一、一种改进的颜色匹配对图像检索算法（论文文献综述）
张萝献[1]（2020）在《视频拼接的关键帧提取技术研究》文中认为在抖动场景下的视频拼接过程中,对应帧之间的颜色、亮度、纹理等图像特征会产生较大的变化。在后续进行图像投影变换时,一种常见的方法是只用首帧或某些帧计算出的单应性矩阵,该方法在后续的拼接中将产生累计误差,拼接效果不甚理想。另一种逐帧计算矩阵的方法则会增加不必要的计算量,在拼接时造成视频严重卡顿。本文针对抖动场景中的视频拼接问题,提出了一种新的关键帧提取方法和基于同步帧差的相似度对比策略,兼顾了视频的拼接质量和拼接速度。本文的主要工作如下:1.在图像配准之前先根据设定的阈值判断是否为关键帧,再决定是否更新投影变换矩阵,克服了由抖动造成的累计误差,取得了良好的视频拼接效果。2.在进行关键帧提取时,采用比较同步帧差的方法代替传统的基于连续帧差的方法,在帧间相似度小于阈值的时刻进行投影变换矩阵的更新。3.引入双目立体视觉,并设计了一种新的关键帧提取算法,将颜色矩与基于灰度的SAD（sum of absolute difference）算子进行加权综合,构造了一种新的图像特征描述符,提取的关键帧中冗余帧很少。4.在计算帧间相似度时,采取一种新的搜索策略进行加速:在左右帧图像重叠之外的区域,以十字特征直线代替传统的模板,采用穷举的方式进行计算。在摄像头存在抖动的场景下,本文改进的关键帧提取算法解决了视频拼接中图像形变较大、形变帧占比过多的问题,在拼接速度和拼接时间质量之间达到了平衡。
宦思琪[2]（2021）在《基于迁移学习的图像检索方法研究与应用》文中研究指明近年来,随着信息技术的高速发展,图像数据量持续爆发式增长,数据之间的联系也变得越来越复杂,如何在海量数据中完成图像的高效检索成为了一个亟待解决的问题。在对徽派建筑构件的图像研究过程中,发现徽派建筑构件总体上造型特征区别相对较小,细节上的特征差别繁杂,并且样本采集工作尚不充分,无法获取充足的实验数据,而通过迁移学习与深度学习结合的方法可以较好解决目标域数据不充分带来的问题。针对传统图像算法与深度学习算法在图像检索应用中的不足,以及徽派建筑构件数据集的可研究性,本文进行了以下研究与实践:本文对图像检索进行了详细阐述,介绍了图像特征的相关知识,以及图像检索中的关键技术,并对检索方法的评价标准展开论述,同时还对迁移学习的方法以及相关的深度学习、卷积神经网络进行了深入研究。在此基础上,本文使用基于模型的迁移学习方法对卷积神经网络进行改进,并与传统图像匹配算法进行结合,提出三种不同的图像检索方法。首先,提出了一种基于特征点匹配的图像检索方法。将基于非线性方法构造尺度空间与网格统计去除误匹配的方法进行改进结合,提出了一种改进的特征点匹配算法G-AKAZE,并将该算法应用于图像检索应用中。实验结果表明这种方法在图像匹配的实验中,能够有效提升算法的耗时和准确度,在图像检索的实验中,精确率比较于其他算法也有着明显提高。其次针对应用中出现的数据集样本采集量不足够、计算力和时间缺乏的情况,提出了一种基于迁移学习和哈希算法的图像检索方法,将卷积神经网络模型在大规模标准数据集上进行训练得到预训练模型,再运用迁移学习方法将预训练结果中的权重参数迁移到新模型中,使用应用场景相应的数据集通过训练对模型的权重参数进行调整。在全连接层后加入隐藏层,并对隐藏层输出信息进行哈希计算,再根据全连接层输出的高维特征向量计算相似度,按照相似度排序输出最相似的检索结果。实验结果表明,该检索方法在检索精确率上表现优于其他方法,在CIFAR-10数据集上检索最相似的10个样本精确率为89.1%,比没有使用隐藏层与哈希计算时的检索精确率提高0.8%,在数据增强处理后的徽派建筑构件数据集上检索最相似的1个样本精确率为93.2%,最相似的10个样本精确率为84.1%。在前两种图像检索方法的基础上,提出一种基于多类别特征决策融合的图像检索方法。从两个卷积神经网络预训练模型中将权重参数迁移到新模型中,并提取两个新模型中全连接层输出的深层特征进行特征融合,又根据LBP局部二值特征、Gabor小波特征、HSV颜色特征以及G-AKAZE特征点四个低层特征的匹配算法,将使用深层特征检索结果与低层特征检索结果进行决策融合,通过实验分配不同的权重得出最适用于实验所用数据集的检索模型。实验结果表明,多类别特征检索模型在三个实验数据集上最相似的10个样本的最佳检索精确率分别为89.3%、92.5%和85.4%。图[42]表[10]参[65]
冯栋[3]（2021）在《基于机器视觉的目标检索方法研究》文中指出随着新一代信息技术的蓬勃发展,服务于城市治理的智能高清摄像头建设规模日渐庞大,催生出爆炸式增长的视频图像数据,同时高清的视图画面中不同尺度目标和场景细节也得以呈现。如何高效处理海量视频和图像数据,从中建立目标个体和群体的联系,并挖掘出更多有价值的信息变得愈发重要。基于视觉的目标图像检索技术正是解决这一问题的关键钥匙。视觉目标检索是计算机视觉领域和数字图像处理任务中最具有挑战性的工作之一,它的研究内容包含如何高效地构建待检索目标特征数据库和精准且快速地检索出相同或相似的目标图像两项任务。在实际工业应用环境中,受数据接入规模和复杂场景影响,使得待检索库庞大（亿级以上）且噪声数据干扰严重,从而导致构建快速、精准的视觉目标检索系统面临更严峻的考验。本学位论文围绕目标建库和目标检索两个环节来展开研究,主要有以下四方面的创新型工作:（1）针对待检索目标特征数据库噪声数据干扰严重的问题,在目标建库环节加入目标检测任务的研究,提出了一种EASNet网络的单阶目标检测方法。分别从主干网络结构设计、特征融合模块设计、损失函数设计三个方面开展深度优化工作,实验表明,该方法有利于克服不同分辨率下多尺度干扰、定位不精确、样本不均衡的问题;（2）为保障精准返回检索结果,提出了一种基于深度神经网络的多层特征融合方法,可融合底层局部特征和高层语义特征。该方法使用词袋模型和汉明嵌入方法对特征进行聚合以及细粒度量化,并采用正则化扩散方法对相似度得分结果重排序来提高检索精度。实验表明,该方法可有效提高检索精度;（3）针对海量视觉目标检索底库下的计算开销大和返回结果慢的问题,提出了一个分块多叉字典树MBNT的特征索引结构方法,并将其用来加速汉明空间下目标矢量特征的检索比对。通过对比实验表明,该方法在解决查找不命中问题的同时内存占用和计算开销更小。此外,本文还发现当二值矢量特征越来越紧凑且细节区分度更好时,精确r近邻搜索比近似r近邻搜索对视觉目标检索的速度优势越来越明显;（4）面向公安视频实战侦察场景,搭建视频目标检测和检索应用系统。该系统包含视图解析和目标检索两个子系统,其中EASNet视觉目标检测算法在视图解析子系统中被实现和使用,而基于深度神经网络的多层特征融合方法和分块多叉字典树MBNT的特征索引结构在目标检索子系统中被集成。该系统已在多地公安系统上测试,并取得了一定实战效果。
