統(tǒng)的綜合性能可以滿足實(shí)際生產(chǎn)需求。
王兆亮[4]（2017）在《基于Snakes模型的中文扭曲文檔圖像校正技術(shù)研究》文中研究指明隨著互聯(lián)網(wǎng)和計(jì)算機(jī)信息技術(shù)的發(fā)展,數(shù)字圖像處理技術(shù)已經(jīng)深入到我們生活中的方方面面,通過圖像采集將傳統(tǒng)紙質(zhì)文檔電子化已經(jīng)成為一種趨勢;然而,在通過掃描儀或數(shù)碼產(chǎn)品獲得圖像的過程,可能伴隨著文檔表面傾斜、彎曲或人工操作的視角傾斜等原因,儀器得到的圖像可能會(huì)有一定程度的失真,如傾斜、扭曲、形變等,這些問題都會(huì)對文字處理軟件如OCR識(shí)別、版面分析等的處理造成極大的困難,也可能這些軟件根本無法識(shí)別獲得的文檔圖像;因此,需要對這些變形扭曲的文檔圖像進(jìn)行校正復(fù)原。本文將致力于解決扭曲圖像的校正恢復(fù)問題;通過對扭曲文檔圖像特征及中文漢字結(jié)構(gòu)的分析,并參考國內(nèi)外相關(guān)的經(jīng)典校正算法,對比分析各種方法的優(yōu)缺點(diǎn),針對中文扭曲文檔圖像給出了基于Snakes模型的校正算法。該方法為實(shí)現(xiàn)扭曲文檔圖像的校正處理,考慮到光照不均、過度曝光等因素造成較差二值化效果的不利影響,本文不做二值化處理,直接從灰度化后的圖像著手。在灰度圖像的基礎(chǔ)上,通過優(yōu)化后的高斯濾波處理使得文字行實(shí)現(xiàn)平滑的效果,達(dá)到增強(qiáng)文本行結(jié)構(gòu)的同時(shí)也能很好的保護(hù)圖像邊緣信息的目的;然后利用脊線檢測找出文本行的中心線,并將其初始化作為Snakes模型的初始輪廓線;然后利用圖像分割的思想通過對Snakes模型的能量泛函迭代法求極小值的過程,使得中心線向文本行上下邊緣移動(dòng),并根據(jù)圖像的閾值信息把兩條線閉合,然后根據(jù)字符文本的灰度信息進(jìn)行擴(kuò)張或縮放,完成文本行的分割并獲得其文本線,最后利用文本行信息擬合重構(gòu)其文本線實(shí)現(xiàn)校正。實(shí)驗(yàn)結(jié)果表明該算法能有效地恢復(fù)扭曲,使得校正后的OCR文字識(shí)別率比之前有明顯的提升;而且該算法實(shí)現(xiàn)簡單,對于扭曲文本行的分割精度非常高,算法魯棒性較強(qiáng),基本滿足實(shí)用性需求。
蔣小波[5]（2015）在《GVF Snake模型及其在圖像分割中的應(yīng)用研究》文中認(rèn)為圖像分割一直是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)話題,基于活動(dòng)輪廓模型的輪廓提取方法作為一種新興有效的圖像分割方法。它與傳統(tǒng)的輪廓提取算法相比,表現(xiàn)出較好的分割特性。梯度向量流（GVF Snake）模型作為參數(shù)活動(dòng)輪廓模型的一種,它能夠?qū)Υ蟛糠钟?jì)算機(jī)視覺問題提供一個(gè)較好的解決方案。本研究先是介紹圖像分割的研究背景及意義,然后是活動(dòng)輪廓模型的在圖像分割應(yīng)用上的研究現(xiàn)狀,著重介紹了Snake模型的基本原理和數(shù)值求解方法,并引出了基于Snake模型改進(jìn)外力而提出的GVF Snake模型。緊接著,深入分析和研究GVF Snake模型的基礎(chǔ)理論知識(shí)。最后,將改進(jìn)的GVF Snake模型應(yīng)用到實(shí)際的醫(yī)學(xué)皮膚鏡圖像分割上。本文的主要研究內(nèi)容包括以下3個(gè)方面:l、針對GVF Snake模型梯度向量場計(jì)算的問題,先是介紹了已有的幾種計(jì)算梯度力場的方法。提出了一種基于BFGS算法來計(jì)算梯度力場,該方法主要是基于擬牛頓法的思想來求解力場迭代方程。用BFGS算法求解得到了兩個(gè)方向的矢量場,并給出詳細(xì)的求解推導(dǎo)過程和計(jì)算機(jī)仿真結(jié)果。最后,將改進(jìn)后的GVF Snake模型應(yīng)用到實(shí)際的圖像分割任務(wù)中。理論分析和實(shí)驗(yàn)結(jié)果表明,該方法能夠有效的求解梯度向量場,并能較好的分割出目標(biāo)輪廓線,具有較好的保持物體輪廓線的結(jié)構(gòu)特性。2、針對GVF Snake模型設(shè)置初始輪廓線的問題,先是介紹了常見的幾種輪廓線設(shè)置方法。提出了一種基于邊界跟蹤理論的輪廓線自動(dòng)初始化的方法,該方法先是采用邊界跟蹤算法進(jìn)行粗糙的分割,獲取邊緣位置有效信息點(diǎn),經(jīng)采樣后生成一條初始輪廓線,再將采用GVF Snake模型用于實(shí)際圖像的分割。實(shí)驗(yàn)結(jié)果表明,該方法能夠有效的給GVF Snake模型設(shè)置初始輪廓,并能準(zhǔn)確的獲取目標(biāo)的輪廓線。3、基于前面兩部分對GVF Snake模型的理論分析和改進(jìn),將改進(jìn)后的GVF Snake模型應(yīng)用到醫(yī)學(xué)皮膚鏡圖像的分割處理中。簡單介紹醫(yī)學(xué)圖像分割的背景和意義,并著重分析了醫(yī)學(xué)圖像自身的特性。最后,將改進(jìn)的GVF Snake模型用于醫(yī)學(xué)圖像分割處理上。分割結(jié)果說明,本文算法能有效的提取皮膚鏡圖像的輪廓,具有較好的實(shí)用價(jià)值。
賈康成[6]（2014）在《線掃描鐵軌表面成像系統(tǒng)與缺陷檢測算法研究》文中認(rèn)為隨著現(xiàn)代鐵路的高速發(fā)展,對鐵路軌道進(jìn)行定期檢修變得越來越重要。我國目前仍然依靠人工巡檢,勞動(dòng)量大,危險(xiǎn)度高,因此迫切的需要一種高速和精確的自動(dòng)化檢測裝置完成鐵路軌道的檢測。本文以鐵軌表面缺陷自動(dòng)檢測技術(shù)為研究對象,基于機(jī)器視覺原理提出了一種鐵軌表面缺陷自動(dòng)檢測方法,利用圖像處理技術(shù)實(shí)現(xiàn)鐵軌表面缺陷的自動(dòng)識(shí)別,為鐵路養(yǎng)護(hù)人員提供可靠的檢修數(shù)據(jù)。本文的研究內(nèi)容如下:（1）闡述了鐵軌缺陷檢測的研究背景及意義,歸納目前鐵軌缺陷檢測的方法及其現(xiàn)有檢測設(shè)備,分析機(jī)器視覺檢測方法的優(yōu)越性,并對機(jī)器視覺的概況及其在鐵軌表面缺陷檢測的應(yīng)用進(jìn)行了論述。（2）根據(jù)運(yùn)動(dòng)中鐵軌表面缺陷實(shí)時(shí)檢測的需求,設(shè)計(jì)了基于高速線掃描相機(jī)的成像系統(tǒng)。通過分析鐵軌表面缺陷檢測系統(tǒng)的技術(shù)指標(biāo),選擇了線掃描相機(jī)等成像系統(tǒng)器件。