一、基于差分码的图像特征提取方法研究（论文文献综述）
刘嗣超[1]（2020）在《基于图像语义分割的交通监控视频定位及拼接方法》文中研究表明客观世界是多维度的,其中非常重要的一个维度,就是时间维度,在智慧城市中能体现时间维度是实时数据,包括互联网实时感知数据和物联网实时探测数据等。没有实时数据的支撑,在此基础上做出的决策往往科学性、实时性不足,导致决策不能有效指导实际生活工作。交通监控视频是智慧城市数据中重要的动态实时数据,通过对交通监控视频进行定位和拼接,使其在三维GIS平台中进行客观世界的动态还原,具有重要的应用和研究意义。交通监控视频的定位,其本质上对视频图像进行地理坐标的添加,在融入三维GIS场景中是关键环节。传统的视频影像映射模型多要求摄像设备本身兼具定位功能,如带有GPS、陀螺仪等,对于交通监控视频这类不具备定位设备的数据应用受限;视频拼接是图像拼接的外延,在场景监控、目标识别等应用中发挥着重要作用。传统视频拼接算法多要求视频间具有较大重叠区域且特征点匹配过程中只顾及图像几何特征,当处理交通监控视频时,会因不同摄像头之间重叠区域极小或主光轴之间夹角较大而导致无法拼接或图像变形较大。为解决这两个问题,本文研究了数字正射影像数据和深度学习语义分割理论,利用正射影像每个像素都具有位置信息,并且覆盖范围广的特点,在研究正射影像的搜索理论、深度学习语义分割理论和SIFT特征提取及匹配理论的基础上,提出一种基于图像语义分割的交通监控视频定位及拼接方法。首先,利用边缘角度二阶差分直方图算法自动识别多视频交汇区域的正射影像,并将其作为拼接背景图像;然后,基于全卷积神经网络和BP神经网络组成的多特征语义分割方法对正射影像和视频图像进行语义分割,提取图像中的交通专题语义;接下来,以交通专题语义作为约束进行特征点匹配,将各个交通监控视频匹配至背景正射影像,实现监控区域视频拼接的同时完成定位。采用山东省某市实际视频数据进行实验验证,结果表明对于重叠区域较小的监控视频,本文方法可获得较好地拼接图像,同时可有效提高特征点匹配的准确度,较好的完成定位任务。本文主要进行了以下工作:（1）研究基于边缘角度二阶差分直方图的正射影像搜索方法,总结出适用于检索交通交通监控视频对应区域的正射影像位置搜索方法。（2）研究基于BP神经网络和全卷积神经网络的图像语义分割方法,改进一种多特征深度学习的视频图像语义分割框架,并结合交通监控视频特点确定了适用于该视频的多特征深度学习语义图像分割方法。（3）研究结合视频图像语义的SIFT特征匹配的相似性测度,利用图像语义和SIFT特征联合进行特征点匹配,优化交通监控视频和正射影像进行特征点匹配的精度。（4）为了验证本文方法的有效性和合理性,利用山东省临沂市部分交通监控视频和正射影像等实际数据进行定位和拼接实验,设计了语义分割精度验证实验、特征点匹配可靠性验证实验和视频定位和拼接结果有效性验证实验,并与传统方法进行了对比。
梅登奎[2]（2020）在《GNSS电离层精确建模及其应用研究》文中研究指明太阳或地磁活动爆发造成的电离层空间天气效应是当前空间物理和空间大地测量等领域的研究热点,通过对电离层空间环境进行系统观测、理论研究与模型构建,对于促进电离层物理理论发展、保护人类生存环境、保障无线电通讯和提高全球定位导航系统精度具有重要的意义。近年来,全球导航卫星系统（Global Navigation Satellite System,缩写为GNSS）逐渐成为电离层高动态监测的重要技术手段,本文基于GNSS技术,围绕电离层二维/三维建模展开研究:（1）差分码偏差是精确提取电离层延迟量时必须剔除的系统误差,本文以我国BDS（BeiDou Navigation Satellite System）卫星差分码偏差为例,研究了不同太阳活动状态下BDS卫星差分码偏差产品的稳定性差异;针对MGEX（Multi-GNSS Experiment）发布的卫星差分码偏差产品可能存在数据缺失和发布延迟等不足,采用自回归移动平均时间序列预测模型,实现了 BDS卫星差分码偏差产品短期预报,其预测结果与MGEX发布值具有较好的一致性,满足了用户对差分码偏差产品的及时性需求,弥补了差分码偏差产品的异常缺失,保证数据完整性。（2）利用国际GNSS服务组织（International GNSS Service,缩写为IGS）发布的全球电离层格网模型（Global Ionospheric Map,缩写为GIM）,监测了强磁暴期间中国中低纬度地区上空电离层TEC（Total Electron Content）水平扰动特性,初步探讨了可能触发电离层扰动的物理机制。由于我国境内IGS测站数较少,IGSGIM产品时空分辨率低,精度受限,本文利用湖南省 CORS（Continuously Operating Reference Stations）实测数据,建立湖南区域电离层TEC模型,时空分辨率明显提高,提升了电离层暴时扰动变化监测能力。另外,分析了磁暴发生期间我国中低纬地区电离层不规则体事件及其纬度差异。（3）由于电离层层析系统的不适定性,电离层电子密度层析解不唯一或者不稳定。针对此问题,本文提出一种电离层层析重构的三步改进算法。首先,改进传统乘法代数重构算法迭代公式,加快层析迭代收敛速度;其次,施加合理的水平和垂直约束条件,有效改善电离层层析系统的不适定性;最后,在垂直高度向采用不等间距格网划分方法。模拟实验和实测数据证明了改进算法可以有效提高电子密度层析重构质量。（4）电离层层析约束条件一般未顾及每一轮迭代结束后电子密度值的变化,在整个层析迭代过程中约束方程系数保持不变,不尽合理。本文进一步提出自适应约束电离层层析重构新算法,该算法顾及上一轮迭代结束后的电子密度变化,重新计算水平方向上高斯距离加权函数的权系数和垂直剖面上相邻像素的电子密度比值,实现自适应调整各水平和垂直约束方程系数,有效提高了迭代收敛速度和反演精度。利用新算法重构了湖南区域电离层电子密度三维分布,分析了电离层电子密度在经度、纬度和高度向上的暴时扰动变化,得到大量有益的实验结果。
