导读:本文包含了图像深度提取论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:深度,卷积,神经网络,特征,图像,轮廓,直方图。
图像深度提取论文文献综述
于瑷玮[1]（2019）在《面向图像深度次序推理的遮挡轮廓提取算法研究》一文中研究指出在计算机视觉领域中,单目图像的深度次序推理是将图像中的物体进行分层表达的一种算法,它又被称为2.1D简约图。由于单目图像深度次序推理算法既可以得到图像中物体之间的相对深度,又可以还原物体的准确轮廓,还是图像分析和理解的基础,所以在目标识别、运动分析、机器人避障和自动驾驶中有着非常重要的应用价值。通常,此类算法首先通过图像的过分割算法提取出图像中的过分割边缘,然后利用遮挡轮廓提取算法得到被遮挡物体的轮廓信息,最后基于遮挡轮廓形成的闭合区域提取物体间的局部特征并进行全局深度次序推理,从而得到最终的物体区域的层次关系。本文从单目图像深度次序推理流程特点,提出了面向图像深度次序推理的遮挡轮廓提取算法。首先提出了更加准确的超像素分割算法来加强遮挡轮廓训练样本的准确度;进而,提出了参数自适应的分类训练器来进行遮挡轮廓的提取;在深度次序推理方面,提出了基于图推理模型的全局推理算法来对分离的物体区域进行深度次序推理。本文的主要研究工作分为叁个部分:图像的超像素分割、遮挡轮廓提取和深度次序推理。(1)超像素分割。由于准确的超像素分割边缘是进行遮挡轮廓提取的前提和基础,本文首先提出了对边缘提取更加准确的超像素分割算法来加强遮挡轮廓训练样本的准确度。为此,本文融合了颜色、紧凑度、熵率和边缘等多种边缘加强性特征,探索了不同边缘加强特征对图像超像素边缘召回率的影响,提出了对多边缘加强特征的超像素分割算法。然后,本文在BSDS500数据集上进行了定性和定量的对比实验,实验结果表明所提出的算法在保证一定速度的情况下得到了更加准确的边缘提取效果。(2)遮挡轮廓提取。针对现有Adaboost分类器所存在的边界问题导致遮挡训练的分类器训练不够准确的现象,本文提出了一种参数自适应的Gentle Adaboost分类器。该分类器可以从每次迭代中自适应的调节分类器权重的参数,避免了上一次迭代中正确分类的样本在下次迭代中被错误分类,从而让分类器的训练更加准确,训练速度也更快。此外,由于分类器的测试误差导致提取的遮挡轮廓存在间断点的问题,本文提出利用最短路径和膨胀腐蚀算法对遮挡轮廓进行优化补全的算法,得到了更加准确的闭合遮挡轮廓,为后续的深度次序推理提供了重要的基础。(3)深度次序推理。在利用提取到的遮挡轮廓时,由于物体边缘的多义性,导致边缘产生的T-角点和边缘凹凸行特征很可能存在局部关系的错误推理,本文针对这一问题定义了一种四重描述符,可以有效的利用T-角点和边缘凹凸性特征对对物体的前后关系进行正确判断。此外,为了解决现有方法中无法推理相互分离的物体的前后关系,本文通过引入推理图模型,利用正视图中分离物体的前后关系特征和四重描述符提供的特征,提出了一种新的全局深度次序推理算法。本文通过在Cornell深度次序数据集、BSDS500数据集和NYU2数据集上进行实验验证,得到了令人满意的结果。本文通过提出更加有效的分割算法和遮挡轮廓提取算法,为深度次序推理提供了准确的边缘信息,最终实现了对整个图像的深度次序推理。该论文的工作对于图像理解和图像分析等视觉问题提供了重要的技术支撑。(本文来源于《北京邮电大学》期刊2019-04-20）