針對相機(jī)性能、外界光照、振動(dòng)等成像因素的影響,設(shè)計(jì)了線性模組、高速轉(zhuǎn)盤、室外電動(dòng)車等成像系統(tǒng)方案用于測試,掌握了相機(jī)成像參數(shù)以及各器件間的協(xié)作配合方式,最終應(yīng)用在軌檢車成像系統(tǒng)成功的采集到真實(shí)的鐵軌表面圖像。（3）根據(jù)鐵軌表面缺陷的特點(diǎn),設(shè)計(jì)了針對離散疤痕和裂紋的缺陷檢測算法。其中對離散疤痕的檢測提出一種以圖像增強(qiáng)和自動(dòng)閾值分割為核心的檢測算法,克服了鐵軌表面光線反射不均的缺點(diǎn),并且取到的閾值使背景類方差最大的同時(shí)保持缺陷出現(xiàn)概率較小。對裂紋缺陷的檢測采用基于偏微分方程的Chan-Vese模型,該模型能夠適應(yīng)鐵軌裂紋拓?fù)浣Y(jié)構(gòu)多變的特點(diǎn),通過對橫向和縱向裂紋進(jìn)行實(shí)驗(yàn)仿真,證實(shí)了該方法對裂紋缺陷檢測的可行性。最后,設(shè)計(jì)鐵軌表面缺陷檢測中的應(yīng)用軟件。在VS2008編譯環(huán)境下,利用微軟基礎(chǔ)庫類、相機(jī)公司的SDK及OpenCV視覺庫搭建缺陷檢測系統(tǒng),通過在真實(shí)鐵軌上測試,取得了較好的效果。
熊博蒞[7]（2012）在《SAR圖像配準(zhǔn)及變化檢測技術(shù)研究》文中提出本文主要研究了合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）圖像的配準(zhǔn)及其變化檢測技術(shù)。針對SAR系統(tǒng)的成像特點(diǎn)，根據(jù)不同成像平臺(tái)所獲取SAR數(shù)據(jù)的差異，本文首先利用星載SAR數(shù)據(jù)（日本ALOS衛(wèi)星）對基于衛(wèi)星軌道參數(shù)的圖像概略配準(zhǔn)技術(shù)進(jìn)行了分析，利用成像衛(wèi)星其空間位置的高精度估計(jì)，提高了基準(zhǔn)圖像和重軌圖像在方位向上的配準(zhǔn)精度。對缺乏高精度平臺(tái)軌道運(yùn)行數(shù)據(jù)的SAR圖像，則利用圖像中封閉均勻區(qū)域特征提取同名特征點(diǎn)，實(shí)現(xiàn)對基準(zhǔn)圖像和待配準(zhǔn)圖像之間的自動(dòng)配準(zhǔn)。在圖像配準(zhǔn)的基礎(chǔ)上，通過對不同的變化檢測量的深入分析，針對經(jīng)典閾值自動(dòng)選取方法在穩(wěn)健性方面的不足，提出一種更加符合SAR圖像統(tǒng)計(jì)分布的變化檢測量及對應(yīng)的自動(dòng)閾值選擇算法。最后，本文利用運(yùn)動(dòng)與變化的關(guān)系，將變化檢測的思想引入到可移動(dòng)目標(biāo)的自動(dòng)檢測，有效地減少了目標(biāo)檢測中出現(xiàn)的虛警。具體而言，作者主要開展了以下幾個(gè)方面的工作：（1）針對星載SAR平臺(tái)的周期性和平穩(wěn)性，提出一種橢圓擬合衛(wèi)星軌道的方法對衛(wèi)星的空間位置進(jìn)行精確估計(jì)。通過將三維空間中的橢圓衛(wèi)星軌道投影到二維平面，可以得到三條二維平面中的橢圓曲線，在此基礎(chǔ)上，引入針對二維平面中橢圓的直接最小均方橢圓擬合方法（DLS-EFM），實(shí)現(xiàn)對橢圓幾何參數(shù)的估計(jì)，從而精確估計(jì)ALOS衛(wèi)星在成像過程中任意給定時(shí)刻的空間位置。（2）如果只結(jié)合ALOS PALSAR平臺(tái)的成像幾何以及成像區(qū)域的地理信息，可以實(shí)現(xiàn)基準(zhǔn)數(shù)據(jù)和重軌數(shù)據(jù)在距離向上1-2個(gè)像素的概略配準(zhǔn)，而方位向上的配準(zhǔn)誤差則高達(dá)20-30個(gè)像素。針對該問題，提出利用估計(jì)得到的衛(wèi)星位置，在消除成像時(shí)間差的基礎(chǔ)上，計(jì)算重軌干涉SAR系統(tǒng)的干涉基線，利用基線與目標(biāo)兩次成像之間的幾何關(guān)系，實(shí)現(xiàn)了基準(zhǔn)數(shù)據(jù)和重軌數(shù)據(jù)在方位向上的概略配準(zhǔn)，其配準(zhǔn)誤差可控制在1個(gè)像素之內(nèi)，從而可顯著減少下一步高精度配準(zhǔn)的搜索空間，提高配準(zhǔn)的效率和準(zhǔn)確性，使重軌干涉SAR的準(zhǔn)實(shí)時(shí)應(yīng)用成為可能。（3）SAR圖像中均勻區(qū)域的提取對于實(shí)現(xiàn)SAR圖像自動(dòng)配準(zhǔn)十分關(guān)鍵。針對SAR圖像中均勻區(qū)域的特點(diǎn)，提出一種基于Frost濾波和區(qū)域生長的均勻區(qū)域提取算法。此外，本文還將基于活動(dòng)輪廓模型的分割方法引入到封閉均勻區(qū)域提取中，有效地實(shí)現(xiàn)了SAR圖像中背景區(qū)域與封閉均勻區(qū)域的分離。（4）利用SAR圖像中已提取的均勻區(qū)域，提取區(qū)域的特征點(diǎn)，實(shí)現(xiàn)SAR圖像的自動(dòng)配準(zhǔn)。本文利用封閉區(qū)域的周長、面積等區(qū)域統(tǒng)計(jì)特性構(gòu)造區(qū)域相似度量，進(jìn)而實(shí)現(xiàn)區(qū)域之間的匹配，然后利用匹配區(qū)域的質(zhì)心作為同名特征點(diǎn)，實(shí)現(xiàn)圖像的自動(dòng)配準(zhǔn)。此外，本文提出一種基于多邊形擬合和幾何哈希理論的封閉區(qū)域匹配方法，利用閉合區(qū)域中具有代表性的角點(diǎn)，實(shí)現(xiàn)封閉均勻區(qū)域之間的匹配，然后將匹配角點(diǎn)作為同名特征點(diǎn)對圖像進(jìn)行配準(zhǔn)。最后，針對經(jīng)典配準(zhǔn)精度量化評估方法的不足，引入變化檢測思想，通過對配準(zhǔn)殘差數(shù)據(jù)的統(tǒng)計(jì)特性進(jìn)行分析，實(shí)現(xiàn)對配準(zhǔn)精度的準(zhǔn)量化估計(jì)。（5）提出一種基于SAR圖像統(tǒng)計(jì)分布和似然比檢驗(yàn)的變化檢測量（LLI-CDM）。該變化檢測量以SAR圖像雜波的Gamma分布為基礎(chǔ)，將似然比假設(shè)檢驗(yàn)引入到變化檢測。實(shí)驗(yàn)表明，基于該變化檢測量所得到的差異圖像的直方圖特點(diǎn)鮮明：直方圖曲線由兩部分構(gòu)成，其中高而窄的尖峰對應(yīng)于占差異圖像絕大部分的非變化像元部分，直方圖中低且平的拖尾則代表差異圖像中的變化像元部分。直方圖尖峰與拖尾之間的過渡點(diǎn)則可看成是將未變化和變化部分分離的最佳閾值。由于變化像元其灰度值的變化量不同，導(dǎo)致拖尾部分不同灰度值變化的直方圖隨機(jī)起伏，即拖尾部分將形成一個(gè)直方圖振蕩區(qū)。