一、A New Color Constancy Model for Machine Vision(论文文献综述)
蒋倩男[1](2021)在《面向智能驾驶辅助系统的视觉感知关键技术研究》文中研究表明智能驾驶辅助系统(Advanced Driving Assistance System,ADAS)可以减少交通事故、降低人员伤害并提高驾驶舒适性,因此,ADAS相关技术的研究具有非常重要的意义。由于机器视觉能够获取丰富的信息且成本较低,使得基于视觉的感知技术被广泛应用于ADAS。本论文将视觉感知技术中与外部道路环境检测以及内部驾驶员状态监测相关的关键技术作为研究对象,研究并提出了基于机器视觉技术的解决方法,为ADAS的设计和开发提供了理论依据和技术支持。基于视觉的外部道路环境检测是指依据图像中的信息判断前方道路是否为可行驶区域,并能够在可行驶区域内准确检测出结构化道路中的车道线。一方面,由于道路图像容易受到不利视觉条件的影响,导致图像中的目标变得模糊、不可见,因此,在进行道路和检测之前需要对图像进行增强。另一方面,由于道路的环境和种类较复杂,检测算法很难同时兼顾准确率和时效性。基于视觉的内部驾驶员状态监测是指利用图像中驾驶员特征检测驾驶员的疲劳等级。由于光照、背景、拍摄角度以及驾驶员的特征等是随机变化的,且驾驶员的疲劳程度还会受到时间因素的影响,进而使得疲劳检测算法的鲁棒性不理想。针对上述问题,本文对视觉感知技术中不利视觉条件下道路图像增强、可行驶道路区域检测、车道线识别以及驾驶员疲劳监测四个关键技术展开深入研究。论文主要研究内容以及创新点主要包括以下四点:(1)提出了一种新的不利视觉条件下动态道路图像增强方法。首先,利用待处理图像中灰度特征和清晰度特征对不同不利视觉条件下的道路图像进行分类;然后,依据分类结果为不同不利视觉条件下的道路图像选择合适的增强算法,并基于图像特征动态调整增强算法的参数,进而使得该方法在保证时效性的同时,对不同不利视觉条件下的图像增强问题具有很强的适应性。(2)提出了基于卷积神经网络(Convolutional Neural Networks,CNN)和Gibbs能量函数的实时非结构化道路可行驶区域检测方法。首先,为提高第一帧检测的鲁棒性,基于改进的随机一致性采样(Random Sample Consensus,RANSAC)算法估计图像中不同区域的单应矩阵H,并将H作为CNN的输入对其进行训练,进而实现可行驶道路区域检测;其次,为提高后续相似帧检测的速率,从第一帧图像的检测结果中提取道路的颜色以及纹理特征,并基于二元分裂算法构建相应的高斯混合模型,然后利用Gibbs能量函数实现后续帧的道路检测。该方法克服了由于道路表面特征、结构特征不确定而导致的鲁棒性差的问题以及由于模型复杂、计算复杂度高而造成的时效性差的问题。(3)提出了一种新的基于特征与模型相结合的车道线检测方法。首先利用不变性特征:灰度特征以及形态特征,从可行驶区域内快速检测出车道线待选区域,并通过改进的概率霍夫变换算法(Progressive Probabilistic Hough,PPHT)获取车道线参数,依据车道线参数从车道线待选区域筛选出车道线区域。该方法不仅解决了基于模型检测中要求车道线结构与预设模型一致性问题、基于特征检测中实际车道线特征不稳定问题,而且对不同环境下(不利视觉条件、树荫以及脏污等)的结构化道路具有较强的适应性,且检测的准确率较高。(4)提出了基于CNN和长短期记忆网络(Long Short-Term Memory,LSTM)的驾驶员疲劳状态实时检测方法。首先,利用简单线性聚类算法(Simple Linear Clustering algorithm,SLIC)将图像分割成大小均匀的超像素,并将超像素作为CNN的输入,然后利用训练好的CNN获取眼部以及嘴部区域的位置和面积。在此基础上,提取眼部特征参数Perclos、嘴部特征参数MClosed、头部朝向特征参数Phdown,并将连续时间序列上的上述特征参数以及方向盘转角特征参数SA作为LSTM的输入,疲劳度等级作为输出,实时检测驾驶员的疲劳状态。该方法能够克服光照、背景、角度以及个体差异的影响,准确、快速地检测出驾驶员的面部、眼部以及嘴部等区域,并综合考虑了时间累积效应对疲劳的影响,进而使得最终检测准确率得到大幅提升。