温静,安国艳,梁宇栋[2]（2019）在《基于CNN特征提取和加权深度迁移的单目图像深度估计》一文中研究指出单目图像的深度估计可以从相似图像及其对应的深度信息中获得。然而,图像匹配歧义和估计深度的不均匀性问题制约了这类算法的性能。为此,提出了一种基于卷积神经网络(CNN)特征提取和加权深度迁移的单目图像深度估计算法。首先提取CNN特征计算输入图像在数据集中的近邻图像;然后获得各候选近邻图像和输入图像间的像素级稠密空间形变函数;再将形变函数迁移至候选深度图像集,同时引入基于SIFT的迁移权重SSW,并通过对加权迁移后的候选深度图进行优化获得最终的深度信息。实验结果表明,该方法显着降低了估计深度图的平均误差,改善了深度估计的质量。(本文来源于《图学学报》期刊2019年02期）
高涵[3]（2018）在《面向对象的高分辨率遥感图像深度特征提取与分类研究》一文中研究指出在现有的遥感数据中,高分辨率遥感数据可以提供丰富的地表信息,精细地描述地物目标的空间结构和表层纹理。图像中的地物轮廓信息更加清晰,为有效解译分析提供了条件和基础。高分辨率遥感数据已显示出比传统的中、低分辨率遥感图像的显着优势和良好的应用前景,但高分辨率数据处理水平和实际需求之间还存在着较大的差距。遥感图像分类是遥感数据信息处理的基本任务之一,建立在多尺度分割基础上的面向对象的图像分析方法是遥感图像解译的有效方法,尤其在高空间分辨率遥感图像分类方面有着巨大的优势。但是自二十世纪末发展至今,该方法仍面临以下两个问题:(1)遥感图像分割是决定面向对象图像分析与计算成功与否的关键,但是高空间分辨率遥感图像中丰富的地物目标与空间语义信息必须在多尺度下才能充分表达和描述。因此,如何定量评价图像分割质量,确定最优分割参数组合,是一个亟待解决的问题;(2)尽管传统的面向对象的高分辨率遥感图像分类方法在特征描述、特征学习以及分类器设计等方面取得了重要的发展,但是大多数传统方法仅从原始图像中提取浅层次的特征用于分类,对于对象目标的深层次地物特征的表达不够充分,特征的人工设计与选择也不利于多源遥感大数据的自动化解译与信息挖掘。因此,如何自动化地提取深层次特征是另一个亟待解决的问题。为解决上述两个问题,本论文围绕非监督的图像分割质量评价、基于超像素特征表达的特征学习方法和面向对象的多尺度卷积神经网络分类展开研究。论文的主要成果如下:(1)基于地统计学中的空间分层异质性,提出了一种无监督遥感图像分割质量定量评价方法。该方法从原始图像中提取光谱和纹理特征构建待评价的特征集,从图像分割区域特征统计的角度,引入空间分层异质性和空间自相关作为区域内外同质和异质性评价的测度。两个测度用于计算分割结果在特征集中的统计值,最后基于马氏距离联合两个测度得到一个全局的质量评价标准,进而根据图像的分割结果质量,选择分割算法或确定最优分割参数组合。(2)提出了一种基于超像素的卷积神经网络特征学习方法。该方法充分利用高分辨率遥感图像丰富的语义信息,采用简单线性迭代聚类算法对待分类的遥感图像进行超像素分割,获得紧凑且大小均匀的超像素对象作为网络模型的输入,从中标记训练样本用于训练卷积神经网络的模型参数,从而达到自动学习地物对象深度特征的目的。该方法克服了现有使用像元邻域矩阵作为网络输入带来的运算复杂及缺乏目标背景信息等问题,提高了特征提取的效率和深度。(3)提出了一种自适应边界约束的多尺度卷积神经网络分类方法。该方法在基于超像素特征表达的地物特征学习方法基础之上,构建了一个多尺度卷积神经网络模型,将不同尺度下的超像素对象作为网络输入,使用加权特征的融合方法提高特征表达的能力。通过使用本文提出的图像分割质量评价指标为超像素分类结果自适应地提供最优地物边界信息,对地物轮廓进行约束优化,得到最终分类结果,有效提高了高分辨率遥感图像数据特征挖掘与分类的自动化和智能化程度。(本文来源于《中国科学院大学(中国科学院遥感与数字地球研究所)》期刊2018-05-01）
