导读:本文包含了全景图像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:全景,图像,算法,特征,全景图,虚拟现实,粒度。
全景图像论文文献综述
田婧[1]（2019）在《建筑簇群全景图像空间布局人工智能规划方法研究》一文中研究指出为了提高建筑簇群空间布局规划能力,提出基于空间边缘轮廓特征检测技术的建筑簇群全景图像空间布局人工智能规划方法。构建建筑簇群全景图像空间规划成像模型,采用多样性的图片结构重构方法进行建筑簇群全景图像空间区域信息增强处理,建立建筑簇群全景图像的边缘轮廓特征检测模型,构造建筑簇群全景图像多尺度特征分解模型,采用机器视觉方法进行建筑簇群全景图像的先验形状模型参数估计,根据参数估计结果实现建筑簇群全景布局和人工智能规划。仿真结果表明,采用该方法进行建筑簇群全景图像空间规划的智能性较强,规划合理性较好。(本文来源于《现代电子技术》期刊2019年24期）
王殿伟,韩鹏飞,李大湘,刘颖,许志杰[2]（2019）在《基于细节特征融合的低照度全景图像增强》一文中研究指出为了提高低照度条件下采集的全景图像的视觉效果,提出一种基于细节特征加权融合的低照度全景图像增强算法.首先,利用双边滤波算法提取出图像的光照分量,并分别采用自适应伽马校正和对比度受限的自适应直方图均衡化算法对光照分量进行处理;然后,与原始光照信息进行加权融合得到校正后的光照分量,并在反射分量调整时,提出一种自适应调整函数来校正反射信息;最后,将光照分量与反射分量合并,以实现对低照度全景图像的增强.实验结果表明,所提出的算法在提高图像亮度的同时,可以增强图像细节信息,去除噪声,使增强后图像色彩信息更加丰富自然.(本文来源于《控制与决策》期刊2019年12期）
徐小丽,米军,陈克琼,范程华[3]（2019）在《基于变粒度反馈认知的全景图像太阳方位研究》一文中研究指出文章采用改进的多尺度小波变换方法,获取太阳光斑不同尺度下的各类特征信息,并结合人类认知机理,构建了多类训练样本的不确定信息认知对象的仿真反馈认知智能机制与计算模型。通过太阳光斑的认知智能决策系统以及太阳光斑认知误差的定义,给出了一种待认知光斑不确定认知结果评价规则和相似光斑的变粒度反馈对比决策系统,准确获取了太阳光斑方位坐标以达到实际应用中快速性和准确性的平衡。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年10期）
陈致远,陈国发,王殿伟[4]（2019）在《AR全景图像光照增强处理中多特征融合算法研究》一文中研究指出本文针对在光照不良的条件下,VR全景图像的成像质量会受到影响,开展全景图像光照增强处理过程中特征算法研究,提出了基于多特征算法融合进行全景图像增强处理,结合实验验证,总结出一种可用于增强不同弱照明条件下的全景图像光照增强处理算法。(本文来源于《电子制作》期刊2019年19期）
邢显锋,劳卫伦[5]（2019）在《基于球面全景图像拼接的变电站内部可视化研究和应用》一文中研究指出本文通过采取球面全景图拼接方式,实现变电站内部场景的可视化。球形全景图拼接是通过拍摄多张图片拼成一张全景图,基本原理是搜索两张图片的边缘部分,并将成像效果最为接近的区域进行自动拼接重合。本文提出通过拍摄多张变电站内部图片,使用unity3D引擎进行球面全景图像处理,再通过虚拟现实眼镜进行软硬件结合实现变电站内部可视化。该方法可用于提高变电站电力培训的真实性、互动性和趣味性,可广泛应用于电力培训,既保障了安全性能和效率,也明显节约了培训成本。(本文来源于《电子技术与软件工程》期刊2019年18期）
赵海武,陈佳玲,余玲芝,顾晓[6]（2019）在《基于全景图的图像集压缩用于云存储》一文中研究指出当前的图像集压缩方案通常只适用于相似图像,对云中图像集内部的差异性十分敏感。为了解决这个问题,提出了一种基于全景图的图像集压缩方案,该方案主要利用全景图和图像集之间的相关性来减少冗余。首先,在全景图上选取一些关键点,利用直线投影算法由全景图得到各个关键点处的视口图像;然后,对于图像集中的每张图像,选取最匹配的视口图像作为参考;最后,使用基于块的运动补偿来执行图像间的预测编码。实验结果表明,提出的编码方案比JPEG平均节省46.3%的比特,并且实现了与IEEE 1857.4帧内编码可比的性能。对于大型图像集,图像具有不同视点和对象但却拍摄于同一场景,方案压缩效果良好,值得深入研究。(本文来源于《工业控制计算机》期刊2019年07期）