利用直方圖尖峰和拖尾的不同特點(diǎn)，本文提出一種相鄰灰度直方圖比閾值自動(dòng)選擇算法實(shí)現(xiàn)對閾值的自動(dòng)選取，該閾值選取方法物理意義明確、應(yīng)用簡單穩(wěn)健，與LLI-CDM的組合相得益彰。（6）基于LLI-CDM得到的差異圖像中未發(fā)生變化像素的灰度值高度集中，在直方圖中形成一個(gè)高且窄的尖峰，而最佳閾值處于尖峰與拖尾的過渡位置，導(dǎo)致每一灰度級的閾值改變都將引起變化檢測結(jié)果的顯著差異。而SAR變化檢測中應(yīng)用最廣的對數(shù)比變化檢測量（LOG-CDM）常采用KI、EM等閾值選擇算法，其閾值的自動(dòng)選取往往不夠準(zhǔn)確，與最佳閾值存在顯著差異，嚴(yán)重影響變化檢測的性能。針對該問題，本文在引入馬爾可夫隨機(jī)場理論的基礎(chǔ)上，提出一種融合LLI-CDM和LOG-CDM的變化檢測方法，實(shí)驗(yàn)結(jié)果表明，該方法能夠在保持這兩種變化檢測量的優(yōu)點(diǎn)的同時(shí)彌補(bǔ)各自的不足，顯著提高了變化檢測的性能。（7）拓展了變化檢測技術(shù)的傳統(tǒng)應(yīng)用范圍。針對某些固定場景內(nèi)的可移動(dòng)目標(biāo)，如機(jī)場中的飛機(jī)目標(biāo)、港口附近的艦船目標(biāo)等，本文在引入變化檢測技術(shù)的基礎(chǔ)上，以固定場景的光學(xué)圖像為先驗(yàn)信息，顯著改善了該類可移動(dòng)目標(biāo)的檢測性能。此外，本文還將變化檢測技術(shù)引入到可移動(dòng)目標(biāo)的鑒別當(dāng)中，針對CFAR檢測后存在的大量虛警，利用相關(guān)系數(shù)和閾值分離有效鑒別并去除虛警，提高目標(biāo)檢測性能。
姜柳[8]（2010）在《基于水平集的醫(yī)學(xué)圖像分割方法研究》文中提出圖像分割是醫(yī)學(xué)圖像分析、配準(zhǔn)、融合、分類檢索以及醫(yī)學(xué)圖像計(jì)算機(jī)輔助診斷系統(tǒng)在臨床上得以實(shí)現(xiàn)的理論基礎(chǔ),是醫(yī)學(xué)圖像領(lǐng)域非常重要的研究課題,對疾病的準(zhǔn)確診斷具有重要的意義。本文在論述圖像分割研究現(xiàn)狀和水平集方法理論的基礎(chǔ)之上,從提高多灰度級和亮度不均勻兩類圖像的分割準(zhǔn)確率的角度出發(fā),對醫(yī)學(xué)圖像分割算法進(jìn)行了一系列的研究。由于醫(yī)學(xué)圖像的結(jié)構(gòu)復(fù)雜性,圖像的不同部分呈現(xiàn)出不同的灰度,極易造成圖像分割的錯(cuò)誤。針對這種由圖像多灰度級所引起的錯(cuò)誤分割問題,本文提出了一種基于圖像邊界信息和區(qū)域信息的模糊水平集分割算法。該算法結(jié)合了模糊C均值聚類模型的優(yōu)點(diǎn),按灰度級對目標(biāo)進(jìn)行劃分,提高了分割的準(zhǔn)確性。同時(shí),算法對水平集的能量函數(shù)作了改進(jìn),消除了重新初始化過程,解決了重新初始化所帶來的計(jì)算量大和過程復(fù)雜等問題。在MATLAB仿真環(huán)境下,進(jìn)行仿真得出結(jié)果并對結(jié)果進(jìn)行比較和差異性評估。仿真實(shí)驗(yàn)表明,本文提出的基于圖像邊界信息和區(qū)域信息的模糊水平集分割算法對圖像弱邊界以及深度凹陷區(qū)的分割效果有明顯的改進(jìn),提高了多灰度級醫(yī)學(xué)圖像分割的準(zhǔn)確率,具有一定的實(shí)用性和有效性。由醫(yī)學(xué)成像設(shè)備和手段的差異性所引起的圖像亮度的不均勻性也會(huì)造成圖像分割錯(cuò)誤。針對這種由亮度不均勻而引起的錯(cuò)誤分割問題,本文提出了一種結(jié)合混合核函數(shù)的水平集分割算法。該算法對水平集方法進(jìn)行改進(jìn),加入混合核函數(shù)可以對不均勻的亮度進(jìn)行持續(xù)補(bǔ)償,使得對圖像像素點(diǎn)分類更加準(zhǔn)確,同時(shí),在分割過程中考慮到圖像的局部特性和全局特征,有效提高了分割的速度和準(zhǔn)確性。通過實(shí)驗(yàn)對比和差異實(shí)驗(yàn)評估方法證明了所提出算法可以有效地提高亮度不均勻的醫(yī)學(xué)圖像的分割準(zhǔn)確率。本文最后對研究工作進(jìn)行了總結(jié),給出了所取得的研究成果和創(chuàng)新之處,并指出今后醫(yī)學(xué)圖像分割算法研究的發(fā)展趨勢。
李波[9]（2008）在《基于PDE的圖像去噪、修補(bǔ)及分解研究》文中提出上世紀(jì)八十年代以來,隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,圖像處理問題得到了愈來愈多的關(guān)注和研究。基本的研究方法主要有以下三類:基于概率和統(tǒng)計(jì)的方法、基于傅立葉與小波變換方法以及變分和偏微分方程方法。其中變分與偏微分方程圖像處理方法由于其自適應(yīng)性較強(qiáng),而且具有各向異性的擴(kuò)散特性,在處理圖像的同時(shí)可以很好的保持邊界和紋理等細(xì)節(jié)信息,在過去的二十幾年中獲得了巨大的發(fā)展。其研究領(lǐng)域包括:圖像分割、圖像去噪、去模糊（逆卷積）、圖像分解、圖像修補(bǔ)、圖像重建以及圖像紋理分類等。本文集中討論了偏微分方程在圖像去噪、圖像修補(bǔ)以及圖像分解等幾個(gè)方面的應(yīng)用和研究,主要工作和創(chuàng)新成果如下:在第三章中,針對不同的噪聲,提出了三種穩(wěn)定的去噪模型。首先對于加性高斯噪聲本文提出了一種基于Lp范數(shù)的局部自適應(yīng)的變分模型,考慮圖像空間為變指數(shù)的Sobolev空間W1,p,在此空間中定義了一個(gè)積分能量泛函,通過變分方法得到了一個(gè)關(guān)于時(shí)間的擴(kuò)散方程,并從理論上分析了該擴(kuò)散過程解的存在唯一性,最后從幾何的觀點(diǎn)給出了直觀的解釋。對于乘性噪聲,針對現(xiàn)有的去噪模型往往是一個(gè)非凸的優(yōu)化問題,理論證明和數(shù)值求解都存在著一定的困難,本文提出了一種新的全局凸的變分模型來解決此問題,模型的嚴(yán)格凸性保證了該算法具有良好的理論性質(zhì),證明了該算法解的適定性,最終實(shí)驗(yàn)結(jié)果表明該算法具有良好的效果。椒鹽噪聲作為一類特殊的圖像噪聲,由于傳統(tǒng)的ROF模型等對其處理效果不夠理想,對此本文提出了一種新的基于模糊檢測和保梯度的兩步去噪算法。最后分析了該算法的穩(wěn)定性,實(shí)驗(yàn)表明該算法在去噪的同時(shí),有效的保持了圖像的結(jié)構(gòu)信息。在第四章中,針對傳統(tǒng)的變分修補(bǔ)模型無法修補(bǔ)紋理圖像,提出了一種局部紋理圖像修補(bǔ)模型。通過引入局部紋理方向,并在局部紋理坐標(biāo)系下建立新的修補(bǔ)模型,修正了傳統(tǒng)的TV修補(bǔ)模型的擴(kuò)散方向,實(shí)驗(yàn)表明該算法不僅可以修復(fù)結(jié)構(gòu)信息,而且還可以修復(fù)簡單的紋理缺失信息。最后從理論上分析了該算法的適定性,并從修補(bǔ)機(jī)制上分析了該算法與傳統(tǒng)算法的聯(lián)系。在第五章中,提出了一種基于圖像分解的非線性保拓?fù)淙四樧R(shí)別算法。首先利用Lp圖像分解模型和自商圖像光照歸一化模型對樣本人臉圖像進(jìn)行光照歸一化處理。降低光照影響,然后利用本文提出的非線性保拓?fù)涞娜四樧R(shí)別算法進(jìn)行人臉識(shí)別,實(shí)驗(yàn)表明該算法對光照具有良好的魯棒性,在一定程度上提高了識(shí)別的準(zhǔn)確率。