彭志飞[4]（2021）在《基于卷积神经网络的服装图像分类与检索研究》文中研究说明随着服装电子商务的蓬勃发展以及网购交易额逐年递增,网上服装图像数量呈现爆炸式增长,如何对海量服装图像实现自动化准确的分类和检索是服装电商行业利益相关者迫切需要解决的问题。本文基于卷积神经网络对服装图像的分类与检索进行研究,采用特征融合实现了服装图像的精确分类与高效检索,具有较高的行业商业价值和学术意义,本文的主要研究内容如下:（1）提出了一种改进VGG16的服装图像分类网络。通过改进VGG16网络结构进行特征提取,同时采用L2正则化增强网络的抗干扰能力。研究发现改进VGG16的分类网络相较于传统VGG16等分类方法而言具有更高的分类准确率。（2）提出了一种特征融合的服装图像分类模型—Multi＿XMNet,该模型由两个CNN分支网络组成。首先,采用1x1、3x3和5x5的不同尺度卷积核替换Xception中的单一尺度深度可分离卷积,得到一种名为Multi＿X的多尺度特征提取网络作为该模型的一个分支网络。然后,采用MobileNetV3-small作为另一个分支网络提取具有注意力机制的特征,并将这两个特征进行融合。此外,在训练阶段,使用全局平均池化和两个卷积层代替全连接层对最终特征进行分类,进而加快模型训练速度,并缓解因参数过多而导致的过拟合问题。将该模型应用于DeepFashion数据集中进行实验测试。实验结果表明,该方法的分类精度为95.38%,比InceptionV3＿Xception、InceptionV3、Xception、MobileNetV3和F-ResNet分别提高了2.22%、5.58%、3.32%、2.27%和6.81%。（3）在基于特征融合服装图像分类模型的基础上,提出了一种颜色特征与深度特征融合的服装图像检索方法并实现了一个系统原型。该方法主要包含两个分支,其中一个分支通过Multi＿XMNet提取服装图像的深度特征,而另一个分支从整个表达图像中提取颜色直方图特征,然后将深度特征和颜色直方图特征进行融合,并使用相似性度量算法在服装数据库中检索具有高度相似性的服装。最后基于本文提出的检索方法搭建了服装图像分类检索系统原型。本文所提出的服装图像分类和检索模型可用于帮助产业管理者和研究人员以及消费者进行快速有效的服装图像自动化分类和检索,该模型也有助于建立其他场景下的图像分类、检索模型和系统。
冯达其[5]（2020）在《基于正则化扩散过程的形状检索算法研究》文中提出随着摄影摄像技术的飞速发展以及设备的快速迭代,图像作为一种蕴含大量信息的媒介在人们日常生活中扮演者日益重要的角色。指数级增长的海量图像、视频数据在医学诊断、数字经济、工业自动化、新基建等许多领域得到应用。图像检索是指从大规模图像数据库中检索出与文本查询或视觉查询相关的图像,这个过程中能够将图像中的信息挖掘出来,对图像数据库实行有效的查询和管理。所以,从大量的数字图像中高效成功地找到目标图像的研究成为有实际意义且亟待解决的课题。一般来说,计算机视觉中的视觉检索问题是通过对不同目标的一个或多个特定特征进行比较,从而获得对相似性的排序来直接解决的。这种观点的要点是,两个物体越相似,测量的距离就越小。然而,对于这样一种基本的检索方法,不同对象之间的内在关系还没有被考虑进去,这也意味着底层的流形结构被完全忽略。由于逐对距离不能很好地解决目标检索问题,人们提出了许多改进视觉检索效果的算法。近年来的研究表明,利用一个包含平滑性约束和拟合约束的通用正则化框架,通过求解一个优化问题,可以直接得到基于扩散过程的上下文相似性。为了提高可视化检索的效率,在扩散过程的正则化框架中引入了一种新的平滑约束:基于三元组的平滑约束。本文提出的模型可以同时对三个元素进行正则化,并提供完全不同形式的高阶信息。通过引入混合拟合约束,提出了基于三元组的正则化扩散过程。在不同形状数据库上的实验结果表明,该方法能有效地提高检索结果。为了印证论文所述方案的有效性和可行性,实验使用了知名的数据集对整个算法进行测试,并对实验结果进行了细致的分析,实验表明本文所提方案能够实现很好地改进形状检索效率,达到了预期研究目的。
孙懿[6]（2020）在《施工现场人员类型识别方法的研究与实现》文中研究指明电力系统的建设是重要的生产生活项目,需要在作业过程中时刻监督施工现场人员是否遵守安全生产规定,以保证施工秩序正常有序。为了实现施工现场的智能化监管,人们常采用目标检测和目标识别领域的图像处理算法完成对施工现场人员的定位和识别以实现监督功能,但常见算法在这种特定应用场景中,会因设备条件制约、环境干扰因素多而难以有效运行,应用广泛的深度学习算法也会因应用背景的特殊性而难以适用,限制了算法的效果。本文根据应用场景特点,对施工现场人员的检测识别方法进行了研究和实现,算法主要结合了视觉注意机制、图像颜色特征、轻量化神经网络和特征相似度匹配相关内容,能够在计算资源有限且对图像清晰度要求较低的情况下满足应用需求,具有一定实用价值。本文主要介绍了适用于施工现场这类特殊场景下的人员目标检测和人员类型识别算法,具体的研究工作和成果如下:（1）通过研究人类视觉注意机制和自底向上视觉注意模型,提出基于显着颜色特征进行区域定位并结合轻量化神经网络的人体目标检测算法,该算法利用工人上衣图像颜色信息指导人体显着区域定位,并采用基于MobileNet-SSD网络的人体检测模型对施工现场全场景图像和显着颜色区域图像分别进行人体目标检测。（2）算法应用场地众多且输入图像分辨率较低,精确的人脸识别无法实施,而现场工人信息只在当天站班阶段才能确定,工人衣着特征会随场地和工作日变更发生改变,导致无法运用深度学习方法训练适用于所有场地且长期有效的识别模型,但工人着装在场地内颜色特征显着、安全帽特征明显,在每个工作日的识别过程中衣着特征固定。本文结合该特点提出一种人员类型识别方法,通过提取人员安全帽和着装颜色信息构成特征向量,并与当天站班阶段获得的人员数据库特征信息进行匹配,确定人员类别属性。建立了安全违规行为判断机制,综合人员目标检测与识别方法,实现对施工现场安全秩序的维护和监督。（3）电力施工人员的着装颜色与周围场景环境具有较大差异,其着装颜色特征是代表人员属性的重要标志,需要对该特征准确获取以确定人员属性。本文基于HSI颜色空间特点和Kmeans聚类算法,提出一种改进的颜色特征提取算法,能够对图像主要色彩信息有效提取,为目标检测和识别算法提供特征依据。