穆天红[3]（2020）在《基于人工智能的古陶瓷器型和纹饰图像特征识别研究》文中研究指明古陶瓷是历史发展过程中科技水平、艺术风格、文化元素等的综合反映,尤其中国古陶瓷,通过精湛的工艺技术与丰富的器型和纹饰特征,淋漓尽致地展现了中国传统文化的精髓,具有重要的历史、艺术与科学研究价值,也具有收藏和投资等价值。现今,文物的真伪鉴别正在遭遇前所未有的信任危机,并且现有的古陶瓷“目鉴”和“科鉴”方法都存在着某种局限与偏差。由于因地制宜的原料选择,不同的成型和装饰工艺,以及烧成温度等的不同,造就了丰富的器型和纹饰图像特征。对“目鉴”中存在器型、纹饰特征不可量化描述,鉴定结论过于依赖主观的问题,本研究中通过机器对古陶瓷器型、纹饰和铭文款识三个主要视觉特征进行提取、量化和识别,探讨机器替代专家进行古陶瓷无损智能识别的思路和实现方法。具体研究结果如下:（1）古陶瓷的图像特征与具体原料选择和工艺技术密切相关,完整获取古陶瓷的图像特征是实现古陶瓷图像特征识别的前提。由于区域生长古陶瓷图像特征提取方法提取的质量与背景像素密切相关,且不具备可泛化性。本文提出了一种基于深度学习提取方法,以EasyDL为深度学习支撑平台,对耀州窑、青花瓷和越窑5834张272类古陶瓷图像经过手动标记和训练学习后进行提取验证,结果显示平均完整提取率高于99%。对深度学习方法的实现进行总结并与传统区域生长提取方法进行对比,结果表明该方法随着学习量增加提取质量呈鲁棒性变化,具备可泛化性,是一种有效实现古陶瓷完整图像特征提取的新方法。（2）由于古陶瓷原料和工艺的不同,造就了丰富的器型特征。为实现多类型器型图像特征的识别,本文提出了一种由二值化（大津二值化）、形态学处理（腐蚀、膨胀、分水岭）的古陶瓷器型特征提取、八链码特征一致性检测、相似性检测的古陶瓷器型图像特征提取与识别方法。对梅瓶和胆瓶进行器型特征提取和识别验证,识别率分别为97.12%和98.36%;对青花瓷、耀州窑、越窑三个类型选取26个器型图像特征批量提取和识别验证,其中24个器型的平均识别率高于90%,2个由于器型特征复杂和图像质量问题无法提取和识别。验证结果显示该方法是一种有效实现古陶瓷器型图像特征提取和识别的新方法。（3）由于釉料选择、微量元素含量、装饰和烧成工艺的不同导致了古陶瓷纹饰图像特征的复杂化,且其中含有丰富的颜色和纹理特征并在机器和人类视觉下的呈现出多种特征规律。为实现古陶瓷纹饰图像特征识别,本文提出了一种将灰度共生矩阵（机器视觉）和Tamura纹理（人类视觉）特征融合,平均欧式距离为识别结果;颜色直方图（机器视觉）和HSV颜色空间（人类视觉）特征融合,平均相似度为识别结果的多维特征融合古陶瓷纹饰图像特征量化识别方法。对耀州窑和越窑青瓷、粉彩、珐琅彩等4个纹饰图像特征增加20%椒盐噪声和部分缺失后进行识别验证,结果显示增加20%椒盐噪声后纹饰颜色特征中HSV特征和颜色直方图特征变化明显,平均识别率低于80%;纹理特征中灰度共生矩阵和Tamura纹理特征向量间的欧式距离变化较大。随机部分缺失后颜色特征中HSV空间和颜色直方图的变化较小,平均识别率高于90%;纹理特征中灰度共生矩阵和Tamura纹理特征向量间的欧式距离变化较小。结果表明该方法能够有效实现不同年代、窑口古陶瓷纹饰图像特征的量化识别。（4）古陶瓷铭文款识视觉特征与原料选择、元素含量和装饰工艺等密切相关,由于科技进步的原因产生了丰富的铭文款识类型。为有效识别铭文款识图像特征,本文提出了基于深度学习（无监督学习）的铭文款识图像特征分类识别方法。以EasyDL平台为支撑对明清两代官窑铭文款识图像特征进行局部增强后训练学习,并对训练结果进行验证。540张12类“大明宣德年制（制）”与1200张20类明清两代铭文款识特征分类识别中,识别率均最高接近100%,最低高于97%,平均高于99%。结果表明该方法能够有效且全面的识别古陶瓷铭文款识图像特征。（5）古陶瓷是一类特殊的材料产品（作品）,根据其原料选择、工艺不同等产生了多样化的图像特征,为实现古陶瓷图像特征的识别以古陶瓷整体图像特征提取、器型特征提取与识别、多维特征融合纹饰图像特征量化识别和基于深度学习铭文款识图像特征分类识别方法实现为基础;以三层B/S架构web应用系统、跨平台系统语言调用为架构支撑;以数据库服务、深度学习封装、数字图像处理第三方调用为具体实现方式;并提出了服务层融合和再学习机制,初步实现了古陶瓷器型和纹饰图像特征智能识别系统。验证测试后结果符合预期,验证了古陶瓷器型和纹饰图像特征识别系统的有效性。
徐丹丹[4]（2019）在《基于GNSS的电离层层析及日变化分析》文中认为随着全球卫星导航定位系统（Global Navigation Satellite System,GNSS）的逐渐成熟,GNSS技术在各个行业的应用越来越广泛,其中,GNSS技术在电离层研究领域的应用已经成为日地空间环境研究的热点。电离层中电子含量变化情况、电子密度的分布以及时空变化特征对于电离层探测技术的发展和应用有着至关重要的作用,因此准确获取这些参数以及参数的变化情况,对电离层的扰动或电离层异常现象的研究和监测有着非常实用的价值。电离层层析技术于1988年首次提出,近三十年得到了快速发展。虽然电离层相关研究有了一定的进展,但由于电离层中电子含量和电子密度分布的复杂性,对电离层层析技术的研究仍处于初级阶段。迄今为止,仍没有理想的层析反演模型反映电离层电子密度的真实分布状态,电离层电子密度的反演精度也有待进一步提高。因此,本文在诸多学者的研究基础上,针对电离层层析问题展开,引入CORS系统数据,采用电离层单模型（TEC/VTEC函数模型）提取穿刺点处TEC/VTEC,并利用乘法代数重构算法重构区域电子密度,进而基于层析结果对2010年11月19日江苏上空区域电离层时空变化特性进行分析。本文主要内容如下:（1）概述电离层研究的发展历史和发展现状,对电离层探测技术的主要方法进行分析。（2）针对电离层电子含量反演问题,在分析影响电子含量反演精度因素的基础上,给出了基于GNSS的TEC/VTEC模型,并在TEC提取过程中重点分析了码偏差的产生以及对电子含量估计影响。最后,依据江苏CORS观测数据,采用电离层单层模型（TEC/VTEC模型）提取穿刺点处的TEC/VTEC值,实验结果表明本文方法具有一定可靠性。（3）针对电离层层析问题,在TEC提取的基础上采用乘法代数重构算法（MART）重构区域上空电离层电子密度,并与国际电离层参考模型（IRI2012）进行对比分析,结果表明采用本文方法得到的区域重构精度较IRI2012模型提高了 73%。（4）采用2010年11月19日江苏CORS系统观测数据提取区域上空电离层电子总含量TEC,并对该区域电子密度进行重构,在此基础上,对该区域电离层的日变化情况进行分析和总结。