李豪[2](2021)在《基于机器视觉的核电站换料辅助定位系统研究》文中研究说明人类社会的发展离不开能源,而核能以其清洁环保、高效低耗等优势受到世界各国的重视。目前利用核能的方法主要是在反应堆堆芯中进行核裂变反应,产生电力。核燃料组件是核反应堆堆芯的核心部件,核燃料组件的准确安装与卸载是核反应堆安全平稳运行的前提。目前燃料组件的换料操作仍是依靠人工操作,流程复杂、自动化程度较低,操作人员众多、存在着暴露于强核辐射环境中的安全隐患。随着计算机以及图像处理技术的发展,机器视觉技术以其高精度、高效率、安全可靠等优势被大量应用于各种工业领域中。针对上述现有的燃料组件换料装卸操作中存在的问题,结合燃料组件的特殊工作环境及换料装卸操作对精度的要求,本文开展了基于机器视觉的核电站换料辅助定位系统的研究。论文的主要内容如下:(1)提出了基于机器视觉技术的换料辅助定位系统的设计方案。针对换料辅助定位系统的原理和燃料组件的工作环境,提出了系统硬件和软件设计方案。硬件方案的核心在于水下成像系统的设计。通过光学成像原理的分析,结合核电站换料设备和燃料组件的具体尺寸和定位要求,给出了水下成像系统相机参数的选型方案,确保获得高质量的图像。针对换料辅助定位系统的控制软件需求,对换料辅助定位系统软件进行了详细的设计。(2)提出了基于卷积神经网络的水下图像增强算法。为了解决水下成像系统所拍摄的燃料组件水下图像存在的色偏、边缘不清晰和分辨率低等问题,本文提出了基于卷积神经网络的水下图像增强算法,该算法从水下成像模型出发,通过细节增强、颜色校正等步骤,使得水下图像更为清晰,达到了超分辨率的效果。实验证明了算法的有效性。(3)提出了基于局部区域效应的亚像素边缘检测算法。为了解决传统边缘检测算法不能满足系统定位精度的问题,本文提出了基于局部区域效应的亚像素边缘检测算法,该算法从局部区域效应的原理出发,经过图像去噪、亚像素边缘提取和边缘拟合等步骤,有效提高了燃料组件位置的定位精度。实验证明该算法检测精度为0.1mm,满足系统的精度要求。(4)实现了换料辅助定位系统。根据换料辅助定位系统的原理和设计方案,搭建了换料辅助定位系统实验平台,开发了系统相应软件,并在实验平台上进行了测试。实验证明系统达到了设计精度要求,实现了燃料组件换料操作的高精度定位。
苏龙飞[3](2021)在《面向对象下城市可见光航空影像植被信息提取研究》文中认为植被是社区环境的重要组成部分,具有滞尘,缓解温室效应,改善空气质量等重要生态作用。遥感影像已经成为区域植被信息提取和监测一种常用手段,无人机航空影像一般仅包含红、绿、蓝三种波段,可在短期内获取较大范围地面信息,在信息的分类与快速更新方面具有很大优势,已成为快速小范围信息提取的主要数据来源。在城市区域中受到高大地物(如写字楼、大厦等)影响会有一部分植被信息被阴影区域覆盖,阴影区域存在会影响植被信息提取的精度,因此,本文从非阴影区域和阴影区域两部分研究植被信息提取方法,综合非阴影区域植被信息提取结果和非阴影区域植被提取结果整体提高城市可见光航空影像的植被信息提取精度。非阴影区域植被信息提取现阶段主要利用可见光植被指数,可见光植被指数在大面积植被区域或简单地物背景下植被信息提取效果较好,但是在复杂背景下植被信息提取效果不太理想;阴影区域植被信息提取需要解决两个问题,即阴影检测和阴影消除,在阴影修复的基础下再选取合适的方法进行阴影区域植被信息提取;本文针对上述植被信息提取存在的问题进行研究,具体研究成果如下:(1)非阴影区域植被信息提取。针对可见光植被指数进行植被信息提取时植被与水体、植被与阴影区分度不高的问题,提出了以对象为单元结合可见光植被指数、亮度值和纹理方差信息知识规则的方法,实验结果表明本文方法区分植被与水体、植被与阴影的效果更好,植被提取的总体精度超过90%、kappa系数接近0.8,且相应的错分及漏分精度更低,植被提取结果较为完整。(2)阴影检测。本文基于彩色不变模型法进行阴影检测,针对彩色空间易将水体、蓝色地物误检为阴影区域的问题,提出一种面向对象RGB-C1C2C3的方法进行阴影检测,实验证明面向对象RGB-C1C2C3方法阴影提取效果较好,不会将水体及偏蓝色地物误检为阴影区域,阴影准确度及总体精度达到90%,阴影区域提取效果较好。(3)阴影消除。本文基于颜色恒常理论进行阴影消除,对几个常用的颜色恒常算法进行研究区影像的阴影消除实验,结果证明Shades of Gray算法阴影消除效果较好,利用该方法进行阴影消除后植被区域的光谱间关系信息还原较好,有利于阴影区域植被信息提取。(4)阴影区域植被信息提取。在阴影检测及消除基础上,分析阴影消除后地物的光谱反应曲线,选择可见光植被指数VDVI分别在像素级和对象级层次下进行阴影区域植被信息提取,实验证明采用面向对象下可见光植被指数方法提取阴影区域植被信息的效果更好,能够一定程度上提取阴影区域植被信息。