黄娜[7]（2020）在《面向数字图像证据的取证检验关键技术研究》文中认为近年来,图像作为一种常见的数据格式广泛存在于电子设备以及网络中,成为传播、保存数字信息的重要载体。同时,数字图像取证检验成为刑侦调查、新闻媒体以及政治军事等诸多领域中的重要环节。面对越来越多的图像数据,以及日渐高明的篡改伪造手段,传统的取证检验方法在性能及效率上已经无法满足需求。在人工智能迅猛发展的背景下,结合计算机视觉的相关先进技术研究图像证据的取证检验,有利于推动数字图像取证领域的发展,对维护信息与网络空间安全具有重要的理论意义和应用价值。本文面向数字图像证据取证检验的关键技术展开研究。根据取证检验的需求,结合图像分析处理、计算机视觉的相关技术,首先设计提出了数字图像证据取证检验模型,用于指导完成数字图像的取证识别、篡改检测以及来源鉴别三项主要功能。然后,为实现以上三项功能展开具体的方法及技术研究,旨在提高数字图像取证检验的效率及可靠性,从嘈杂的原始数据中初步过滤出图像证据,并对图像证据是否具备真实性、关联性以及合法性做进一步的检测与鉴定。本文的主要工作及创新性成果总结如下:（1）设计提出一套完善的数字图像证据取证检验模型。该模型集成图像识别、图像篡改检测等方面的先进技术,功能流程涵盖图像证据取证检验的全生命周期,分为图像特征提取、图像证据取证识别、图像篡改检测以及图像来源鉴别四个模块。其中,特征提取模块为后续的取证检验功能奠定基础,取证识别模块完成对图像证据的初步过滤,篡改检测与来源鉴别模块则对图像证据进行真实性、关联性以及合法性验证。传统的取证模型面对海量图像数据时效率较低,功能不完善,所提出的模型在取证场景中能够避免过高的时间及人员成本,保证流程完整、规范,而且各项功能的技术方法都有所改进,具备可用性与稳健性。（2）研究提出基于多特征融合的图像证据取证识别方法,以提高取证检验的效率和精准性。首先基于典型相关分析（Canonical correlation analysis,CCA）提出了一种基于判别-最小相关分析（Discriminant-minimum correlation analysis,D-MCA）的特征融合方法。最小相关分析通过最小化不同模态特征之间的相关性,减少特征中的噪声和冗余信息,提高融合特征的表征能力;在此基础上增加判别性信息,能够提高图像识别的准确性。然后基于Bo F（Bag of feature）模型提取图像的颜色矩特征、加速稳健特征（Speeded up robust feature,SURF）、局部二值模式（Local binary pattern,LBP）特征,采用卷积神经网络提取图像的深度特征（Deep feature）。最后根据提出的D-MCA方法进行特征融合,实现基于多特征融合的数字图像取证识别。在图像数据集上进行图像检索实验,平均准确率达到99.4%,与单一特征相比,查准率平均提高了49.7%,查全率平均提高了17.5%;与传统的拼接融合相比,CPU时间降低为11.9%。（3）研究提出一种基于稀疏域匹配传播的图像复制-粘贴篡改检测方法,以检验数字图像证据的真实性与合法性。基于密集域匹配的图像复制-粘贴篡改检测方法效率不足,而基于稀疏域匹配的方法检测率不足。为了解决这一矛盾,在稀疏域匹配的基础上设计提出一种传播机制。检测SURF关键点并进行初步匹配,通过离散小波变换（Discrete wavelet transform,DWT）特征的进一步匹配,筛选出可靠的关键点匹配对作为传播源,计算出传播源之间的偏移量（包括尺度、旋转变换）,根据偏移量将匹配关系在关键点的邻域内进行传播。实验结果表明,与传统方法相比效率得到了提高,检测率能够达到94.0%。并通过详细的实验数据分析了特征选择以及复制粘贴区域的尺度、旋转变换对检测率的影响,验证了SURF算法比其它关键点检测算法具有更加稳定的性能;DWT特征也表现出显着的效果。（4）研究提出基于卷积神经网络的图像来源鉴别方法,以检验数字图像证据的关联性与合法性。面向图像来源鉴别的任务构建卷积神经网络模型,包括三个卷积层、三个正则化层、三个最大池化层、一个随机失活层（Dropout层）、两个全连接层,以及一个Softmax分类器。将原始图像分割成尺寸为36×36的不重叠图像块,作为样本数据对网络模型进行训练及测试。在决策阶段采用投票策略,提高来源鉴别的准确性。与传统的基于相机成像特征的数字图像来源鉴别方法相比,该方法能够避免计算复杂度较高、噪声估算易受干扰等问题。使用Dresden Image Database图像集作为实验数据,网络模型的测试准确率达到99.8%,相比同类模型提高了2.6%。通过实验中的分析对比,表明该方法的准确性及时间性能优于其它现有方法。
仲红玉[8]（2019）在《光子计数图像融合及彩色化技术研究》文中研究指明随着微光图像处理技术的发展,光子计数图像融合及彩色化技术成为近几年的研究热点。光子计数图像融合及彩色化技术能够很好的延伸人眼视觉的感知能力,在航空航天、军事作战、军用和民用场景监控等方面有良好的应用场景。为了获得细节清晰、信息丰富以及色彩均匀、自然的彩色光子计数图像,本文对光子计数图像进行图像融合及彩色化处理。首先,设计并搭建了MPPC（Multi-piexl Photon Counter）光子计数成像实验平台,并编写了光学实验平台的软件运行程序,通过MPPC探测器在不同照度条件下,扫描被测目标图像,完成了对被测目标图像的采集工作,获得光子计数源图像,从而支持本文后续研究内容的展开。其次,针对区域能量融合规则的图像融合算法得到的图像存在轮廓不清晰,噪声严重的现象,以及算法运行耗时较长等缺陷,提出了一种改进区域能量融合规则的图像融合算法。计算两幅源图像高频部分对应区域的能量、邻域均方差、匹配度以及阈值,其中,阈值是由局部图像的像素值和均值计算得到。比较阈值和匹配度,如果匹配度大于阈值,采用加权区域能量法确定融合图像。如果匹配度小于阈值,选取局部区域能量较大的源图像像素点的增强值作为相应融合图像中的像素点值。仿真实验证明,本文提出的改进区域能量融合规则的图像融合算法得到的融合图像细节更清晰,目标更易识别,验证了本文所提出改进图像融合算法的有效性。最后,由于光子计数图像是灰度图像,人眼对灰度图像的识别明显低于彩色图像,所以,本文针对已有颜色传递算法中存在颜色误传、色彩不真实自然以及算法运行时间较长等问题,提出了一种基于多参数亮度值重映射的颜色传递算法。该算法通过引入由彩色参考图像和灰度目标图像列数和亮度共同决定的参数,对彩色参考图像亮度值进行运算,以使彩色参考图像的亮度值范围与灰度目标图像的亮度值范围相同。还根据目标像素和它周围的像素存在相关性,进行灰度目标图像与彩色参考图像的像素匹配。仿真实验结果表明,本文改进的多参数亮度值重映射的颜色传递算法降低了色彩误传现象,得到的彩色化光子计数图像色彩填充均匀并且自然,提高了人眼对光子计数图像中目标的识别率,增强了对光子计数图像场景的理解力。本文提出的改进图像融合算法和改进颜色传递算法都有效的缩短了程序运行时间。改进图像融合算法的信息熵、平均梯度和空间频率的数值分别提高了20%、25%和30%左右,改进颜色传递算法的客观评价指标的数值也得到了提高。