章亚书[5]（2019）在《不规则边缘图形的快速拼接匹配算法研究》文中研究表明本文主要研究了不规则边缘图形的快速拼接匹配算法。传统的边缘图形的快速拼接匹配算法通常采用的是Freeman码或者基于形态学的算法,Freeman在图像的边缘表示上可以简化边缘描述,将边缘特征转换为数字字符进行描述,但Freeman码在图形轮廓表示上有冗余、旋转适应性及模糊边界上处理能力不足。形态学算法能较快速实现边缘图形的拼接匹配,但形态学算法在边缘图形上对跳跃点、噪声点极为敏感,对边缘图形质量要求较高。本文结合边缘编码及图形形态学算法的边缘描述方法,提出了一种基于圆盘模型下的极坐标边缘编码方法,该方法通过获取图形信息建立圆盘模型,利用模型边界相对的位置信息获取图形的描述信息。利用图形的描述信息完成对角点、切点、拐点、端点、断点、直线标识点及曲线标识点七类特征点的获取,完成两类编码点的检测及分类,最后增加比例尺特征,增加图形还原能力,根据不同的计算要求对七类或者八类特征进行边缘编码。新模型下的编码方法因对可编码点进行了分类,保留了必要特征点,删除了不必要的冗余干扰点,减少了码长,又以特征点的组合近似描述标识了图形形态,从而克服了上述方法的缺点。所做主要工作包含以下四个方面:（1）建立基于圆盘模型下极坐标的编码模型。对原图像进行高质量边缘轮廓图的获取,得到目标图形轮廓的最大欧式距离,作为圆盘模型的直径建立圆盘模型,并将图形边界像素点坐标转换到极坐标系下。利用圆盘模型的特点能快速确定图形特征的直线与曲线标识点。极坐标相对于其他坐标系而言,极坐标系对形变的敏感度较低,利于识别空间目标,且在直线标识点及曲线标识点上计算更加便捷。（2）七类特征点构建两类编码点并进行编码。七类特征类包含角点、切点、拐点、端点、断点、直线标识点及曲线标识点,能较好完成对图形轮廓的边界描述,两类编码点即特征像素点和极大编码长度端点,按照建立的编码原则完成初始编码,获得原码。（3）快速拼接匹配算法建立及验证。为克服原始编码对编码点选择敏感及旋转易变的缺点,利用归一化差分计算及补码计算,得到归一化差分码及补码后,建立归一化差分码与补码空间对应的子码空间,利用子码空间的映射从而完成快速拼接匹配计算。（4）算法评价标准的选择。拼接匹配类算法评价标准较多,图形快速拼接匹配算法评价标准除了拼接匹配速度外,还应考虑算法的适应性及误差率。本文选取压缩比、误差率及拼接匹配速率综合评价链码类算法,并给出了在链码类算法中的推导过程。
翁政魁[6]（2019）在《基于机器学习视觉目标分类识别方法研究》文中指出随着计算机技术的不断发展以及人们公共安全意识的日益加深,机器视觉目标分类识别在图像与视频分析方面受到广泛关注,其智能化要求越来越受到人们重视。论文在广泛阅读与调研国内外相关研究的基础上,针对目前机器学习视觉目标分类识别存在的相关问题与不足,对视觉目标分类、运动目标表征与识别以及视频行为预测等方面开展了深入研究。论文主要特色与贡献体现在如下方面:提出了一种基于机器学习的古陶瓷无损分类识别方法。采用差分链码获取古陶瓷旋转、平移不变特征,在此基础上,确定古陶瓷边缘轮廓曲率,获取结构细节特征,并在HSI颜色空间下提取古陶瓷釉色多通道颜色特征以及反映古陶瓷纹理多样性的纹饰LBP特征。综合上述视觉特征对不同时期古陶瓷进行断代分析。实验结果表明,所提方法具有鲁棒的无损分类识别性能,可为古陶瓷科技鉴定和数字博物馆建设发挥积极作用。提出了一种基于边缘时空域轨迹的视频运动目标表征方法。为有效描述不同运动模式下视觉行为的演化过程,将具有类似时空和运动特征的各种边缘轨迹视为一组骨架,同时引入基于幅度和方向信息的编码方法对这些运动边缘轨迹进行聚类,获取时空运动骨架描述子,从而充分考虑时空轨迹对之间的运动相似性。实验结果表明,所提方法可有效表征与识别无约束条件下的视频运动行为。提出了一种用于表征长期依赖关系的叠层轨迹能量图像方法。针对全局卷积运算忽略运动目标对象的尺度或空间位置的不足,采用基于轨迹感知的分层卷积策略,将待分类视频帧分解为完整视频块、前景目标块以及精细运动块三个层次,从多个层次上对运动目标的行为进行表征,同时,将多个连续帧的轨迹映射到一幅图像上构造叠层轨迹能量图像,从而有效描述视频长期运动特征。实验结果表明,所提方法保留并丰富了运动对象的时空信息,有助于提升运动目标识别的准确性。提出了一种基于轨迹感知的多模态卷积神经网络模型。在空间卷积神经网络和时间卷积神经网络的基础上,增加全局运动卷积神经网络分别提取静态、动态和全局运动视频行为特征,通过对三模态卷积特征进行聚合连接形成视频级的基于轨迹感知多模态运动目标行为描述子。在此基础上,采用线性支持向量机对多模态卷积行为描述子进行分类识别。实验结果表明,所提多模态卷积神经网络模型能够有效识别视频人体行为,相比单一模态网络具有更高的识别准确率。提出了一种基于边界先验的前景运动目标动态增强方法。将每个输入视频帧被分割成为超级像素块集合,在每帧图像中构造一个无向加权网络,同时分别计算每个视频帧的动-静态边缘显着图,并将测地距离定义为该无向加权网络中两个超像素之间的累积加权最短路径。考虑到前景运动目标往往被具有高运动显着性的超像素包围,通过计算每个超像素块到图形边界的最短测地距离定义超像素块的运动显着性概率。引入动态对比度分割策略,获得精确的运动区域,实现视频运动目标区域的鲁棒采样。提出了一种基于注意力时间编码网络视频行为预测方法。采用基于长短时记忆网络的注意力时间编码网络模型,基于可学习权重因子加权长短时记忆网络,使输出特征更侧重于采样得到语义关键帧,在抑制视频时间冗余性的同时,对长时序视频序列进行建模。实验结果表明,所提方法不仅可在视频早期对目标行为进行预测,而且可以有效提升完整行为的预测效果。
