一、基于灰度值相对归一化的图象检索方法（论文文献综述）
曲蕴慧[1]（2021）在《高速宽幅纸机纸病在线诊断关键算法研究》文中认为纸张抄造过程中出现的诸如脏点、孔洞、褶皱、划痕、尘埃以及裂缝等表面瑕疵统称为纸病。纸病的出现,会对纸张,尤其是对航天航空用纸、电解电容器纸以及壁纸原纸等附加值大的特种纸张的后续使用带来不良的影响,甚至是巨大的经济损失。因此,需要在纸张抄造的过程中及时发现这类纸张的表面瑕疵并进行标记处理,必要时甚至需要对纸病产生的原因进行溯源。纸病诊断技术是指通过工业相机在线采集纸张图像来判断纸张是否含有纸病,并对含有纸病的纸张图像进行纸病分类,对纸病大小、位置等信息进行在线识别。一般而言,纸病诊断过程可以分为纸张图像采集及预处理、纸病在线检测、纸病分类和识别三个主要阶段。随着纸机车速的提高和幅宽的加大,纸病出现的可能性也随之增大,同时采集到的纸张图像数据量会随之成倍增长,使得实时检测以及分类识别的难度也随之增大。而现有的纸病诊断系统存在纸病在线检测精度较低,可分类的纸病种类少,分类器可扩展性差等问题。为解决以上问题,本文对纸病诊断过程中的纸张图像预处理、纸病在线检测、纸病分类和识别三个阶段的关键算法开展基础理论及实验验证研究。论文的主要工作及贡献可总结为以下四个方面。（1）基于DCT同态滤波的纸张图像去噪算法。针对纸张图像采集过程中由于光源所产生的噪声无法通过常用的空间域以及频率域滤波器直接滤除的问题,结合纸病预处理过程对实时性的要求,提出基于分块DCT（Discrete Cosine Transform）的同态滤波算法。在保证滤波效果的前提下,使用分块DCT变换替代传统同态滤波的傅里叶变换,提高滤波速度以满足后续纸病检测实时性的需求。实验对比结果表明本文所提出的滤波算法可以有效地去除光照的干扰,增强纸病区域图像,并且时间复杂度远远低于传统的同态滤波算法。（2）基于二维阈值的纸病图像分割算法。纸病图像分割是纸病在线检测过程中的一个重要技术环节,它是依据纸张图像的灰度、纹理和边缘等特征,把含有疑似纸病的图像区域分离出来。针对当前纸病检测过程检测精度低,速度慢的问题,提出两种基于二维阈值的纸病图像分割方法。考虑到高速宽幅纸机,纸机速度快,幅宽较宽,在一帧纸张图像中可能会出现多个不同类型,不同灰度值的纸病的问题,提出基于快速二维阈值分割的多纸病检测算法。首先采用差影法解决多纸病问题;其次对二维Otsu算法进行改进,将二维阈值分割为两个一维阈值进行求解,同时根据差影后纸病图像灰度分布特点,缩小阈值搜索范围,进一步加快了最优阈值的选择。实验结果表明:本文方法在保证检测速度的前提下,分割精度较基于一维阈值分割的纸病检测算法有明显调高。对于某些对于纸张质量要求更高的特种纸生产线的纸病检测,提出一种基于改进人工蜂群（Artificial Bee Colony,ABC）优化的低对比度纸病检测。首先使用Gabor滤波滤除纸病纹理的干扰;然后对ABC算法进行改进,加快其优化速度;最后使用改进后的ABC优化算法求解二维分割阈值,来对纸病图像进行分割。实验证明此方法对低对比度纸病的检测正确率有了进一步的提高。（3）基于卷积神经网络的纸病分类算法。针对传统纸病分类首先需要进行特征提取,然后根据所提取的特征设计分类器,分类效果的好坏首先取决于特征的选取,并且可扩展性差的问题,将卷积神经网络（Convolutional Neural Networks,CNN）用于纸病图像分类过程中;针对纸病图像数据少所导致的在训练卷积神经网络分类器过程容易产生的过拟合问题,引入迁移学习的策略。首先使用公开的图像数据集ImageNet对VGG16卷积神经网络进行训练,固定其部分卷积层参数;然后使用自建的纸病图像数据集对其余卷积层参数进行微调;最后,为适合所需的纸病图像种类,改进VGG16全连接层完成纸病图像的分类。实验结果证明了此方法在训练过程中收敛速度快,无过拟合现象的出现,并且纸病分类的准确率较高。（4）基于可变形卷积神经网络的纸病识别算法。采用基于迁移的卷积神经网络纸病图像分类算法虽很好的解决了传统的纸病分类过程对图像特征提取的依赖以及分类器扩展性问题,但由于每种卷积神经网络对输入图像的大小是由严格要求的,故在实际进行分类时,首先需要对输入纸病图像进行相应处理,才能进行分类。同时分类器无法直接标识出纸病区域在采集到的纸张图像的位置。针对以上问题,提出一种基于可变形卷积的纸病识别算法,将两阶段图像检测算法Faster R-CNN引入纸病图像识别过程。针对纸病图像所占图像区域较小或形态不规则而导致的Faster R-CNN算法在纸病识别中定位不够精确,分类准确率低等问题,在传统卷积层之后加入两个可变形卷积;同时,使用可变形感兴趣区域（Region-of-Interest,RoI）池化替代普通的RoI池化,来更加精确的提取纸病区域特征。实验证明了该算法在分类正确率以及可扩展性方面较之前算法有了进一步的提高。综上所述,本文围绕纸病诊断过程的关键算法——纸张图像去噪算法、纸病图像分割算法、纸病分类及识别算法,开展理论研究及实验探究工作。同时,为了解决深度学习以及卷积神经网络在模型训练测试过程中所遇到的数据缺乏问题,采用实际采集与图像处理相结合的手段,建立了图像大小分别为224×224像素以及227×227像素的纸病图像数据集,供本文以及后续研究所使用。实验结果表明:本文所提算法可做到纸病检测过程速度快、精度高,纸病分类及识别过程准确率高,可扩展性好,能够有效解决纸病诊断过程遇到的关键问题。研究成果为开展造纸工业纸病诊断系统的自主研制、进一步提高纸张生产质量以及企业效益具有一定意义。
张艳红[2]（2020）在《服装款式图领型识别与匹配研究》文中指出传统服装结构设计主要依赖于专业制版师完成,其自身的局限性导致其耗时长、效率低、成本高,而且制版的质量完全取决于制版人员的专业水平和经验,受主观影响较大。加之,个性化理念的转变,促使服装行业向着小批量、多品种方向发展。提高服装企业的“快速反应能力”成为提高企业竞争力的关键,因此迫切需要寻找一个实现快速制版的方法。本课题以服装款式图为研究对象,利用图像处理与识别技术从样本库中检索出与目标服装部件（以衣领为例）款式相似的部件。用户只需对调出的相应结构图进行局部微调即可得到新的样版,有效减少不必要的重复操作,提高效率,实现资源共享。同时,也为自动化款式识别、软件开发和应用提供新的思路。本课题的主要研究内容如下:首先,建立衣领款式样本库,其中包含服装中常用的圆领、V领、方形领、立领、衬衫领、平驳领、连驳领以及戗驳领,共8种领型,每款领型对应60幅图像。对比分析了常用的图像灰度化、锐化、边缘检测、形态学处理以及图像分割等处理方法的优缺点,制定相应的图像预处理方案,并在MATLAB平台上完成算法实现。然后,结合衣领款式图像特点提出基于复杂网络的形状特征提取算法。首先,以轮廓点作为网络节点构建初始网络,并进行多距离阈值演化;其次,依次提取演化后各子网络的最大度、平均度、平均联合度、熵、能量、平均聚类系数以及平均路径长度构建形状特征描述算子;之后分别采用支持向量机和BP神经网络进行衣领款式的识别分类。其中,基于BP神经网络的平均整体分类准确率为95%;基于SVM的平均整体分类准确率为98%,分类结果理想。同时,通过加入不同水平和不同类型的噪声验证算法抗噪性能。结果表明,本文算法适用于一定噪声密度的图像识别,当加入一定程度的噪声时,仍具有较好的分类效果。并将本文算法与Hu不变矩、HOG特征提取算法进行对比分析。结果表明,无论是样本的整体分类,还是各类别的平均分类,本文算法的分类准确率均最高,且分类结果相对稳定。综上所述,本文提出的基于复杂网络的特征提取方法适用于衣领款式的识别与分类。最后,基于本文构建的衣领部件特征库,以查全率和查准率作为有效衡量指标,以欧氏距离和曼哈顿距离作为相似性度量进行图像匹配。结果显示,使用欧式距离可获得较高的查全率和查准率;其中,基于欧氏距离度量的8幅图像（8个类别）匹配结果中,4幅图像的相关系数为1;三幅图像的相关系数为0.99,一幅图像的相关系数为0.89。款式匹配结果理想,可以满足衣领结构图共用的目的。