丁树浩[9]（2019）在《图像局部特征描述和匹配方法研究》文中研究表明图像局部特征的相关方法一直是计算机视觉领域的研究重点。计算机视觉方面的许多任务,如图像分类、图像检索、三维重建、图像拼接等,都可以视为图像局部特征的提取和识别问题。这些任务大部分是以提取图像局部特征为基础来实现的,所提取的局部特征的优劣将直接影响任务的最终性能。然而,由于图像经常发生平移、旋转、光照、视角、以及模糊等变化,尤其是在实际应用场景中,噪声干扰、复杂背景以及目标姿态变化的不可避免,给图像局部特征的提取带来了更大的挑战。因此,图像局部特征相关方法的研究具有重要的理论意义和应用价值,值得研究者的持续关注。本文在分析已有方法的基础上,对图像局部特征中的描述和匹配问题进行了深入的研究。本文主要的研究内容和创新点包括:（1）提出了一种改进的基于深度学习的局部特征描述符首先,对现有的基于深度学习生成局部特征描述符的算法做了相关的分析,指出了其中存在的缺陷,并分别做出改进,提出了一种用余弦距离度量相似度、log形式的三元组损失函数。对本文采用的网络结构以及负样本采样策略做了详细介绍。最后,在Phototour标准数据集上对提出的算法和相关对比算法进行训练和测试,并对训练好的模型在Oxford Affine数据集上进行图像匹配实验。实验结果表明本文算法在两种数据集上均取得了较为优异的表现,证明了本文算法的有效性。（2）提出了一种基于网格统计的改进RANSAC算法图像局部特征匹配阶段,在得到初始匹配之后,往往需要对其中存在的较多错误匹配进行剔除,以达到匹配的提纯。目前普遍采用RANSAC算法进行匹配的提纯。本文在分析了RANSAC的缺点之后,基于观察发现,并从统计分布的角度,论证了其合理性,提出了一种基于网格统计的RANSAC算法。本文将图像进行网格划分,并将最近邻匹配得到的初始匹配集合通过网格统计进行内、外点的预筛选,提高了集合中内点的比例。实验表明,本文方法能够在保证运行精度的前提下,实现了对RANSAC算法效率的大幅度提升。
熊文怡[10]（2019）在《基于点特征的图像拼接技术研究》文中研究说明随着科学技术发展水平的不断提升,人们为了满足美好生活向往,对所获取信息质量的要求越来越高。在人类的各种感官中,视觉是最主要的获取信息的途径。而图像正是视觉信息的主要承载方式。当需要获取大面积、宽场景图像时,由于天气状况、相机性能、拍摄高度等各种因素的影响,是较难实现的。因此,为了能获得优质的视觉体验,产生了图像拼接技术。图像拼接技术是将具有一定重叠区域的两张或多张图像进行拼接,从而得到精确的宽视野图像,为大地测量、地理勘测等领域造就有利条件,是图像处理、模式识别、计算机视觉、计算机图形学等领域的重要研究课题。图像拼接技术可以按照不同的标准进行分类,其中基于特征的图像拼接技术最受关注。在基于特征的图像拼接技术中基于点特征的图像拼接技术已经成为图像拼接技术的研究热点。而对点特征的提取和描述是整个图像拼接技术中最主要的基础步骤。本文创新点主要集中在特征点的提取和描述方面,对经典算法做了相应的改进和组合,运用在图像拼接技术中,并对图像拼接的结果进行了评价,具体工作如下:（1）对图像拼接原理进行了研究图像拼接的全过程可包括图像预处理、图像配准、图像融合、图像拼接质量评价等内容。在图像预处理部分,介绍了图像去噪、图像增强和图像几何校正;在图像配准部分,介绍了图像变换模型及其求解的常用方法;在图像融合部分,介绍了针对重叠区域的色度调整法和常用的图像融合方法;在图像拼接质量评价部分,介绍了峰值信噪比（Peak Signal to Noise Ratio,PSNR）评价方法、结构相似度（Structural Similarity Index,SSIM）评价方法、边缘差分谱（Difference of Edge Map,DoEM）评价方法。（2）提出了一种改进的FAST特征点检测方法在根据加速分割测试特（Features from Accelerated Segment Test,FAST）征点方法判断某个候选点是否是特征点的理论前提下,结合万有引力定律确定候选点所受合力的方向,引入特征点检测过程,对候选点进行初步判断,同时去除斑点噪声。在SAR（Synthetic Aperture Radar）图像上进行了实验,结果证明此方法对SAR图像斑点噪声具有一定的抑制作用。（3）提出了一种结合SIFT算法和FAST算法的特征点选择方法分别利用尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法和FAST特征点检测算法,检测出参考图像和待拼接图像的特征点,然后挑选出两种方法作用在同一幅图像上的公共特征点。对提取的公共特征点集进行匹配并计算出变换矩阵,根据变换矩阵对待拼接图像进行处理,最后根据加权融合算法进行图像拼接融合。此方法既保留了SIFT方法中,具有尺度信息的优点,又提高了对特征点描述的效率。实验结果表明该方法在图像特征点选择中更有优势,对图像拼接质量也有所改进。（4）提出了一种基于多特征描述子的图像拼接方法在基于垂直梯度、水平梯度的特征描述子中,能捕获局部区域内灰度变化的情况;在基于颜色不变信息的特征描述子中,对于彩色图像来说更具有特征筛选功能;在基于像素强度的特征描述子中,可描述邻域像素之间的依赖关系。几种特征描述子各具特色,组合起来可以提升特征描述子的独特性。本文提出的多特征描述子,融合了特征点的局部垂直梯度、水平梯度、颜色不变信息以及像素强度四部分内容。实验结果表明,本文提出的方法对图像拼接质量有提升作用。