李森浩[7]（2019）在《基于特征融合的小型水域漂浮物识别方法研究与实现》文中提出在河道、湖泊、水库等水域中,漂浮着各种生产、生活垃圾,严重破坏了水体生态环境。为了保证水域的清洁,清理水面漂浮物至关重要。当前水面漂浮物清理主要采用人工作业的方式,存在人力和物力成本较高的问题。为解决传统的人工清理模式效率低下的问题,有必要对漂浮物进行智能清理,而在智能清理过程中自主识别漂浮物尤为重要。为此,本文提出了一种水面漂浮物识别方法,对环保领域具有十分重要的工程应用价值。水面漂浮物识别方法主要分为三个步骤:水面图像预处理、水面漂浮物特征提取和模式识别分类。本文研究的重点和难点是图像预处理和建立有效的目标特征模型。为了解决图像预处理阶段存在的水面环境复杂所造成的前景目标难以分割的问题,提出了基于背景先验图像显着性分割方法。首先,通过中值滤波加锐化滤波对图像进行去噪处理;其次,采用改进的混合高斯背景建模法建立水面背景模型;然后,根据先验背景模型提取图像显着性区域得到显着性灰度图像;最后,利用改进的最大类间方差法分割前景目标区域得到二值图像,并用显着性灰度图像对二值图像进行二次分割。针对目标特征建模问题,提出了颜色特征模型、边缘及区域特征模型相结合的方法。采用颜色矩和目标与背景区域的颜色差异性来构建颜色特征模型;通过目标图像的紧凑性、外观比、凹凸性和不变矩来构建目标的区域特征模型;利用链码差分特征和边界到目标边缘距离的二阶差分特征来构建边缘轮廓特征模型。针对特征识别问题,提出采用支持向量机识别目标特征,判断该目标是否为漂浮物。实验结果表明,本文所提的基于背景先验图像显着性分割方法可以有效突出前景目标区域并分割出前景目标,所提出的特征模型识别漂浮物目标的成功率能达到82%。
秦淑芳[8]（2019）在《基于图像处理技术的甘蓝型油菜的虫害程度检测》文中进行了进一步梳理在我国甘蓝型油菜种植面积广,籽粒产量高,是重要的油料作物,但虫害会严重影响其生长,减少作物产量,精准农药喷洒技术可高效的防治病虫害。传统的作物虫害检测方法费时费力,精准度差,难以满足当前对高效快速检测的要求。本文采用图像处理技术,从图像分割、特征提取、分类模型设计的角度,研究了甘蓝型油菜叶片图像虫害程度的检测方法。论文重点研究了以下的内容:（1）由于室外采集的图片容易受光照、外界环境的影响,本文采用彩色空间模型的方法分割图像:分别用不同的空间模型来表示彩色图像,得到各空间模型中最能突出叶片区域的颜色分量,选择合适的分量进行叠加,得到叶片区域最明显的灰度图像,从而进行阈值分割。分析对比采用该方法与Otsu算法的分割结果,主要分析两种方法的分割效果和误差率,结果发现基于彩色空间模型的分割方法分割效果更好,误差率<2.4%,平均误差率达到0.611%。最后对分割后的图像进行二值化与去噪处理,得到只保留叶片区域的二值图像。（2）针对甘蓝型油菜叶片图像的虫害程度检测,提取了8个特征参数:虫孔面积、虫孔填充前叶片的占有度、偏心率和圆形度,虫孔填充后叶片的占有度、偏心率和圆形度、完整度,并基于MATLAB GUI平台设计了一个甘蓝型油菜叶片特征值提取系统,然后对所有叶片图像进行处理。基于所有叶片图像的特征值,经过特征的选择与组合,得到虫孔面积、占有度差值、完整度这三项对于虫害程度检测有效的特征。（3）考虑到样本数据较多,特征之间相互联系,且为多分类问题,本文设计了一个甘蓝型油菜叶片图像虫害程度的BP神经网络分类模型,其中隐含层为一层,神经元个数为8个。实验结果显示,该模型在训练样本上均方误差达到0.0357,测试样本分类误差的均方差为0.177905,分类正确率达到97.142857%。
黄威[9]（2019）在《基于LBPC和LCPC特征的离线签名鉴别方法研究》文中研究指明离线签名一直作为传统身份认证方式被广泛使用。对于签名的真伪性鉴别,目前主要还是采取人工鉴定的办法,效率低下。利用计算机实现离线签名的真伪鉴别具有广泛的应用需求和理论研究意义。LBP特征能够反映签名笔迹的纹理特征,但缺乏对签名轮廓的几何特性的描述。本文提出基于轮廓处局部二值模式（LBPC）特征和局部轮廓模式共生（LCPC）特征的离线签名鉴别方法,完成的主要工作内容如下:（1）为提升签名图像LBP特征的有效性,将LBP特征与轮廓特征结合。分析签名的LBP图像,发现离线签名背景点占比很高,且LBP模式都相同。另外,签名图像的LBP纹理变化主要集中在其轮廓处,提出签名图像的LBPC特征。为提取局部位置的信息,还将LBPC特征与网格特征进行了融合。（2）在分析传统轮廓方向特征描述的基础上,提出基于LCPC的直方图特征。传统轮廓方向链码特征只统计连续三个像素点的所有变化,其在描述笔画习惯存在局限性。本文对基本轮廓模式进行分析,并引入了模式共生的概念,提出了LCPC统计直方图特征。同样为提取局部位置信息,将LCPC特征与网格特征进行了融合。（3）分别采用两种公开离线签名数据库以验证本文所提出的LBPC和LCPC特征的有效性。LBPC特征在MCYT-75和GPDS-160数据集上测试,使用基于卡方距离判别方法时分别取得的等误率为13.49%和11.31%;使用基于SVM分类器的方法时分别取得的平均错误率为13.73%和15.3%。另外,LCPC特征在MCYT-75和GPDS-160数据集上测试,使用基于卡方距离判别方法时分别取得的等误率为11.66%和9.89%;使用基于SVM分类器的方法时分别取得的平均错误率为11.59%和13.58%。最后,考虑这两种轮廓特征的互补性,将这两种特征进行融合,进一步提升系统的性能。
刘嗣超,李成名,孙林[10]（2019）在《基于边缘角度二阶差分直方图的城市遥感图像检索方法》文中指出针对目前存在的遥感图像检索方法中,图像区域分割困难,不易准确提取局部形状特征的问题,提出一种无需进行区域分割的全局形状特征,即基于Freeman差分码思想的边缘角度二阶差分直方图特征;通过检索特征和传统的基于边缘角度直方图特征的遥感图像检索对比实验,揭示了该遥感图像检索方法具有更好的检索性能,检索精度提高了约32%。
二、基于差分码的图像特征提取方法研究（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、基于差分码的图像特征提取方法研究（论文提纲范文）
（1）基于图像语义分割的交通监控视频定位及拼接方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 绪论 |