楊忠根,陳濤[10]（2001）在《基于最大類間可分離性的輪廓線分割》文中研究表明對輪廓線上每點(diǎn)的前后兩個(gè)局部段進(jìn)行局部直線擬合 ,在此基礎(chǔ)上計(jì)算這兩個(gè)局部直線段的類間可分離度 ,證明了它就是輪廓線點(diǎn)是否為一優(yōu)勢點(diǎn)的對數(shù)似然比 ,并把輪廓線上的優(yōu)勢點(diǎn)定義為具有局部最大類間可分離度的輪廓點(diǎn) .基于此概念 ,開發(fā)了用直線多邊形良好逼近輪廓線的輪廓線分割算法 ,該算法能精確魯棒地檢測輪廓線優(yōu)勢點(diǎn) .實(shí)驗(yàn)結(jié)果表明了該技術(shù)的性能是令人滿意的 .
二、基于最大類間可分離性的輪廓線分割（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對研究對象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過創(chuàng)設(shè)一個(gè)與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、基于最大類間可分離性的輪廓線分割（論文提綱范文）
（1）基于多尺度分割下多特征綜合的遙感影像變化檢測方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 概述 |
| 1.2 研究背景及意義 |
| 1.2.1 地理國情監(jiān)測工作 |
| 1.2.2 遙感技術(shù)在地理國情監(jiān)測應(yīng)用中的關(guān)鍵 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 遙感影像變化檢測方法研究現(xiàn)狀 |
| 1.3.2 變化檢測研究中存在的問題 |
| 1.4 主要工作及內(nèi)容安排 |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 本文的章節(jié)安排 |
| 第二章 變化檢測相關(guān)基礎(chǔ) |
| 2.1 變化檢測的概念 |
| 2.2 變化檢測的流程 |
| 2.2.1 數(shù)據(jù)選取 |
| 2.2.2 數(shù)據(jù)預(yù)處理 |
| 2.2.3 變化信息獲取 |
| 2.2.4 變化檢測精度評價(jià) |
| 2.3 遙感影像變化檢測方法 |
| 2.3.1 基于像素的變化檢測 |
| 2.3.2 面向?qū)ο蟮淖兓瘷z測 |
| 2.3.3 遙感影像變化檢測的一般流程 |
| 第三章 影像分割與多特征綜合 |
| 3.1 面向?qū)ο笞兓瘷z測方法的理論基礎(chǔ) |
| 3.1.1 面向?qū)ο蟮母拍?/td> |
| 3.1.2 面向?qū)ο笥跋穹治黾夹g(shù) |
| 3.2 影像分割 |
| 3.2.1 影像分割的原理 |
| 3.2.2 影像分割內(nèi)容及分類 |
| 3.2.3 基于影像分割的變化檢測方法 |
| 3.3 多尺度分割 |
| 3.3.1 多尺度分割的概念 |
| 3.3.2 多尺度分割的原理 |
| 3.3.3 多尺度分割的主要參數(shù) |
| 3.4 多尺度分割參數(shù)的選取 |
| 3.4.1 波段權(quán)重選取 |
| 3.4.2 形狀因子和緊致度因子的選取 |
| 3.4.3 最優(yōu)分割尺度的選取 |
| 3.5 影像對象特征分析 |
| 3.5.1 光譜特征 |
| 3.5.2 紋理特征 |
| 3.5.3 空間結(jié)構(gòu)特征 |
| 3.6 多特征綜合優(yōu)化 |
| 第四章 面向?qū)ο笞兓瘷z測與精度評價(jià) |
| 4.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理 |
| 4.2 對象分類后變化檢測實(shí)驗(yàn) |
| 4.2.1 影像多尺度分割 |
| 4.2.2 多特征綜合優(yōu)化 |
| 4.2.3 分類后變化檢測 |
| 4.3 變化檢測結(jié)果分析與評價(jià) |
| 第五章 結(jié)論與展望 |
| 5.1 主要研究內(nèi)容和成果 |
| 5.2 發(fā)展與展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄 |
（2）腦膠質(zhì)瘤核磁共振圖像分割方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 基于納什均衡理論的醫(yī)學(xué)圖像分割技術(shù)研究現(xiàn)狀 |
| 1.2.2 基于粗糙集和粗糙熵的醫(yī)學(xué)圖像分割技術(shù)研究現(xiàn)狀 |
| 1.2.3 基于量子理論的醫(yī)學(xué)圖像分割技術(shù)研究現(xiàn)狀 |
| 1.2.4 基于其它理論的醫(yī)學(xué)圖像分割技術(shù)研究現(xiàn)狀 |
| 1.3 論文主要研究內(nèi)容與結(jié)構(gòu)框架 |
| 1.3.1 論文主要研究內(nèi)容 |
| 1.3.2 論文結(jié)構(gòu)框架 |
| 第2章 基于納什均衡理論改進(jìn)SVM圖像分割方法 |
| 2.1 引言 |
| 2.2 納什均衡模型和納什均衡過程 |
| 2.2.1 納什均衡理論及其在圖像分割中應(yīng)用簡述 |
| 2.2.2 具有雙重約束的納什均衡模型 |
| 2.2.3 雙重約束納什均衡模型參數(shù)計(jì)算方法 |
| 2.2.4 納什均衡過程 |
| 2.2.5 雙重約束納什均衡模型算法及算例 |
| 2.3 基于納什均衡理論改進(jìn)SVM圖像分割方法 |
| 2.4 實(shí)驗(yàn)驗(yàn)證 |
| 2.4.1 新型納什均衡方法的基本性能實(shí)驗(yàn) |
| 2.4.2 新型納什均衡方法的腦瘤圖像分割實(shí)驗(yàn) |
