韩军伟[1]2001年在《景物边缘提取技术的研究与应用》文中研究指明景物边缘提取技术是图像处理和计算机视觉等领域最基本的技术，如何准确、快速的提取图像中景物的边缘信息一直是这些领域的研究热点。随着此项技术研究的深入和整个领域的不断发展，边缘提取技术已经成为图像分割、目标识别、图像压缩等技术的基础。 本文概要的论述了景物边缘提取技术的概念和特点；对前人提出的成熟的方法进行了研究，分析了它们的原理及优、缺点。 论述了两种用来提取景物边缘的新兴技术——松弛迭代法和启发式搜索的方法。详细分析了两种方法的出发点、理论根据和实现方法，通过实验结果，指出了这两种方法的优、缺点。 提出了一种边缘提取技术——独立边界自增强的随机启发式搜索方法。讲述了它的核心思想、理论基础，并进行了模拟实验，用实验结果说明了它是一种良好的边缘提取方法。 结合边缘提取的诸多内容，设计了一种军用机场跑道的自动识别方法。针对机场跑道的特点，总结了跑道的模型，使用了假设、验证的思想来识别机场跑道。大量的仿真实验证明了此种方法可以快速、准确的从图像中识别出机场跑道的目标。
李井辉[2]2004年在《基于双目视觉的3D信息重建技术研究》文中认为作为一个多学科交叉的领域，计算机视觉的理论研究和实际应用都取得了飞速的发展。尤其是近年来，图像科学的发展和计算机信息处理能力的增强，为计算机视觉的研究和应用提供了良好的条件。因此，对计算机视觉的进一步研究，具有重要的理论意义和实用价值。 计算机立体视觉的主要研究内容是由多幅二维的平面图像恢复出被摄物体的叁维坐标，而其中基于两幅图像的双目视觉技术则是一个研究热点。双目立体视觉的基本原理是模仿人眼与人类视觉的立体感知过程，从两个视点观察同一景物，以获取不同视角下的感知图像，通过叁角测量原理计算图像像素间的位置偏差，以获取景物的叁维信息。 一个完整的双目视觉系统通常可分为图像获取、摄像机标定、特征提取、立体匹配、深度恢复和深度插值等六大部分。本论文主要是图像特征提取、立体匹配这两方面的内容展开研究。首先根据选择的立体视觉成像系统模型阐述了立体视觉测距的基本原理。其次，对图像特征提取等预处理方法进行详尽地分析，通过实例对算法进行实验。同时，对图像匹配问题涉及的内容包括图像匹配方式、质量控制策略等进行了总结；最后，以特征提取与图像匹配研究为基础，针对不同类型的立体图像提出了基于图像边缘特征和图像兴趣点的匹配方法，并通过实例对算法进行验证和分析，取得了较好的匹配效果。
提纯利[3]2013年在《基于深度信息和ROI的3D视频压缩方法研究》文中研究说明立体（3D）视频在带给人无与伦比的视觉体验的同时，也因其巨大的信息量为视频的保存和传输带来新的压力。如何在尽量保证视频质量的前提下占用更小的传输带宽是3D视频压缩领域亟待解决的挑战。为此，需要与3D视频特点相适应的压缩和编码方法以提高压缩效率，同时，与现有压缩标准间的兼容性也需要被充分考虑。感兴趣区域（ROI）编码通过控制视频背景区域与ROI的比特率分配，在保证视频主观质量的同时提高压缩效率。对2D视频而言，ROI与背景区域自动选取难以实现，这限制了ROI压缩的推广应用。而3D视频中包含的场景深度信息与人类视觉模型（HVS）中感兴趣程度间有着十分密切的联系，这为3D视频ROI自动选取提供了条件。本文主要利用单视点视频加深度图格式3D视频中的深度信息，对其进行与H.264标准兼容的ROI压缩的研究。本文首先研究了人眼立体视觉系统模型，分析了景物深度与HVS中感兴趣程度间的关系。