万雪梅[4](2021)在《低亮度场景的颜色恒常性算法研究》文中进行了进一步梳理颜色恒常性是指人类视觉系统对物体颜色感知的不变性,而成像系统的成像结果则会随着环境光的变化而变化。如果能赋予计算机颜色感知不变性,可以帮助解决与颜色特性高度相关的图像处理问题。在过往几十年关于计算颜色恒常性的研究中,重点解决单光源、正常照度场景下的颜色恒常问题,而忽略了低照度、不均匀光照等复杂但常见的场景,同时,也缺少与之相关的数据集。为此,本文建立了一个全新的低照度、非均匀光照数据集,并提供标准光源。然后基于眼动实验设计了一个基于亮像素的区域选择算法,提升颜色恒常算法在低照度图像上的性能和鲁棒性。本文创建了一个基于夜间场景的全新颜色恒常相关数据集,创建的数据集的主要特性是低亮度。数据集使用两部不同的相机拍摄,共收集459张线性图片。夜间光源多为路灯、车灯、灯牌等辐射范围有限的局部光源,导致整幅图像光照不均匀,夜间图像会存在大量阴影区域。同时,在夜间成像时相机会使用高感光度(ISO),夜间图像噪声水平较高。因此,如果直接使用现有颜色恒常算法作用于低照度图像,算法效果将远低于预期。本文方法的研究动机来自于一个颜色恒常性相关的眼动实验,基于该实验,本文以亮度信息为导向,提出了基于区域选择的计算颜色恒常性方法。该方法既能有效剔除原图中的大量高噪声像素点,又能保留局部空间特征。本方法首先利用亮度信息选择图像低噪声、利于光源估计的区域,然后在选定的局部区域上对图像反射率进行约束,在图像上的不同位置计算出多个光源。在多光源估计问题中,本文利用各个像素与多个光源间的空间距离和反射相似性为整幅图像分配光源权重,计算出逐像素点的估计光源。最后,本文不仅在自建低照度数据集上验证该算法的可行性,还分别在公开单光源数据集和多光源数据集进行测试,以说明该方法的普遍适用性。实验结果表明,在使用颜色恒常算法之前先对输入图像进行区域选择,不仅能大幅提高计算颜色恒常性算法性能,还能提升算法鲁棒性。
顾振飞[5](2020)在《基于大气散射模型的图像增强方法研究》文中提出在雾霾天气下或弱光照条件下所采集的雾霾图像、弱光照图像或红外图像将会显着退化而呈现出纹理缺失、对比度低、动态范围压缩等负面特征,而鉴于机器视觉系统中涉及图像理解、目标识别、目标跟踪等领域的应用都是以输入图像是具有较好可视性为前提的,因此当前“智慧城市”中的机器视觉系统通常难以实现全天候、全时段的全效运行。为解决上述问题,需要对退化后的图像进行增强处理,并使得增强后的图像具备与清晰图像一致或者近似的主观视觉效果和客观评价指标。因此,雾霾图像、弱光照图像和红外图像的增强问题具有显着的理论研究意义与实际应用价值,并已经成为当前机器视觉领域的研究热点。本文对当前雾霾图像、弱光照图像和红外图像增强领域的国内外研究现状进行了全面而深入地分析,总结并提炼出了上述领域中当前亟需研究的关键问题。为解决上述问题,从大气散射模型的理论原理入手,进一步分析了利用该模型分别对雾霾图像、弱光照图像和红外图像进行建模及进行增强处理时的技术难点。在此基础上,提出了一个适用于雾霾图像增强的全空间变量散射模型,以及一个适用于弱光照图像和红外图像增强的低像素强度图像退化模型。以本研究所提出的模型为基础,分别研究了不同类型的雾霾图像、弱光照图像和红外图像的增强原理及相关核心技术,从而分别提出了多种雾霾图像、弱光照图像和红外图像增强方法。总体而言,本论文的核心创新点主要集中于以下几个方面:1、针对雾气浓度不均匀的雾霾图像的增强问题,以本研究所提出的全空间变量散射模型为图像退化的理论基础,提出了一种基于平均饱和度先验的雾霾图像增强方法。在所提方法中,以构建雾气浓度分布图的方式对雾霾图像进行了场景分割,提高了模型参数的估计效率;构建了一种基于图像场景权重函数的大气光估计策略,有效提升了全局大气光的定位准确率;提出了一个适用于雾霾图像增强的平均饱和度先验,以及基于该先验的大气散射系数估计方法,实现了大气散射系数的空间分布及数值估计,从而解决了雾气浓度不均匀的雾霾图像的增强问题。2、针对大气光照不均匀的雾霾图像的增强问题,通过将变分Retinex模型的核心思想与基于先验知识的模型参数策略相融合,提出了一种基于多先验知识的雾霾图像增强方法。在所提方法中,构建了一种基于变分Retinex模型的雾霾图像快速分解策略,为各模型参数的空间分布估计分别获取了独立的派生图像;在此基础上,提出了一种基于入射光分量图的大气光分量四叉树搜索策略,以及一种基于多先验知识的子块透射率估计函数,实现了大气光照分量和透射率的空间分布及数值估计,解决了大气光照不均匀的雾霾图像的增强问题。3、针对非均匀退化的弱光照图像的增强问题,通过将本研究所提出的低像素强度图像退化模型引入弱光照图像增强领域,提出了一种基于纯像素比例先验的弱光图像增强方法。在所提方法中,基于对模型的推导将复杂的光照分量估计问题转化为了透射率的估计问题;依据非均匀退化的弱光照图像的退化特征,将逐像素的透射率估计方式进一步转化为了高效的场景透射率估计问题;提出了适用于弱光照图像增强的图像纯像素比例先验,以及一种基于该先验的场景透射率估计方法,解决了非均匀退化的弱光照图像的增强问题。4、针对均匀退化的弱光照图像的增强问题,通过将基于图像先验知识的模型参数估计思想与Retinex模型的理论原理相融合,提出了一种基于多先验的Retinex弱光照图像增强方法。