一、基于小波变换的SAR图象压缩与识别（论文文献综述）
史启盟[1]（2021）在《高速运动物体图像识别与压缩方法研究》文中认为运动物体视频图像包含着许多重要的信息数据,而高速运动物体由于速度较快,其运动图像存在采集失真、处理复杂以及分析效果差等方面的问题。本课题以高速运动物体为研究对象,分别进行了图像识别与图像压缩方法的研究,并选取实际工业中的3D打印机高速移动激光点红外图像和高速运动固定翼无人机视频图像分别进行了算法验证及结果分析。主要研究内容如下:（1）分析了高速运动物体图像特征及图像识别过程,提出了基于改进卷积神经网络的高速运动物体图像识别方法。根据高速运动物体运动速度快导致的成像模糊,使得传统的图像识别方法人为提取图像特征困难的问题,采用基于卷积神经网络（CNN）的深度学习方法进行图像识别研究,并针对现有的CNN方法存在的训练效率差、准确率低的问题设计了相关改进方案来提高图像识别的快速性和准确性。（2）针对3D打印机高速移动激光点红外图像进行图像识别研究,分别建立了CNN和改进CNN两种激光点图像识别模型,对两种模型进行对比分析,实验结果表明改进后的CNN模型大大提高了识别效率和准确率;最后利用改进后的CNN模型进行激光中心点温度预测,在误差范围内取得了很好的预测结果。（3）研究了高速运动物体视频图像冗余信息,提出了基于帧内编码和帧间预测结合的高速运动物体视频压缩方法。以静态图像压缩为基础,在传统BP神经网络的基础上加入小波变换的方法进行图像压缩以减少帧内的空间冗余信息,同时针对高速运动物体的视频序列进行了运动信息补偿从而减少帧间的时间冗余信息,最终重构后的视频在保证关键运动信息的前提下大大减少视频数据量。（4）针对高速运动固定翼无人机视频进行图像压缩研究,先对单帧的无人机运动图像进行基于小波变换和神经网络结合的帧内有损压缩,再对压缩后的无人机序列进行基于运动估计和运动补偿的帧间预测编码,最后对压缩前后的无人机运动视频进行目标跟踪和视频传输效果方面的对比分析,结果表明该压缩系统在保留无人机运动信息的情况下可以大大减少冗余数据信息,提高传输效率。
覃珊珊[2]（2021）在《基于SFS方法的侧扫声呐图像三维重构研究》文中提出在海洋工程中,侧扫声呐相较于常见的单波束、多波束系统,具有分辨率高、效率高及价格低等特点,是海洋开发、海底地形勘察、考古调查等行业领域的有力工具。然而,侧扫声呐受其测量机理和作业模式影响,无法直接获取海底表面地形及水下目标物高度信息,所以对侧扫声呐图像三维重构的研究具有重要意义。本文在对侧扫声呐工作原理深入了解的基础上,从声呐原始数据出发,对水下地形三维重构系统进行研究。主要研究内容如下:首先对侧扫声呐图像的三维重构方法进行研究。论文通过分析侧扫声呐图像的三维重构多种方法的特点,针对存在的主要难点和问题进行研究,为后续理论研究和实践做铺垫。然后对侧扫声呐原始数据进行解码及可视化研究。在了解原始文件格式结构基础上,利用Visual Studio平台实现各种有效信息的获取及侧扫声呐二维瀑布图的可视化。并利用其解析结果与国外软件SonarWaveLite得到的侧扫声呐瀑布图进行对比实验,验证了解析软件的准确性。其次对侧扫声呐二维瀑布图的预处理方法进行研究。本文在海底线检测部分,在传统海底线检测方法基础上进行改进,提出基于区域生长法的海底线检测改进方法,实现了海底线的准确检测。在灰度校正部分,提出了改进的增益补偿方法,实现了相比于两种传统增益补偿法灰度更均衡的补偿结果,并利用实验验证其有效性。最后完成基于明暗恢复形状（SFS）方法的侧扫声呐三维重构的研究。在已有算法的基础上,利用小波变换对SFS最小化法进行改进,实现了水下地形的三维重构。并分别以虚拟图像及实际图像作为输入,通过对比实验对本文提出的算法进行分析,结果表明,与两种经典的SFS算法相比,基于小波变换的SFS最小化法性能明显提高,可清晰显示海底表面起伏变化和水下地形的细微特征。
刘丹洋[3]（2021）在《基于机器视觉的露天矿边坡裂隙检测及量化统计研究》文中提出露天矿边坡稳定性与保证矿山安全生产、保障矿山工作人员的生命财产安全以及提高矿山经济效益有着密不可分的关系。随着露天开采的深度和边坡角度的增加,边坡稳定性问题越发突出,边坡滑坡灾害时有发生,其发生的原因往往是没有进行及时有效的边坡裂隙检测。裂隙虽不会对边坡稳定性造成直接巨大的影响,但裂隙的非及时性检测将会导致露天矿边坡发生滑坡等严重危害。因此,选择科学合理的方法对露天矿边坡裂隙进行及时、准确的检测以及量化统计至关重要,能够为露天矿的安全生产管理提供数据支持。本文的具体工作主要有以下几个方面:（1）针对露天矿边坡形变监测技术、数字图像处理技术以及裂缝检测方法进行了简要的阐述,并介绍了涉及到的相关深度学习理论及框架,为露天矿边坡裂隙的智能检测及量化模型的构建提供了思路。（2）针对目前国内外广泛使用的基于阈值分割、边缘检测以及机器学习等方法所设计的裂缝检测方法在露天矿边坡裂隙图像上直接应用所存在的检测效果不佳,分割精度较低以及误检现象严重等问题,本文选择集合了目标检测和语义分割特点的深度学习框架Mask R-CNN作为裂隙检测的基础网络,并针对其在掩膜分支所输出的裂隙边缘不清晰以及存在误检等缺点进行了相应的改进,引入了空洞空间卷积池化金字塔,并在掩膜分支加入了分类分割迭代上采样操作,实现了对边坡裂隙的多尺度特征提取,提高了模型的边坡裂隙分割精度。（3）针对目前尚无统一的合适的量化统计方法对检测出的裂缝进行损伤度评价的问题,本文结合裂隙的形态分类模型以及裂隙的量化统计模型,实现了对检测分割出的裂隙进行量化统计的目标。本方法的核心思想是:首先,基于卷积神经网络构建了一种像素级的露天矿边坡裂隙形态分类模型,将检测到的裂隙分为横向、纵向以及斜向裂隙这一类单一裂隙,以及不规则龟裂这一类不规则裂隙;然后,在裂隙形态分类的基础上,对不同种类的裂隙采用不同的统计量化方法,对于单一裂隙图像基于投影映射方法对裂隙长度、最小临界宽度和最大临界宽度等相关属性信息进行统计量化,而对于不规则裂隙图像则基于裂隙连通域标记方法以及裂隙骨架提取方法对不规则裂隙的相关属性信息进行统计量化,进而能够推断出其相应的损伤程度,为露天矿边坡稳定性的管控以及矿山安全生产管理提供数据指标。实验证明,本文所构建的露天矿边坡裂隙智能检测模型具有更好的裂隙目标检测结果以及更高的裂隙边缘分割精度,同时,在裂隙检测分割的基础上所设计的基于裂隙形态分类的量化统计方法,基本满足露天矿边坡裂隙的量化统计需求,能够为露天矿安全生产管理提供数据指标,具有一定的适用性和可行性。