由此，提出了基于sobel算子的深度图边缘提取和基于mean shift的深度图区域分割的ROI选取方法。之后，探讨了H.264压缩标准和压缩后比特率的构成和调整方式。据此，在视频进行H.264压缩前，通过对ROI选取结果中的背景区域进行空域滤波和时空域联合滤波实现了ROI预处理。最后，从理论和实验两方面，分析了这两种预处理方法对视频压缩后比特率的影响。压缩实验在H.264标准下，利用JM10.2编码器进行。通过比较处理前后的压缩结果，验证了本文ROI压缩方法的可行性，取得了较好的实验结果，在保持ROI内峰值信噪比基本不变的情况下使压缩后的数据量下降了约15%。基于深度信息的3D视频ROI压缩技术具有很高的研究和应用价值。它充分利用人类视觉模型中景物深度与感兴趣程度间的联系，与2D视频压缩标准可以良好兼容，对先进3D视频压缩格式也具有很好的技术推广性。
袁梦尤[4]2002年在《景象匹配区选择方法研究》文中研究指明依据本文提出的基于最小误判概率的景象匹配区选择方法评价标准对目前常用的景象匹配区选择方法进行评价后，针对现有方法受图像质量影响较大、抗干扰能力低、准确性低以及计算量大等多方面的问题提出融合图像内容的景象匹配区选择方法。 本文特别对融合图像内容的景象匹配区选择方法中的关键因素(景物内容与景象适配性之间的关系和景象匹配仿真概率置信度)进行了深入研究，给出了不同景物内容的适配性度量值，证明了本文所采用的匹配仿真模型具有较高的可信度。本文还对选择方法的可行性和有效性等方面进行了论证。 本文提出了两种具体的融合景物内容的景象匹配区选择方法：基于GIS和景物内容分布的景象匹配区选择方法；基于GIS和边缘密度的景象匹配区选择方法。这两种方法在本文提出的基于最小误判概率意义的评价标准下都具有较高的匹配区选择准确度和执行效率，能够满足景象匹配区选择的各项要求。实验证明这两种方法都具有较高的匹配区选择可信度和良好的可行性。
罗海燕[5]2008年在《多时相图像匹配技术研究》文中认为图像匹配是计算机视觉和图像处理中一个很重要的技术。它的应用涉及到军事、工业、医学、遥感等多个领域。传感器技术的发展,使得获取的图像数据信息更加丰富,将多源传感器技术应用到图像匹配中,扩展了图像匹配的应用范围。在多源图像匹配中,主要存在的问题有:不同时刻的图像之间的旋转、放缩、噪声、畸变等变化,不同传感器图像之间的差异性。针对这些问题,本文主要研究了不同时刻的可见光图像之间的匹配,以及红外图像和可见光图像之间的匹配。本文首先分析了红外图像和可见光图像的成像原理,对红外图像和可见光图像的特点和匹配特征进行了分析比较;在此基础上,研究并实现了一种基于边缘信息的匹配方法,通过提取边缘来减少红外图像和可见光图像之间的差异。分别对红外图像的图像增强、边缘提取、噪声和伪边缘去除、相似性度量等相关技术进行了研究。经过对大量景观图像数据的实验,表明该方法对红外图像和可见光图像的匹配具有一定的鲁棒性。在分析了不同时刻可见光图像的特点的基础上,对多时图像的匹配特征进行了分析比较,研究并实现了一种基于特征点的匹配方法,通过特征点提取来消除多时图像噪声、旋转、放缩、畸变等的影响。对常用的特征点提取方法进行了分析对比,并详细的研究了一种SIFT特征点的提取方法。提出将距离约束加到误匹配的消除中,大大的减少了误匹配点对数。实验证明,该方法对旋转、放缩、畸变等能够保持很大程度的稳定性。