在所提方法中,通过对Retinex模型和明亮通道先验的核心定义的联合推导,实现了对入射光分量的快速估计;提出了一种基于全变分模型和导向滤波的入射光分量图优化策略,在消除入射光分量图中冗余纹理的同时保留了其中的重要边缘特征;基于细节改变先验对增强后的图像进行了针对显着纹理的修复,进一步提升了增强后图像的可视性。所提方法具备了简单高效的优势,并能有效增强均匀退化的弱光照图像。5、针对红外图像的纹理细节增强问题,通过将低像素强度图像退化模型引入了红外图像增强领域,提出了一种基于透射图融合的红外图像增强方法。在所提方法中,通过将热辐射分量估计问题转化为了透射率的估计问题,降低了红外图像纹理细节增强问题的复杂度;在对红外图像进行多尺度透射图估计的基础上,以构建透射图融合权重图的方式提取了各透射图中针对纹理细节增强的有效增益;基于图像金字塔模型对各透射图及其融合权重图像进行了逐层融合,在融合后的透射图中汇聚了提取出的全部有效增益。所提方法通过利用图像融合类方法的核心思想实现了较好的红外图像纹理细节增强效果,但避免了其需要多次采样的缺陷。6、针对低热辐射红外目标的增强问题,通过将图像识别和反转大气散射模型的核心思想融入透射图估计过程,提出了一种基于区域显着性识别的红外图像增强方法。在所提方法中,构建了红外图像显着性特征图,并以此为基础对红外图像进行区域显着性识别,从而划分出了图像中的显着区域和低热辐射区域;利用了反转大气散射模型的核心思想,在对低热辐射区域进行线性反转后进行透射率估计,克服了该区域易于出现透射率估计失效的问题。所提方法能够有效恢复出红外图像中的低热辐射目标,且能避免对显着区域的过增强现象。
何捷舟[6](2020)在《浮选泡沫图像光照不变颜色特征提取及其在精矿品位软测量中的应用》文中进行了进一步梳理精矿品位是选矿产品最重要的品质指标。然而,到目前为止,浮选精矿品位还难以实现在线检测。在实际的工业浮选过程监测中,精矿品位主要依赖于人工采样实验室化验,造成品位监测结果滞后生产四五个小时,且每天只能检测出有限的几个精矿品位数据。因而,无法对浮选生产进行及时有效地调整,难以保证精矿指标的稳定,极易造成精矿品位低下或者矿物资源回收率不高。近年来,基于机器视觉的浮选过程监控被认为是实现工业浮选过程稳定优化生产的一种必不可少的工具。其原因是,大量的研究表明泡沫表面视觉特性包含大量的与选矿生产指标和浮选生产工况相关的信息。比如,浮选泡沫表面颜色被认为是精矿品位的最直接的即时指示器。因而,基于机器视觉的精矿产品品位软测量和过程监控受到国内外广泛重视。然而,浮选泡沫表面颜色特征是一种极易受光照干扰的图像特征。受开放式的泡沫图像信号采集环境的影响,不确定的光源、空气中的粉尘和雾气、以及同一天不同时刻的光照强度和入射角度都会对泡沫图像的颜色信息造成严重的干扰,导致提取的颜色特征难以真实有效的反应泡沫层中所含精矿品位。此外,泡沫图像特征与选矿工艺参量特征中存在大量的冗余和噪声干扰,过程序列数据的动态与非线性行为使得传统的软测量模型难以直接应用于精矿品位软测量。因此,针对上述基于机器视觉的浮选过程精矿品位监测中存在的问题,本文主要开展以下研究:1、针对实际采集的泡沫图像信号存在严重色偏而难以实现泡沫颜色准确测量的问题,提出了一种基于Wasserstein距离的结构保持循环对抗神经网络(Wasserstein distance-based structure-preserving CycleGAN,WDSPCGAN),用于光照不变的泡沫颜色特征检测。WDSPCGAN由两个GAN网络组成,通过对两个GANs的对抗博弈训练,WDSPCGAN可以将任意光照下泡沫图像的颜色域映射到参考光照下的颜色域,同时保持泡沫图像空间结构和表面纹理的不变。所提出的方法在真实的浮选过程中得到验证。结果表明,WDSPCGAN可以在各种未知光照条件下实现泡沫图像颜色的光照不变特性,并保持其结构不变,从而为基于机器视觉的矿物浮选过程关键性指标的在线监测提供有效、客观的评价信息。2、针对工业浮选过程中工艺参量数据和泡沫图像特征存在信息冗余与噪声干扰造成传统的软测量模型精度不高且难以实现精矿品位在线监测的问题,提出一种融合状态转移算法(States Transition Algorithm,STA)与自适应前置稀疏神经模糊推理系统(Adaptive Pre Sparse Neural Fuzzy Inference System,APSNFIS)的软传感器建模方法(STA-APSNFIS)用于浮选过程中精矿品位软测量。STA-APSNFIS首先采用前置稀疏神经网络对传统的ANFIS模型进行改进,有效减少工业浮选过程参数的冗余以及工业过程参量检测中产生的一系列噪声,从而降低模糊推理系统模型的复杂度,以加快网络的收敛速度和在线检测速度。同时,为避免软测量模型陷入局部最优,本文采用STA优化算法取代传统的梯度下降算法对APSNFIS模型参数进行求解。实验结果表明,该方法比ANFIS模型、改进的PSO-ANFIS、GA-ANFIS、以及现有的一些软测量模型都具有更好的稳定性和有效性。3、以一真实的铅锌矿浮选工业过程为具体的研究和应用对象,将本文所提出的泡沫颜色校正方法和精矿品位软测量方法应用到铅锌浮选过程自动化监测中。在铅锌浮选现场建立了一个基于机器视觉的锌浮选品位在线监测系统。该系统的实际的应用结果表明,所提方法能实时的校正泡沫图像颜色特征,并有效的监测出泡沫层所含锌精矿品位,为后续的锌浮选工艺过程控制奠定了基础。