赵轩[4]（2018）在《大规模人脸属性图像深度描述子的提取和检索》一文中研究指出随着网络社交平台、安防视频监控的普及,如何在大规模人脸数据库中根据需求高效、准确查询并检索到相关的人脸图像成为计算机视觉中的热点问题。本文针对大规模人脸属性图像深度描述子的提取和检索问题展开研究,具体工作和创新点如下:(1)详细介绍分析了卷积神经网络基本理论与基于哈希方法的近似最近邻检索问题,并介绍了深度哈希方法的经典模型,为深度哈希模型的设计提供参考。(2)针对传统的哈希方法大多适用于单标记问题的情况,提出多标记收缩哈希方法。在使用叁元组损失训练模型时,为解决传统叁元组选择算法对样本点敏感的问题,提出改进的叁元组选择算法提高叁元组质量,并加速模型的训练过程;为进一步加快模型收敛,采用逐步学习策略,将训练集按对自身属性的展示能力分组,采用不同的学习率训练模型,提升模型性能;同时引入收缩约束项收缩局部编码空间,提升编码过程的抗干扰性,并增加编码的饱和度。(3)通过在公开数据集上与多个经典哈希方法进行对比,证明了MLCH方法的优越性。(4)针对MLCH方法并不研究人脸图像特征提取的问题,提出DMLCH模型实现从人脸属性图像直接到哈希编码的整个流程。通过详细分析基于深度卷积神经网络的经典人脸特征提取模型,并结合实际实验条件,完善了DMLCH模型的结构设计和参数设置;最终通过实验证明了DMLCH模型较MLCH方法更具优越性。(本文来源于《南京航空航天大学》期刊2018-03-01）
顾婷婷,赵海涛,孙韶媛[5]（2018）在《基于帧间信息提取的单幅红外图像深度估计》一文中研究指出针对红外图像存在纹理信息不丰富和边缘信息较少导致深度估计精度难以提高的问题,本文设计一种深层神经网络估计红外图像的深度,该网络融合了一个二维(2D)残差神经网络和一个叁维(3D)卷积神经网络。传统单幅红外图像的深度估计方法遗漏了帧间信息,容易出现物体轮廓模糊甚至丢失的情况。在2D和3D网络输入端分别加入稠密光流和前后帧图像。进一步将3D卷积网络提取的视频特征与2D残差网络的特征图做权值连接。不同于传统神经网络的全连接层,全卷积层突破了输入图片的尺寸限制。实验结果表明,本文提出的红外图像深度估计方法具有较高的精度,估计出的物体轮廓更清晰完整。(本文来源于《激光与光电子学进展》期刊2018年06期）
李钦,游雄,李科,汤奋[6]（2017）在《图像深度层次特征提取算法》一文中研究指出完成众多视觉任务的关键是提取具有较强表达能力的图像特征,传统的图像特征仅描述图像某一方面的信息,表达能力受到很大限制.文中基于卷积神经网络提出图像深度层次特征(DHF)提取算法,通过对图像的层层抽象表达,可以有效挖掘隐藏在图像内部的本质信息.首先基于卷积神经网络产生图像特征图,选取卷积输出层的特征图构建图像阶层结构.然后基于匹配实验选择最佳的层级组合,采用信息熵描述低层级特征图,采用区域平均的方法描述高层级特征图,最终构建具有较强表达能力的DHF特征.实验表明,相比已有特征,DHF特征优势明显,可以高效准确地完成图像匹配任务.(本文来源于《模式识别与人工智能》期刊2017年02期）