| 2.5 本章小結(jié) |
| 第3章 基于納什均衡的目標(biāo)邊緣區(qū)域聚類方法 |
| 3.1 兩步納什均衡分類方法 |
| 3.1.1 引言 |
| 3.1.2 兩步納什均衡分類方法 |
| 3.1.3 基于納什均衡理論改進(jìn)C-V模型 |
| 3.1.4 實(shí)驗(yàn)驗(yàn)證 |
| 3.2 基于納什均衡的紋理相似區(qū)域判斷方法 |
| 3.2.1 引言 |
| 3.2.2 基于納什均衡的紋理相似區(qū)域判斷方法 |
| 3.2.3 基于納什均衡理論改進(jìn)多紋理特征C-V模型 |
| 3.2.4 實(shí)驗(yàn)驗(yàn)證 |
| 3.3 本章小結(jié) |
| 第4章 基于粗糙集和粗糙熵的Petri網(wǎng)圖像分割方法 |
| 4.1 引言 |
| 4.2 粗糙集和粗糙熵 |
| 4.3 基于粗糙集和粗糙熵的粗分割方法 |
| 4.4 基于Petri網(wǎng)的精確分割方法 |
| 4.4.1 構(gòu)建圖像精確分割的Petri網(wǎng)框架 |
| 4.4.2 基于Petri網(wǎng)的圖像精確分割方法 |
| 4.5 實(shí)驗(yàn)驗(yàn)證 |
| 4.6 本章小結(jié) |
| 第5章 基于玻色—愛因斯坦凝聚理論的腦圖像分割模型 |
| 5.1 引言 |
| 5.2 BEC和膠質(zhì)瘤的相似性分析 |
| 5.3 BEC核函數(shù) |
| 5.4 對BEC核函數(shù)的理論分析 |
| 5.5 實(shí)驗(yàn)驗(yàn)證 |
| 5.5.1 單節(jié)點(diǎn)集合的分割實(shí)驗(yàn) |
| 5.5.2 雙節(jié)點(diǎn)集合的分割實(shí)驗(yàn) |
| 5.5.3 腦膠質(zhì)瘤圖像分割實(shí)驗(yàn) |
| 5.5.4 本文方法與其他方法的對比實(shí)驗(yàn) |
| 5.5.5 基于BEC改進(jìn)SVM與基于納什均衡改進(jìn)SVM方法的對比實(shí)驗(yàn) |
| 5.6 本章小結(jié) |
| 第6章 基于量子蟲洞粒子群優(yōu)化算法的腦瘤圖像分割方法 |
| 6.1 引言 |
| 6.2 基于QWPSO的腦腫瘤圖像分割方法 |
| 6.2.1 QPSO算法 |
| 6.2.2 本文提出的量子蟲洞粒子群優(yōu)化算法 |
| 6.3 實(shí)驗(yàn)結(jié)果與分析 |
| 6.3.1 腦腫瘤MRI圖像分割結(jié)果及分析 |
| 6.3.2 腦腫瘤CT圖像分割結(jié)果及分析 |
| 6.3.3 實(shí)驗(yàn)結(jié)果討論 |
| 6.4 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間發(fā)表的論文和取得的科研成果 |
| 致謝 |
（3）基于機(jī)器視覺的光伏太陽能晶硅電池片缺陷檢測及顏色分選系統(tǒng)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 機(jī)器視覺研究現(xiàn)狀 |
| 1.2.2 太陽能電池檢測的研究現(xiàn)狀 |
| 1.3 本文研究目的與意義 |
| 1.4 本文研究內(nèi)容和組織結(jié)構(gòu) |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 組織結(jié)構(gòu) |
| 第二章 缺陷檢測與顏色分選系統(tǒng)的分析與設(shè)計(jì) |
| 2.1 引言 |
| 2.2 電池片視覺檢測關(guān)鍵問題 |
| 2.2.1 太陽能電池制備工藝 |
| 2.2.2 電池片缺陷與色系 |
| 2.2.3 檢測標(biāo)準(zhǔn)與要求 |
| 2.3 檢測系統(tǒng)整體方案設(shè)計(jì) |
| 2.4 檢測系統(tǒng)硬件選型與設(shè)計(jì) |
| 2.4.1 工業(yè)相機(jī)選型 |
| 2.4.2 相機(jī)鏡頭選型 |
| 2.4.3 灰度卡的選型 |
| 2.4.4 其他硬件 |
| 2.5 檢測系統(tǒng)軟件設(shè)計(jì) |
| 2.6 本章小結(jié) |
| 第三章 電池片缺陷檢測算法研究 |
| 3.1 引言 |
| 3.2 電池片圖像預(yù)處理 |
| 3.2.1 圖像的白平衡色彩校正算法 |
| 3.2.2 太陽能晶硅電池片區(qū)域提取 |
| 3.2.3 基于模板匹配的電池片定位 |
| 3.2.4 基于仿射變換的工藝點(diǎn)屏蔽 |
| 3.3 基于亞像素的電池片尺寸測量 |
| 3.4 電池片破損缺陷檢測算法研究 |
| 3.4.1 基于形態(tài)學(xué)檢測方法 |
| 3.4.2 基于模板檢測方法 |
| 3.4.3 破損檢測實(shí)驗(yàn)分析 |
| 3.5 電池片柵線缺陷檢測算法研究 |
| 3.5.1 電池片柵線提取 |
| 3.5.2 電池片細(xì)柵檢測 |
| 3.5.3 電池片主柵檢測 |
| 3.6 電池片臟污缺陷檢測算法研究 |
| 3.7 本章小結(jié) |
| 第四章 電池片顏色分選算法研究 |
| 4.1 引言 |
| 4.2 顏色空間變換與特征提取 |
| 4.3 電池片顏色分選算法 |
| 4.3.1 基于相似度和距離的顏色分選算法 |
| 4.3.2 基于神經(jīng)網(wǎng)絡(luò)的顏色分選算法 |
| 4.3.3 顏色分選算法的對比分析 |
| 4.4 本章小結(jié) |
| 第五章 檢測系統(tǒng)性能分析 |
| 5.1 引言 |
| 5.2 檢測系統(tǒng)精確度實(shí)驗(yàn) |
| 5.3 檢測系統(tǒng)高效性實(shí)驗(yàn) |
| 5.4 檢測系統(tǒng)穩(wěn)定性實(shí)驗(yàn) |
| 5.5 本章小結(jié) |
| 總結(jié)與展望 |
| 研究成果 |
| 研究展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的研究成果 |
| 致謝 |
| 附件 |
（4）基于Snakes模型的中文扭曲文檔圖像校正技術(shù)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外發(fā)展現(xiàn)狀 |
| 1.3 本文的研究內(nèi)容和組織結(jié)構(gòu) |
| 第二章 扭曲文檔圖像相關(guān)技術(shù)研究 |
| 2.1 圖像灰度化 |
| 2.2 圖像濾波 |
| 2.3 脊線檢測 |
| 2.3.1 脊線的描述 |
| 2.3.2 脊線檢測方法 |
| 2.4 圖像分割 |
| 2.4.1 圖像分割方法 |
| 2.4.2 基于邊緣檢測的分割方法 |
| 2.5 本章小結(jié) |
| 第三章 扭曲文檔圖像校正方案設(shè)計(jì) |