孙奇燕[7](2020)在《融合视觉功能的神经网络和彩色图像分类研究》文中研究说明随着彩色成像技术的成熟和彩色图像的普及,颜色信息在计算机视觉任务中受到了越来越多的重视。颜色是一种光学特性,已有的算法所提取的颜色特征极不稳定。计算机视觉要想拥有和人眼一样卓越的颜色信息处理能力,只有从人类视觉功能出发,且充分利用神经网络强大的特征提取能力。当前人工智能的浪潮已席卷了全球,人工智能领域的公司也在不断激增。仿生视觉是突破人工智能发展瓶颈的关键。将人类视觉功能和神经网络相结合是一个非常重要和令人感兴趣的研究课题。但是现有的仿生视觉神经网络模型对复杂的人类视觉系统处理机制的模拟还不够充分,想要具有与人类视觉水平相当的性能还需要引入更多合适的视觉功能来提升网络性能。此外,目前大部分传统神经网络模型通常为面向固定视觉任务或单一结构的神经网络,难以适应复杂变化的任务需求。未来通用人工智能的应用开发需要借鉴多种类型神经网络的优点,通过构建异构神经网络,实现不同任务、不同网络之间的融合和切换。因此,研究和构建不同类型仿生视觉的神经网络模型是构建异构神经网络的研究基础和迫切需求。本文从仿人类视觉功能的角度出发,基于人类视觉对彩色图像的颜色等信息的处理过程,按照人类视觉通道的层次结构依次构建并模拟了视网膜、初级视觉通道、中高级视觉通道的神经网络模型。所构建的不同层次模型在不同的彩色图像库分类识别任务中取得较好的效果,为今后异构神经网络融合奠定基础。具体研究内容如下:(1)模拟人类视网膜的色适应性、明亮适应性、颜色恒常性等颜色视觉功能,结合两阶段颜色视觉理论模型和卷积神经网络模型,研究并构建了一个颜色视觉的多通道卷积神经网络模型。该模型模拟了人类视觉系统的前期预处理操作,减弱了外界光源对有用信息的影响。按拮抗色、明亮视觉对信息重新编码,增强了信息的颜色表征。研究结果表明该模型适用于不同光源或较暗场景的彩色图像分类识别,具有颜色恒常性等特点。对比加深卷积神经网络层数的策略,结合视网膜视觉功能和卷积神经网络的方法也能得到与之相当的分类正确率。(2)从初级视觉通道和神经元的颜色单、双拮抗感受野特性进行分析,研究并构建了一个沿着人类视觉系统信息处理层次路径的脉冲神经网络模型。该网络神经元具有中心-外周同心圆的感受野结构,另外还采用了Spike Timing Dependent可塑性(STDP)学习规则训练神经元,从而提高特征提取和分类识别任务的性能。研究结果表明该方法适用于颜色丰富、色彩对比明显的物体识别,如应用于花朵、水果等彩色图像的分类识别任务中,与其他方法相比该模型取得了较高的分类正确率。(3)结合单拮抗神经元特性和中、高级视觉通道的注意机制,研究并构建了一个关键部位自动搜索的卷积神经网络模型。以两阶段视觉理论模型为基础,利用视觉注意焦点转移机制搜索具有判别力的局部区域并进行拮抗色空间转换,利用卷积神经网络的卷积层提取局部关键特征和全貌特征,最后联合所有特征分量训练分类网络,实现彩色图像的分类识别。研究结果表明该网络模型能很好地搜索出物体的细节特征。不仅降低了样本标注的复杂性、减少了工作量,而且对比其他细粒度层次的彩色图像分类识别方法能获得较好的效果。
孙丹昱[8](2020)在《面向林业机器人视觉系统的颜色不变性描述子研究》文中提出林业机器人属于特种工业机器人,在复杂的林间作业环境中可以替代劳动者的工作,大大提高工作效率。颜色信息是物体最直观、最有效的表征,也是林业机器人视觉系统作业时获取的重要特征之一,但颜色表征并不稳定,它易受照明条件变化的特性可能会使机器人视觉系统获取颜色失真的图像,进而影响之后的识别、定位等作业效果。使得林业机器人视觉系统拥有可以与人类视觉系统相比拟的颜色恒常性特性,即在照明条件变化的情况下,视觉系统仍然能够识别目标真实的颜色特征,这是本文的研究目的。实现机器视觉系统的颜色恒常性计算有两大方式:其一是估计出场景中光照,对图像进行颜色复原处理,即颜色恒常性的计算;其二是提取出图像中具有光照不变性的颜色特征,即颜色不变性描述子。本文基于林业机器人视觉系统,主要围绕颜色不变性描述子的算法进行着重研究。主要从以下几个方面展开研究:(1)不同颜色描述子算法的分析与评价本文结合已有的国内外研究现状,实现了五大类30种不同的颜色描述子算法,本文选择了室内和户外场景五大颜色数据集进行实验,其中室内场景以物体表面特性为分类基础,研究分析了不同颜色描述子与不同物体表面特性的关系。(2)构建光照不变性颜色空间坐标系基于朗伯特反射理论,本文选择了对室内和户外场景都有较好效果的Diagonal-offset模型为理论基础,提出了两个新的具有光照不变性的颜色空间坐标系:基于颜色信息的颜色空间和基于边缘信息的颜色空间,并从理论和实验证明了其对光照的鲁棒性。(3)构建基于矩不变量的颜色不变性描述子本文以Hu不变矩为理论基础,引入颜色信息成分,在新的光照不变性颜色坐标系中推导出20维对光照具有不变性的颜色描述子,并将其应用于图像识别和检索领域,通过大量实验对比证明了其对光照的鲁棒性。