| 1.1. 研究背景与意义 |
| 1.2. 国内外研究现状 |
| 1.3. 主要研究内容和创新点 |
| 1.4. 研究技术路线 |
| 1.5. 本文组织结构 |
| 2. 正射影像位置搜索 |
| 2.1. 图像搜索基本概念 |
| 2.2. 基于边缘角度二阶差分直方图的图像搜索方法 |
| 2.3. 交通监控视频对应正射影像位置搜索方法 |
| 2.4. 本章小结 |
| 3. 基于深度学习的视频图像语义分割 |
| 3.1. 深度学习语义分割基本概念 |
| 3.2. 深度学习语义分割方法 |
| 3.3. 多特征深度学习语义分割框架 |
| 3.4. 交通监控视频的深度学习语义分割方法 |
| 3.5. 本章小结 |
| 4. 特征点提取及基于语义分割的特征匹配拼接 |
| 4.1. 尺度不变特征(SIFT) |
| 4.2. 相似性测度 |
| 4.3. 基于语义分割的交通监控视频特征匹配与拼接方法 |
| 4.4. 本章小结 |
| 5. 实验验证与分析 |
| 5.1. 实验数据与实验环境 |
| 5.2. 语义分割准确度验证 |
| 5.3. 特征点匹配结果可靠性验证 |
| 5.4. 视频拼接结果有效性验证 |
| 5.5. 本章小结 |
| 6. 总结与展望 |
| 6.1. 本文总结 |
| 6.2. 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的学术成果 |
| 学位论文数据集 |
（2）GNSS电离层精确建模及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究发展与现状 |
| 1.2.1 电离层二维TEC建模研究进展 |
| 1.2.2 电离层电子密度三维层析反演研究进展 |
| 1.3 主要研究内容与章节安排 |
| 1.4 本章小结 |
| 第二章 基于GNSS的电离层建模基本原理 |
| 2.1 电离层基本特性 |
| 2.1.1 电离层时空变化特性 |
| 2.1.2 电离层对GNSS信号的影响 |
| 2.1.3 太阳和地磁活动对电离层的影响 |
| 2.2 电离层TEC提取方法 |
| 2.2.1 差分码偏差精确处理方法 |
| 2.2.2 载波相位平滑伪距法提取电离层STEC |
| 2.3 电离层二维TEC建模原理 |
| 2.3.1 电离层薄层假设与投影函数 |
| 2.3.2 电离层二维建模数学模型 |
| 2.4 电离层电子密度三维层析反演原理 |
| 2.4.1 电离层层析模型 |
| 2.4.2 电离层层析算法 |
| 2.5 本章小结 |
| 第三章 强磁暴期区域电离层TEC建模与扰动监测 |
| 3.1 引言 |
| 3.2 差分码偏差稳定性分析及其短期预报 |
| 3.2.1 数据处理方法 |
| 3.2.2 实验结果与分析 |
| 3.3 中国中低纬度电离层TEC扰动分析 |
| 3.3.1 利用IGS全球电离层格网产品监测电离层TEC扰动 |
| 3.3.2 电离层TEC扰动机制探讨 |
| 3.4 中国中低纬度不规则体结构监测 |
| 3.4.1 数据处理方法 |
| 3.4.2 实验结果与分析 |
| 3.5 湖南区域电离层TEC建模及其扰动监测与分析 |
| 3.5.1 实测TEC与IGS-TEC的比较 |
| 3.5.2 强磁暴期间湖南区域上空电离层TEC扰动变化分布 |
| 3.6 本章小结 |
| 第四章 一种电离层层析重构的三步改进算法 |
| 4.1 引言 |
| 4.2 三步改进算法基本原理 |
| 4.3 改进算法的数值模拟实验 |
| 4.4 改进算法的实测数据验证 |
| 4.4.1 层析重构电子密度剖面与测高仪实测数据对比 |
| 4.4.2 电子密度随经纬度和高度的变化分布分析 |
| 4.5 本章小结 |
| 第五章 自适应约束电离层层析重构新算法 |
| 5.1 引言 |
| 5.2 新算法的基本原理 |
| 5.3 新算法的数值模拟实验 |
| 5.4 新算法的实测数据验证 |
| 5.4.1 磁静期电离层电子密度反演结果 |
| 5.4.2 强磁暴期电离层电子密度反演结果 |
| 5.5 本章小结 |
| 总结与展望 |
| 一、研究总结 |
| 二、未来工作展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录A. 已发表论文 |
| 附录B. 主要参与的科研项目 |
| 附录C. 已获奖励 |
（3）基于人工智能的古陶瓷器型和纹饰图像特征识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 引言 |
| 1.2 课题背景及意义 |
| 1.2.1 古陶瓷识别的意义 |
| 1.2.2 古陶瓷识别的主要方法 |
| 1.2.3 人工智能技术与古陶瓷识别 |
| 1.2.4 本研究的目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 文物智能识别 |
| 1.3.2 古陶瓷信息采集 |
| 1.3.3 人工智能行业应用 |
| 1.3.4 古陶瓷科技鉴定 |
| 1.3.5 古陶瓷信息采集与识别技术发展方向 |
| 1.4 主要研究内容与结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线与创新点 |
| 1.4.3 论文结构安排 |
| 2 古陶瓷整体图像特征提取 |
| 2.1 引言 |
| 2.2 古陶瓷工艺与图像特征 |
| 2.2.1 原料选择 |
| 2.2.2 处理工艺 |
| 2.2.3 主要元素成分 |
| 2.2.4 烧成 |
| 2.3 古陶瓷图像特征提取方法 |
| 2.3.1 古陶瓷图像背景像素问题 |
| 2.3.2 区域生长提取方法 |
| 2.3.3 基于深度学习的提取方法 |
| 2.4 基于深度学习古陶瓷图像特征提取验证 |
| 2.4.1 耀州窑和青花瓷验证 |
| 2.4.2 越窑验证 |
| 2.4.3 低提取率验证 |
| 2.4.4 数据集验证 |
| 2.4.5 验证结果分析 |