尹明锋[3]（2020）在《智能视频监控系统中目标跟踪问题的研究》文中认为智能视频监控系统作为近年来计算机视觉领域的研究热点,它的主要职能是利用计算机视觉技术和模式识别技术实现所监控场景的自主图像处理、分析和理解,其核心技术包括目标检测、目标跟踪、目标识别和行为理解。智能视频监控系统可以用于社会安全管理、智能交通管理、智慧城市建设等诸多方面,发挥出了巨大的社会效益和经济效益。作为智能视频监控系统的核心技术之一,目标跟踪担负着承前启后的关键任务。目标跟踪是在监控场景中完成目标检测的基础上,对目标进行准确有效地跟踪,为事件检测和行为识别提供支持。论文针对智能视频监控系统中的目标跟踪问题进行了深入研究,展开了以下内容的工作:（1）针对颜色直方图容易受相似颜色分布背景或目标干扰而导致跟踪失败的问题,提出了基于空间直方图的粒子滤波目标跟踪算法。该方法提取空间颜色直方图描述目标,采用目标-背景相似性加权JSD相似性度量方法,增强了目标表观模型的分辨能力,提高了目标跟踪算法的鲁棒性。（2）针对视频监控场景中的目标遮挡问题,提出了基于贝叶斯决策和粒子滤波遮挡目标跟踪算法。该方法采用空间不确定性衡量粒子滤波跟踪的稳定性,利用贝叶斯决策理论判别目标遮挡情况并采取自适应模型更新策略。在粒子滤波跟踪框架下,该方法有着较强的遮挡处理能力。（3）针对智能视频监控系统中目标跟踪实时性和鲁棒性的要求,提出了一种多特征加权时空上下文目标跟踪算法。一方面,时空上下文跟踪框架保障了算法的计算效率;另一方面,多特征模型和权重系数矩阵提升了表观模型在复杂场景中的鉴别能力。最后,采用信息散度最小化方法对不同特征的置信图进行融合,保证每种特征的有效信息得到充分利用。实验结果表明,所提方法具有较好的实时性和鲁棒性。（4）针对视频监控场景中跟踪目标光照变化、尺度变化和遮挡等问题,提出了一种基于通道可靠性的多尺度背景感知相关滤波跟踪算法。首先,提取方向梯度直方图特征、灰度特征和颜色属性特征,增强了目标模型的判别力;其次,为避免通道之间的相互干扰,各通道相关滤波器采取独立训练机制;然后,建立通道可靠性系数衡量各通道特征的置信度,并根据此合成多通道背景感知相关滤波跟踪器的最终响应图;最后,运用尺度池方法对目标尺度进行估计。实验结果表明:所提算法可以有效处理光照变化、尺度变化和遮挡等复杂因素的干扰,并具有较高的精确度和鲁棒性。本文针对智能视频监控系统中的目标跟踪问题,提出了应对不同场景变化的目标跟踪算法,为实现智能视频监控系统中精确、鲁棒和快速的目标跟踪打下了坚实的基础。
姜雪[4]（2019）在《基于多特征的图像检索方法研究》文中提出伴随着互联网技术的迅猛发展,信息共享成为人们工作、学习和生活中不可或缺的重要组成部分,而数字图像作为直观且逼真的视觉信息载体,在软硬件技术迭代过程中的获取和共享变得更加便捷,在网络数据中的占有量更是与日俱增。为了从海量的图像数据中准确而快速地找到感兴趣的部分进行进一步的处理,提高图像检索的效率成为亟待解决的问题。基于文本的图像检索,由于其人工介入和描述差异等缺点,逐渐退出了图像检索领域的历史舞台,而基于内容的图像检索技术逐渐成为了当今研究的热点。基于内容的图像检索技术利用颜色、纹理、形状、位置、方向等多个底层特征对图像进行描述,通过特征的相似性度量来完成图像检索的目的。本文中,研究了将图像的全局和角点特征融合起来进行图像检索的方法,为了进一步提高图像检索的效率,又将遗传算法引入图像检索的过程中,最后设计制作了基于特征的图像检索系统,将图像检索的结果清晰地展示出来。主要的研究工作如下:1.提出了一种融合全局特征和角点特征的图像检索方法。首先从整幅图像中提取HSV直方图特征和LBP特征,然后提取图像角点的Hu矩形状特征和基于灰度共生矩阵的纹理特征,最后将这两类特征融合起来,通过相对曼哈顿距离进行相似性度量,并在此基础上完成图像检索。从实验结果来看,该图像检索方法取得了较好的效果。2.将遗传算法引入图像检索过程。将所有提取的图像特征归一化,采用模拟达尔文生物进化论的遗传算法对诸多特征进行自适应地特征选择和权重设置,通过经编码的初始种群一代代的选择、交叉和变异,最终进化出性能最优的个体,再将个体进行解码便得到最优特征子集和权重系数,最终完成图像检索。从实验数据可以看出,经过用遗传算法进行特征选择和权重设置,提高了图像检索的效率。3.设计并制作了基于特征的图像检索系统,使得图像检索算法的结果能够清晰的呈现出来。
罗微[5]（2019）在《基于图像多特征模式识别的木材分类分选算法研究》文中指出我国林业资源相对匮乏,但目前国内主流木材加工厂的加工备料方法过于简单粗放,模式传统,致使原材料的加工利用率不高,加工生产效率较差。为有效的提高木材利用率、提高木材生产效率,本文基于多特征模式识别木材分类分选,通过将待选木材图像按树种进行检索分类,从而进一步按照提取的缺陷类别及检量标准实现基于机器视觉的木材等级分选。现有的基于机器视觉的木材缺陷分等,皆为按照缺陷本身形态特征参数对木材等级分选,并未实现在木材树种分类的基础上分等优选,这同生产实际的木材分等检量标准操作是不相符的。针对上述问题,本研究在对木材树种判别的基础上,对木材图像进行缺陷分类,根据针叶树材与阔叶树材缺陷类型的不同,按照提取的缺陷面积检量参数,将木材分为特等、一等、二等和三等。本研究在120个树种中选取有代表性的50个中国常见树种,每个树种对应径切面和弦切面两幅图像,作为检索实验的研究对象,构建多类树种样本库1。再采集5个东北常见树种的样本,制作这5个树种的2种切面（径切、弦切）的木材图像,每个树种100个,共计1000幅,其中包括104个死节、40个活节、72个虫害、92个裂纹缺陷图像,构建样本库2。研究内容及实验结果主要为:（1）为实现木材树种检索判别,本文研究了木材图像检索的颜色与纹理特征提取与相似度匹配判别方法。结合木材材色与纹理的自身特点,提出了适合木材树种判别的匹配检索方法。利用基于颜色空间非等间隔量化的主色调特征提取方法,可以对颜色分布范围较窄、树种间颜色差异相对细微的木材图像进行特征匹配,从而达到更为理想的检索判别效果。在经过颜色特征检索后,进一步利用6个纹理特征包括:对比度（CON）,二阶角矩（ASM）,方差和（SV）,长行程加重因子（LRE）,分形维数（FD）,小波水平能量分布比重（EPLH）构建特征量体系以实现进一步检索,通过实验结果分析可知,分步检索可令检索判别结果趋近于更高的精准度。（2）提出了一种针对木材图像缺陷二值化局部阈值分割算法,该算法采用计算窗口模板均值、标准差、以及极值来计算各点阈值。实验结果表明,本研究提出的算法针对复杂背景木材图像缺陷分割具有良好的性能,性能明显优于全局阈值、Bernsen算法,略高于Niblack算法和Sauvola算法。算法对木材图像的缺陷分割精度可达92.58%,更适用于材色或光照不均一、有纹理噪声干扰等背景的木材缺陷图像。（3）在缺陷分割基础上,根据不同木材缺陷特异性的采用形态学方法进一步的改善缺陷提取效果,在大幅度的减少噪声的基础上,最大程度还原了缺陷二值特征。并利用形态学函数有效提取缺陷的长度、宽度、数量及位置等相关参数。（4）木材图像缺陷检测分类部分采用了 3种模型:BP神经网络模型、SVM支持向量机分类模型、CNN卷积神经网络模型。BP神经网络通过分别提取了 LBP特征以及HOG-LBP融合特征实现分类,分类准确率最高为50%。SVM分类模型提取了 HOG特征、LBP特征以及HOG-LBP融合3组特征,而以HOG-LBP融合特征实现缺陷分类效果明显优于采用HOG或LBP单一特征。分别采用4种核函数基于HOG-LBP融合特征实现分类,通过实验发现多项式核函数及高斯核函数分类性能最好,准确率均为98.68%。CNN卷积神经网络模型输入层维度512× 512× 3,采用尺寸为9× 9的1、0相间的卷积核,分别验证了其层数为2-4层时的分类准确率。采用CNN卷积神经网络测试最优为4层结构,分类准确率为98.68%。（5）通过对实验参数的优化设计,以及训练过程的监督及实验结果的比对分析,验证了不同模型的性能及优势所在。通过比对分析,认为BP神经网络虽为传统经典模型,但对于木材缺陷的HOG特征、LBP特征以及HOG-LBP融合特征并不敏感,因此,在当前特征提取情况下,不太适用于木材模型分类。CNN卷积神经网络模型及SVM支持向量机模型较之更适合木材缺陷检测分类,其对木材缺陷的检测及分类具有较高的分类准确率。