吴方龙[9](2020)在《低照度图像增强方法研究》文中研究说明由于缺乏光照、照明不均匀、天气变化、相对运动、过度曝光等复杂的自然环境因素导致相机无法始终捕捉到高可见度图像,这给后期的机器视觉应用带来了极大的挑战。因此对图像进行后期处理,使其在多态环境下仍然拥有高质量的标准是必要且势在必行的。低照度彩色图像通常不仅仅有亮度低的特征,同样因为设备精度等的原因伴随着噪声、色彩偏移等。此外,在增强的过程中容易放大噪声,色彩偏移,光晕伪影,梯度顺序不自然等问题。针对低照度图像增强存在的问题,本文的研究工作主要有以下三部分。第一,提出改进的Retinex算法。首先,引入明亮通道的思想来估计照明图,该照明图通过Retinex模型获得增强效果,并且还保持了颜色恒定性。其次,使用多尺度形态学闭操作来修改错误的估计照明,同时抑制噪声和保留边缘纹理特征。最后,使用导向滤波器修正梯度边缘,避免了出现光晕伪影现象。提出算法对光照不均匀图像的增强具有增强较暗部分的视觉特征、色彩恒定、没有光晕伪影和过度增强现象。该算法主要用来增强低照度图像中的光照不均匀图像,但它对其它低照度图像的增强效果不够稳定。第二,提出一种低照度图像的综合图像增强方法,该方法可以在保持图像自然并补偿色彩饱和度的前提下有效增强图像。首先,使用限制膨胀来估计全局照明强度图像。其次,为了保持自然性,用小窗口闭操作首先用于估计照明边缘,然后重新定义导引滤波器以融合照明强度和边缘。此外,提出了一种自适应饱和度融合算法来恢复丢失的色彩信息。通过主观评价和客观评价与其他最新方法比较,证明了该方法的优越性能。它是第一部分的改进,对低照度图像增强效果更加的稳定,但算法并不会去除图像中的噪声。第三,提出了一种基于U-Net网络的低亮度图像增强方法;首先,我们在fivek_data数据集的基础上制作了针对低照度条件图像的数据集;其次,在U-Net网络的基础上修改网络,使其能够适用于低照度图像的增强;该方案在网络中能够有效放大隐藏在黑暗中的特征和纹理,并与此同时,我们在算法中加入了去除噪声模块,消除了部分噪声并降低了在噪声对放大纹理特征的影响。
蔡道清[10](2020)在《非结构农田环境下的自主作业感知技术研究》文中研究说明21世纪以来,我国把加快发展农业机械产业和推动农业机械化水平作为重点工作内容,为了提高农业生产效率,缓解农村劳动力资源短缺的问题,农机装备已被列为“中国制造2025”十大重点研究领域之一。而农机的环境感知技术是农机装备智能化研究的重要内容。研究稳定、可靠的非结构农田环境感知系统对于提升农机装备自动化、智能化水平具有十分重要的意义。非结构农田环境下的农机感知任务主要是导航线检测和障碍物检测两个方向。本文以设计对农田环境鲁棒性高的感知系统为目标,研究了其中涉及的关键技术。主要内容如下:(1)研究设计了以视觉感知为主,毫米波雷达探测为辅的农机环境感知系统。对视觉感知模块、毫米波雷达探测模块和主控制器模块的原理和实现方案进行了研究;研究了不同模块之间的通信方案,并实现了以无线通信方式远程操控主控制器的目的。(2)针对视觉检测导航线容易受到自然光照变化影响的问题,提出了两种去除农田图像中光照成分的算法。一种基于Retinex理论构建农田图像的多尺度反射模型,利用小波变换在图像频率域消除光照成分;一种构建了彩色相机成像模型,通过彩色色值通道之间的关系消除自然光照成分。实验表明两种算法都能有效去除图像中的光照成分,增强视觉检测航线算法的鲁棒性。(3)研究了视觉检测航线算法中的核心内容:图像分割。针对传统图像分割算法过于依赖图像颜色特征,无法有效分割田埂的问题,提出基于特征设计和机器学习的分割算法,引入超像素分割算法预处理农田图像,设计并提取超像素的颜色特征和纹理特征,基于支持向量机模型二分类田埂和农田地块。实验证明了所提算法能有效分割农田的不同地块,完成田埂边界线检测的任务。(4)针对单个感知传感器检测障碍物容易受到环境变化影响的问题,提出视觉-毫米波雷达融合检测的方案。实现了视觉和毫米波雷达在时间和空间上的融合,以毫米波雷达选取的有效目标为种子点,在视觉深度图中完成了检测障碍物尺寸的任务。实验证明此方案能够准确检测农机前方障碍物的空间位置和尺寸信息。