张影[4]（2021）在《卫星高光谱遥感农作物精细分类研究》文中研究表明农作物播种面积和产量信息是保障粮食安全、农业供给侧结构性改革的重要依据。及时、准确地获取农作物种植面积及产量信息对优化农作物种植结构、科学制定农业政策、国家经济发展具有重要意义。随着成像光谱技术的发展,高光谱图像凭借光谱分辨率高的优点为农作物分类提供了新的技术手段。但是目前高光谱图像农作物分类方面仍存在着空间分辨率低、维数灾难、数据处理工作量大的问题。针对目前高光谱图像农作物精细分类研究存在的不足,本文主要进行了以下研究:（1）选取GF-5高光谱图像和GF-1全色影像作为数据源,采用了IHS变换、Brovey变换、PCA变换、谐波分析、GS变换、改进PCA 6种图像融合方法,以此来提高高光谱图像的空间分辨率。通过评价指标比较6种融合方法的优劣程度,选择适合卫星高光谱图像融合的方法。比较6种图像融合方法,图像信息量方面谐波分析图像融合标准差最大,改进PCA变换图像融合次之,即改进PCA变换融合图像包含了一定的信息量。光谱信息保持方面改进PCA变换图像融合SAM最小为0.95,GS融合方法次小为1.20,由此可以反映出改进PCA变换、GS融合两种方法的光谱畸变较小。与其他图像融合方法相比,改进PCA图像融合方法能够提供令人满意的结果。（2）在高光谱数据降维过程中,包括波段选择、特征提取、特征优选三个部分。波段选择采用聚类排序、稀疏表示、改进萤火虫3种方法,通过计算波段子集的平均信息熵、平均相关系数、J-M距离、总体分类精度来优选波段选择方法。特征优选采用随机森林、嵌入式L1正则化、类内类间距离方法,通过混淆矩阵获得的总体分类精度、Kappa系数、各类地物的制图精度及用户精度来选择适合卫星高光谱数据降维的特征选择方法。在波段选择过程中,改进萤火虫算法波段子集的AIE最高、ACC最低,说明波段信息量最大、相关性最小。改进萤火虫算法在4个定量评价指标上均优于其他两种波段选择方法。特征优选过程中,3种特征选择方法分类结果的总体精度均优于80%,其中基于类内类间距离方法总体精度最高为92.29%,Kappa系数为0.85。（3）在同等样本、特征条件下,比较高光谱图像和多光谱图像农作物精细分类的总体分类精度、Kappa系数、制图精度以及用户精度,优选出适合复杂地区农作物分类的数据源。比较得到高光谱图像总体分类精度比多光谱图像高19.72个百分点。高光谱图像能够较好地识别研究区内的9种地物,制图精度大多数优于80%。而多光谱图像在研究区农作物分类上,仅识别出4种作物,且每种作物的制图精度均低于高光谱图像的制图精度。
于瑞坤[5]（2021）在《高分辨率光学和SAR遥感数据融合处理及典型要素提取技术研究》文中研究表明土地覆盖信息是“摸清家底”这一工作中重要数据基础,遥感影像是获取土地覆盖要素、掌握土地覆盖状况的重要手段之一。随着我国“高分辨率对地观测系统重大专项”的落地实施,为基于遥感影像的土地覆盖要素分类提取技术研究提供了光学、SAR、高光谱等丰富的遥感数据。高分一号和高分三号作为“高分专项”中第一颗高分辨率光学卫星和第一颗SAR卫星在土地覆盖要素分类提取领域扮演了重要角色。由于光学和SAR传感器获取的数据特点不同,探索如何充分利用二者数据优势,实现优势互补,对最大限度地提高典型土地覆盖要素分类提取精度具有重要意义。本研究选择了地形平坦的平原和地形起伏较大的山区两处典型区域作为研究区,以高分一号多光谱和高分三号全极化SAR为数据源。首先在两个研究区内分别以高分一号、高分三号单一数据源开展土地覆盖要素分类提取,综合分析提取结果,在此基础上,对高分一号光学和高分三号SAR数据进行像素级和特征级两个层次的融合处理,最后基于融合结果提取典型土地覆盖要素。主要结论如下:（1）相比像素级融合,本研究中利用高分一号和高分三号原始波段数据、纹理特征、极化特征构建的特征集在土地覆盖要素分类提取中取得了更好的结果。这也侧面说明,在使用异质遥感数据融合方法进行土地覆盖要素提取时,异质遥感数据融合更适合特征级的融合。（2）不同场景下,像素级融合算法表现不一致。在光学与SAR数据像素级融合研究中,由于不同地形条件下,SAR数据质量差异较大,同一融合算法在两个研究区内表现不一致,即不同融合算法适用场景不一样。（3）单纯使用SAR遥感数据进行土地覆盖要素分类提取,其结果不如仅采用光学遥感数据的结果好。但是在地形平坦地区,SAR数据质量较高,分类精度与光学差异不大,即在地形平坦、SAR数据质量较高前提下,可以使用GF-3号SAR数据代替GF-1/MS数据进行土地覆盖要素分类提取。（4）使用GF-3号全极化SAR数据代替GF-1/MS数据进行土地覆盖要素分类提取时,Yamaguchi分解和Pauli分解效果较好,两种分解方法均能较准确的反映土地覆盖状况。分解后合成的RGB假彩色图像用于土地覆盖要素分类提取时比用单极化SAR效果更好。
林昌[6]（2021）在《大雾下海上图像的目标分离与智能辨识研究》文中认为大雾天气会对船舶航行安全造成明显影响,通过在船舶上加装视觉传感器有助于提前获知和判断海上情况,提升智能船舶自主航行的安全性。然而,在大雾环境下,通过传感器获取的海上图像往往存在对比度低、颜色失真和细节丢失等问题,并且受海面浪花和反光等干扰,会导致海上图像纹理和形状等特征信息干扰性强,从而使得目标检测与识别难度加大。因此,为了提高大雾环境下船舶智能航行系统的自动检测与辨识能力,降低漏检和虚警率,本文围绕大雾下海上图像的目标分离和智能辨识问题展开深入的研究。通过图像增强、海天线分割、显着区域检测分离和目标智能辨识,系统地建立利用视觉传感器对大雾环境下海上图像进行目标分离和辨识的科学有效的方法。首先,根据大雾下图像的成像特点,对基于Retinex模型的图像增强去雾算法进行改进。通过分析传统Retinex模型的图像去雾算法,针对单尺度的Retinex模型在图像增强后存在局部细节不易突出、图像对比度差等问题,提出了基于改进双边滤波的高斯金字塔变换的Retinex图像增强算法,解决图像细节模糊和提高图像对比度。对于带色彩恢复的多尺度Retinex（MSRCR）模型在图像增强后图像整体色彩失真和图像的视觉效果差等问题,提出了基于全局亮度自适应均衡化的MSRCR图像增强算法,为后续的图像处理提供更加丰富的色彩、纹理和边缘等图像特征。其次,提出了基于梯度积分和多项式迭代的海天线快速检测算法,实现海面和天空区域的快速分割。采用高斯低通滤波器来增强图像的梯度边缘特征,对给定区域内的梯度积分值进行滑动统计,确定海面图像中海天线的潜在区域。通过逐列寻找潜在区域内梯度最大值点作为海天线的候选点,并对所有候选点进行多项式迭代拟合,剔除误检测点后,拟合确定最终的海天线,从而获得含有天空背景的图像和含有目标物的海面图像。