王军敏[6]（2019）在《面向纹理图像识别的特征提取方法研究》文中研究指明纹理图像在现实世界中无处不在,纹理图像中所蕴含的纹理模式特征是人类认知世界所需的重要视觉特征,这使得纹理图像识别研究具有重要的理论和应用价值,而纹理图像特征提取是该研究的核心内容。但是,目前存在的纹理图像特征提取方法存在以下不足之处:（1）对纹理图像的光照、旋转、尺度变化和训练样本个数缺乏综合的稳健性;（2）不能同时获得较高的纹理识别精度和较高的实时性。针对以上问题,本文对纹理图像识别中的特征提取方法进行了深入研究,取得了以下的创新性成果。（1）提出了一种基于局部特征描述和纹理基元学习的纹理图像特征提取方法。该方法利用5个特征量（局部熵值、局部方差、局部最大变化幅度、局部差分符号计数、局部差分幅值计数）对局部潜在的纹理基元特征进行描述,并利用K均值聚类算法进行纹理基元字典学习。实验结果表明,该方法所采用的局部特征描述子具有很强的鉴别能力,并且特征维数低（7维）,所需的纹理基元字典规模更小（仅为传统方法中纹理基元字典规模的1/2）。这使得该方法在纹理图像局部特征提取、纹理基元字典学习、纹理基元编码和特征匹配等阶段的实时性都得到显着提高,克服了传统纹理基元学习方法实时性较差的问题,同时在纹理识别精度上也超越了传统的纹理基元学习方法。（2）提出了一种将全局Gabor特征和局部编码Gabor特征进行融合的纹理图像特征提取方法。该方法首先利用采样和插值的方法为每个纹理图像构建一个四层的图像金字塔空间,然后利用多个尺度和方向的Gabor滤波器组对金字塔空间中的每个纹理图像进行滤波,用滤波后幅值图像的均值和方差作为全局Gabor特征,用滤波后幅值图像和相位图像的联合编码作为局部Gabor特征,并在最近子空间分类器的框架下实现了全局和局部Gabor特征的融合以及最终的纹理图像识别。实验结果表明,该方法提取的纹理图像特征具有很强的鉴别能力,在纹理识别精度上显着超越了传统的Gabor滤波方法,同时保持了较高的实时性,对纹理图像的尺度变化和训练样本个数也具有较好的稳健性。（3）提出了一种光照、旋转和尺度稳健的改进CLBP纹理图像特征提取方法。该方法利用局部模式主导方向的调谐作用,使传统的CLBP算法具有旋转不变性;利用连续的高斯滤波构造纹理图像的多尺度空间,并对不同尺度的联合直方图特征进行跨尺度取最大值,以使所提取的纹理特征具有对尺度变化的稳健性;利用多个半径的特征融合来捕获宏观和微观的纹理特征。实验结果表明,该方法提取的纹理图像特征具有很强的鉴别能力,在多个基准纹理库上都能获得很高的纹理识别精度,超越了目前很多先进的纹理识别算法。同时,该方法具有较高的实时性,对纹理图像的光照、旋转、尺度变化和训练样本个数也具有较好的稳健性,是一种综合性能较强的纹理图像特征提取方法。（4）提出了一种将粗略颜色信息和灰度纹理特征进行融合的彩色纹理图像特征提取方法。该方法利用纹理图像中的颜色信息具有低频性质并呈区域性分布的特点,对HSV空间中表示颜色信息的色调分量H和饱和度分量S采用粗略量化的策略,并用粗略量化后H分量和S分量的联合直方图来描述颜色信息,同时利用V分量进行灰度纹理特征的提取,最后将所提取的粗略颜色信息和灰度纹理特征进行融合,作为彩色纹理图像的特征描述。实验结果表明,与单独的灰度纹理特征和单独的颜色信息相比,该方法提取的彩色纹理图像特征具有更强的鉴别能力,能进一步提高纹理图像的识别精度,同时保持了较高的实时性,并在树皮分类、图像检索和纸币鉴别等工程领域获得了较好的应用效果。
万寿红[7]（2014）在《多样例图像视觉注意建模及视觉显着性应用研究》文中研究指明随着图像获取设备及多媒体技术的快速发展,图像数据的规模与日俱增,视觉分析需要面对庞大的图像数据。虽然目前计算机具有强大的数据处理能力,但对图像的分析理解能力和人类视觉却相差甚远,这主要是因为图像底层特征到高层语义之间存在语义鸿沟以及用户的主观性问题。计算机在图像分析时没有按人类视觉注意过程来提取、分析和理解信息。人类视觉感知系统能从海量信息中选择相对重要的信息做出反应,这种选择性和主动性的生理和心理活动被称为视觉注意机制。通常一幅图像包含多种目标信息,而人类视觉感知系统可以从多幅样例图像中学习图像内容间的相关性,获取用户主观感兴趣目标。显然,将这种基于多样例图像的视觉注意机制引入到图像分析及处理领域,可以快速而准确地选择用户感兴趣区域,高效地完成视觉搜索任务,具有重要的研究意义。目前已有的视觉注意模型都是针对单样例图像,不具有从多样例图像中学习图像内容间的相关性,不能正确模拟人类主观视觉注意过程。因此针对此问题,本论文研究适用于多样例图像的视觉注意模型。论文首先针对多样例图像,提出一种基于多示例学习的视觉注意建模方法。从人类视觉感知特性出发,在现有视觉注意模型研究成果的基础上,研究图像视觉特征显着性度量方法、多样例图像特征显着度融合方法、显着对象提取方法,构建多样例图像视觉注意计算模型。同时,论文还针对视觉显着性在图像处理与分析领域中的应用展开了研究。在图像检索领域,面向单样例图像检索和多样例图像检索两种方式,分别提出了基于位面颜色显着性分布直方图的单样例图像检索方法以及基于显着对象的多样例图像检索方法。将视觉显着性引入到图像融合中,提出了一种基于小波域视觉显着性的图像融合新算法,以突出目标细节,使得融合效果更符合人类视觉特性,有利于后继的目标检测与识别。论文的主要贡献包括以下四个方面:（1）针对目前视觉注意模型提取的特征类型不够全面,抗噪性较差的问题,根据图像不同特征,分析人类视觉感知过程,将图像特征与人类视觉感知相结合,综合考虑心理学因素,提出基于视觉感知的图像特征显着性度量方法。该方法设计并提取主位面亮度特征、HSI空间颜色特征、Gabor方向特征和多方向纹理特征来模拟视觉刺激,相比已有的视觉注意模型在图像视觉特征描述上更全面细致,更符合人类视觉特点,同时提升了视觉特征的抗噪性。从自显着性、全局对比显着性、局部对比显着性以及稀疏性四方面度量不同视觉特征的显着性,设计了基于小波变换的局部对比显着性度量方法,使得特征显着性度量更符合人类视觉感知过程。（2）提出了基于多示例学习的多样例图像视觉注意模型,该模型通过分析多样例图像内容与视觉特征的相关性,设计基于多示例学习的特征选择、基于关注度的特征显着度融合算法,形成视觉综合显着度表征,根据综合显着度提取显着对象。特征显着度融合算法是将每个特征显着度对于视觉综合显着度的贡献分成特征与图像相关度、特征图自身突出度两部分,通过融合计算关注度,综合评估每个特征显着度对于综合视觉显着度的贡献,对各特征显着度图进行动态加权融合,得到最终的综合视觉显着图。同时提出了基于全局优化的模糊区域生长算法提取显着对象,避免了过度分割。与已有的视觉注意模型相比,提出的模型充分考虑了多样例图像内容的相关性,提高了显着对象的完整性,更好地反映了用户关注的目标内容,更接近于用户主观视觉注意过程。（3）将图像视觉显着性引入到基于内容的图像检索应用中,针对单样例图像检索和多样例图像检索两种方式,分别提出了基于位面颜色显着性分布直方图的单样例图像检索方法以及基于显着对象的多样例图像检索方法,去除图像中大量背景因素的影响,提高了图像检索的查准率。基于显着对象的多样例图像检索方法可以更好地反映用户关注的目标内容。（4）将图像视觉显着性引入到图像融合应用中,提出了一种基于小波域视觉显着性的图像融合新算法。该算法在小波多尺度分解的基础上,设计面向图像融合的视觉显着性模型,对不同频率分量分别融合亮度、方向、纹理多特征综合显着度,自适应求取加权融合系数。实验结果表明,与基于区域特征的小波融合算法相比,该算法无论在主观视觉效果还是客观评价上,目标细节更突出,融合效果更符合人类视觉特性,有利于目标的检测与识别。