二、A New Color Constancy Model for Machine Vision(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、A New Color Constancy Model for Machine Vision(论文提纲范文)
(1)面向智能驾驶辅助系统的视觉感知关键技术研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 引言 |
1.2 国内外相关领域研究现状 |
1.2.1 基于机器视觉的ADAS国内外研究现状 |
1.2.2 视觉感知技术体系国内外研究现状 |
1.3 本文的研究内容以及创新点 |
1.4 本文的组织结构 |
1.5 本章小结 |
第二章 视觉感知关键技术分析 |
2.1 引言 |
2.2 不利视觉条件下道路图像增强技术 |
2.2.1 雾天低可见度图像增强 |
2.2.2 夜晚低对比度图像增强 |
2.3 可行驶道路区域检测技术 |
2.3.1 结构化道路可行驶区域检测 |
2.3.2 非结构化道路可行驶区域检测 |
2.4 车道线识别技术 |
2.4.1 基于模型的车道线识别 |
2.4.2 基于特征的车道线识别 |
2.4.3 基于深度学习的车道线识别 |
2.5 驾驶员疲劳检测技术 |
2.5.1 基于驾驶员生理信号的疲劳检测 |
2.5.2 基于车辆状态的疲劳检测 |
2.5.3 基于驾驶员特征的疲劳检测 |
2.6 本章小结 |
第三章 不利视觉条件下动态道路图像增强技术 |
3.1 引言 |
3.2 不同不利视觉条件下图像分类 |
3.2.1 不同不利视觉条件下的图像特征分析 |
3.2.2 待处理图像区域划分 |
3.2.3 C区域的灰度特征分析 |
3.2.4 区分白天和夜晚 |
3.2.5 构建图像清晰度评价模型 |
3.2.6 不同视觉条件下图像分类 |
3.3 图像增强 |
3.3.1 夜晚图像增强算法 |
3.3.2 白雾天图像增强算法 |
3.3.3 夜雾天图像增强算法 |
3.4 图像增强算法实验 |
3.4.1 实验数据集 |
3.4.2 实验结果与分析 |
3.5 本章小结 |
第四章 非结构化道路可行驶区域实时检测技术 |
4.1 引言 |
4.2 基于平面单应性以及CNN的道路可行驶区域检测 |
4.2.1 立体视觉平面单应性 |
4.2.2 基于改进RANSAC算法估计单应矩阵 |
4.2.3 基于CNN的道路可行驶区域检测 |
4.3 基于颜色以及纹理特征的道路可行驶区域检测 |
4.3.1 构建颜色GMMs模型 |
4.3.2 构建纹理GMMs模型 |
4.3.3 基于Gibbs能量函数的道路可行驶区域检测 |
4.3.4 GMMs模型的更新策略 |
4.4 实时非结构化道路可行驶区域检测算法实验 |
4.4.1 实验数据集 |
4.4.2 参数设置与网络结构设计 |
4.4.3 实验结果与分析 |
4.5 本章小结 |
第五章 车道线实时检测技术 |
5.1 引言 |
5.2 车道线区域检测 |
5.3 获取车道线参数 |
5.4 车道线检测算法实验 |
5.4.1 实验数据集 |
5.4.2 参数设置 |
5.4.3 实验结果与分析 |
5.5 本章小结 |
第六章 驾驶员疲劳状态实时检测技术 |
6.1 引言 |
6.2 基于SLIC的超像素分割 |
6.3 基于CNN获取眼部以及嘴部区域 |
6.3.1 CNN的结构 |
6.3.2 CNN的求解 |
6.4 特征参数提取 |
6.4.1 眼部特征参数 |
6.4.2 嘴部特征参数 |
6.4.3 面部朝向特征参数 |
6.4.4 方向盘特征参数 |
6.5 基于LSTM的驾驶员疲劳检测 |
6.6 驾驶员疲劳状态实时检测算法实验 |
6.6.1 实验数据集 |
6.6.2 确定超像素分割参数K的值 |
6.6.3 CNN的参数设置与网络结构设计 |
6.6.4 基于CNN眼部以及嘴部区域检测 |
6.6.5 基于LSTM检测驾驶员疲劳状态 |
6.7 本章小结 |
第七章 总结和展望 |
7.1 论文总结 |
7.2 论文不足和展望 |
参考文献 |
攻读博士学位期间的学术活动及成果情况 |
(2)基于机器视觉的核电站换料辅助定位系统研究(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 研究现状 |
1.2.1 燃料组件换料现状 |
1.2.2 水下图像增强算法 |
1.2.3 亚像素边缘检测算法 |
1.3 论文的研究内容 |
1.4 论文的主要结构 |
第二章 换料辅助定位系统原理和总体设计 |
2.1 换料辅助定位系统原理 |
2.2 换料辅助定位系统硬件设计 |
2.2.1 水下成像系统 |
2.2.2 安装机构 |
2.3 换料辅助定位系统软件设计 |
2.3.1 用户控制软件设计 |