| 2.5 区域生长与深度学习提取方法对比分析 |
| 2.6 本章小结 |
| 3 古陶瓷器型图像特征提取与识别 |
| 3.1 引言 |
| 3.2 古陶瓷器型图像特征提取与识别方法 |
| 3.2.1 古陶瓷器型图像特征提取方法 |
| 3.2.2 古陶瓷器型图像特征识别方法 |
| 3.3 古陶瓷器型图像特征提取与识别验证 |
| 3.3.1 梅瓶器型提取与识别 |
| 3.3.2 胆瓶器型提取与识别 |
| 3.3.3 数据集验证 |
| 3.3.4 古陶瓷器型图像特征提取与识别方法总结 |
| 3.4 本章小结 |
| 4 古陶瓷纹图像特征识别 |
| 4.1 引言 |
| 4.2 古陶瓷物理化学性能与纹饰图像特征 |
| 4.2.1 样品表征 |
| 4.2.2 样本 |
| 4.2.3 测试结果分析 |
| 4.3 古陶瓷纹饰图像特征量化识别方法 |
| 4.3.1 古陶瓷纹饰图像特征识别方法 |
| 4.3.2 古陶瓷纹饰图像特征量化方法 |
| 4.4 古陶瓷纹饰图像特征量化识别验证 |
| 4.4.1 耀州窑青瓷(椒盐噪声) |
| 4.4.2 越窑青瓷(部分缺失) |
| 4.4.3 粉彩梅花纹尊(椒盐噪声) |
| 4.4.4 康熙款画法郎玉堂富贵直口瓶(部分缺失) |
| 4.4.5 多维特征融合古陶瓷纹饰图像特征量化识别方法总结 |
| 4.5 本章小结 |
| 5 古陶瓷铭文款识图像特征识别 |
| 5.1 引言 |
| 5.2 古陶瓷铭文款识图像特征识别方法 |
| 5.2.1 铭文款识图像特征分割识别 |
| 5.2.2 铭文款识图像特征整体识别 |
| 5.2.3 基于深度学习的铭文款识图像特征整体识别 |
| 5.3 基于深度学习的古陶瓷铭文款识图像特征识别验证 |
| 5.3.1 同一类型验证 |
| 5.3.2 不同类型验证 |
| 5.3.3 基于深度学习的铭文款识图像特征识别方法总结与讨论 |
| 5.4 本章小结 |
| 6 古陶瓷器型和纹饰图像特征识别系统 |
| 6.1 引言 |
| 6.2 系统需求分析 |
| 6.2.1 系统逻辑功能 |
| 6.3 系统设计 |
| 6.3.1 系统架构 |
| 6.3.2 系统主要功能 |
| 6.3.3 系统模块划分 |
| 6.3.4 系统数据库设计 |
| 6.3.5 系统服务层设计 |
| 6.3.6 系统关键技术 |
| 6.4 系统应用测试 |
| 6.5 本章小结 |
| 7 结论 |
| 附录 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文目录 |
（4）基于GNSS的电离层层析及日变化分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 电离层探测技术发展历史 |
| 1.3 电离层层析方法研究现状 |
| 1.3.1 电离层层析算法研究现状 |
| 1.3.2 电离函数模型研究现状 |
| 1.4 研究主要内容及章节安排 |
| 2 电离层概述 |
| 2.1 电离层形成与结构 |
| 2.1.1 电离层原理 |
| 2.1.2 电离层分层结构 |
| 2.2 无线电波在电离层中的传播特性 |
| 2.3 电离层扰动 |
| 2.4 电离层探测方法 |
| 3 基于GNSS观测值提取TEC/VTEC及精度分析 |
| 3.1 基于GNSS观测数据提取TEC |
| 3.1.1 GNSS观测方程 |
| 3.1.2 基于GNSS观测值提取TEC方法 |
| 3.1.3 电离层单层模型 |
| 3.2 GNSS观测值码偏差估计及精度分析 |
| 3.2.1 差分码偏差估计模型[75] |
| 3.2.2 实验分析 |
| 3.2.3 结论 |
| 3.3 基于GNSS双频观测值提取TEC/VTEC误差分析 |
| 3.3.1 TEC/VTEC误差分析方法 |
| 3.3.2 TEC/VTEC精度分析 |
| 3.4 本章小结 |
| 4 基于GNSS的电离层层析模型 |
| 4.1 像素基函数模型 |
| 4.2 电离层层析过程及实现 |
| 4.2.1 格网的划分 |
| 4.2.2 反演区域电子密度初值的提取 |
| 4.2.3 层析方程的建立 |
| 4.3 电离层层析基本算法 |
| 4.3.1 加法代数重构算法 |
| 4.3.2 乘法代数重构算法 |
| 4.3.3 同时迭代重构算法 |
| 4.3.4 非迭代重构算法 |
| 4.4 区域电离层层析结果及精度分析 |
| 4.5 本章小结 |
| 5 基于CORS系统层析结果的电离层日变化分析 |
| 5.1 电离层日变化规律分析 |
| 5.2 本章小结 |
| 6 总结与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）不规则边缘图形的快速拼接匹配算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像拼接技术 |
| 1.2.2 图像匹配技术 |
| 1.2.3 图像边缘编码方法 |
| 1.3 本文研究的主要内容 |
| 第2章 经典快速拼接匹配算法 |
| 2.1 图像特征分类及描述 |
| 2.2 基于形状轮廓的经典算法 |
| 2.2.1 Freeman链码 |
| 2.2.2 Freeman链码的压缩改进码 |
| 2.2.3 矩阵边缘链码 |
| 2.3 基于颜色纹理特征的经典算法 |
| 2.3.1 基于颜色特征的经典算法 |
| 2.3.2 基于纹理特征的经典算法 |
| 2.4 快速拼接匹配算法评价标准 |
| 2.5 本章小结 |
| 第3章 模型建立与求解 |
| 3.1 模型的建立 |
| 3.1.1 模型的建立 |
| 3.1.2 八类特征定义及表示 |
| 3.1.3 两类编码点定义及计算 |
| 3.2 中心极点码求解 |
| 3.2.1 原码及子码空间获取 |
| 3.2.2 图形的快速拼接匹配计算 |
| 3.2.3 图形的压缩还原 |
| 3.3 本章小结 |
| 第4章 中心极点码应用及试验结果分析 |
| 4.1 中心极点码的有效性验证 |