刘勍[8]（2011）在《基于脉冲耦合神经网络的图像处理若干问题研究》文中认为脉冲耦合神经网络（Pulse Coupled Neural Networks, PCNN）是基于生物视觉系统机理形成的具有模数混合处理、串并联混合处理及动态自适应处理的一种空时编码新型人工神经网络。由于PCNN模型的动态变阈值、非线性调制耦合、同步脉冲发放、动态脉冲发放及时空总和等特性,使其在图像处理、自动目标识别、组合优化、人工生命等领域的研究和应用得到国内外的广泛重视。本文围绕图像处理中脉冲噪声滤除、高斯噪声滤除、弱小目标检测、二值图像自动分割、多值图像自动分割及基于内容的图像检索等若干关键问题,针对脉冲耦合神经元结构复杂性及其在图像信号处理中存在阈值反复衰减、自适应性能差和无法自动选择最佳处理结果等一些不足,研究了PCNN模型的机理,并提出改进思路与方法。论文主要内容如下:1.为有效滤除图像中严重脉冲噪声的干扰,提出了基于脉冲耦合神经网络噪声检测的两级脉冲噪声滤波算法。首先在改进自适应单位连接PCNN（AULPCNN）模型的基础上,利用其同步脉冲发放特性区分定位脉冲噪声点和信号像素点位置,其次根据噪声点局部邻域信息对噪声点进行第1级自适应滤波,然后再对前一级的滤波输出利用具有保护边缘细节特点的多方向信息中值第2级细微辅助滤波。该算法在噪声检测中无需设定检测阈值,噪声检测精度较高;在去噪过程中不但有效滤除噪声干扰,而且能很好地保护图像边缘细节等信息,具有较好的主观视觉效果和客观评价指标,去噪能力强、信噪比高和适应性好,特别是对受严重噪声污染的图像,显示了更大的优越性。2.针对图像高斯噪声的去除,提出了一种基于改进型脉冲耦合神经网络的双边滤波算法。在考虑图像高斯噪声特征的前提下,引入平滑抑制因子和自适应链接强度,并与相似神经元同步激活特性相结合,形成平滑抑制自适应连接PCNN（SIAL-PCNN）模型,然后应用在含噪图像预滤波迭代处理中,在滤除极值噪声的同时形成反映图像空时信息的赋时矩阵,最后将生成的赋时矩阵信息运用在双边滤波中,并对其进行了自适应性改进与滤除高斯噪声的处理。该算法在较好保护图像边缘细节等信息的情况下,能有效地滤除平滑区域噪声,在信噪比和去噪能力方面都有一定的提高。3.从含单一弱小目标图像特征出发,提出了结合灰度熵变换的脉冲耦合神经网络小目标图像检测算法。该方法在对含随机噪声和有复杂背景的图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值映射图在满足目标背景比先验概率的条件下,利用局部最小交叉熵判据,自动选取包含单一小目标局部窗口作为处理图像区域,并进行改进型PCNN迭代检测处理。该算法能自动可靠地检测出复杂背景及随机噪声干扰下的弱小目标。4.为自动对图像进行二值分割,提出了一种新的自适应迭代全局阈值图像自动分割算法。首先对二维超模糊集隶属函数进行自适应修正,并将其引入到图像超模糊熵概念中,然后从适应图像分割角度考虑,将传统脉冲耦合神经网络模型改进为具有单调指数上升阈值函数的单位链接脉冲耦合神经网络（ULPCNN）抑制捕获模型,最后把ULPCNN与最大超模糊熵判据相结合对图像进行自动分割。该算法能自动确定最佳分割阈值,对图像目标划分清晰、细节保持较好,改善了图像的分割性能。5.考虑原始图像与分割图像之间的相互关系,以最大互信息为分割目标,以互信息熵差作为一种新的分类判据,在对传统脉冲耦合神经网络模型改进的基础上,提出了一种基于最大互信息改进型PCNN多值图像自动分割算法。该算法能够自动确定最佳分割迭代次数及最佳分割灰度类数,对分割图像具有良好的特征划分能力,且在分割类数较少的情况下,能较好地保持图像细节、纹理及边缘等信息,对图像分割精度高,具有较强的适用性。6.为简单有效地提取图像重要特征信息,从而更好地提高检索图像的精度,提出了一种基于脉冲耦合神经网络的图像归一化转动惯量（NMI）特征提取及检索算法。首先利用改进简化PCNN模型相似神经元同步时空特性及指数衰降机制,将图像分解为一系列具有相关性的二值图像,然后提取能反映原图像目标形状、结构分布的系列二值图像的一维NMI特征矢量信号,并将其应用在图像检索中。同时,考虑到系列二值图像间的相关性及不同图像间NMI序列值的差异性,引入了马氏距离结合Pearson积矩相关法的综合相似性度量方法。所提算法对图像特征矢量序列具有良好抗几何畸变不变特性及对图像表述的唯一性,且有较好的图像检索效果。
石跃祥[9]（2001）在《基于灰度值相对归一化的图象检索方法》文中研究说明针对数字化图象检索问题,提出了一种基于图象灰度值特征内容的检索方法。在这种检索方法中,基于光照强度对图象灰度的影响,在检索中对于图象的灰度强度的处理,这个因素是必不可少的。本文就图象灰度的强度这一问题在检索中如何处理作了一些探讨,用于基于图象内容的检索方法中是合适的。
程小梅[10]（2008）在《基于图像的昆虫识别研究与设计》文中研究说明昆虫是动物界中一个十分庞大的类群,种类超过一千万种,从事昆虫鉴定的人员仅限于数量极有限的昆虫分类学专家。随着计算机图像处理技术的发展,人们希望通过计算机技术来识别昆虫、研究昆虫。应用模式识别技术建立昆虫的识别系统,不仅科学研究意义重大,而且经济效益可观。本文通过基于图像的模式识别技术对昆虫图像进行处理,实现昆虫图像的自动识别。针对昆虫图像的特点,采用了适合昆虫图像的特征提取方法,然后应用相似性匹配算法和相关反馈技术对昆虫图像进行了分析和处理。论文的主要工作如下:1)图像预处理。主要应用图像分割技术对昆虫图像预处理,采用了基于多特征的EM算法对昆虫图像进行分割,提取出昆虫对象本身。实现了昆虫对象与背景的区域分割。2)基于视觉特征的昆虫识别。针对10种昆虫图像,给出了结合灰值游程和边缘特征提取昆虫图像特征的方法,实验表明这种综合特征抽取能较好的对10种昆虫图像识别;研究了尺度不变特征算子SIFT,将其应用到昆虫图像识别中,实现了基于SIFT的昆虫图像识别。3)多特征融合相关反馈技术。研究了多特征融合检索中的相似性度量及特征归一化等技术,并将其应用于昆虫图像的识别中。给出了基于KNN的权系数调整的相关反馈方法,实现了基于游程长度,灰度共生矩阵,颜色直方图,矩融合的多特征相关反馈方法。将基于SVM的相关反馈方法应用到昆虫图像识别中,实验表明,这两种方法具有较高的反馈效率和准确率,有效提高了系统的识别性能。4)系统设计与实现。采用VS.net和SQL2000实现了基于图像的昆虫识别系统。系统实现了对昆虫图像的在线监测、彩色图像读取,图像特征自动入库,相似匹配,多特征融合查询,多特征相关反馈及自动统计识别结果等功能。
二、基于灰度值相对归一化的图象检索方法（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、基于灰度值相对归一化的图象检索方法（论文提纲范文）
（1）高速宽幅纸机纸病在线诊断关键算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状及目前所存在的问题 |
| 1.2.1 国外研究开发现状 |
| 1.2.2 国内研究开发现状 |
| 1.2.3 尚待解决的关键问题 |
| 1.3 论文主要研究工作及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节安排 |
| 2 实验平台搭建及纸病图像数据集的建立 |
| 2.1 实验平台的搭建 |
| 2.1.1 纸机架卷曲结构的安装 |
| 2.1.2 相机的选择 |
| 2.1.3 光源的配置 |
| 2.1.4 软件平台 |
| 2.2 纸病图像数据集的建立 |
| 2.2.1 纸病图像的采集及预处理 |
| 2.2.2 纸病图像集的扩充 |
| 2.3 本章小结 |
| 3 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.1 图像噪声及去噪 |
| 3.1.1 噪声的产生及分类 |
| 3.1.2 图像去噪 |
| 3.1.3 纸病图像噪声 |
| 3.2 图像形成的模型及同态滤波 |
| 3.2.1 图像的照射/反射模型 |
| 3.2.2 同态滤波 |
| 3.3 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.3.1 分块DCT变换 |