赵锋伟[6]2002年在《景象匹配算法、性能评估及其应用》文中指出景象匹配指的是把一个图像区域从另一个往往由别的传感器摄取的相应景象区域中确定出来或找到它们之间对应关系的一种重要的图像分析与处理技术。它广泛应用在导航定位、目标识别、运动分析、立体视觉、数据融合、变迁检测中，是这些图像分析技术的基础。景象匹配问题的困难之处，在于景象类型的复杂多变和两幅图像之间的各种成像畸变。寻找适应性强、精度高、计算快的匹配算法一直是研究的核心问题。当前，巡航导弹的匹配定位、多传感器的数据融合等迫切需要解决的问题，需要对景象匹配技术各个方面的特性进行深入细致的研究。本文从基于特征的匹配算法、匹配算法性能评估、匹配区选择、景象匹配专家系统等方面对景象匹配技术展开研究。 论文的第一部分，建立了景象匹配问题的理论框架。首先，论述了景象匹配问题的数学描述和本质；其次，分析了影响匹配性能的因素，提出了成像畸变在图像灰度分布上的差异分为四类的观点；然后，给出了匹配算法的四个构成因素；四类成像畸变的观点和四个算法构成因素的划分，构成了匹配算法设计的理论框架，是全文的基础和立足点。 论文的第二部分，研究了基于特征的匹配算法。对基于边缘的相关匹配算法、基于边缘的Hausdorff距离匹配算法、基于区域不变矩的匹配算法、基于点特征的匹配算法，论述了它们的特征提取、相似性度量、搜索算法等，并分析、比较了它们在匹配适应性、匹配精度、匹配速度等方面的性能，给出了实验结果。提出了基于特征关系图描述的匹配算法，研究了自然场景图像建立特征关系图描述的方法和特征关系图匹配算法，引入了形态学尺度空间算子，研究了特征关系图的多尺度描述。 论文的第叁部分，研究了景象匹配算法的性能评估和匹配区选择方法。提出了以统计实验方法进行匹配算法性能评估的实验流程和系统结构，并对图像特征的选择、试验过程设计和数据分析方法等进行了详细的论述。匹配区选择的研究侧重于针对给定的匹配算法，选择满足匹配性能的基准图，为路径规划等提供依据。本文中，在性能评估系统平台上，通过实验研究了景象特征、成像畸变与匹配性能叁者之间的关系，在此基础上提出了匹配区选择的步骤和原则。 论文的第四部分，研究了景象匹配专家系统。它将景象匹配算法、图像畸变、性能评估等知识综合在一起，构成一个设计型视觉专家系统，采用基于Agent的知识表示，提出了多Agent协作进行景象匹配问题求解的体系结构。在本文中，这是一个探讨性的研究。 最后，在结束语中给出了作者对进一步研究的看法。
陈晓颖[7]2015年在《典型地基云图云状的识别方法研究》文中指出云在大气辐射传输和气候变化中起着重要作用。地基测云仪的发展极大地提高了云观测的时空分辨率,但难以对云状实现定量化自动识别。地基云图云状识别研究对于云状自动观测具有非常重要的意义。本文在分析可见光云图的形成过程、几何形态和纹理特征的基础上,对典型云图资料进行了整理和分类。在人工观云时云分类标准的基础上,研究了利用计算机对地基云图进行识别的云分类标准,提出了地基云图的两种器测标准,第一种是按云的基本形态将云分为卷云、波状云、层状云和积状云四种基本类型,第二种是按照云的纹理频率将云分为低频段云、中频段云和高频段云。云图识别算法与分类标准有关,如果根据云图形状、颜色、云缝大小等纹理特征信息进行云图识别,可采用第一种器测标准；如果根据云图的纹理频率信息进行多尺度分析识别,可采用第二种器测标准。为了解决因光照、雨水、雾霾、灰尘等干扰造成的云图质量下降问题,研究了云图预处理方法,以尽可能多地提取地基云图的有效信息。