二、一种改进的颜色匹配对图像检索算法（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、一种改进的颜色匹配对图像检索算法（论文提纲范文）
（1）视频拼接的关键帧提取技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 视频拼接的研究现状 |
| 1.3 关键帧提取技术的研究现状 |
| 1.4 本文的组织结构 |
| 第2章 基于双目摄像头的视频拼接研究 |
| 2.1 视频预处理 |
| 2.2 视频拼接原理 |
| 2.2.1 特征点提取 |
| 2.2.2 图像匹配 |
| 2.2.3 图像融合 |
| 2.3 视频拼接结果分析 |
| 2.4 本章小结 |
| 第3章 关键帧提取算法分析 |
| 3.1 关键帧基本概念 |
| 3.2 现有关键帧提取技术 |
| 3.3 帧间相似性度量 |
| 3.4 算法性能的评价标准 |
| 3.5 经典的关键帧提取算法比较 |
| 3.6 本章小结 |
| 第4章 一种改进的关键帧提取算法分析 |
| 4.1 常用的颜色特征 |
| 4.2 双目立体视觉基本原理 |
| 4.3 常用的模板匹配算法 |
| 4.4 改进的关键帧提取算法 |
| 4.4.1 加权综合算法的构造 |
| 4.4.2 一种快速的模板匹配算法 |
| 4.5 基于抖动视频拼接的关键帧提取分析 |
| 4.5.1 整体算法的流程 |
| 4.5.2 算法的性能分析 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 第5章 基于改进关键帧提取算法的视频拼接研究 |
| 5.1 抖动条件下的算法分析 |
| 5.2 光照变化下算法的性能分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的项目与成果 |
| 致谢 |
（2）基于迁移学习的图像检索方法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第二章 图像检索与迁移学习相关理论 |
| 2.1 图像检索的定义 |
| 2.2 图像检索的方法 |
| 2.2.1 图像特征的提取 |
| 2.2.2 特征匹配的方法 |
| 2.3 图像检索方法评价标准 |
| 2.4 迁移学习基础理论 |
| 2.4.1 迁移学习 |
| 2.4.2 深度学习与卷积神经网络 |
| 2.5 本章小结 |
| 第三章 一种改进的基于特征点匹配的图像检索方法 |
| 3.1 特征点检测与特征点描述 |
| 3.1.1 特征点检测 |
| 3.1.2 特征点描述 |
| 3.2 基于非线性扩散滤波与离散采样的特征点匹配算法 |
| 3.2.1 尺度空间构建和特征点检测 |
| 3.2.2 M-LDB描述子 |
| 3.2.3 相似度计算 |
| 3.3 基于特征点匹配与网格运动统计的图像检索方法 |
| 3.3.1 误匹配点剔除算法 |
| 3.3.2 改进的G-AKAZE算法 |
| 3.3.3 图像检索步骤 |
| 3.4 实验设计 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于迁移学习与哈希算法的图像检索方法 |
| 4.1 基于迁移学习的图像特征抽取 |
| 4.1.1 基于迁移学习的预训练模型 |
| 4.1.2 基于迁移学习的模型微调及特征提取 |
| 4.1.3 全连接层与输出层工作原理 |
| 4.2 基于深层特征与局部敏感哈希的图像检索 |
| 4.3 实验设计 |
| 4.3.1 徽派建筑群及建筑构件 |
| 4.3.2 数据增强 |
| 4.3.3 实验分组设计 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于多类别特征提取及决策融合的图像检索 |
| 5.1 双模型深层特征与低层特征提取 |
| 5.1.1 基于双模型的深层特征提取 |
| 5.1.2 低层特征提取与选择 |
| 5.2 基于决策融合的多类别特征图像检索算法 |
| 5.2.1 决策融合 |
| 5.2.2 多类别图像特征决策融合 |
| 5.3 实验设计 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作与创新总结 |
| 6.2 未来期望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（3）基于机器视觉的目标检索方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 当前研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 相关研究基础 |
| 2.1 引言 |
| 2.2 目标检测方法研究 |
| 2.2.1 双阶目标检测技术 |
| 2.2.2 单阶目标检测技术 |
| 2.3 特征表达 |
| 2.3.1 基于传统的手工特征提取 |
| 2.3.2 基于深度学习的特征提取 |
| 2.4 目标检索 |
| 2.4.1 简单相似图像检索 |
| 2.4.2 多标签图像检索 |
| 2.4.3 相似性度量方法 |
| 2.4.4 图像检索数据集 |
| 2.4.5 性能评价指标 |
| 2.5 本章小结 |
| 3 基于空洞卷积和上下文信息的目标检测算法研究 |
| 3.1 引言 |
| 3.2 空洞卷积 |
| 3.3 条纹池化 |
| 3.4 基于空洞卷积和上下文信息的目标检测方法研究 |
| 3.4.1 EASNet主干网络结构的构建 |
| 3.4.2 EASModule特征融合 |
| 3.4.3 EASHead损失函数设计 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 实验结果及对比 |
| 3.6 本章小结 |
| 4 基于多层级的特征融合方法研究 |
| 4.1 引言 |
| 4.2 多层级特征融合结构 |
| 4.3 基于卷积神经网络的分层池化和量化 |
| 4.4 多层级特征融合方法 |
| 4.5 实验与分析 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果与评价 |
| 4.6 本章小节 |