| 3.3.2 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 本章算法效果 |
| 3.4.3 不同滤波算法效果对比 |
| 3.5 本章小结 |
| 4 基于二维阈值分割的纸病图像检测算法 |
| 4.1 图像分割算法 |
| 4.1.1 图像分割的概念 |
| 4.1.2 常用的图像分割方法 |
| 4.1.3 基于阈值的图像分割方法 |
| 4.2 快速二维阈值分割的多纸病图像检测算法 |
| 4.2.1 多纸病图像处理 |
| 4.2.2 快速二维阈值算法 |
| 4.2.3 基于差影法以及快速二维阈值法的多纸病图像检测 |
| 4.2.4 实验结果与分析 |
| 4.3 基于人工蜂群优化的低对比度纸病图像检测算法研究 |
| 4.3.1 低对比度纸病图像滤波 |
| 4.3.2 改进人工蜂群优化算法 |
| 4.3.3 基于改进人工蜂群优化的低对比度纸病检测 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于卷积神经网络的纸病分类算法 |
| 5.1 传统纸病分类方法 |
| 5.1.1 纸病图像特征 |
| 5.1.2 纸病分类算法 |
| 5.1.3 传统纸病分类方法所存在的问题 |
| 5.2 卷积神经网络 |
| 5.2.1 深度学习及其特点 |
| 5.2.2 卷积神经网络 |
| 5.2.3 卷积神经网络基本结构 |
| 5.2.4 经典的网络模型 |
| 5.3 基于卷积神经网络及迁移学习的纸病分类算法 |
| 5.3.1 迁移学习 |
| 5.3.2 基础网络的选择 |
| 5.3.3 改进VGG16纸病图像分类器 |
| 5.4 实验结果与分析 |
| 5.4.1 实验环境及参数设置 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 6 基于可变形卷积神经网络的纸病识别算法 |
| 6.1 目标检测网络Faster R-CNN |
| 6.1.1 图像目标检测 |
| 6.1.2 Faster R-CNN |
| 6.2 可变形卷积神经网络 |
| 6.2.1 可变形卷积 |
| 6.2.2 可变形卷积的实现 |
| 6.2.3 可变形卷积的优点 |
| 6.3 基于可变形卷积神经网络的纸病识别算法 |
| 6.3.1 基于可变形卷积神经网络的网络结构设计 |
| 6.3.2 损失函数 |
| 6.3.3 网络正则化 |
| 6.4 实验结果与分析 |
| 6.4.1 实验环境及参数设置 |
| 6.4.2 实验结果与分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究的创新点 |
| 7.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的成果 |
（2）服装款式图领型识别与匹配研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 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 研究现状 |
| 1.2.1 服装图像分类技术的研究现状 |
| 1.2.2 服装图像检索的研究现状 |
| 1.3 相关技术概述 |
| 1.3.1 数字图像处理技术 |
| 1.3.2 形状特征提取 |
| 1.3.3 模式识别技术 |
| 1.4 研究内容与论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 第二章 总体方案设计 |
| 2.1 方案设计 |
| 2.2 实现平台 |
| 第三章 服装图像预处理 |
| 3.1 衣领款式样本库 |
| 3.2 服装图像预处理 |
| 3.2.1 图像灰度化 |
| 3.2.2 锐化处理 |
| 3.2.3 服装轮廓提取 |
| 3.2.4 形态学处理 |
| 3.2.5 部件分割 |
| 3.3 预处理算法实现 |
| 3.4 本章小结 |
| 第四章 目标部件的特征提取 |
| 4.1 图像的特征与提取 |
| 4.1.1 图像特征 |
| 4.1.2 服装图像特征提取的研究与应用 |
| 4.2 基于复杂网络的图像特征提取 |
| 4.2.1 复杂网络概述 |
| 4.2.2 复杂网络基本参数 |
| 4.2.3 复杂网络的特征提取 |
| 4.3 目标部件的特征描述与提取 |
| 4.3.1 构建复杂网络 |
| 4.3.2 阈值演化 |
| 4.3.3 特征提取与归一化 |
| 4.4 特征描述的可行性分析 |
| 4.5 本章小结 |
| 第五章 目标部件的识别与分类 |
| 5.1 常用的服装图像分类方法 |
| 5.1.1 基于图像内容的服装图像分类 |
| 5.1.2 基于深度学习的服装图像分类 |
| 5.2 基于支持向量机分类的设计与实现 |
| 5.2.1 SVM多分类方法概述 |
| 5.2.2 SVM分类模型构建 |
| 5.2.3 基于SVM分类算法实现 |
| 5.2.4 结果分析 |
| 5.3 基于BP神经网络分类的设计与实现 |
| 5.3.1 BP神经网络概述 |
| 5.3.2 BP神经网络模型的构建 |
| 5.3.3 基于BP神经网络分类算法实现 |
| 5.3.4 结果分析 |
| 5.4 分类结果对比分析 |
| 5.5 本章小结 |
| 第六章 算法的分析与评价 |
| 6.1 算法的时间复杂度分析 |
| 6.2 算法的抗噪性能分析 |
| 6.3 不同特征提取方法的对比分析 |
| 6.3.1 与Hu不变矩特征提取方法比较 |
| 6.3.2 与HOG特征提取方法比较 |
| 6.3.3 三种算法的性能分析 |
| 6.4 本章小结 |
| 第七章 款式的匹配与检索 |
| 7.1 图像匹配概述 |
| 7.1.1 图像匹配的定义 |
| 7.1.2 图像匹配算法分类 |
| 7.1.3 图像的相似性度量 |
| 7.1.4 图像匹配性能评估 |
| 7.2 目标款式的特征匹配 |
| 7.2.1 特征匹配算法实现 |
| 7.2.2 结果分析 |
| 7.2.3 匹配结果评估 |
| 7.3 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 附录1 相关算法MATLAB源代码 |
| 附录2 特征提取数据 |
| 附录3 图像匹配的查准率 |
| 附录4 分类准确率数据 |
| 附录5 衣领款式图样本库 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（3）智能视频监控系统中目标跟踪问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 智能视频监控系统的发展和现状 |
| 1.2.1 视频监控系统的发展 |
| 1.2.2 智能视频监控系统的现状 |
| 1.2.3 智能视频监控系统基本框架 |
| 1.3 智能视频监控中的目标跟踪问题 |
| 1.3.1 目标跟踪基本框架 |
| 1.3.2 目标跟踪方法分类 |
| 1.3.3 目标跟踪面临的挑战 |
| 1.4 论文的章节安排与主要研究内容 |
| 1.4.1 论文章节安排 |
| 1.4.2 论文主要研究内容 |
| 2 目标跟踪基础 |
| 2.1 引言 |
| 2.2 基于粒子滤波的目标跟踪 |
| 2.3 基于相关滤波的目标跟踪 |
| 2.3.1 MOSSE相关滤波跟踪方法 |
| 2.3.2 核相关滤波跟踪方法 |
| 2.3.3 其他经典相关滤波跟踪方法 |
| 2.4 跟踪算法测试数据集和性能评价方法 |
| 2.4.1 测试视频集 |
| 2.4.2 跟踪算法集 |
| 2.4.3 算法性能评价准则 |
| 2.4.4 算法性能整体评估 |
| 2.5 本章小结 |
| 3 基于粒子滤波的目标跟踪方法 |
| 3.1 引言 |
| 3.2 基于改进的空间直方图相似性度量的粒子滤波目标跟踪 |