再次,提出了融合图像多视觉特征的视觉注意机制目标分离算法,获得图像综合显着图,分割出海上图像的显着目标区域。选取海面图像中的频率特征、改进Gabor算子的方向特征、梯度纹理特征、颜色空间变换所提取亮度特征和颜色拮抗特征等八个视觉特征子图,运用谱残差算法得到不同视觉特征的显着子图。利用显着性密度函数计算得到各显着子图的权重系数,构建多视觉特征的综合显着图。在对综合显着图进行自适应阈值分割后,采用显着区域自生长策略分离并获得综合显着图中的显着区域。最后,研究基于卷积神经网络框架下的海上图像目标智能辨识分类算法,完成海上目标的分类智能辨识。结合VGG网络和Res Net网络优点,构建新型卷积神经网络框架,对含有9个类别共96980张图片的训练数据集进行训练学习,并随机选取训练数据集中每一类别各50张图像进行数据增强后作为辨识实验的测试数据集,对测试数据集进行目标智能辨识实验;实验结果表明该算法具有较高训练速度和较低的训练误差,单次训练迭代平均时间0.9s,测试数据集的辨识准确率为95.14%,有效地完成目标智能辨识分类。另外,完成对基于视觉注意机制下的大雾海上图像目标分离的显着区域图像集的智能辨识对比实验,实验结果表明该算法在识别速度上具有优势,单张图像辨识时间较VGG-16算法平均快86.6%,较Res Net50算法平均快24.35%;同时,图像最大辨识准确率优于Res Net50算法25%,略低于VGG-16算法2.78%。
李现广[7]（2021）在《基于改进SURF算法的图像配准技术研究》文中研究表明图像配准是寻找包含共同区域的两幅或多幅图像共同区域对应关系的技术。图像配准技术是遥感及无人机影像拼接、医学图像处理、图像或视频模式识别、图像及视频目标检索、导航制导的核心和关键,也是计算机视觉、虚拟现实等领域的一个重点研究方向。对于这一技术的研究具有重要的理论意义和实用价值。本文在总结和分析了图像配准技术的发展历程、研究现状的基础上,对不同类别的具有代表性的图像配准算法进行归纳介绍。重点对图像配准前的图像去噪环节和图像配准技术进行研究,在混合噪声去噪、特征点提取、特征点匹配三个方面进行研究和实验,本文的主要工作总结为以下三点:1.在图像预处理阶段,分析了不同去噪算法对不同浓度混合噪声的去噪能力,针对传统去噪算法对单一种类噪声去除效果较好,对混合噪声去除效果不佳的问题,提出了基于改进BM3D和多级非线性加权中值滤波的混合噪声去噪方法,以提升算法对混合噪声的去除效果,并使用coief3小波和sym2小波替换传统BM3D算法中的bior1.5和hear参数提高算法去噪能力。2.在特征提取阶段,对比分析了SURF算法和其他四种特征提取主流算法在对不同特征图像的特征提取工作上的优劣和适用性,针对SURF算法需要大量并行矩阵计算的特点采用基于CUDA的GPU加速实现了SURF算法特征提取。3.在特征匹配阶段,针对传统SURF算法的不足,对其进行改进,实现了基于同心圆环模板的GSURF算法,减少计算冗余,增强算法的旋转不变性,选用不同特征的六组图像进行了GSURF算法和经典算法对比的特征匹配实验,通过对不同特征的图像进行匹配,验证GSURF算法在光照变化、旋转、缩放等特征下的稳定性和实时性,采用MSAC算法对误匹配点对进行剔除验证GSURF算法与SURF特征匹配正确率的差异。最后采用Alpha融合算法进行图像融合实验验证GSURF算法在实际无人机影像拼接应用中的效果。
高媛[8]（2021）在《基于离散小波变换和奇异值分解的数字水印改进算法研究》文中研究表明数字水印技术是解决版权认证纠纷、数字产品防伪防篡改、保护数字产品安全和完整性等问题的有效手段。论文主要研究了变换域的图像数字水印技术,提出了两种改进的图像数字水印算法,并通过实验验证了算法的有效性。针对已有的分块数字水印算法,所有子块嵌入参数单一,带来的图像失真、算法鲁棒性差等问题,提出一种“基于分块小波域的动态数字水印算法”。结合小波域人类视觉模型和图像信息熵理论,反复调整子块的嵌入量和嵌入强度,使得嵌入量和嵌入强度因子符合不同的子块特征,动态地嵌入水印信息。实验结果表明,论文所提出的“基于分块小波域的动态数字水印算法”,在无攻击处理时,嵌入水印后图像的峰值信噪比为43.25d B,提取的水印和原始水印之间相关性系数NC值接近于1。在几种不同类型攻击处理下,水印不可见性和鲁棒性均达到较好水准。针对已有图像SVD域数字水印算法,不合理修改奇异向量系数导致的图像失真问题,且考虑到盲水印的应用,提出一种“基于DWT-SVD的盲水印算法”。论文通过实验,对图像SVD的奇异矩阵第一列向量稳定性给出验证。该算法对载体图像做离散小波变换,将低频子带划分为8?8子块。子块奇异值分解后,选择相似度高的系数对U21、U31,设计一种嵌入策略,小幅度修改系数,实现图像数字盲水印方案。实验结果表明,论文所提出的“基于DWT-SVD的盲水印算法”对载体图像质量影响小,嵌入水印的载体图像峰值信噪比达到50d B左右的较高标准,且该算法对于常见的噪声、JPEG压缩、小面积剪切等攻击具有较好的鲁棒性。其中,在抗噪声攻击方面,当噪声强度达到较高水平时,例如,2%的高斯噪声和2%的椒盐噪声时,提取前后水印的相关性系数NC值仍能达到0.7以上。论文所述算法,即“基于分块小波域的动态数字水印算法”和“基于DWT-SVD的盲水印算法”可用于数字图像水印及盲水印设计。图[29]表[13]参[59]
赵文慧[9]（2021）在《国产极化SAR的特征提取和地物分类研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）是一种全天时、全天候的遥感信息获取设备,与单极化SAR相比,全极化SAR（PolSAR）能获得更丰富的目标极化信息,因此的地物分类的领域获得了广泛应用。近年来,我国国产星载和机载全极化SAR已经投入运行,已获取了部分地区的实验数据,基于国产极化SAR数据的地物分类将在我国测绘和国土资源调查领域发挥重要作用。为了检验国产极化SAR数据在地物分类方面的有效性,本文开展了基于国产星载和机载全极化SAR数据的地物分类研究,本文主要研究内容如下:首先,利用Freeman、Yamaguchi、VanZyl等经典目标极化分解方法提取国产全极化SAR数据的极化特征,通过对比发现不同极化分解方法可以获取不同类型目标的明显特征,但单一极化分解方法无法获取所有类型目标的明显特征。其次,尝试采用H-α、wishart-H-α等经典无监督分类和支持向量机等经典监督分类方法对国产全极化数据进行处理,通过白湖农场数据分别进行了实例验证和结果分析,但效果并不理想,存在较明显的错分或漏分现象。