胡良梅,姬长动,张旭东,张骏,王丽娟[7]（2016）在《聚焦性检测与彩色信息引导的光场图像深度提取》一文中研究指出目的光场相机可以通过一次拍摄,获取立体空间中的4D光场数据,渲染出焦点堆栈图像,然后采用聚焦性检测函数从中提取深度信息。然而,不同聚焦性检测函数响应特性不同,不能适应于所有的场景,且现有多数方法提取的深度信息散焦误差较大,鲁棒性较差。针对该问题,提出一种新的基于光场聚焦性检测函数的深度提取方法,获取高精度的深度信息。方法设计加窗的梯度均方差聚焦性检测函数,提取焦点堆栈图像中的深度信息;利用全聚焦彩色图像和散焦函数标记图像中的散焦区域,使用邻域搜索算法修正散焦误差。最后利用马尔可夫随机场(MRF)将修正后的拉普拉斯算子提取的深度图与梯度均方差函数得到的深度图融合,得到高精确度的深度图像。结果在Lytro数据集和自行采集的测试数据上,相比于其他先进的算法,本文方法提取的深度信息噪声较少。精确度平均提高约9.29%,均方误差平均降低约0.056。结论本文方法提取的深度信息颗粒噪声更少;结合彩色信息引导,有效修正了散焦误差。对于平滑区域较多的场景,深度提取效果较好。(本文来源于《中国图象图形学报》期刊2016年02期）
马利,李晶皎,马技,彭紫一[8]（2016）在《一种应用轮廓锐度的单视点图像深度信息提取算法》一文中研究指出针对单视点图像恢复场景深度信息算法中采用图像高层次线索算法复杂度高,计算量大的情况,提出一种应用图像低层次线索——边缘轮廓锐度的单视点图像深度信息提取算法.将模糊信息作为深度信息提取的约束条件,应用边缘轮廓锐度信息作为模糊信息估计特征,建立改进的轮廓跟踪模型,实现图像的轮廓提取.利用先验假设轮廓深度图,提取场景中深度信息.为了避免因图像噪声及轮廓跟踪局部求解误差造成的干扰,采用交叉双边滤波方法对深度图进行了优化.经对大量图像进行对比实验,实验结果表明算法简单、实用,可以有效地实现了单视点图像深度信息的提取.(本文来源于《小型微型计算机系统》期刊2016年02期）
范曜群[9]（2015）在《基于SIFT的双目图像深度信息提取》一文中研究指出双目图像深度提取属于计算机视觉领域。本文研究目的是对一些已有的双目图像深度提取算法进行改进。在局部算法方面,利用SIFT特征组合绝对差值作匹配代价度量在保持效果的同时加快匹配速度;在全局算法方面,利用图像分割对置信传播作出效果方面的改进。具体的研究内容和改进方面如下:1.研究双目图像提取深度信息的原理,以及立体匹配的匹配代价度量方法和约束条件,约束条件使具有病态性的立体匹配问题变成理论上可解。在此基础上,研究基于窗口的匹配代价聚合方法,固定窗口法和自适应窗口法的多窗口法,并根据图像处理的模板加权重思想实现固定窗口法的一个改进,改进后效果与多窗口法接近,计算量近似是多窗口法的1/9。2.利用SIFT特征提取加快行传播法的计算速度。行传播法是基于颜色相似对图像作行线分割,再利用行线区域进行聚合的局部算法。原算法的匹代价度量是组合绝对差值和Census变换,因Census变换涉及大量逻辑比较运算而使计算时间长。针对这一点,本文利用SIFT特征提取代替Census变换来改进原算法,绝对差值和SIFT特征的组合度量在效果上与原度量接近,但计算时间减少近75%。3.利用图像分割改进置信传播的效果。置信传播是基于马尔可夫随机场来最小化全局能量函数的迭代算法。当迭代次数过多时,视差值平滑过度,造成图像中视差不连续区域效果变差。本文结合分水岭分割和Canny边缘提取阻止图像边缘传播避免平滑过度。迭代20次后,原算法、结合分水岭分割和结合Canny边缘提取的算法的误匹配率分别是4.79%、3.86%、3.25%,效果得到提升。(本文来源于《北京邮电大学》期刊2015-12-01）