| 3.2.1 颜色直方图 |
| 3.2.2 空间直方图 |
| 3.2.3 空间直方图的相似性度量 |
| 3.2.4 目标-背景相似性加权JSD相似性度量方法 |
| 3.2.5 实验结果与分析 |
| 3.3 基于贝叶斯决策和粒子滤波的遮挡目标跟踪 |
| 3.3.1 遮挡问题研究 |
| 3.3.2 算法描述 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 多特征加权时空上下文目标跟踪 |
| 4.1 引言 |
| 4.2 时空上下文目标跟踪 |
| 4.3 多特征加权时空上下文跟踪方法 |
| 4.3.1 多特征提取 |
| 4.3.2 加权系数矩阵 |
| 4.3.3 加权时空上下文跟踪 |
| 4.3.4 多特征置信图融合 |
| 4.3.5 尺度更新策略 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境与参数设置 |
| 4.4.2 定量分析 |
| 4.4.3 定性分析 |
| 4.4.4 复杂度分析 |
| 4.5 本章小结 |
| 5 基于通道可靠性的多尺度背景感知相关滤波跟踪方法 |
| 5.1 引言 |
| 5.2 算法描述 |
| 5.2.1 多通道特征提取 |
| 5.2.2 背景感知相关滤波器 |
| 5.2.3 多通道背景感知相关滤波器 |
| 5.2.4 通道可靠性系数 |
| 5.2.5 尺度估计 |
| 5.2.6 模型更新 |
| 5.3 实验结果与分析 |
| 5.3.1 实验环境与参数设置 |
| 5.3.2 定量分析 |
| 5.3.3 定性分析 |
| 5.3.4 复杂度分析 |
| 5.4 本章小结 |
| 6 结束语 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）基于多特征的图像检索方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 图像检索的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的章节结构 |
| 1.5 本章小节 |
| 第二章 基于内容的图像检索 |
| 2.1 基于内容的图像检索概述 |
| 2.2 图像特征的描述 |
| 2.2.1 颜色特征 |
| 2.2.2 纹理特征 |
| 2.2.3 形状特征 |
| 2.2.4 空间关系特征 |
| 2.3 相似性度量 |
| 2.4 检索性能评价准则 |
| 2.5 本章小结 |
| 第三章 基于全局和角点特征的图像检索方法 |
| 3.1 算法描述 |
| 3.2 图像的全局特征提取 |
| 3.2.1 颜色特征提取 |
| 3.2.2 纹理特征提取 |
| 3.3 图像的角点特征提取 |
| 3.3.1 图像的Harris角点检测 |
| 3.3.2 Harris角点的特征提取 |
| 3.4 图像特征的融合 |
| 3.5 实验结果分析 |
| 3.5.1 角点数目的确定 |
| 3.5.2 在Caltech256 数据集上的表现 |
| 3.5.3 在Corel1000 数据集上的表现 |
| 3.6 本章小结 |
| 第四章 基于遗传算法的图像检索方法 |
| 4.1 遗传算法概述 |
| 4.1.1 遗传算法的基本思想 |
| 4.1.2 遗传算法的关键环节 |
| 4.2 特征选择 |
| 4.2.1 特征选择概述 |
| 4.2.2 特征选择的步骤 |
| 4.3 特征权重设置 |
| 4.3.1 特征权重概述 |
| 4.3.2 特征权重设置的步骤 |
| 4.4 实验结果分析 |
| 4.4.1 在Caltech256 数据集上的表现 |
| 4.4.2 在Corel1000 数据集上的表现 |
| 4.5 本章小结 |
| 第五章 基于特征的图像检索系统 |
| 5.1 系统简介 |
| 5.2 系统结构的设计 |
| 5.3 系统的功能模块介绍 |
| 5.3.1 图像库管理模块 |
| 5.3.2 特征提取模块 |
| 5.3.3 图像检索模块 |
| 5.3.4 图像输出模块 |
| 5.4 基于特征的图像检索系统的操作过程 |
| 5.4.1 图像库选择 |
| 5.4.2 图像特征数据库生成 |
| 5.4.3 数据库加载 |
| 5.4.4 选择查询图像 |
| 5.4.5 选择图像返回数目 |
| 5.4.6 生成图像检索结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 基于内容的图像检索总结 |
| 6.2 基于内容的图像检索展望 |
| 6.3 本章小结 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
（5）基于图像多特征模式识别的木材分类分选算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 基于木材图像分类分选研究现状 |
| 1.2.2 发展趋势 |
| 1.3 存在的问题及技术难点 |
| 1.3.1 存在的问题 |
| 1.3.2 技术难点 |
| 1.4 研究的主要内容及方法、路线 |
| 1.4.1 研究的主要内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 2 实验材料与方法 |
| 2.1 实验材料及设备 |
| 2.2 实验方法 |
| 2.2.1 数字图像处理与模式识别 |
| 2.2.2 机器学习算法 |
| 3 基于颜色及纹理特征的木材树种相似度判别 |
| 3.1 颜色特征的提取及木材树种判别 |
| 3.1.1 木材材色空间分布特点分析 |
| 3.1.2 颜色特征的提取及分析 |
| 3.1.3 颜色特征的相似度判别算法 |
| 3.1.4 实例及分析 |
| 3.2 木材纹理特征的提取及木材树种判别 |
| 3.2.1 纹理特征的描述 |
| 3.2.2 木材纹理特点 |
| 3.2.3 木材纹理特征的分析及提取 |
| 3.2.4 木材纹理特征的相似度判别算法 |
| 3.2.5 实例及分析 |
| 3.3 基于颜色和纹理特征分步检索的木材树种相似度判别 |
| 3.4 本章小结 |
| 4 木材缺陷检测及分类 |
| 4.1 木材缺陷种类及特点 |
| 4.1.1 木材表面缺陷 |
| 4.1.2 缺陷种类及特点 |
| 4.2 缺陷分类的特征提取 |
| 4.3 基于BP神经网络的木材缺陷检测及分类 |
| 4.3.1 BP神经网络设计思想 |
| 4.3.2 BP神经网络模型基本原理 |
| 4.3.3 模型建立与结果分析 |
| 4.4 基于支持向量机的木材缺陷检测及分类 |
| 4.4.1 支持向量机的设计思想 |
| 4.4.2 支持向量机基本原理 |
| 4.4.3 模型建立与结果分析 |
| 4.5 基于卷积神经网络的木材缺陷检测及分类 |
| 4.5.1 卷积神经网络的设计思想 |
| 4.5.2 卷积神经网络基本原理 |
| 4.5.3 模型建立与结果分析 |
| 4.6 缺陷分类方法比较 |
| 4.7 本章小结 |
| 5 基于机器视觉特征的木材分类分选 |
| 5.1 木材表面缺陷常规分割方法 |
| 5.2 局部阈值二值化算法 |
| 5.2.1 Bernsen算法 |
| 5.2.2 Niblack算法 |
| 5.2.3 Sauvola算法 |
| 5.3 局部均值的二值化改进算法 |
| 5.4 实验结果与分析 |
| 5.5 基于数学形态学图像分割后处理 |
| 5.5.1 结构元素 |
| 5.5.2 腐蚀与膨胀 |
| 5.5.3 开运算与闭运算 |
| 5.6 锯材检验标准 |
| 5.6.1 针叶树锯材检验标准 |
| 5.6.2 阔叶树锯材检验标准 |
| 5.7 按树种及缺陷的木材等级分选 |