针对可见光地基云图云状识别中的光照补偿问题,提出了一种基于BEMD与Closed-Form景物提取算法结合的地基云图光照补偿算法,与基于L1全变分模型的光照补偿算法相比,可有效地去除云图的光照影响,保留云图自身的信息,与背景区别明显。针对可见光地基云图的云块与晴空等背景的分割问题,采用了基于感知颜色空间的透明度自然抠图算法,有效地将单一的天空背景与云前景分离开来。针对可见光地基云图的自然纹理复杂、特征难以提取的问题,采用了一种基于自适应分数阶微分的云图增强算法,能比较完整地提取云图的纹理和边缘细节,简化了分数阶微分阶数的选取过程。为了从经过预处理后的地基云图中有效、稳定地提取云图特有的纹理特征,研究了适用于地基云图识别的特征提取方法。根据云的基本形态特征,利用灰度共生矩阵的算法可有效提取云图的二阶矩、对比度、相关性和熵四个纹理特征,使用BP神经网络分类器能够初步识别出层状云、波状云、积状云、卷云四大类云。由于这四大类云所属的不同种云的特征量差别较大,为增加云的识别种类,提出了一种融合纹理图像的二维经验模式分解和Tamura纹理特征分析法来提取云的特征值。在纹理图像的二维经验模式分解的筛分过程中,使用径向基函数插值来构造筛分过程的包络,然后提取样本的每个内蕴模函数中过零点数目、极值处振幅的均值、标准差作为特征向量来训练分类器。根据训练得到样本特征向量,对云图进行Tamura纹理特征分析法提取方向度的特征量,综合两种特征向量归一化后建立云的特征样本数据库。待识别图像经过同样处理后,用平均样本法、k近邻法和支持向量机分类器与样本数据库的特征向量进行比较以实现分类,可识别出积云、高积云、层积云、积雨云、卷层云和卷积云,且对透光高积云、淡积云和秃积雨云的识别率较高。根据云的纹理频率特征,提出了一种基于二维经验模式分解的Hilbert谱的云图特征提取方法。首先对云图进行BEMD分解,获得包含云图纹理特征的前叁个本征模态函数(IMF)分量,通过Hilbert变换得到Hilbert谱及其边际谱。根据云图的Hilbert谱及其边际谱,利用k近邻法分类器可初步识别出低、中、高叁种不同频率段的云。为了更有效地捕获云图的边缘轮廓、纹理几何结构,提出了一种基于Contourlet超小波和功率谱的地基云图特征提取方法,能灵活地对云图进行多尺度多方向的分解,提取丰富的云图纹理信息。首先对地基云图进行超小波Contourlet变换后获得系数矩阵,对其进行处理从而获得能量、均值和方差等特征信息,并对得到的特征信息数据进行功率谱分析,得到特征信息的频率信息,再利用支持向量机对地基云图进行分类,可对高积云和层云这两类云纹理频率差别较大的云图进行有效识别,进一步细分出云的种类。提取地基云图的纹理特征后,分别采用平均样本法、近邻法、BP神经网络法、支持向量机(SVM)等分类算法对云图进行分类,计算了云图样本的识别率,从而检验云图识别算法的有效性。为了更好地模拟气象观测员人工观测分辨云状的思维,研究了对不同云类动态选择不同感兴趣算子的组合分类器,与采用单一分类器相比,采用组合分类器可进一步增加云的识别种类,提高识别正确率。