徐弘祯,李世超,季宇寒,曹如月,张漫[7]（2019）在《基于特征点匹配的全景相机图像拼接方法研究》一文中研究指出全景相机可获取农机周围360°范围内的图像信息,具有覆盖范围大等特点,但需要对多镜头获取的图像进行拼接与融合,才能生成全景图像,为农机避障提供支持。以雷沃欧豹拖拉机为试验平台,搭载全景相机,获取实验农场的农田图像数据。首先对多幅图像进行预处理,包括通过柱面投影变换统一坐标系,采用基于特征点的SIFT算法提取图像的特征点并进行匹配;针对传统SIFT算法存在错误匹配而影响图像拼接质量的问题,使用RANSAC算法进行多次优化迭代,达到剔除错误匹配点的效果;针对匹配后生成的图像变换矩阵,为防止其线性结果不稳定并进一步优化结果,采用非线性的LM算法进行优化,使用线性加权平滑算法对图像进行融合,实现全景图像的生成。试验采用计算图像重迭区域相关系数定量评价图像拼接效果,并对获取的30组共60幅图像采用RANSAC算法和LM算法进行处理。结果表明,经过RANSAC算法处理后,误匹配点得到明显剔除,匹配特征点之间的平均几何距离偏移量明显减小,其平均值由39. 401 3像素下降至0. 581 9像素,相关系数由0. 287 8上升至0. 724 9。与手动设置阈值的剔除误匹配点方法进行了比较,经过RANSAC算法处理后的平均相关系数为0. 724 9,大于阈值设为0. 4时的0. 593 3,以及阈值设为0. 6时的0. 200 7,证明该算法能够实现多种情况下的图像拼接,剔除误匹配点;经过LM算法处理后,平均几何距离偏移量由0. 581 9像素进一步下降至0. 569 3像素,平均相关系数由0. 724 9进一步上升至0. 726 1,证明图像变换矩阵得到进一步优化,全景图像的拼接质量得到进一步提高。(本文来源于《农业机械学报》期刊2019年S1期）
丁颖,刘延伟,刘金霞,刘科栋,王利明[8]（2019）在《虚拟现实全景图像显着性检测研究进展综述》一文中研究指出随着虚拟现实处理技术的发展,虚拟现实全景图像的显着性检测成为近年来学术界和工业界关注的研究热点.本文分析虚拟现实全景图像的特性,综述虚拟现实全景图像显着性检测算法的研究进展.将已有的虚拟现实全景图像显着性检测算法进行分类、分析以及对比,本文总结了当前虚拟现实全景图像显着性检测面临的挑战,并对其发展趋势进行展望.(本文来源于《电子学报》期刊2019年07期）
李绽蕾,陆思语[9]（2019）在《基于块匹配的全景图像拼接算法研究》一文中研究指出针对超宽视角的全景图像拍摄,采用普通相机获取的全景图像分辨率较低,本文采用基于SAD的块匹配算法实现两幅图像的拼接和融合。实验结果表明采用块匹配的全景图像拼接方法拼接精度较高、两幅图像的融合效果较好,能够得到满意的拼接图像。(本文来源于《科技经济市场》期刊2019年07期）
罗康,韩军[10]（2019）在《全景鸟瞰图像中车道线颜色识别方法》一文中研究指出车道线颜色是一种特殊的车道属性信息,是驾驶员文明驾驶和安全驾驶决策的重要依据,而现有的研究只是基于视觉的车道线检测,并未对其进行颜色识别,为此提出一种全景鸟瞰图像中车道线颜色识别方法。首先对全景鸟瞰图像中检测到的车道线进行兴趣点提取,然后将兴趣点叁维RGB像素信息转换为二维信息数据,最后利用mean-shift算法聚类寻找质心,依据不同颜色的二维信息中的分布特征识别车道线颜色。实验结果表明该方法对全景鸟瞰图像中的车道线颜色识别有很好的正确率。(本文来源于《电子测量技术》期刊2019年13期）
全景图像论文开题报告
（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：
为了提高低照度条件下采集的全景图像的视觉效果,提出一种基于细节特征加权融合的低照度全景图像增强算法.首先,利用双边滤波算法提取出图像的光照分量,并分别采用自适应伽马校正和对比度受限的自适应直方图均衡化算法对光照分量进行处理;然后,与原始光照信息进行加权融合得到校正后的光照分量,并在反射分量调整时,提出一种自适应调整函数来校正反射信息;最后,将光照分量与反射分量合并,以实现对低照度全景图像的增强.实验结果表明,所提出的算法在提高图像亮度的同时,可以增强图像细节信息,去除噪声,使增强后图像色彩信息更加丰富自然.
（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。
全景图像论文参考文献
[1].田婧.建筑簇群全景图像空间布局人工智能规划方法研究[J].现代电子技术.2019
[2].王殿伟,韩鹏飞,李大湘,刘颖,许志杰.基于细节特征融合的低照度全景图像增强[J].控制与决策.2019
[3].徐小丽,米军,陈克琼,范程华.基于变粒度反馈认知的全景图像太阳方位研究[J].合肥工业大学学报(自然科学版).2019
[4].陈致远,陈国发,王殿伟.AR全景图像光照增强处理中多特征融合算法研究[J].电子制作.2019
[5].邢显锋,劳卫伦.基于球面全景图像拼接的变电站内部可视化研究和应用[J].电子技术与软件工程.2019
[6].赵海武,陈佳玲,余玲芝,顾晓.基于全景图的图像集压缩用于云存储[J].工业控制计算机.2019
[7].徐弘祯,李世超,季宇寒,曹如月,张漫.基于特征点匹配的全景相机图像拼接方法研究[J].农业机械学报.2019
[8].丁颖,刘延伟,刘金霞,刘科栋,王利明.虚拟现实全景图像显着性检测研究进展综述[J].电子学报.2019
[9].李绽蕾,陆思语.基于块匹配的全景图像拼接算法研究[J].科技经济市场.2019
[10].罗康,韩军.全景鸟瞰图像中车道线颜色识别方法[J].电子测量技术.2019
论文知识图