| 5.8 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（6）面向纹理图像识别的特征提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状以及存在的问题 |
| 1.2.1 研究现状 |
| 1.2.2 存在的问题 |
| 1.3 论文的主要工作与结构安排 |
| 2 基于局部特征描述和纹理基元学习的纹理特征提取方法研究 |
| 2.1 引言 |
| 2.2 纹理基元学习方法简介 |
| 2.3 本章方法描述 |
| 2.3.1 局部纹理特征描述 |
| 2.3.2 纹理基元字典学习 |
| 2.3.3 纹理基元编码和特征向量构建 |
| 2.3.4 分类器设计 |
| 2.4 实验与结果分析 |
| 2.4.1 纹理数据库和实验设置 |
| 2.4.2 最佳的纹理基元字典规模分析 |
| 2.4.3 纹理识别精度分析 |
| 2.4.4 实时性分析 |
| 2.5 本章小结 |
| 3 全局和局部编码Gabor特征融合的纹理特征提取方法研究 |
| 3.1 引言 |
| 3.2 Gabor滤波方法简介 |
| 3.3 本章方法描述 |
| 3.4 实验与结果分析 |
| 3.4.1 纹理数据库和实验设置 |
| 3.4.2 Gabor特征融合的最佳权值分析 |
| 3.4.3 Gabor滤波不同分量的识别性能分析 |
| 3.4.4 纹理识别精度分析 |
| 3.4.5 对训练样本个数的稳健性分析 |
| 3.4.6 实时性分析 |
| 3.5 本章小结 |
| 4 光照、旋转和尺度稳健的改进CLBP纹理特征提取方法研究 |
| 4.1 引言 |
| 4.2 基本的CLBP算法简介 |
| 4.3 本章方法描述 |
| 4.3.1 对光照变化的稳健性实现 |
| 4.3.2 对图像旋转的稳健性实现 |
| 4.3.3 对尺度变化的稳健性实现 |
| 4.3.4 多个半径的特征融合 |
| 4.3.5 本章方法的原理总结 |
| 4.4 实验与结果分析 |
| 4.4.1 纹理数据库和实验设置 |
| 4.4.2 最佳的高斯滤波次数分析 |
| 4.4.3 纹理识别精度分析 |
| 4.4.4 对训练样本个数的稳健性分析 |
| 4.4.5 实时性分析 |
| 4.5 本章小结 |
| 5 彩色纹理图像的特征提取方法研究 |
| 5.1 引言 |
| 5.2 颜色信息的作用和应用条件 |
| 5.3 彩色纹理图像的特征提取方法研究 |
| 5.4 实验与结果分析 |
| 5.4.1 彩色纹理图像特征提取和识别系统的构建 |
| 5.4.2 纹理数据库和实验设置 |
| 5.4.3 最佳的颜色量化等级个数分析 |
| 5.4.4 纹理识别精度分析 |
| 5.4.5 颜色信息的贡献分析 |
| 5.4.6 对训练样本个数的稳健性分析 |
| 5.4.7 实时性分析 |
| 5.5 本章小结 |
| 6 纹理图像特征提取方法的应用研究 |
| 6.1 引言 |
| 6.2 纹理图像特征提取方法的应用1:树皮分类 |
| 6.2.1 基于纹理特征提取的树皮分类系统设计 |
| 6.2.2 树皮纹理库和实验设置 |
| 6.2.3 树皮分类的结果分析 |
| 6.3 纹理图像特征提取方法的应用2:图像检索 |
| 6.3.1 基于纹理特征提取的图像检索系统设计 |
| 6.3.2 图像检索数据库和图像检索评价指标 |
| 6.3.3 图像检索实验和结果分析 |
| 6.4 纹理图像特征提取方法的应用3:纸币鉴别 |
| 6.4.1 基于纹理特征提取的纸币鉴别系统设计 |
| 6.4.2 纸币图像的倾斜校正 |
| 6.4.3 基于粗略颜色信息的纸币面额识别 |
| 6.4.4 基于灰度纹理特征的纸币真伪鉴别 |
| 6.4.5 纸币鉴别的结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（7）多样例图像视觉注意建模及视觉显着性应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 自底向上视觉注意 |
| 1.3.2 自顶向下视觉注意 |
| 1.3.3 协同视觉注意 |
| 1.3.4 视觉显着性应用 |
| 1.4 本文研究内容 |
| 1.5 本文组织结构 |
| 第2章 视觉注意建模理论基础 |
| 2.1 引言 |
| 2.2 视觉注意生理过程 |
| 2.3 视觉注意认知理论 |
| 2.3.1 Treisman特征整合理论 |
| 2.3.2 Koch框架 |
| 2.4 经典视觉注意模型 |
| 2.5 本章小结 |
| 第3章 基于视觉感知的特征显着性度量 |
| 3.1 引言 |
| 3.2 人类视觉感知分析 |
| 3.3 视觉特征提取 |
| 3.3.1 主位面亮度特征 |
| 3.3.2 HSI空间颜色特征 |
| 3.3.3 Gabor方向特征 |
| 3.3.4 多方向纹理特征 |
| 3.4 特征显着度计算 |
| 3.4.1 自显着性 |
| 3.4.2 全局对比显着性 |
| 3.4.3 局部对比显着性 |
| 3.4.4 稀疏性 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于多示例学习的多样例图像特征显着度融合 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 基于多示例学习的特征选择 |
| 4.3.1 基于特征显着性的示例划分 |
| 4.3.2 多示例学习算法 |
| 4.3.3 基于离散度的特征筛选 |
| 4.4 基于关注度的特征融合 |
| 4.4.1 特征与图像内容相关度分析 |
| 4.4.2 特征图融合 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 第5章 多样例图像视觉注意模型 |
| 5.1 引言 |
| 5.2 视觉注意模型 |
| 5.3 显着对象提取 |
| 5.3.1 基于全局优化的模糊区域生长 |
| 5.3.2 区域筛选 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第6章 基于视觉显着性的图像检索 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 基于位面颜色显着性分布直方图的单样例图像检索 |
| 6.3.1 颜色视觉显着性计算 |
| 6.3.2 位面颜色显着性分布直方图特征提取 |
| 6.3.3 相似性度量 |
| 6.3.4 实验结果及分析 |
| 6.4 基于显着对象的多样例图像检索 |
| 6.4.1 显着对象检索特征提取 |
| 6.4.2 相似性度量 |
| 6.4.3 实验结果及分析 |
| 6.5 本章小结 |
| 第7章 基于小波域视觉显着性的图像融合 |
| 7.1 引言 |
| 7.2 相关工作 |
| 7.3 小波域视觉显着性融合算法 |
| 7.3.1 面向图像融合的视觉显着性模型 |
| 7.3.2 显着性度量 |
| 7.3.3 小波域显着性融合 |
| 7.4 融合效果评估 |
| 7.5 实验结果及分析 |
| 7.6 本章小结 |
| 第8章 总结与展望 |
| 8.1 工作总结 |
| 8.2 主要贡献和创新点 |
| 8.3 下一步研究工作 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文 |
| 在读期间参加的科研项目 |
（8）基于脉冲耦合神经网络的图像处理若干问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 人工神经网络与图像处理 |
| 1.1.1 人工神经网络生物学基础 |
| 1.1.2 人工神经网络技术与发展 |
| 1.1.3 人工神经网络在图像处理中的应用 |
| 1.2 脉冲耦合神经网络的研究现状 |
| 1.2.1 脉冲耦合神经网络的理论研究 |
| 1.2.2 脉冲耦合神经网络的应用研究 |
| 1.3 论文的研究背景和主要内容 |