| 5 基于哈希索引的大规模目标快速检索方法研究 |
| 5.1 引言 |
| 5.2 哈希算法 |
| 5.3 汉明空间近邻搜索 |
| 5.4 基于分块字典树的精确r近邻搜索 |
| 5.4.1 目标搜索流程 |
| 5.4.2 分块多叉字典树 |
| 5.4.3 基于MBNT的精确r近邻搜索 |
| 5.5 实验结果与分析 |
| 5.5.1 数据集选择和评测指标 |
| 5.5.2 多尺度目标搜索的平均准确率 |
| 5.5.3 MBNT索引结构关键参数设置 |
| 5.5.4 多尺度目标搜索的平均检索时间 |
| 5.5.5 近似搜索和精确搜索算法对比 |
| 5.6 本章小结 |
| 6 面向公安场景的视频目标检测与检索应用 |
| 6.1 引言 |
| 6.2 视频目标检测与检索应用系统设计 |
| 6.2.1 系统架构设计 |
| 6.2.2 视图解析子系统 |
| 6.2.3 目标检索子系统 |
| 6.3 实验应用效果 |
| 6.3.1 硬件环境配置 |
| 6.3.2 验证场景说明 |
| 6.3.3 验证方案设计 |
| 6.3.4 验证结果说明 |
| 6.4 本章小节 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于卷积神经网络的服装图像分类与检索研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 相关理论与算法 |
| 2.1 图像特征提取 |
| 2.1.1 全局特征 |
| 2.1.2 局部特征 |
| 2.2 卷积神经网络的结构 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 激活函数 |
| 2.3 相似性度量算法 |
| 2.4 本章小结 |
| 第三章 一种改进VGG16 的图像分类网络 |
| 3.1 VGGNet深度学习模型研究 |
| 3.1.1 VGGNet分析 |
| 3.1.2 VGG16 的不足 |
| 3.2 一种改进的VGG16 图像分类网络 |
| 3.2.1 L2 正则化、Dropout |
| 3.2.2 改进网络结构分析 |
| 3.3 实验与结果 |
| 3.3.1 实验数据集 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 第四章 一种特征融合的服装图像分类模型 |
| 4.1 Xception深度学习模型 |
| 4.2 MobileNetV3 深度学习模型 |
| 4.3 一种特征融合的服装图像分类模型 |
| 4.3.1 基于Xception的 Multi_X特征提取网络 |
| 4.3.2 Multi_XMNet服装图像分类模型 |
| 4.4 实验与结果 |
| 4.4.1 数据集介绍 |
| 4.4.2 实验参数设置 |
| 4.4.3 实验结果对比与分析 |
| 4.4.4 讨论 |
| 4.5 本章小结 |
| 第五章 一种融合颜色特征与深度特征的服装检索方法 |
| 5.1 一种融合颜色特征与深度特征的服装检索方法 |
| 5.2 实验与评估 |
| 5.2.1 实验准备 |
| 5.2.2 检索结果与评估 |
| 5.3 服装图像分类检索系统设计与实现 |
| 5.3.1 需求分析 |
| 5.3.2 系统设计 |
| 5.3.3 系统实现与运行效果展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果与目录 |
| 致谢 |
（5）基于正则化扩散过程的形状检索算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状介绍 |
| 1.2.1 形状距离表示 |
| 1.2.2 基于扩散过程的距离学习 |
| 1.3 论文内容和结构安排 |
| 2 形状距离学习算法与扩散过程 |
| 2.1 形状距离表示 |
| 2.1.1 形状表示方法 |
| 2.1.2 形状特征匹配方法 |
| 2.2 扩散过程 |
| 2.2.1 原始图扩散迭代过程 |
| 2.2.2 基于迭代背后的目标函数 |
| 2.2.3 扩散过程的正则化表示 |
| 2.3 小结 |
| 3 一种改进的张量积图学习 |
| 3.1 张量积图上的扩散过程 |
| 3.2 基于期望首达时间的距离学习 |
| 3.2.1 期望首达时间 |
| 3.2.2 期望首达时间改进学习算法的目标函数 |
| 3.3 一种基于张量积图的改进学习算法 |
| 3.3.1 结合混合拟合约束的高阶信息 |
| 3.3.2 迭代过程 |
| 3.4 小结 |
| 4 基于正则化扩散过程的形状学习 |
| 4.1 算法原理 |
| 4.2 正则化扩散过程 |
| 4.3 基于三元组的扩散过程正则化 |
| 4.3.1 平滑度约束 |
| 4.3.2 正则化框架 |
| 4.3.3 基于反向KNN算法对目标降噪 |
| 4.4 仿真实验 |
| 4.4.1 MPEG-7形状数据库 |
| 4.4.2 Animal数据集 |
| 4.4.3 瑞典叶数据集 |
| 4.5 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）施工现场人员类型识别方法的研究与实现（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 国内外研究现状 |
| 1.2.1 视觉注意机制 |
| 1.2.2 目标检测研究现状 |
| 1.2.3 目标识别研究现状 |
| 1.3 本文主要研究内容与贡献 |
| 1.4 本论文的结构安排 |
| 第二章 视觉注意及颜色特征相关理论分析 |
| 2.1 引言 |
| 2.2 视觉注意模型 |
| 2.2.1 生物学机制 |
| 2.2.2 视觉注意机制计算模型 |
| 2.3 颜色特征的表达与提取 |
| 2.3.1 颜色空间 |
| 2.3.2 颜色特征提取 |
| 2.4 本章小结 |
| 第三章 基于视觉注意的人体目标检测算法 |
| 3.1 引言 |
| 3.2 基于MobileNet-SSD网络的人体目标检测 |
| 3.2.1 轻量化MobileNet-SSD网络 |
| 3.2.2 基于MobileNet-SSD网络的施工现场人员检测 |
| 3.3 基于颜色特征的显着人体目标定位 |