再次,考虑到输入分类器异质特征量越多,分类精度越高的原则,将多种极化分解方法得到的极化特征输入同一分类器,但这将导致分类训练的计算负担过重。本文利用小波变换（Wavelet Transform,WT）和主成分分析（Principal Components Analysis,PCA）两种技术实现极化特征图像的高效融合,不仅可抑制图像噪声,而且在获取有效极化信息的同时降低了分类输入集的维度,减轻了马尔科夫聚类分割过程的计算负担。最后,本文将深度学习引入到国产全极化SAR地物分类中。为了进一步剔除不同极化分解得到的重复和冗余特征,提出了一种改进型小波变换,将同一分解机制下全部极化信息重构得到一个特征图,以抑制噪声和降低特征维度。再通过PCA方法处理进一步降低特征维度,最后输入到深度学习Deeplabv3+网络框架进行训练完成目标分类,在减少训练计算量的同时,取得了较好的分类精度。综上所述,本文基于国产全极化遥感影像数据,通过目标极化分解提取不同的特征信息,并利用不同的方法进行地物目标分类,对分类结果进行精度分析,验证了国产全极化SAR数据在地物分类方面的有效性。
齐明志[10]（2020）在《基于图像处理的输电线路巡检系统设计》文中研究表明无人机巡检技术的发展和智能电网建设的快速推进,针对输电线断股故障的智能检测技术受到专家们极大的关注。我国长距离高压输电线大多选用钢芯铝绞线,然而高压输电线在自然界中易受到风力、温度、异物悬挂等外界因素的影响,容易产生由局部疲劳引发的损伤,进而出现局部断股故障。传统的巡线方式有直升机巡检和人工巡检,主要通过人工利用各种设备对输电线进行观察,工作人员的工作强度很大、巡检效率低、巡检精度低。因此,本课题采用图像处理技术进行输电线路巡检具有很大的实际意义。本课题对基于图像处理的输电线巡检系统进行了研究,利用嵌入式系统、图像处理、无线通信、目标识别等技术,设计了基于图像处理的输电线巡检系统。本文主要工作如下:1.输电线图像的预处理:由于存在输电线图像背景复杂和无人机进行图像采集时受到噪声干扰的情况,为了能够得到更好的故障检测结果,需要对图像先进行预处理。输电线图像预处理流程是首先利用基于分段线性变换的方法对输电线图像进行对比度增强处理,然后运用基于小波变换的滤波方法对输电线图像进行滤波操作,最后运用改进的Canny算子对滤波后的输电线图像进行边缘检测。输电线图像的预处理可以在增强图像中输电线与图像背景的对比度的同时降低图像中的噪声干扰,获得可靠的边缘检测效果,为输电线的提取打下可靠的基础。2.输电线提取方法研究:如何完整的提取出图像中的输电线信息一直是一个难题,本课题给出一种基于区域生长算法和随机Hough变换相结合的输电线提取方法。针对传统Hough变换存在计算量大、处理速度慢、占用储存空间大的缺点,本课题采用随机Hough变换来对直线进行检测,同时利用区域生长算法来对直线进行连接。最后,根据输电线在图像中为平行不相交直线的几何特性和图像灰度值低的辐射特性对图像中的输电线进行识别。该方法可以很好的提取和识别出输电线,具有很高的准确率和提取效率,并且可以完整地保留输电线的边缘信息,为后续的输电线断股检测打下可靠的基础。3.针对输电线断股特征的检测和识别方法研究。首先利用基于随机Hough变换和区域生长算法的输电线提取方法对图像中的输电线进行提取;然后利用目标模式匹配检测图像中输电线的断股故障交叉处;最后利用图像中输电线断股处边缘点的梯度信息和像素点的灰度信息来判断交叉处是否出现断股。仿真结果表明,该方法在输电线断股检测上具有检测效果好,抗噪性能强、效率高等优点。4.给出了基于图像处理的输电线路巡检系统的硬件设计。对组成基于图像处理的输电线巡检系统的各个模块的硬件进行详细的介绍。介绍了基于图像处理的输电线路巡检系统各个模块硬件设计包括基于CCD摄像头的图像采集模块、视频编码模块、断股检测模块以及GPRS通信模块的硬件设计。
二、基于小波变换的SAR图象压缩与识别（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、基于小波变换的SAR图象压缩与识别（论文提纲范文）
（1）高速运动物体图像识别与压缩方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像识别研究现状 |
| 1.2.2 图像压缩研究现状 |
| 1.2.3 高速运动物体研究现状 |
| 1.3 课题主要内容和结构 |
| 2 高速运动物体图像识别方法 |
| 2.1 高速运动物体图像特征分析 |
| 2.2 图像识别过程 |
| 2.3 基于卷积神经网络的图像识别 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 卷积神经网络参数训练 |
| 2.3.3 卷积神经网络图像识别流程 |
| 2.4 卷积神经网络改进方法 |
| 2.4.1 网络结构改进 |
| 2.4.2 标准化和正则化 |
| 2.4.3 多层特征融合 |
| 2.5 本章小结 |
| 3 基于卷积神经网络的高速移动激光点图像识别 |
| 3.1 3D打印激光束特点分析 |
| 3.2 激光点图像数据采集系统设计 |
| 3.2.1 红外图像采集装置 |
| 3.2.2 红外摄像头采集模块 |
| 3.2.3 串口数据传输模块 |
| 3.2.4 激光温度数据采集过程 |
| 3.3 激光点红外图像识别过程 |
| 3.3.1 激光图像识别流程 |
| 3.3.2 图像数据预处理 |
| 3.3.3 数据集制作及参数设置 |
| 3.3.4 CNN及改进CNN模型 |
| 3.3.5 模型训练及结果分析 |
| 3.4 激光中心点温度预测 |
| 3.4.1 测试集处理 |
| 3.4.2 预测结果及实验分析 |
| 3.5 本章小结 |
| 4 高速运动物体视频图像压缩方法 |
| 4.1 数据的冗余与压缩 |
| 4.1.1 数据的冗余类型 |
| 4.1.2 数据压缩分类 |
| 4.1.3 压缩评价指标 |
| 4.2 静态图像压缩 |
| 4.2.1 图像压缩系统构成 |
| 4.2.2 基于小波变换的图像数据压缩 |
| 4.2.3 基于BP神经网络的图像数据压缩 |
| 4.3 序列图像中的运动信息处理 |
| 4.3.1 运动序列图像特点 |
| 4.3.2 高速运动物体视频分割 |
| 4.3.3 基于运动估计的帧间预测编码 |
| 4.4 高速运动视频图像压缩系统 |
| 4.4.1 视频图像压缩整体流程 |
| 4.4.2 压缩重构示例 |
| 4.5 本章小结 |
| 5 基于帧内和帧间编码的高速无人机视频图像压缩 |
| 5.1 高速无人机视频传输系统 |