| 4.1.1 中心极点码基本特性理论验证 |
| 4.1.2 比例尺特征结合中心极点码的应用 |
| 4.2 快速拼接 |
| 4.2.1 有基准图的拼接 |
| 4.2.2 无基准图拼接 |
| 4.3 快速匹配 |
| 4.4 算法评价 |
| 4.4.1 压缩比 |
| 4.4.2 误差率 |
| 4.4.3 拼接匹配速率 |
| 4.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得成果 |
| 致谢 |
（6）基于机器学习视觉目标分类识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 视觉目标分类 |
| 1.2.2 运动目标表征与识别 |
| 1.2.3 视频行为预测 |
| 1.3 本论文课题来源、研究内容与主要贡献 |
| 1.4 论文的主要结构安排 |
| 第二章 基于机器视觉学习古陶瓷分类识别 |
| 2.1 概述 |
| 2.2 古陶瓷多元视觉特征提取 |
| 2.2.1 基于差分链码器型外观曲率特征提取 |
| 2.2.2 基于HSI色彩直方图釉色特征提取 |
| 2.2.3 基于局部二值模式纹饰特征提取 |
| 2.3 基于广义回归神经网络古陶瓷多元特征分类 |
| 2.3.1 GRNN网络原理 |
| 2.3.2 多元古陶瓷无损分类网络 |
| 2.4 实验结果及讨论 |
| 2.4.1 实验数据集 |
| 2.4.2 参数选择 |
| 2.4.3 识别鲁棒性讨论 |
| 2.4.4 实验结果及对比 |
| 2.5 本章小结 |
| 第三章 基于边缘时空域轨迹视觉目标运动表征 |
| 3.1 概述 |
| 3.2 时空域特征提取 |
| 3.2.1 边缘点采样 |
| 3.2.2 边缘轨迹构造跟踪 |
| 3.2.3 轨迹裁剪策略 |
| 3.3 时空运动骨架描述子 |
| 3.3.1 时空轨迹描述子 |
| 3.3.2 轨迹结构特征编码 |
| 3.3.3 运动聚类及骨架描述子提取 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验设置 |
| 3.4.3 最优参数选择 |
| 3.4.4 实验结果及对比 |
| 3.5 本章小结 |
| 第四章 基于轨迹感知多模态网络目标行为识别 |
| 4.1 概述 |
| 4.2 长期运动模式的轨迹描述 |
| 4.2.1 运动采样及前景轨迹提取 |
| 4.2.2 叠层轨迹能量图 |
| 4.3 多模态卷积神经网络 |
| 4.3.1 基于轨迹感知的分层卷积策略 |
| 4.3.2 多模态卷积神经网络描述子构造 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据集 |
| 4.4.2 实验设置 |
| 4.4.3 参数选择 |
| 4.4.4 实验结果及对比 |
| 4.5 本章小结 |
| 第五章 基于注意力时间编码网络的视频行为预测 |
| 5.1 概述 |
| 5.2 背景无关运动掩摸 |
| 5.2.1 基于边界先验的运动目标分割 |
| 5.2.2 时空边缘构成 |
| 5.2.3 边界先验显着性估计 |
| 5.2.4 基于BIMM的背景抑制 |
| 5.3 注意力时间编码网络 |
| 5.3.1 长短时记忆网络 |
| 5.3.2 基于ATEN的视频运动目标行为预测 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据集 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果及对比 |
| 5.4.4 实验结果可视化 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者在攻读博士学位期间公开发表的论文 |
| 作者在攻读博士学位期间所作的项目 |
| 作者在攻读博士学位期间所获的奖项 |
| 致谢 |
（7）基于特征融合的小型水域漂浮物识别方法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 水面漂浮物识别的相关技术 |
| 1.3 国内外相关技术研究现状 |
| 1.4 本文研究重点 |
| 1.5 论文组织及结构安排 |
| 第2章 小型水域漂浮物识别方法整体设计 |
| 2.1 引言 |
| 2.2 小型水域漂浮物识别方法的概述 |
| 2.3 小型水域漂浮物识别方法的整体设计 |
| 2.4 本章小结 |
| 第3章 小型水域漂浮物图像预处理 |
| 3.1 引言 |
| 3.2 图像滤波方法的分析与选择 |
| 3.2.1 常见滤波器优缺点对比分析 |
| 3.2.2 图像滤波器的选择 |
| 3.3 基于混合高斯模型的背景建模 |
| 3.3.1 混合高斯背景建模的基本原理及优缺点 |
| 3.3.2 混合高斯建模的改进 |
| 3.4 前景目标图像显着性提取 |
| 3.4.1 图像显着性原理分析介绍 |
| 3.4.2 常见图像显着性算法对比 |
| 3.4.3 基于背景先验的显着性提取算法改进 |
| 3.5 前景图像分割 |
| 3.5.1 常见分割方法实际效果对比 |
| 3.5.2 基于阈值的分割算法实际效果对比分析 |
| 3.5.3 基于图像RGB特征的OTSU算法改进 |
| 3.6 本章小结 |
| 第4章 小型水域漂浮物特征建模与识别 |
| 4.1 引言 |
| 4.2 水面漂浮物颜色特征提取与建模 |
| 4.2.1 常用颜色特征模型分析 |
| 4.2.2 目标区域颜色特征的提取 |
| 4.2.3 目标颜色特征建模及改进 |
| 4.3 水面漂浮物边缘和区域特征提取与建模 |
| 4.3.1 边缘特征模型分析 |
| 4.3.2 区域特征模型分析 |
| 4.3.3 目标边缘及区域特征的提取 |
| 4.3.4 目标边缘和区域特征建模及改进 |
| 4.4 目标特征的识别 |
| 4.5 本章小结 |
| 第5章 小型水域漂浮物方法识别实验验证及分析 |
| 5.1 实验内容 |