岳成海[8]2014年在《基于FPGA的图像2D转3D与数据压缩系统设计与实现》文中指出3D显示技术可以更加逼真地展示真实世界,它将人们带进了一个虚拟的但又真实的奇异世界,尤其在医学、影视娱乐等领域,3D显示技术的应用已成为人们生活的一部分。然而,3D资源制作的时间成本与费用成本高昂,是目前应用的瓶颈。为此,如何充分利用丰富的2D资源,以较少的成本制作3D效果,是目前3D显示技术中热门的研究方向。2D转3D技术主要分为两大主流方法：一种是利用多路相机同时拍摄多幅图像,或者利用单路相机拍摄运动场景从而得到多幅图像,使用多目深度特性信息；另一种是利用单幅静止图像,使用单目深度信息。本系统利用单幅图像,基于景物轮廓与深度假设提取景物相对深度信息,结合DIBR叁维显示技术,实现图像的2D转3D以及3D图像的压缩存储。本系统实现的图像2D转3D与显示存储系统的难点在于：如何根据给定的二维图像提取出深度图；如何利用提取的深度图与原始图像合成3D效果图；如何对转换结果进行有效的存储。在深度提取部分,实现了基于景物轮廓信息的深度估计方法,该方法简单、高效,满足设计要求；在3D效果显示部分,对比当前的各种显示技术,应用DIBR叁维显示技术,在普通屏幕上实现红蓝3D效果图的显示,只需要借助普通的红蓝眼镜；最后,在叁维图像数据的存储部分,应用JPEG标准实现图像的压缩。本系统基于Xilinx Zedboard平台搭建图像2D转3D与数据压缩系统的软硬件平台,利用Zedboard平台软硬件协同的特性,移植Linux操作系统与Opencv和Qt函数库,编写软件控制平台,将2D转3D与数据压缩系统的各个功能模块封装成硬件IP核,以软件调用的形式实现应用系统与测试系统。
刘景正[9]2007年在《基于特征的SAR影像匹配技术研究》文中提出图像匹配是遥感影像融合、导航等应用的关键技术之一。随着遥感技术在国民经济、军事中的广泛应用,图像匹配技术也显得越来越重要。光学影像的获取易受光线、天气、昼夜等因素的影响,而合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动成像系统具有分辨率高、全天时、全天候等优点。本文针对SAR影像信噪比低、变形大等特点,从影像特征角度,就SAR影像同源匹配、SAR影像与光学影像匹配分别进行了研究。本文研究的内容和创新点有;1概要介绍了合成孔径雷达成像的原理和特点,并针对SAR影像的特点研究了SAR影像匹配的步骤和总体方案。2详细阐述了SAR影像的预处理,探讨了机载SAR影像的几何纠正模型、几何纠正过程。介绍了雷达影像滤波的研究现状,对基于小波变换阈值滤波的SAR影像噪声抑制进行了研究,取得了良好的效果。3研究了SAR影像同源匹配,引入了一种基于尺度不变特征变换(Scale-InvariantFeature Transform,SIFT)的方法,提取SAR影像的关键点。并针对SAR影像不同于一般的高清晰影像的特点,将SIFT特征匹配与局部灰度匹配相结合,提出了一种去除错配点的相关系数控制方法,对提取的关键点做进一步的控制。实验中匹配概率得到提高,解决了旋转、缩放、扭曲等区别的SAR同源影像高精度匹配问题。4对于SAR影像与光学影像的匹配,结合小波多分辨率建立影像金字塔,提出了一种改进的Canny算子的边缘提取的算法。在边缘提取的搜索上采用广度优先搜索法,解决了SAR影像噪声过多影响边缘提取的问题。并利用提取出的良好边缘,使用空间距离法结合改进的Hausdorff距离,对SAR影像与光学影像的非同源匹配进行研究,得到了理想的结果。