| 3.1 扭曲文檔圖像的研究 |
| 3.1.1 圖像獲取 |
| 3.1.2 圖像特征分析 |
| 3.2 校正方法研究分析 |
| 3.2.1 校正方法研究 |
| 3.2.2 校正方法評估 |
| 3.3 校正方案介紹 |
| 3.4 可行性分析 |
| 3.5 本章小結(jié) |
| 第四章 扭曲文檔圖像校正算法實(shí)現(xiàn) |
| 4.1 圖像預(yù)處理 |
| 4.1.1 灰度化 |
| 4.1.2 高斯濾波處理 |
| 4.2 脊線檢測 |
| 4.3 檢測文本線 |
| 4.4 校正處理 |
| 4.5 本章小結(jié) |
| 第五章 實(shí)驗(yàn)結(jié)果分析 |
| 5.1 測試環(huán)境與方案 |
| 5.1.1 測試環(huán)境 |
| 5.1.2 測試方案 |
| 5.2 校正效果圖 |
| 5.3 結(jié)果分析 |
| 5.3.1 校正前后OCR識(shí)別率對比 |
| 5.3.2 算法時(shí)間效率對比 |
| 5.4 本章小結(jié) |
| 第六章 工作總結(jié)與展望 |
| 參考文獻(xiàn) |
| 在學(xué)期間的研究成果 |
| 致謝 |
（5）GVF Snake模型及其在圖像分割中的應(yīng)用研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 圖像分割的研究背景和意義 |
| 1.2 活動(dòng)輪廓模型在圖像分割中的應(yīng)用 |
| 1.3 GVF Snake模型在圖像分割中的研究現(xiàn)狀 |
| 1.4 本章小結(jié) |
| 第二章 GVF Snake模型原理及其分析 |
| 2.1 Snake模型的基本理論 |
| 2.1.1 Snake的數(shù)學(xué)模型 |
| 2.1.2 Snake模型的仿真結(jié)果分析 |
| 2.2 GVF Snake模型的基本原理 |
| 2.2.1 GVF Snake的數(shù)學(xué)模型 |
| 2.2.2 GVF Snake的數(shù)值實(shí)現(xiàn) |
| 2.2.3 GVF Snake模型仿真結(jié)果分析 |
| 2.3 GVF Snake模型進(jìn)一步分析和討論 |
| 2.4 本章小結(jié) |
| 第三章 GVF Snake模型的梯度向量場數(shù)值計(jì)算研究 |
| 3.1 常見的梯度向量場的數(shù)值計(jì)算方法 |
| 3.1.1 有限差分方法 |
| 3.1.2 多分辨率方法 |
| 3.1.3 多網(wǎng)格方法 |
| 3.1.4 拉格朗日方法 |
| 3.2 基于擬牛頓法的數(shù)值計(jì)算方法 |
| 3.2.1 BFGS算法的基本原理 |
| 3.2.2 基于BFGS算法進(jìn)行的梯度向量場計(jì)算 |
| 3.2.3 BFGS-GVF算法的詳細(xì)步驟 |
| 3.3 實(shí)驗(yàn)結(jié)果及其對比 |
| 3.3.1 梯度向量場實(shí)驗(yàn)及其討論 |
| 3.3.2 肺部圖像分割的結(jié)果和梯度向量場 |
| 3.3.3 圖像分割的實(shí)驗(yàn)及其討論 |
| 3.4 本章小結(jié) |
| 第四章 GVF Snake模型初始輪廓設(shè)置研究 |
| 4.1 常見的幾種設(shè)置初始輪廓線方法 |
| 4.1.1 基于分水嶺算法設(shè)定初始輪廓線 |
| 4.1.2 基于小波變換設(shè)定初始輪廓線 |
| 4.1.3 基于圖割設(shè)定的初始輪廓線方法 |
| 4.2 基于邊界跟蹤算法設(shè)置GVF Snake模型初始輪廓線 |
| 4.2.1 邊界跟蹤基本理論知識(shí) |
| 4.2.2 邊界跟蹤確定的初始輪廓線 |
| 4.2.3 基于邊界跟蹤改進(jìn)GVF Snake模型的詳細(xì)步驟 |
| 4.3 實(shí)驗(yàn)結(jié)果和分析 |
| 4.3.1 噪聲圖像的分割 |
| 4.3.2 紅外熱成像圖像的分割 |
| 4.3.3 彩色圖像的分割 |
| 4.3.4 工業(yè)焊點(diǎn)缺陷檢測的分割 |
| 4.3.5 分割結(jié)果的準(zhǔn)確性分析 |
| 4.4 本章小結(jié) |
| 第五章 GVF Snake模型在醫(yī)學(xué)皮膚鏡圖像上的應(yīng)用 |
| 5.1 醫(yī)學(xué)皮膚鏡圖像 |
| 5.1.1 研究的背景和意義 |
| 5.1.2 醫(yī)學(xué)皮膚圖像的特點(diǎn) |
| 5.2 用于皮膚鏡圖像處理的GVF Snake模型 |
| 5.2.1 皮膚鏡圖像的預(yù)處理 |
| 5.2.2 應(yīng)用于皮膚鏡圖像處理的GVF Snake模型的算法步驟 |
| 5.3 實(shí)驗(yàn)結(jié)果及其分析 |
| 5.3.1 邊界清晰的圖像 |
| 5.3.2 不規(guī)則邊界的圖像 |
| 5.3.3 邊界模糊的圖像 |
| 5.3.4 分割結(jié)果的定量分析 |
| 5.4 本章小結(jié) |
| 主要結(jié)論與展望 |
| 主要結(jié)論 |
| 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄: 作者在攻讀碩士學(xué)位期間發(fā)表的論文 |
（6）線掃描鐵軌表面成像系統(tǒng)與缺陷檢測算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題的研究背景及意義 |
| 1.2 鐵軌缺陷檢測研究狀況 |
| 1.2.1 鐵軌缺陷檢測方法 |
| 1.2.2 鐵軌缺陷檢測設(shè)備 |
| 1.3 機(jī)器視覺鐵軌檢測 |
| 1.4 論文的主要內(nèi)容和結(jié)構(gòu)安排 |
| 第2章 線掃描成像系統(tǒng)設(shè)計(jì)與測試 |
| 2.1 鐵軌表面缺陷檢測系統(tǒng)設(shè)計(jì)方案 |
| 2.1.1 主要技術(shù)指標(biāo) |
| 2.1.2 系統(tǒng)設(shè)計(jì)方案 |
| 2.2 成像系統(tǒng)器件 |
| 2.2.1 相機(jī) |
| 2.2.2 鏡頭 |
| 2.2.3 光源 |
| 2.2.4 圖像采集卡 |
| 2.2.5 控制器 |
| 2.3 成像系統(tǒng)方案 |
| 2.3.1 線性模組實(shí)驗(yàn)方案 |
| 2.3.2 高速轉(zhuǎn)盤實(shí)驗(yàn)方案 |
| 2.3.3 室外電動(dòng)車實(shí)驗(yàn)方案 |
| 2.3.4 軌檢車實(shí)驗(yàn)方案 |
| 2.4 本章小結(jié) |
| 第3章 鐵軌表面離散疤痕缺陷檢測算法 |
| 3.1 檢測算法流程 |
| 3.2 采集圖像預(yù)處理 |
| 3.2.1 鐵軌區(qū)域提取 |
| 3.2.2 降噪處理 |