| 5.2 实验条件及数据采集 |
| 5.2.1 实验条件 |
| 5.2.2 实验数据采集 |
| 5.3 实验过程及结果 |
| 5.3.1 图像预处理实验及结果分析 |
| 5.3.2 图像特征提取与识别实验及结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（8）基于图像处理技术的甘蓝型油菜的虫害程度检测（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 病虫害检测研究现状 |
| 1.2.2 甘蓝型油菜研究现状 |
| 1.2.3 叶面积测量研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 2 甘蓝型油菜虫害后叶片图像的预处理 |
| 2.1 实验材料及所用软件 |
| 2.1.1 叶片图像采集 |
| 2.1.2 油菜菜青虫危害 |
| 2.2 实验对象的前期处理 |
| 2.3 图像分割 |
| 2.3.1 图像灰度化 |
| 2.3.2 阈值分割技术 |
| 2.3.3 Otsu阈值法 |
| 2.4 彩色图像分割 |
| 2.4.1 RGB模型 |
| 2.4.2 HSV模型 |
| 2.4.3 YIQ模型 |
| 2.4.4 YUV模型 |
| 2.4.5 第一种图像的分割 |
| 2.4.6 第二种图像的分割 |
| 2.5算法对比实验 |
| 2.6 图像二值化与图像去噪 |
| 2.6.1 图像二值化 |
| 2.6.2 图像去噪 |
| 2.7 本章小结 |
| 3 图像特征值的提取与分析 |
| 3.1 轮廓跟踪 |
| 3.1.1 区域的表示方法 |
| 3.1.2 单区域跟踪 |
| 3.1.3 多区域跟踪 |
| 3.1.4 不同类型链码的转换 |
| 3.2 叶片图像中虫孔的识别 |
| 3.2.1 虫孔识别方法 |
| 3.2.2 方法的验证 |
| 3.2.3 甘蓝型油菜叶片的处理 |
| 3.3 叶片图像的填充 |
| 3.4 叶片图像的几何特征 |
| 3.5 特征值提取系统的设计与实现 |
| 3.5.1 系统功能设计 |
| 3.5.2 系统的实现 |
| 3.5.3 软件系统运行界面 |
| 3.6 特征值的分析 |
| 3.7 本章小结 |
| 4 甘蓝型油菜叶片图像虫害程度的分类模型 |
| 4.1 模式识别 |
| 4.2 神经网络 |
| 4.2.1 人工神经网络 |
| 4.2.2 BP神经网络 |
| 4.2.3 BP网络设计的主要参数 |
| 4.3 甘蓝型油菜虫害程度的分类模型设计 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（9）基于LBPC和LCPC特征的离线签名鉴别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 离线签名鉴别研究现状 |
| 1.3 主要研究内容及论文结构 |
| 第2章 离线签名鉴别系统 |
| 2.1 离线签名鉴别系统设计 |
| 2.2 离线签名数据集 |
| 2.3 预处理 |
| 2.4 分类判别 |
| 2.4.1 基于相似度计算的阈值判别法 |
| 2.4.2 支持向量分类器 |
| 2.5 评估标准 |
| 2.6 本章小结 |
| 第3章 基于LBPC特征的签名鉴别方法 |
| 3.1 局部二值模式 |
| 3.1.1 LBP算子 |
| 3.1.2 LBP的发展 |
| 3.2 轮廓处局部二值模式 |
| 3.2.1 签名图像的LBP分析 |
| 3.2.2 LBPC特征 |
| 3.3 实验结果与分析 |
| 3.3.1 相似度判别 |
| 3.3.2 SVM分类器鉴别 |
| 3.3.3 LBPC与网格特征融合 |
| 3.3.4 与其他文献对比 |
| 3.4 本章小结 |
| 第4章 基于LCPC特征的签名鉴别方法 |
| 4.1 轮廓特征 |
| 4.1.1 链码 |
| 4.1.2 方向特征 |
| 4.2 局部轮廓模式共生 |
| 4.3 实验结果与分析 |
| 4.3.1 相似度判别 |
| 4.3.2 SVM分类器鉴别 |
| 4.3.3 LCPC与网格特征融合及PCA降维 |
| 4.3.4 与其他文献对比 |
| 4.4 LBPC特征与LCPC特征融合 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果目录 |
（10）基于边缘角度二阶差分直方图的城市遥感图像检索方法（论文提纲范文）
| 1 多尺度边缘特征提取 |
| 1.1 高斯多尺度空间 |
| 1.2 多尺度空间上的边缘提取 |
| 2 边缘角度二阶差分直方图提取 |
| 3 相似性测度 |
| 4 实验验证与结果分析 |
| 5 结束语 |
四、基于差分码的图像特征提取方法研究（论文参考文献）
- [1]基于图像语义分割的交通监控视频定位及拼接方法[D]. 刘嗣超. 山东科技大学, 2020(06)
- [2]GNSS电离层精确建模及其应用研究[D]. 梅登奎. 长沙理工大学, 2020(07)
- [3]基于人工智能的古陶瓷器型和纹饰图像特征识别研究[D]. 穆天红. 陕西科技大学, 2020(01)
- [4]基于GNSS的电离层层析及日变化分析[D]. 徐丹丹. 安徽理工大学, 2019(01)
- [5]不规则边缘图形的快速拼接匹配算法研究[D]. 章亚书. 哈尔滨理工大学, 2019(08)
- [6]基于机器学习视觉目标分类识别方法研究[D]. 翁政魁. 上海大学, 2019(02)
- [7]基于特征融合的小型水域漂浮物识别方法研究与实现[D]. 李森浩. 重庆邮电大学, 2019(02)
- [8]基于图像处理技术的甘蓝型油菜的虫害程度检测[D]. 秦淑芳. 武汉轻工大学, 2019(01)
- [9]基于LBPC和LCPC特征的离线签名鉴别方法研究[D]. 黄威. 武汉理工大学, 2019(07)
- [10]基于边缘角度二阶差分直方图的城市遥感图像检索方法[J]. 刘嗣超,李成名,孙林. 山东科技大学学报(自然科学版), 2019(02)