| 5.2 基于小波神经网络的无人机静态图像压缩 |
| 5.2.1 视频图像关键帧提取 |
| 5.2.2 小波神经网络图像压缩 |
| 5.2.3 图像重构及结果分析 |
| 5.3 基于帧间预测编码的无人机视频序列压缩 |
| 5.3.1 基于三帧差分的无人机目标分割 |
| 5.3.2 基于块匹配的无人机运动估计 |
| 5.4 无人机视频重构及结果分析 |
| 5.4.1 视频重构 |
| 5.4.2 视频压缩前后结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（2）基于SFS方法的侧扫声呐图像三维重构研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 侧扫声呐研究现状 |
| 1.3 侧扫声呐图像三维重构方法综述 |
| 1.3.1 SFS算法分类 |
| 1.3.2 SFS算法比较 |
| 1.4 论文研究内容及章节安排 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的章节安排 |
| 2 侧扫声呐原始文件的解析系统研究 |
| 2.1 侧扫声呐系统组成 |
| 2.2 侧扫声呐工作及成像原理 |
| 2.3 原始数据解析 |
| 2.3.1 XTF文件格式 |
| 2.3.2 解析软件实现 |
| 2.3.3 解析软件结果分析 |
| 2.4 本章总结 |
| 3 侧扫声呐图像预处理方法研究 |
| 3.1 基于区域生长法的海底线检测方法研究 |
| 3.1.1 传统海底线检测方法 |
| 3.1.2 基于区域生长法的海底线检测方法 |
| 3.2 基于改进的增益补偿法的灰度校正研究 |
| 3.2.1 时变增益校正 |
| 3.2.2 平均振幅增益补偿 |
| 3.2.3 平均灰度增益补偿 |
| 3.2.4 改进后的灰度校正 |
| 3.3 几何校正方法研究 |
| 3.3.1 斜距校正方法研究 |
| 3.3.2 斜距矫正后的声呐图像补偿方法研究 |
| 3.4 本章总结 |
| 4 基于小波变换的最小化方法研究 |
| 4.1 SFS算法基础 |
| 4.1.1 图像辐照度 |
| 4.1.2 表面方向 |
| 4.1.3 反射图 |
| 4.2 经典的最小化算法 |
| 4.2.1 Horn的方法 |
| 4.2.2 Leclerc和Bobick的方法 |
| 4.3 基于小波变换的SFS方法 |
| 4.3.1 小波变换的多分辨特性 |
| 4.3.2 基于Priwitt算子优化的三维重构算法 |
| 4.3.3 结合小波变换的SFS最小化方法 |
| 4.4 实验结果比较与分析 |
| 4.4.1 实验说明及评价指标 |
| 4.4.2 虚拟图像实验结果及分析 |
| 4.4.3 实际图像实验结果及分析 |
| 4.5 本章总结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）基于机器视觉的露天矿边坡裂隙检测及量化统计研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 露天矿边坡形变监测技术研究现状 |
| 1.2.2 数字图像技术在工程监测中应用研究现状 |
| 1.2.3 裂缝检测方法研究现状 |
| 1.2.4 研究现状评述 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小节 |
| 2 相关理论方法分析 |
| 2.1 数字图像处理技术 |
| 2.1.1 图像降噪 |
| 2.1.2 图像数据增强 |
| 2.2 深度学习 |
| 2.2.1 深度学习原理 |
| 2.2.2 卷积神经网络 |
| 2.2.3 Mask R-CNN概述 |
| 2.3 本章小结 |
| 3 基于改进MASK R-CNN的露天矿边坡裂隙检测研究 |
| 3.1 露天矿边坡裂隙检测模型分析 |
| 3.1.1 裂缝检测算法对比分析 |
| 3.1.2 露天矿边坡裂隙检测模型框架 |
| 3.2 露天矿边坡裂隙图像增强算法 |
| 3.2.1 基于滑动窗口的边坡裂隙图像增强算法流程 |
| 3.2.2 露天矿边坡裂隙图像数据集 |
| 3.3 露天矿边坡裂隙智能检测模型构建 |
| 3.3.1 边坡裂隙智能检测网络优化模型 |
| 3.3.2 边坡裂隙多尺度特征提取 |
| 3.3.3 边坡裂隙目标分割 |
| 3.4 露天矿边坡裂隙检测仿真实验结果与分析 |
| 3.4.1 模型评价指标 |
| 3.4.2 露天矿边坡裂隙检测模型骨干架构网络 |
| 3.5 本章小结 |
| 4 基于图像处理的露天矿边坡裂隙量化统计方法研究 |
| 4.1 复杂背景下的露天矿边坡裂隙拼接 |
| 4.2 露天矿边坡裂隙形态分类 |
| 4.3 露天矿边坡裂隙量化统计方法 |
| 4.3.1 单裂隙统计指标设计 |
| 4.3.2 裂隙连通域标记算法 |
| 4.3.3 裂隙图像骨架提取算法 |
| 4.4 露天矿边坡裂隙量化统计仿真实验结果与分析 |
| 4.4.1 裂隙形态分类评价指标 |
| 4.4.2 露天矿边坡裂隙量化统计结果与分析 |
| 4.5 本章小结 |
| 5 露天矿边坡裂隙检测及量化应用研究分析 |
| 5.1 露天矿边坡数据准备及实验环境 |
| 5.2 露天矿边坡裂隙检测结果评价与分析 |
| 5.2.1 露天矿边坡图像分类 |
| 5.2.2 露天矿边坡裂隙检测结果直观分析 |
| 5.2.3 露天矿边坡裂隙检测结果客观分析 |
| 5.3 露天矿边坡裂隙量化统计结果与分析 |
| 5.3.1 边坡裂隙形态分类 |
| 5.3.2 边坡裂隙量化统计分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间的学术成果 |
| 致谢 |
（4）卫星高光谱遥感农作物精细分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 面向农作物分类的高光谱遥感数据源研究进展 |
| 1.2.2 高光谱图像融合方法研究进展 |
| 1.2.3 高光谱数据降维方法研究进展 |
| 1.2.4 农作物高光谱遥感分类算法研究进展 |
| 1.2.5 当前研究不足 |
| 1.3 研究思路及研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.4 技术路线及论文结构 |
| 1.4.1 技术路线 |
| 1.4.2 论文结构 |