| 3.3 增強(qiáng)鐵軌圖像 |
| 3.4 閾值化分割缺陷 |
| 3.4.1 最大類間方差法 |
| 3.4.2 改進(jìn)算法 |
| 3.5 識(shí)別缺陷 |
| 3.5.1 形態(tài)學(xué)處理 |
| 3.5.2 缺陷特征濾波器 |
| 3.6 實(shí)驗(yàn)結(jié)果 |
| 3.6.1 增強(qiáng)鐵軌圖像方法比較 |
| 3.6.2 閾值化分割方法比較 |
| 3.7 本章小結(jié) |
| 第4章 鐵軌表面裂紋缺陷檢測算法 |
| 4.1 偏微分方程圖像分割概述 |
| 4.2 水平集的曲線演化方法 |
| 4.2.1 曲線演化理論 |
| 4.2.2 水平集方法 |
| 4.3 Chan-Vese模型原理 |
| 4.3.1 Mumford-Shah模型 |
| 4.3.2 Chan-Vese模型 |
| 4.4 識(shí)別鐵軌裂紋 |
| 4.5 本章小結(jié) |
| 第5章 應(yīng)用軟件設(shè)計(jì) |
| 5.1 軟件開發(fā)工具 |
| 5.2 軟件框架和功能 |
| 5.2.1 相機(jī)的配置與連接模塊 |
| 5.2.2 圖像實(shí)時(shí)采集與存儲(chǔ)模塊 |
| 5.2.3 缺陷檢測模塊 |
| 5.2.4 圖像回放模塊 |
| 5.3 軟件運(yùn)行結(jié)果 |
| 5.4 本章小結(jié) |
| 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 附錄A 攻讀學(xué)位期間發(fā)表的論文和參與的科研項(xiàng)目成果 |
（7）SAR圖像配準(zhǔn)及變化檢測技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 課題的背景及意義 |
| 1.2 SAR 圖像配準(zhǔn)及變化檢測的特點(diǎn) |
| 1.2.1 SAR 近年來的發(fā)展情況 |
| 1.2.2 SAR 圖像配準(zhǔn) |
| 1.2.3 SAR 圖像變化檢測 |
| 1.3 作者的主要工作及論文的結(jié)構(gòu)安排 |
| 第二章 基于地理坐標(biāo)及軌道參數(shù)的星載 SAR 圖像配準(zhǔn) |
| 2.1 引言 |
| 2.2 基于地理信息的 ALOS PALSAR 圖像配準(zhǔn) |
| 2.3 利用衛(wèi)星軌道信息估計(jì)干涉基線 |
| 2.3.1 基于衛(wèi)星軌道曲線擬合的衛(wèi)星位置估計(jì)方法 |
| 2.3.2 基于衛(wèi)星軌道曲線擬合的基線估計(jì)方法 |
| 2.4 基于干涉基線估計(jì)的圖像配準(zhǔn) |
| 2.5 本章小結(jié) |
| 第三章 基于區(qū)域特征的 SAR 圖像配準(zhǔn) |
| 3.1 引言 |
| 3.2 SAR 圖像中均勻閉合區(qū)域特征 |
| 3.3 基于 Frost 濾波和區(qū)域生長的 SAR 圖像均勻區(qū)域提取方法 |
| 3.3.1 基于像元灰度信息的區(qū)域生長 |
| 3.3.2 Frost 濾波與區(qū)域生長結(jié)合的均勻區(qū)域提取方法 |
| 3.3.3 實(shí)驗(yàn)結(jié)果 |
| 3.4 基于活動(dòng)輪廓模型的 SAR 圖像區(qū)域提取方法 |
| 3.4.1 活動(dòng)輪廓模型原理 |
| 3.4.2 混合加權(quán)活動(dòng)輪廓模型 |
| 3.4.3 實(shí)驗(yàn)結(jié)果 |
| 3.5 基于封閉區(qū)域特征的圖像配準(zhǔn) |
| 3.5.1 基于閉合區(qū)域質(zhì)心的圖像配準(zhǔn) |
| 3.5.2 基于多邊形擬合和幾何哈希理論的圖像配準(zhǔn) |
| 3.5.3 基于殘差數(shù)據(jù)的配準(zhǔn)精度分析 |
| 3.6 本章小結(jié) |
| 第四章 SAR 圖像變化檢測量及閾值選擇方法研究 |
| 4.1 引言 |
| 4.2 常見 SAR 圖像變化檢測算子及其比較分析 |
| 4.2.1 差異數(shù)據(jù)的獲取 |
| 4.2.2 SAR 圖像差值檢測量和比值檢測量比較 |
| 4.3 常見閾值選取方法及實(shí)驗(yàn)對比分析 |
| 4.3.1 經(jīng)典閾值分割算法 |
| 4.3.2 實(shí)驗(yàn)數(shù)據(jù) |
| 4.3.3 實(shí)驗(yàn)結(jié)果 |
| 4.4 基于似然比檢驗(yàn)和相鄰灰度直方圖比閾值法的變化檢測方法 |
| 4.4.1 基于 SAR 圖像統(tǒng)計(jì)特征的變化檢測算子 |
| 4.4.2 基于相鄰灰度直方圖比的閾值自動(dòng)選擇算法 |
| 4.4.3 實(shí)驗(yàn)結(jié)果分析 |
| 4.5 基于馬爾可夫隨機(jī)場的變化檢測算法 |
| 4.5.1 LOG-CDM |
| 4.5.2 LLI-CDM |
| 4.5.3 基于馬爾可夫隨機(jī)場的變化檢測量融合方法 |
| 4.5.4 實(shí)驗(yàn)結(jié)果 |
| 4.6 本章小結(jié) |
| 第五章 變化檢測技術(shù)在可移動(dòng)目標(biāo)檢測中的應(yīng)用 |
| 5.1 引言 |
| 5.2 基于變化檢測技術(shù)的固定場景機(jī)動(dòng)目標(biāo)檢測 |
| 5.2.1 基于變化檢測技術(shù)的機(jī)場內(nèi)飛機(jī)目標(biāo)檢測 |
| 5.2.2 基于變化檢測技術(shù)的港口內(nèi)艦船目標(biāo)檢測 |
| 5.3 基于變化檢測技術(shù)的可移動(dòng)目標(biāo)鑒別 |
| 5.4 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 研究工作總結(jié) |
| 6.2 進(jìn)一步研究的展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 作者在學(xué)期間取得的學(xué)術(shù)成果 |
| 附錄 A Frost 濾波器 |
| 附錄 B ROEWA 算子 |
| 附錄 C SAR 強(qiáng)度圖像概率分布 |
（8）基于水平集的醫(yī)學(xué)圖像分割方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 醫(yī)學(xué)圖像分割背景研究及其重要意義 |
| 1.2 醫(yī)學(xué)圖像分割面臨的問題 |
| 1.3 基于活動(dòng)輪廓模型的醫(yī)學(xué)圖像分割發(fā)展現(xiàn)狀及發(fā)展趨勢 |
| 1.4 論文研究的主要內(nèi)容及組織結(jié)構(gòu) |
| 第2章 水平集方法的基本理論 |
| 2.1 曲線演化理論 |