| 3.3.1 施工人员着装特征 |
| 3.3.2 基于HSI颜色特征的人体目标定位 |
| 3.4 结合显着颜色区域的目标检测算法 |
| 3.5 本章小结 |
| 第四章 人员类型识别算法及报警机制 |
| 4.1 引言 |
| 4.2 识别算法关键步骤 |
| 4.2.1 图像色彩校正 |
| 4.2.2 改进的颜色特征提取算法 |
| 4.2.3 基于MobileNet-SSD网络的安全帽检测 |
| 4.3 施工现场人员类型识别方法 |
| 4.3.1 算法总体流程 |
| 4.3.2 施工人员数据库建立 |
| 4.3.3 基于特征向量匹配的人员类型识别 |
| 4.4 安全监控系统报警功能 |
| 4.4.1 系统运行整体流程 |
| 4.4.2 系统报警功能实现 |
| 4.5 本章小结 |
| 第五章 算法验证和结果分析 |
| 5.1 人员目标检测算法实验与结果分析 |
| 5.2 改进的颜色特征提取算法实验与结果分析 |
| 5.3 人员类型识别算法实验与结果分析 |
| 5.3.1 站班人员特征数据库建立 |
| 5.3.2 现场人员类型识别与结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）面向数字图像证据的取证检验关键技术研究（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 国内外研究现状 |
| 1.2.1 图像取证的发展历程 |
| 1.2.2 图像取证识别 |
| 1.2.3 图像篡改检测 |
| 1.2.4 图像来源鉴别 |
| 1.3 研究内容及创新点 |
| 1.4 论文结构安排 |
| 第2章 数字图像证据取证检验模型 |
| 2.1 取证检验面临的挑战 |
| 2.2 图像证据取证检验模型的需求 |
| 2.3 功能模块划分 |
| 2.3.1 图像特征提取 |
| 2.3.2 图像取证识别 |
| 2.3.3 图像篡改检测 |
| 2.3.4 图像来源鉴别 |
| 2.4 模型展示 |
| 2.5 性能分析 |
| 2.5.1 可用性与稳健性 |
| 2.5.2 对比分析 |
| 2.6 本章小结 |
| 第3章 基于改进相关分析方法的图像特征融合 |
| 3.1 问题描述 |
| 3.2 相关技术介绍 |
| 3.2.1 特征融合 |
| 3.2.2 典型相关分析CCA |
| 3.3 基于D-MCA的特征融合方法 |
| 3.3.1 改进的最小相关分析MCA |
| 3.3.2 判别分析 |
| 3.3.3 基于D-MCA的特征融合 |
| 3.4 实验及分析 |
| 3.4.1 实验准备 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于多特征融合的图像证据取证识别 |
| 4.1 图像证据取证识别的需求 |
| 4.2 相关技术介绍 |
| 4.2.1 CBIR技术 |
| 4.2.2 SURF算法 |
| 4.2.3 BoF模型 |
| 4.3 基于BoF模型的图像特征提取 |
| 4.3.1 颜色特征 |
| 4.3.2 形状特征 |
| 4.3.3 纹理特征 |
| 4.3.4 深度特征 |
| 4.4 基于多特征融合的取证识别方法 |
| 4.5 实验及分析 |
| 4.5.1 实验准备 |
| 4.5.2 性能验证 |
| 4.5.3 对比分析 |
| 4.6 本章小结 |
| 第5章 图像证据复制-粘贴篡改的被动式取证检测 |
| 5.1 图像证据篡改检测的需求 |
| 5.2 相关技术介绍 |
| 5.2.1 基于像素的CMFD方法 |
| 5.2.2 基于块特征的CMFD方法 |
| 5.2.3 Patch Match算法 |
| 5.3 基于稀疏域匹配及传播的复制-粘贴篡改检测方法 |
| 5.3.1 图像预处理 |
| 5.3.2 检测关键点 |
| 5.3.3 稀疏域匹配 |
| 5.3.4 改进的邻域传播机制 |
| 5.4 实验及分析 |
| 5.4.1 性能验证及对比分析 |
| 5.4.2 影响因素及参数分析 |
| 5.5 本章小结 |
| 第6章 基于卷积神经网络的图像证据来源鉴别 |
| 6.1 图像证据来源鉴别的需求 |
| 6.2 相关技术介绍 |
| 6.2.1 固定模式噪声 |
| 6.2.2 成像响应不一致性 |
| 6.2.3 卷积神经网络 |
| 6.3 基于卷积神经网络的图像来源鉴别方法 |
| 6.3.1 图像分割 |
| 6.3.2 网络结构设计 |
| 6.3.3 网络训练与测试 |
| 6.4 实验及分析 |
| 6.4.1 性能验证 |
| 6.4.2 对比分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间所取得的研究成果 |
| 致谢 |
（8）光子计数图像融合及彩色化技术研究（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 国内外研究状况 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 MPPC光子计数成像系统 |
| 2.1 光子基本特性 |
| 2.1.1 光的粒子性 |
| 2.1.2 测不准关系 |
| 2.2 MPPC光子计数成像理论 |
| 2.3 MPPC光子计数成像系统 |
| 2.3.1 MPPC光子计数实验平台 |
| 2.3.2 MPPC光子计数成像系统的软件实现 |
| 2.4 MPPC光子计数成像系统的主要器件 |
| 2.4.1 MPPC光子探测器 |
| 2.4.2 步进电机控制器 |
| 2.4.3 宽量程微照度计 |
| 2.5 实验图像 |
| 2.6 本章小结 |
| 第三章 改进区域能量融合规则的光子计数图像融合算法 |
| 3.1 小波变换概述 |
| 3.1.1 小波变换理论 |
| 3.1.2 冗余小波变换理论 |
| 3.2 基于小波变换和冗余小波变换的图像融合算法 |
| 3.3 图像融合规则 |
| 3.4 改进区域能量融合规则的光子计数图像融合算法 |
| 3.4.1 区域能量融合规则的光子计数图像融合算法 |
| 3.4.2 改进区域能量融合规则的光子计数图像融合算法 |
| 3.5 本章小结 |
| 第四章 光子计数图像的彩色化及其改进算法 |
| 4.1 颜色空间 |