| 第二章 研究区及数据 |
| 2.1 研究区概况 |
| 2.2 数据收集与处理 |
| 2.2.1 高光谱卫星遥感影像 |
| 2.2.2 多光谱卫星遥感影像 |
| 2.2.3 样本地面调查数据 |
| 2.2.4 光谱野外观测数据及预处理 |
| 第三章 高光谱图像融合方法研究 |
| 3.1 融合影像的收集与预处理 |
| 3.2 影像融合方法 |
| 3.2.1 GS(Gram-Schmidt)法 |
| 3.2.2 IHS(Intensity Hue Saturation)变换法 |
| 3.2.3 Brovey变换法 |
| 3.2.4 PCA(Principal Components Analysis)变换法 |
| 3.2.5 谐波分析法 |
| 3.2.6 改进PCA变换法 |
| 3.3 融合图像的质量评价 |
| 3.4 不同融合方法下的高光谱图像质量比较 |
| 3.4.1 基于视觉分析的高光谱图像融合质量对比 |
| 3.4.2 基于不同评价指标的高光谱图像融合质量比较 |
| 3.5 本章小结 |
| 第四章 面向农作物分类的高光谱图像降维方法研究 |
| 4.1 面向农作物分类的高光谱图像波段选择方法 |
| 4.1.1 波段初选 |
| 4.1.2 面向农作物的高光谱影像波段优选方法 |
| 4.2 面向农作物分类的高光谱影像特征挖掘方法 |
| 4.2.1 高光谱影像特征提取 |
| 4.2.2 高光谱影像特征优选方法 |
| 4.3 结果与分析 |
| 4.3.1 典型地物的反射光谱特征分析 |
| 4.3.2 不同算法下的高光谱影像波段选择结果比较 |
| 4.3.3 不同算法下的高光谱影像特征优选结果比较 |
| 4.4 本章小结 |
| 第五章 面向高光谱遥感的农作物分类算法优选研究 |
| 5.1 面向高光谱遥感的农作物分类算法设计 |
| 5.1.1 支持向量机(SVM)法 |
| 5.1.2 随机森林(RF)法 |
| 5.1.3 最大似然(MLC)法 |
| 5.2 农作物分类精度评价 |
| 5.3 不同算法下的农作物高光谱遥感分类精度比较 |
| 5.4 本章小结 |
| 第六章 不同遥感数据源的农作物分类精度评价 |
| 6.1 高光谱遥感的农作物分类 |
| 6.1.1 样本数据 |
| 6.1.2 分类特征 |
| 6.1.3 分类算法 |
| 6.2 多光谱遥感的农作物分类 |
| 6.2.1 样本数据 |
| 6.2.2 分类特征提取 |
| 6.2.3 分类算法 |
| 6.3 农作物分类精度评价 |
| 6.4 不同遥感数据源的农作物分类精度比较 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（5）高分辨率光学和SAR遥感数据融合处理及典型要素提取技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光学与SAR融合研究现状 |
| 1.2.2 光学与SAR影像分类研究现状 |
| 1.2.3 遥感影像分类方法研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 研究区及数据准备 |
| 2.1 研究区概况 |
| 2.2 数据准备 |
| 2.2.1 高分辨率光学数据 |
| 2.2.2 高分辨率SAR数据 |
| 2.3 分类体系构建 |
| 2.4 本章小结 |
| 第3章 光学、极化SAR数据处理及信息提取 |
| 3.1 GF-1 数据处理 |
| 3.2 GF-3 全极化数据处理 |
| 3.2.1 基础SAR数据处理 |
| 3.2.2 极化SAR数据处理 |
| 3.2.3 构建数据集 |
| 3.3 信息提取 |
| 3.4 结果分析及讨论 |
| 3.4.1 基于GF-1、GF-3 数据的研究区A分类结果 |
| 3.4.2 基于谷歌影像、GF-3 数据的研究区B分类结果 |
| 3.4.3 不同数据源、不同研究区分类结果讨论 |
| 3.5 本章小结 |
| 第4章 光学和SAR融合处理及信息提取 |
| 4.1 数据配准 |
| 4.2 像素级融合 |
| 4.2.1 基于成分替换的图像融合 |
| 4.2.2 基于多分辨率分析的图像融合 |
| 4.2.3 基于模型优化的图像融合 |
| 4.3 特征级融合 |
| 4.3.1 特征提取 |
| 4.3.2 特征融合 |
| 4.4 信息提取 |
| 4.5 结果分析及评价 |
| 4.5.1 基于GF-1 与GF-3 融合数据的研究区A分类结果 |
| 4.5.2 基于谷歌影像与SAR融合数据的研究区B分类结果 |
| 4.5.3 不同层次融合、不同研究区分类结果讨论 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 不足和展望 |
| 参考文献 |
| 后记 |
| 攻读硕士学位期间论文发表及科研情况 |
（6）大雾下海上图像的目标分离与智能辨识研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去雾增强技术的研究现状 |
| 1.2.2 海上图像目标分离研究现状 |
| 1.2.3 海上图像目标智能辨识研究现状 |
| 1.3 大雾下海上图像的目标分离与智能辨识中存在的主要问题 |
| 1.4 研究内容与创新点 |
| 1.4.1 研究内容 |
| 1.4.2 创新点 |
| 1.4.3 研究技术路线图 |
| 第2章 基于改进Retinex模型的图像增强去雾算法 |
| 2.1 传统Retinex模型的图像增强去雾算法 |
| 2.1.1 色彩颜色空间 |
| 2.1.2 基于Retinex模型的图像去雾算法 |
| 2.2 改进Retinex图像增强算法 |
| 2.2.1 改进双边滤波函数 |
| 2.2.2 高斯-拉普拉斯金字塔多尺度算法 |
| 2.2.3 算法流程 |
| 2.2.4 实验结果与分析 |
| 2.3 基于全局亮度自适应均衡化的MSRCR图像增强算法 |
| 2.3.1 图像雾浓度的自平衡 |
| 2.3.2 全局亮度自适应均衡化 |
| 2.3.3 平衡图像亮暗区域 |
| 2.3.4 颜色通道色彩拉伸 |
| 2.3.5 算法流程 |
| 2.3.6 实验结果与分析 |
| 2.4 小结 |
| 第3章 基于梯度积分和多项式迭代的海天线快速检测算法 |
| 3.1 基于Hough变换的海天线提取算法 |
| 3.1.1 Otsu图像阈值分割 |
| 3.1.2 基于Hough变换的海天线检测 |