李少华,吴盘龙,李星秀,曹洪君[10]（2015）在《基于图像深度数据特征的障碍物分割提取》一文中研究指出图像感兴趣区域在计算机图像处理和智能机器人的研究中是很重要的一部分;借助图像感兴趣区域处理技术,可以对障碍物区域进行分割提取操作,这些工作对提高图像的传输、处理效率以及机器人智能导航、避障和路径规划等研究有重要意义。本文借助Kinect体感设备具有获取物体深度数据图像和RGB图像的能力实现移动机器人的障碍物分割提取。首先利用Kinect采集物体的RGB和相应深度数据图像,并将图像的深度数据做直方图统计操作转换成深度直方图;然后,对深度直方图做平滑处理和阈值的自动选取进而生成感兴趣区的掩膜图像;同样对RGB图像采取上述相同掩膜操作即可获取当前图像的感兴趣区域;最后,利用图像的深度数据特征对提取出的障碍物相对于机器人的距离和方位进行解算。实验结果表明,基于深度数据特征可以很好地对图像感兴趣区进行分割提取操作,解算出的障碍物距离、角度信息也满足精度要求。(本文来源于《第叁十四届中国控制会议论文集（B卷）》期刊2015-07-28）
图像深度提取论文开题报告
（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：
单目图像的深度估计可以从相似图像及其对应的深度信息中获得。然而,图像匹配歧义和估计深度的不均匀性问题制约了这类算法的性能。为此,提出了一种基于卷积神经网络(CNN)特征提取和加权深度迁移的单目图像深度估计算法。首先提取CNN特征计算输入图像在数据集中的近邻图像;然后获得各候选近邻图像和输入图像间的像素级稠密空间形变函数;再将形变函数迁移至候选深度图像集,同时引入基于SIFT的迁移权重SSW,并通过对加权迁移后的候选深度图进行优化获得最终的深度信息。实验结果表明,该方法显着降低了估计深度图的平均误差,改善了深度估计的质量。
（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。
图像深度提取论文参考文献
[1].于瑷玮.面向图像深度次序推理的遮挡轮廓提取算法研究[D].北京邮电大学.2019
[2].温静,安国艳,梁宇栋.基于CNN特征提取和加权深度迁移的单目图像深度估计[J].图学学报.2019
[3].高涵.面向对象的高分辨率遥感图像深度特征提取与分类研究[D].中国科学院大学(中国科学院遥感与数字地球研究所).2018
[4].赵轩.大规模人脸属性图像深度描述子的提取和检索[D].南京航空航天大学.2018
[5].顾婷婷,赵海涛,孙韶媛.基于帧间信息提取的单幅红外图像深度估计[J].激光与光电子学进展.2018
[6].李钦,游雄,李科,汤奋.图像深度层次特征提取算法[J].模式识别与人工智能.2017
[7].胡良梅,姬长动,张旭东,张骏,王丽娟.聚焦性检测与彩色信息引导的光场图像深度提取[J].中国图象图形学报.2016
[8].马利,李晶皎,马技,彭紫一.一种应用轮廓锐度的单视点图像深度信息提取算法[J].小型微型计算机系统.2016
[9].范曜群.基于SIFT的双目图像深度信息提取[D].北京邮电大学.2015
[10].李少华,吴盘龙,李星秀,曹洪君.基于图像深度数据特征的障碍物分割提取[C].第叁十四届中国控制会议论文集（B卷）.2015
论文知识图