| 第二章 脉冲耦合神经网络的理论基础 |
| 2.1 视觉系统及其模型 |
| 2.1.1 视觉系统的定性描述 |
| 2.1.2 视觉系统的数学模型 |
| 2.2 脉冲耦合神经网络基本模型 |
| 2.2.1 Eckhorn神经元模型 |
| 2.2.2 脉冲耦合神经网络模型 |
| 2.3 脉冲耦合神经网络的运行机理 |
| 2.3.1 无耦合链接的PCNN |
| 2.3.2 耦合链接的PCNN |
| 2.4 脉冲耦合神经网络的基本特性 |
| 2.5 本章小结 |
| 第三章 基于脉冲耦合神经网络的图像噪声滤除 |
| 3.1 图像噪声及其滤除 |
| 3.1.1 图像噪声特点及模型 |
| 3.1.2 图像噪声滤除方法 |
| 3.2 基于自适应ULPCNN噪声检测的两级脉冲噪声滤波算法 |
| 3.2.1 AULPCNN模型 |
| 3.2.2 滤波算法描述 |
| 3.2.3 实验结果与分析 |
| 3.3 基于平滑抑制的自适应链接PCNN图像高斯噪声双边滤波算法 |
| 3.3.1 SIAL-PCNN模型 |
| 3.3.2 SIAL-PCNN双边滤波算法 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 结合灰度熵变换的脉冲耦合神经网络小目标检测 |
| 4.1 小目标图像检测概述 |
| 4.1.1 空域检测 |
| 4.1.2 时域检测 |
| 4.1.3 空时混合检测 |
| 4.2 图像灰度熵变换 |
| 4.3 结合灰度熵变换的脉冲耦合神经网络小目标检测算法 |
| 4.3.1 脉冲耦合神经网络改进模型 |
| 4.3.2 交叉熵及其阈值检测 |
| 4.3.3 小目标图像自动检测算法 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 脉冲耦合神经网络在图像自动分割中的应用 |
| 5.1 图像分割及其方法 |
| 5.1.1 图像分割基本概念 |
| 5.1.2 图像分割主要方法 |
| 5.1.3 图像分割领域存在的问题 |
| 5.2 基于超模糊熵ULPCNN二值图像自动分割新算法 |
| 5.2.1 超模糊理论 |
| 5.2.2 改进ULPCNN模型及二值图像分割 |
| 5.2.3 实验结果与分析 |
| 5.3 基于互信息改进型脉冲耦合神经网络多值图像自动分割算法 |
| 5.3.1 互信息与互信息熵差 |
| 5.3.2 改进型PCNN模型及其最大互信息图像分割算法 |
| 5.3.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 基于脉冲耦合神经网络的图像NMI特征提取及检索 |
| 6.1 图像检索技术概述 |
| 6.1.1 基于文本图像检索方法 |
| 6.1.2 基于内容图像检索方法 |
| 6.1.3 图像检索研究面临的问题 |
| 6.2 基于脉冲耦合神经网络的图像NMI特征提取及检索方法 |
| 6.2.1 PCNN改进简化模型及图像二值序列分解 |
| 6.2.2 图像NMI特征描述 |
| 6.2.3 相似性度量 |
| 6.2.4 实验结果与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 研究成果 |
（9）基于灰度值相对归一化的图象检索方法（论文提纲范文）
| 引言 |
| 1 灰度矩阵 |
| 1.1 图象灰度值的矩阵表示 |
| 1.2 灰度矩阵的归一化处理 |
| 1.3 灰度矩阵的相对归一化处理 |
| 2 矩阵检索的实现 |
| 2.1 相似性处理 |
| 2.2 相似程度的加权处理 |
| 3 结束语 |
（10）基于图像的昆虫识别研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第1章 绪论 |
| 1.1 昆虫识别研究背景及研究意义 |
| 1.2 昆虫识别国内外研究现状 |
| 1.3 课题研究的主要内容 |
| 1.4 论文组织和结构 |
| 第2章 昆虫识别关键技术综述 |
| 2.1 图像分割 |
| 2.2 特征抽取技术 |
| 2.3 多特征融合概述 |
| 2.4 相关反馈方法 |
| 2.4.1 相关反馈的主要思想 |
| 2.4.2 基于相关反馈的图像检索系统结构 |
| 2.4.3 主要方法 |
| 2.5 相似性度量算法 |
| 2.6 性能评价方法 |
| 2.6.1 CBIR性能评价方法 |
| 2.6.2 基于K近邻分类的昆虫识别 |
| 2.7 本章小结 |
| 第3章 基于区域的昆虫图像分割 |
| 3.1 基于像素的多特征抽取 |
| 3.1.1 像素点纹理特征的抽取 |
| 3.1.2 其它特征的抽取 |
| 3.2 用EM算法实现聚类分析 |
| 3.2.1 EM算法 |
| 3.2.2 昆虫图像区域分割 |
| 3.3 昆虫图像分割算法效果分析 |
| 3.4 本章小结 |
| 第4章 特征抽取 |
| 4.1 颜色特征抽取 |
| 4.1.1 统计直方图 |
| 4.1.2 颜色矩 |
| 4.2 纹理特征抽取 |
| 4.2.1 游程长度 |
| 4.2.2 灰度共生矩阵 |
| 4.3 形状特征抽取 |
| 4.3.1 图像的形状不变矩特征 |
| 4.3.2 用颜色特征进行基于形状的特征抽取 |
| 4.4 结合游程长度和边缘特征提取昆虫图像特征 |
| 4.4.1 综合特征抽取步骤 |
| 4.4.2 结果分析 |
| 4.5 局部特征SIFT抽取 |
| 4.5.1 SIFT特征描述子的具体构造过程 |
| 4.5.2 基于SIFT局部特征的昆虫识别 |
| 4.6 本章小结 |
| 第5章 基于特征融合和相关反馈技术的昆虫图像识别 |
| 5.1 权系数调整的相关反馈 |
| 5.1.1 特征权重相关反馈结构 |
| 5.1.2 特征归一化 |
| 5.1.3 权值调整 |
| 5.1.4 改进的权系数调整相关反馈算法 |
| 5.1.5 算法实现 |
| 5.1.6 相关反馈实验结果 |
| 5.2 基于SVM的相关反馈 |
| 5.2.1 SVM基本原理 |
| 5.2.2 SVM_(active)算法 |
| 5.2.3 算法应用 |
| 5.3 本章小结 |
| 第6章 昆虫识别系统实现 |
| 6.1 系统功能设计 |
| 6.2 系统功能结构 |
| 6.3 系统的实现 |
| 6.3.1 昆虫数据库设计 |
| 6.3.2 系统界面 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文的工作总结 |
| 7.2 未来的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间完成的论文 |
| 参加的科研项目 |
四、基于灰度值相对归一化的图象检索方法（论文参考文献）
- [1]高速宽幅纸机纸病在线诊断关键算法研究[D]. 曲蕴慧. 陕西科技大学, 2021
- [2]服装款式图领型识别与匹配研究[D]. 张艳红. 上海工程技术大学, 2020(04)
- [3]智能视频监控系统中目标跟踪问题的研究[D]. 尹明锋. 南京理工大学, 2020(01)
- [4]基于多特征的图像检索方法研究[D]. 姜雪. 山东理工大学, 2019(03)
- [5]基于图像多特征模式识别的木材分类分选算法研究[D]. 罗微. 东北林业大学, 2019
- [6]面向纹理图像识别的特征提取方法研究[D]. 王军敏. 西北工业大学, 2019(04)
- [7]多样例图像视觉注意建模及视觉显着性应用研究[D]. 万寿红. 中国科学技术大学, 2014(08)
- [8]基于脉冲耦合神经网络的图像处理若干问题研究[D]. 刘勍. 西安电子科技大学, 2011(12)
- [9]基于灰度值相对归一化的图象检索方法[J]. 石跃祥. 系统仿真学报, 2001(S2)
- [10]基于图像的昆虫识别研究与设计[D]. 程小梅. 西北大学, 2008(08)