| 3.2 基于梯度积分和多项式迭代的海天线快速检测算法 |
| 3.2.1 图像梯度 |
| 3.2.2 平滑滤波增强梯度图像显着性 |
| 3.2.3 构建图像梯度的积分图 |
| 3.2.4 计算海天线区域范围 |
| 3.2.5 迭代拟合海天线曲线 |
| 3.3 实验结果与分析 |
| 3.3.1 海天线迭代实验结果与分析 |
| 3.3.2 对比实验结果与分析 |
| 3.4 小结 |
| 第4章 融合图像多视觉特征的视觉注意机制目标分离算法 |
| 4.1 传统的视觉注意机制模型 |
| 4.1.1 自顶向下视觉注意模型 |
| 4.1.2 自底向上视觉注意模型 |
| 4.2 融合海面图像多视觉特征的显着性目标分离方法 |
| 4.2.1 小波变换多级分解高低频特征计算 |
| 4.2.2 改进Gabor滤波的图像方向特征计算 |
| 4.2.3 亮度特征与颜色拮抗特征计算 |
| 4.2.4 图像梯度特征计算 |
| 4.2.5 海上图像各视觉特征显着子图计算 |
| 4.2.6 基于自适应权重的视觉特征显着子图像融合 |
| 4.2.7 综合显着图中显着区域分割策略 |
| 4.3 实验结果与分析 |
| 4.4 小结 |
| 第5章 基于新型卷积神经网络框架的目标智能辨识算法 |
| 5.1 基于卷积神经网络的目标智能辨识方法 |
| 5.1.1 Le Net卷积神经网络 |
| 5.1.2 VGG卷积神经网络模型 |
| 5.1.3 Goog Le Net网络结构 |
| 5.2 基于新型卷积神经网络框架下的目标智能辨识算法研究 |
| 5.2.1 数据预处理 |
| 5.2.2 新型卷积神经网络结构设计 |
| 5.2.3 分类器选择 |
| 5.3 实验结果与分析 |
| 5.3.1 数据集和参数设置 |
| 5.3.2 测试集实验结果 |
| 5.3.3 测试集实验结果分析 |
| 5.4 显着区域智能辨识实验与分析 |
| 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 |
| 在学期间科研成果情况 |
（7）基于改进SURF算法的图像配准技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 图像配准技术研究现状 |
| 1.2.1 图像去噪技术研究现状 |
| 1.2.2 基于区域模型的图像配准方法 |
| 1.2.3 基于特征模型的图像配准 |
| 1.2.4 基于混合模型的图像配准 |
| 1.2.5 图像配准方法总结 |
| 1.3 本文研究内容及结构安排 |
| 第2章 图像配准基础理论 |
| 2.1 图像配准基本流程 |
| 2.2 图像预处理 |
| 2.3 图像配准 |
| 2.3.1 尺度空间极值点检测 |
| 2.3.2 特征点检测与定位 |
| 2.3.3 特征点主方向确定 |
| 2.3.4 特征点描述 |
| 2.3.5 特征点匹配 |
| 2.4 图像几何变换 |
| 2.5 本章小结 |
| 第3章 BM3D图像的噪声滤波 |
| 3.1 BM3D算法原理 |
| 3.2 多级非线性加权平均中值滤波算法原理 |
| 3.3 改进去噪算法 |
| 3.4 改进去噪算法实验及结果分析 |
| 3.4.1 去噪质量评价指标 |
| 3.4.2 实验与结果分析 |
| 3.5 本章小结 |
| 第4章 采用GPU加速的SURF算法特征提取 |
| 4.1 SURF算法原理简介 |
| 4.1.1 积分图像 |
| 4.1.2 特征点检测 |
| 4.1.3 尺度空间表示 |
| 4.1.4 极值点确定 |
| 4.1.5 特征点主方向确定 |
| 4.1.6 特征点描述 |
| 4.1.7 特征点匹配 |
| 4.2 采用CUDA架构的GPU加速技术 |
| 4.3 实验数据集来源及实验运行环境 |
| 4.4 经典算法特征点提取实验 |
| 4.5 采用GPU加速的SURF算法特征提取实验 |
| 4.6 本章小结 |
| 第5章 基于改进SURF算法的图像配准 |
| 5.1 改进SURF算法 |
| 5.2 图像配准的评价方法 |
| 5.3 特征点匹配实验及结果分析 |
| 5.4 误匹配剔除后的图像配准实验及结果分析 |
| 5.5 基于GSURF算法的图像融合实验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文主要工作与创新 |
| 6.2 思考与展望 |
| 参考文献 |
| 个人简历、研究成果及参与项目情况 |
| 致谢 |
（8）基于离散小波变换和奇异值分解的数字水印改进算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 论文主要内容及结构 |
| 第二章 相关理论知识 |
| 2.1 数字水印技术 |
| 2.1.1 数字水印系统 |
| 2.1.2 数字水印算法 |
| 2.1.3 评价指标 |
| 2.2 小波变换 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.2.3 图像小波变换分析 |
| 2.3 数字图像置乱处理 |
| 2.3.1 Logistic混沌置乱 |
| 2.3.2 Arnold变换置乱 |
| 2.4 奇异值分解 |
| 2.4.1 奇异值分解定义 |
| 2.4.2 奇异值分解性质 |
| 2.4.3 奇异值分解应用 |
| 2.5 人类视觉感知模型 |
| 2.5.1 人类视觉模型 |
| 2.5.2 人类视觉系统特性 |
| 第三章 基于分块小波域的动态数字水印算法 |
| 3.1 水印鲁棒性评价 |
| 3.2 图像子块嵌入量确定 |
| 3.3 嵌入强度因子计算 |
| 3.4 基于分块小波域的动态数字水印算法描述 |
| 3.4.1 水印预处理 |
| 3.4.2 水印嵌入过程 |
| 3.4.3 水印提取过程 |
| 3.5 实验结果与分析 |
| 3.5.1 算法鲁棒性评价 |
| 3.5.2 实验设计 |
| 3.5.3 实验结果对比 |
| 3.6 本章小结 |
| 第四章 基于DWT-SVD的盲水印算法 |
| 4.1 SVD奇异向量稳定性 |
| 4.2 基于DWT-SVD的盲水印算法描述 |
| 4.2.1 Arnold置乱水印预处理 |
| 4.2.2 水印嵌入过程 |
| 4.2.3 水印提取过程 |
| 4.3 算法性能分析 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间成果 |