| 4.1.1 RGB颜色空间 |
| 4.1.2 lαβ颜色空间 |
| 4.1.3 YCbCr颜色空间 |
| 4.2 颜色传递的算法 |
| 4.2.1 Welsh经典颜色传递算法 |
| 4.2.2 李建明等人改进的颜色传递算法 |
| 4.2.3 李成立等人改进的颜色传递算法 |
| 4.3 本文改进的基于多参数亮度值重映射的颜色传递算法 |
| 4.3.1 图像的颜色空间转换 |
| 4.3.2 多参数亮度值重映射的方法 |
| 4.3.3 像素匹配 |
| 4.4 本章小结 |
| 第五章 光子计数图像融合及彩色化实验评价与分析 |
| 5.1 光子计数图像融合及彩色化的评价 |
| 5.1.1 主观评价 |
| 5.1.2 客观评价 |
| 5.1.3 光子计数图像融合及彩色化客观评价体系 |
| 5.2 光子计数图像融合及彩色化实验评价与分析 |
| 5.2.1 光子计数图像融合实验评价与分析 |
| 5.2.2 光子计数图像的彩色化实验评价与分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在读期间公开发表的论文与专利 |
| 致谢 |
（9）图像局部特征描述和匹配方法研究（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 图像局部特征的研究现状 |
| 1.3 本文的结构安排 |
| 第二章 图像局部特征方法综述 |
| 2.1 局部特征检测方法 |
| 2.1.1 单尺度检测算法 |
| 2.1.2 多尺度检测算法 |
| 2.1.3 基于亮度的检测算法 |
| 2.2 局部特征描述方法 |
| 2.2.1 传统局部特征描述算法 |
| 2.2.2 基于深度学习的局部特征描述算法 |
| 2.3 局部特征匹配方法 |
| 2.3.1 初始匹配 |
| 2.3.2 去除误匹配 |
| 2.4 局部特征描述符的评价机制 |
| 2.5 本章小结 |
| 第三章 一种改进的深度学习局部特征描述符 |
| 3.1 基于深度学习的特征描述符 |
| 3.1.1 基于表征学习的方法 |
| 3.1.2 基于度量学习的方法 |
| 3.2 问题分析及改进 |
| 3.2.1 基于余弦值的相似度衡量 |
| 3.2.2 log损失函数 |
| 3.3 网络结构及采样策略 |
| 3.3.1 网络结构 |
| 3.3.2 负样本采样策略 |
| 3.4 实验分析 |
| 3.4.1 数据集和参数设置 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于网格统计的改进RANSAC算法 |
| 4.1 引言 |
| 4.2 RANSAC算法分析 |
| 4.2.1 单应矩阵模型 |
| 4.2.2 RANSAC算法 |
| 4.3 基于网格统计的RANSAC算法 |
| 4.3.1 理论分析 |
| 4.3.2 RANSAC改进算法 |
| 4.4 实验分析 |
| 4.4.1 数据集和评价指标 |
| 4.4.2 实验参数设置 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于点特征的图像拼接技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像配准的研究现状 |
| 1.2.2 图像融合的研究现状 |
| 1.2.3 图像拼接的研究现状 |
| 1.3 课题来源 |
| 1.4 论文的结构安排 |
| 2 图像拼接原理 |
| 2.1 图像预处理 |
| 2.1.1 图像去噪 |
| 2.1.2 图像增强 |
| 2.1.3 图像几何校正 |
| 2.2 图像配准 |
| 2.2.1 基于SIFT的特征提取 |
| 2.2.2 特征匹配 |
| 2.2.3 变换模型估计 |
| 2.3 图像融合 |
| 2.3.1 消除拼接缝 |
| 2.3.2 直接平均融合法 |
| 2.3.3 图像加权融合方法 |
| 2.4 图像拼接质量评价 |
| 2.4.1 峰值信噪比评价法 |
| 2.4.2 结构相似度评价法 |
| 2.4.3 边缘差分谱评价法 |
| 2.5 小结 |
| 3 基于点特征的图像拼接 |
| 3.1 FAST特征点检测 |
| 3.2 改进的FAST特征点检测算法 |
| 3.2.1 万有引力定律 |
| 3.2.2 特征点提取 |
| 3.2.3 实验结果 |
| 3.3 基于SIFT和 FAST组合的图像拼接算法 |
| 3.3.1 视差约束条件 |
| 3.3.2 算法描述 |
| 3.3.3 实验及结果 |
| 3.4 小结 |
| 4 基于多特征描述子的图像拼接 |
| 4.1 规范化强度对比描述子 |
| 4.2 局部差异性二进制描述子 |
| 4.3 颜色不变信息 |
| 4.4 多特征描述子的构造 |
| 4.4.1 像素强度描述子 |
| 4.4.2 梯度描述子 |
| 4.4.3 颜色不变描述子 |
| 4.5 实验结果 |
| 4.6 小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间发表的论文与研究成果清单 |
| 致谢 |
四、一种改进的颜色匹配对图像检索算法（论文参考文献）
- [1]视频拼接的关键帧提取技术研究[D]. 张萝献. 广西师范大学, 2020(02)
- [2]基于迁移学习的图像检索方法研究与应用[D]. 宦思琪. 安徽建筑大学, 2021(08)
- [3]基于机器视觉的目标检索方法研究[D]. 冯栋. 北京交通大学, 2021(02)
- [4]基于卷积神经网络的服装图像分类与检索研究[D]. 彭志飞. 东华大学, 2021(01)
- [5]基于正则化扩散过程的形状检索算法研究[D]. 冯达其. 大连理工大学, 2020(02)
- [6]施工现场人员类型识别方法的研究与实现[D]. 孙懿. 电子科技大学, 2020(07)
- [7]面向数字图像证据的取证检验关键技术研究[D]. 黄娜. 北京工业大学, 2020(06)
- [8]光子计数图像融合及彩色化技术研究[D]. 仲红玉. 山东理工大学, 2019(03)
- [9]图像局部特征描述和匹配方法研究[D]. 丁树浩. 华南理工大学, 2019(01)
- [10]基于点特征的图像拼接技术研究[D]. 熊文怡. 重庆三峡学院, 2019(03)