| 2.2 水平集方法介紹 |
| 2.2.1 水平集方法的函數(shù)表示 |
| 2.2.2 水平集函數(shù)的數(shù)值解法 |
| 2.2.3 水平集方法實(shí)現(xiàn)中的問題 |
| 2.3 本章小結(jié) |
| 第3章 基于圖像邊界信息和區(qū)域信息的模糊水平集分割算法研究 |
| 3.1 模糊算法與圖像分割 |
| 3.1.1 模糊集理論在圖像分割中的應(yīng)用 |
| 3.2 模糊C均值聚類算法 |
| 3.3 基于圖像邊界信息和區(qū)域信息的模糊水平集分割算法 |
| 3.3.1 模糊水平集算法 |
| 3.3.2 基于圖像邊界信息和區(qū)域信息的模糊水平集算法關(guān)鍵問題 |
| 3.3.3 水平集函數(shù)邊界信息加入 |
| 3.3.4 水平集函數(shù)重新初始化問題 |
| 3.3.5 能量函數(shù)設(shè)計(jì) |
| 3.4 仿真實(shí)驗(yàn)與結(jié)果分析 |
| 3.4.1 不同算法分割結(jié)果的比較 |
| 3.4.2 差異實(shí)驗(yàn)評估方法 |
| 3.5 本章小結(jié) |
| 第4章 結(jié)合混合核函數(shù)的水平集分割算法研究 |
| 4.1 核函數(shù)算法 |
| 4.1.1 核函數(shù)理論 |
| 4.1.2 核函數(shù)方法在圖像處理中的應(yīng)用 |
| 4.2 結(jié)合混合核函數(shù)的水平集分割算法 |
| 4.2.1 核函數(shù)在水平集算法中的應(yīng)用 |
| 4.2.2 結(jié)合混合核函數(shù)的水平集算法關(guān)鍵問題 |
| 4.2.3 結(jié)合混合核函數(shù)的水平集分割算法 |
| 4.2.4 能量函數(shù)設(shè)計(jì) |
| 4.3 仿真實(shí)驗(yàn)及結(jié)果分析 |
| 4.3.1 能量函數(shù)設(shè)計(jì) |
| 4.3.2 差異實(shí)驗(yàn)評估 |
| 4.4 本章小結(jié) |
| 第5章 結(jié)論與展望 |
| 5.1 本文工作總結(jié) |
| 5.2 未來工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者攻讀碩士學(xué)位期間的論文及參與科研情況 |
（9）基于PDE的圖像去噪、修補(bǔ)及分解研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究的背景和意義 |
| 1.2 偏微分方程圖像處理的發(fā)展 |
| 1.2.1 圖像分割 |
| 1.2.2 圖像恢復(fù)和增強(qiáng) |
| 1.2.3 圖像修補(bǔ) |
| 1.3 本文主要工作 |
| 2 偏微分方程圖像處理的數(shù)學(xué)基礎(chǔ) |
| 2.1 圖像的數(shù)學(xué)定義 |
| 2.2 圖像恢復(fù)問題的數(shù)學(xué)描述 |
| 2.3 常用數(shù)學(xué)定義以及幾類常用的抽象空間 |
| 2.4 一類偏微分方程圖像處理問題的理論框架 |
| 3 基于PDE的圖像去噪問題研究 |
| 3.1 一類局部自適應(yīng)的L~p正則化變分模型 |
| 3.1.1 一種局部自適應(yīng)的L~p去噪模型 |
| 3.1.2 模型分析以及適定性證明 |
| 3.1.3 實(shí)驗(yàn)結(jié)果 |
| 3.2 基于模糊判斷的椒鹽噪聲去除方法 |
| 3.2.1 一種新的模糊擴(kuò)散去噪方法 |
| 3.2.2 算法的穩(wěn)定性分析 |
| 3.2.3 實(shí)驗(yàn)結(jié)果 |
| 3.3 一種新的全局凸的乘性噪聲去除模型 |
| 3.3.1 乘性噪聲去除問題背景介紹 |
| 3.3.2 一種新的全局凸的乘性噪聲模型 |
| 3.3.3 模型的數(shù)學(xué)討論及推廣 |
| 3.3.4 實(shí)驗(yàn)結(jié)果和分析 |
| 3.4 總結(jié) |
| 4 基于PDE的局部紋理圖像修補(bǔ)方法 |
| 4.1 研究背景介紹 |
| 4.2 一種新的局部結(jié)構(gòu)紋理修復(fù)方法 |
| 4.2.1 TV修補(bǔ)模型和OABE模型分析 |
| 4.2.2 局部紋理方向的確定 |
| 4.2.3 一種新的圖像修復(fù)方法 |
| 4.2.4 修補(bǔ)模型解的存在唯一性 |
| 4.3 實(shí)驗(yàn)結(jié)果及評價(jià) |
| 4.4 小結(jié) |
| 5 圖像分解及在人臉識(shí)別中的應(yīng)用研究 |
| 5.1 圖像分解介紹 |
| 5.2 圖像分解在人臉識(shí)別中的應(yīng)用 |
| 5.3 一種新的基于圖像分解和保拓?fù)溆成涞娜四樧R(shí)別算法 |
| 5.3.1 基于L~P+SQI的光照歸一化方法 |
| 5.3.2 一種新的基于保拓?fù)溆成涞娜四樧R(shí)別算法 |
| 5.4 實(shí)驗(yàn)結(jié)果和分析 |
| 5.5 小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 創(chuàng)新點(diǎn)摘要 |
| 攻讀博士學(xué)位期間發(fā)表學(xué)術(shù)論文情況 |
| 致謝 |
四、基于最大類間可分離性的輪廓線分割（論文參考文獻(xiàn)）
- [1]基于多尺度分割下多特征綜合的遙感影像變化檢測方法研究[D]. 耿黎娜. 昆明理工大學(xué), 2019(04)
- [2]腦膠質(zhì)瘤核磁共振圖像分割方法研究[D]. 張?zhí)祚Y. 哈爾濱工程大學(xué), 2019(04)
- [3]基于機(jī)器視覺的光伏太陽能晶硅電池片缺陷檢測及顏色分選系統(tǒng)研究[D]. 金根炎. 華南理工大學(xué), 2019(02)
- [4]基于Snakes模型的中文扭曲文檔圖像校正技術(shù)研究[D]. 王兆亮. 北方工業(yè)大學(xué), 2017(08)
- [5]GVF Snake模型及其在圖像分割中的應(yīng)用研究[D]. 蔣小波. 江南大學(xué), 2015(01)
- [6]線掃描鐵軌表面成像系統(tǒng)與缺陷檢測算法研究[D]. 賈康成. 湖南大學(xué), 2014(06)
- [7]SAR圖像配準(zhǔn)及變化檢測技術(shù)研究[D]. 熊博蒞. 國防科學(xué)技術(shù)大學(xué), 2012(04)
- [8]基于水平集的醫(yī)學(xué)圖像分割方法研究[D]. 姜柳. 東北大學(xué), 2010(03)
- [9]基于PDE的圖像去噪、修補(bǔ)及分解研究[D]. 李波. 大連理工大學(xué), 2008(08)
- [10]基于最大類間可分離性的輪廓線分割[J]. 楊忠根,陳濤. 哈爾濱工程大學(xué)學(xué)報(bào), 2001(06)