（9）国产极化SAR的特征提取和地物分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 前言 |
| 1.2 目标极化分解国内外研究现状 |
| 1.3 PolSAR地物分类技术国内外研究现状 |
| 1.4 论文研究内容和结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构安排 |
| 第二章 极化SAR理论基础 |
| 2.1 电磁波的极化表征 |
| 2.1.1 极化椭圆 |
| 2.1.2 Jones矢量 |
| 2.1.3 Stokes矢量 |
| 2.2 目标散射性表征 |
| 2.2.1 Sinclair矩阵 |
| 2.2.2 Mueller矩阵 |
| 2.2.3 极化相干矩阵和极化协方差矩阵 |
| 2.3 极化分解理论 |
| 2.3.1 相干分解 |
| 2.3.2 非相干分解 |
| 2.4 本章小结 |
| 第三章 基于经典极化分解的国产PolSAR地物分类 |
| 3.1 无监督分类 |
| 3.1.1 H-α分类 |
| 3.1.2 wishart-H-A-α分类 |
| 3.2 监督分类 |
| 3.2.1 SVM分类 |
| 3.3 本章小结 |
| 第四章 基于小波变换和PCA技术的MRF分类 |
| 4.1 基本流程 |
| 4.2 小波变换 |
| 4.3 主成分分析 |
| 4.4 MRF分类 |
| 4.4.1 Gibbs分布 |
| 4.4.2 MAP |
| 4.4.3 ICM |
| 4.5 本章小结 |
| 第五章 基于改进型小波重构极化特征图像的Deeplabv3+分类方法 |
| 5.1 基本流程 |
| 5.2 小波多尺度重构 |
| 5.3 卷积神经网络 |
| 5.3.1 卷积层 |
| 5.3.2 池化层 |
| 5.3.3 卷积神经网络训练原理 |
| 5.4 Deeplabv3+网络结构 |
| 5.4.1 深度卷积神经网络DCNN-ResNet50 |
| 5.4.2 空洞空间金字塔池化-ASPP |
| 5.4.3 解码器 |
| 5.5 本章小结 |
| 第六章 国产极化SAR数据地物分类实验结果与分析 |
| 6.1 实验环境 |
| 6.2 白湖农场一区实验数据 |
| 6.2.1 小波重构和PCA结果 |
| 6.2.2 分类结果及分析 |
| 6.3 白湖农场二区实验数据分类结果及分析 |
| 6.4 珠海地区实验数据 |
| 6.4.1 基于小波降噪和PCA技术的MRF分类结果 |
| 6.4.2 改进型小波重构在DeeplabV3+的分类结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文主要工作内容总结 |
| 7.2 不足与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（10）基于图像处理的输电线路巡检系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外输电线断股检测的方法 |
| 1.2.2 常用的直线提取算法 |
| 1.2.3 基于图像处理的输电线断股故障检测存在的问题 |
| 1.3 论文的研究内容和章节安排 |
| 2 输电线图像的预处理 |
| 2.1 输电线图像灰度化处理 |
| 2.2 图像增强 |
| 2.2.1 灰度变换增强 |
| 2.2.2 输电线图像特征分析 |
| 2.2.3 基于分段线性变换的输电线图像增强处理 |
| 2.3 输电线图像的去噪 |
| 2.4 输电线图像的边缘检测 |
| 2.4.1 边缘检测算法 |
| 2.4.2 改进的Canny算子 |
| 2.5 仿真结果与分析 |
| 2.6 本章小结 |
| 3 输电线的图像提取和识别方法 |
| 3.1 直线提取的检测方法 |
| 3.1.1 Radon变换法 |
| 3.1.2 相位编组法 |
| 3.1.3 Hough变换法 |
| 3.1.4 基于Hough变换的输电线图像倾斜校正 |
| 3.2 基于梯度信息的随机Hough变换和区域增长的直线提取 |
| 3.2.1 基于随机Hough变换方法的直线提取 |
| 3.2.2 基于区域增长的直线连接 |
| 3.3 输电线的识别方法 |
| 3.3.1 输电线的特征分析 |
| 3.3.2 输电线识别算法 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 4 输电线断股检测 |
| 4.1 断股输电线的特征 |
| 4.2 输电线断股诊断方法 |
| 4.2.1 基于目标匹配的输电线断股诊断方法 |
| 4.2.2 输电线断股故障判断 |
| 4.3 仿真结果与分析 |
| 4.4 本章小结 |
| 5 输电线路巡检系统设计 |
| 5.1 系统设计方案 |
| 5.2 巡检系统的硬件设计 |
| 5.2.1 断股故障检测模块的硬件设计 |
| 5.2.2 图像采集和编码模块的硬件设计 |
| 5.2.3 无线通信模块的硬件设计 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 读研期间主要科研成果 |
四、基于小波变换的SAR图象压缩与识别（论文参考文献）
- [1]高速运动物体图像识别与压缩方法研究[D]. 史启盟. 西安理工大学, 2021(01)
- [2]基于SFS方法的侧扫声呐图像三维重构研究[D]. 覃珊珊. 西安理工大学, 2021(01)
- [3]基于机器视觉的露天矿边坡裂隙检测及量化统计研究[D]. 刘丹洋. 西安建筑科技大学, 2021(01)
- [4]卫星高光谱遥感农作物精细分类研究[D]. 张影. 中国农业科学院, 2021(09)
- [5]高分辨率光学和SAR遥感数据融合处理及典型要素提取技术研究[D]. 于瑞坤. 山东建筑大学, 2021
- [6]大雾下海上图像的目标分离与智能辨识研究[D]. 林昌. 集美大学, 2021(01)
- [7]基于改进SURF算法的图像配准技术研究[D]. 李现广. 桂林理工大学, 2021(01)
- [8]基于离散小波变换和奇异值分解的数字水印改进算法研究[D]. 高媛. 安徽建筑大学, 2021(08)
- [9]国产极化SAR的特征提取和地物分类研究[D]. 赵文慧. 合肥工业大学, 2021
- [10]基于图像处理的输电线路巡检系统设计[D]. 齐明志. 安徽理工大学, 2020(07)