边汝平[10]2017年在《基于运动场的图像成像障碍去除关键技术研究》文中认为图像成像障碍去除是指将含有干扰物体成像的混合图像去除障碍层,得到目标背景层图像的一种技术。按照介质参数透明度的不同,成像障碍可以分为透明类和非透明类两大类。透明类成像障碍包括玻璃镜面反射、玻璃上存在部分杂质等;非透明类成像障碍是指目标景物前存在遮挡物体,例如各种形状的栅栏。干扰物体的存在使得拍摄出的图像存在模糊、被遮挡、丢失部分有用信息等问题,障碍分量的去除可以进一步的增强图像的辨识度,对图像立体重建、识别和追踪等应用提供更多的信息。针对成像障碍去除的问题,目前的研究方法主要存在以下问题:一是许多去除障碍层的方法需要人工交互,自动化较差;二是大部分方法解决的是低分辨率图像,对高分辨率的图像处理耗时较长;叁是对透明类和非透明类的成像障碍采用不同的算法理论体系,大部分的方法集中于特定单一类型的障碍物去除;本文研究的是基于运动场的成像障碍去除技术,完成了透明反射类和非透明遮挡类两种成像障碍去除算法的搭建,给出了成像障碍去除系统的完整框架。本文的主要研究内容如下:(1)详细阐述了成像障碍去除的稀疏运动场估计模型的实现。稀疏运动场估计模型包括序列图像采集、预处理、边缘提取以及序列图像稀疏运动场估计模型等模块。本文采用的方法是基于序列图像的去除技术,在图像采集模块中水平移动采集多幅图像。在运动模型估计模块采用基于边缘像素的归一化互相关法估计出序列图像之间的运动矢量,利用图像间的信息互补实现障碍层的去除,实现了障碍去除自动化。在预处理阶段加入下采样处理,有效降低后续图像间计算边缘运动场的时间,解决了高分辨率图像处理时间长的问题。(2)实现了基于运动场的障碍层的初步去除和目标背景层的精确重建。首先采用随机抽样一致(RANSAC)算法对序列图像的稀疏运动场进行拟合,实现目标层和障碍层的稀疏运动场分离。其次本文提出采用BP神经网络算法对分离后的各层图像求解稠密运动场。实验结果表明,采用神经网络实现曲面插值速度快且效果较好。在利用运动场将序列图像和参考图像进行配准后,实现对两类成像障碍进行初始去除。最后,以初始分离后的目标层和障碍层为输入进行迭代优化,实现成像障碍的精准去除。(3)针对透明类和非透明类两种成像障碍异同点进行分析,将两种介质的成像障碍的去除融合到同一算法理论体系。在主要框架相同的基础上,针对两种不同介质的特性,算法的具体实现步骤有所不同。本文实验部分采用MATLAB分析验证,对实验结果进行定性和定量评估,最后实现了系统原型的PC端研发。
参考文献：
[1]. 景物边缘提取技术的研究与应用[D]. 韩军伟. 西北工业大学. 2001
[2]. 基于双目视觉的3D信息重建技术研究[D]. 李井辉. 大庆石油学院. 2004
[3]. 基于深度信息和ROI的3D视频压缩方法研究[D]. 提纯利. 哈尔滨工业大学. 2013
[4]. 景象匹配区选择方法研究[D]. 袁梦尤. 中国人民解放军国防科学技术大学. 2002
[5]. 多时相图像匹配技术研究[D]. 罗海燕. 南京理工大学. 2008
[6]. 景象匹配算法、性能评估及其应用[D]. 赵锋伟. 中国人民解放军国防科学技术大学. 2002
[7]. 典型地基云图云状的识别方法研究[D]. 陈晓颖. 东南大学. 2015
[8]. 基于FPGA的图像2D转3D与数据压缩系统设计与实现[D]. 岳成海. 东北大学. 2014
[9]. 基于特征的SAR影像匹配技术研究[D]. 刘景正. 解放军信息工程大学. 2007
[10]. 基于运动场的图像成像障碍去除关键技术研究[D]. 边汝平. 西安电子科技大学. 2017
标签：计算机软件及计算机应用论文; 边缘提取论文; 特征提取论文; 图像融合论文; 图像深度论文; 特征选择论文; 云图论文; 图像匹配论文; sar论文; 算法论文;