2.3.2 视觉检测软件设计 |
2.4 本章小结 |
第三章 基于卷积神经网络的水下图像增强算法 |
3.1 引言 |
3.2 图像质量评价指标 |
3.3 基于卷积神经网络的水下图像增强算法框架 |
3.4 基于注意力机制的水下图像超分辨率算法 |
3.4.1 注意力机制 |
3.4.2 网络损失函数 |
3.4.3 残差通道注意块 |
3.4.4 神经网络架构 |
3.5 基于U-Net的水下图像颜色校正网络 |
3.5.1 改进的水下成像模型 |
3.5.2 水下图像颜色校正网络 |
3.6 实验效果分析 |
3.7 本章小结 |
第四章 基于局部区域效应的燃料组件亚像素边缘检测算法 |
4.1 引言 |
4.2 基于局部区域效应的亚像素边缘检测算法 |
4.2.1 局部区域效应 |
4.2.2 基于局部区域效应的边缘检测方法 |
4.3 实验效果分析 |
4.3.1 去噪滤波器的选择 |
4.3.2 基于局部区域效应的亚像素边缘检测实验 |
4.4 本章小结 |
第五章 换料辅助定位系统实现及实验 |
5.1 引言 |
5.2 换料辅助定位系统硬件实现 |
5.3 换料辅助定位软件实现 |
5.3.1 视觉检测软件实现 |
5.3.2 用户控制软件实现 |
5.4 实验与分析 |
5.4.1 燃料组件装载模式实验 |
5.4.2 燃料组件卸载模式实验 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 全文工作总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得研究成果 |
(3)面向对象下城市可见光航空影像植被信息提取研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景、目的及意义 |
1.1.1 研究背景 |
1.1.2 研究目的及意义 |
1.2 国内外研究进展 |
1.2.1 可见光波段植被提取研究现状 |
1.2.2 基于颜色不变原理阴影检测研究现状 |
1.2.3 基于颜色恒常原理阴影消除研究现状 |
1.3 本文研究内容和结构安排 |
1.3.1 研究内容 |
1.3.2 本文结构安排 |
第二章 非阴影区域植被信息提取 |
2.1 引言 |
2.2 基于可见光植被指数的植被信息提取方法 |
2.2.1 可见光植被指数 |
2.2.2 Otsu大津法阈值分割 |
2.3 面向对象下知识规则的植被信息提取方法 |
2.3.1 多尺度分割原理 |
2.3.2 面向对象知识规则建立 |
2.4 实验结果及分析 |
2.4.1 实验数据介绍 |
2.4.2 基于可见光植被指数植被信息提取 |
2.4.3 面向对象下知识规则植被信息提取 |
2.4.4 实验结果精度分析 |
2.5 本章小结 |
第三章 基于彩色不变原理阴影检测 |
3.1 引言 |
3.2 阴影的性质 |
3.2.1 阴影类型 |
3.2.2 阴影光谱性质 |
3.2.3 阴影颜色性质 |
3.2.4 阴影特点 |
3.3 彩色空间 |
3.3.1 彩色变换基本原理 |
3.3.2 RGB彩色空间 |
3.3.3 HSV彩色空间 |
3.3.4 YIQ彩色空间 |
3.3.5 C1C2C3 彩色空间 |
3.3.6 面向对象RGB-C1C2C3 |
3.4 实验结果综合分析 |
3.5 本章小结 |
第四章 基于颜色恒常理论阴影消除 |
4.1 引言 |
4.2 颜色校正原理 |
4.3 Gray World算法 |
4.4 Max-RGB算法 |
4.5 Gray Edge算法 |
4.6 Shades of Gray算法 |
4.7 实验结果综合分析 |
4.8 本章小结 |
第五章 阴影区域植被信息提取 |
5.1 引言 |
5.2 阴影区域植被信息提取 |
5.2.1 阴影消除后地物光谱信息分析 |
5.2.2 基于可见光植被指数VDVI阴影区域植被信息提取 |
5.2.3 面向对象下可见光植被指数VDVI阴影区域植被提取 |
5.2.4 结果分析 |
5.3 城市可见光航空影像植被信息提取综合分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 不足与展望 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
(4)低亮度场景的颜色恒常性算法研究(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 |
1.2.1 感知颜色恒常性 |
1.2.2 计算颜色恒常性 |
1.3 本文研究内容 |
1.4 本论文的结构安排 |
第二章 颜色恒常性的相关理论及基本方法 |
2.1 引言 |
2.2 颜色模型 |
2.3 成像模型 |
2.4 颜色恒常性相关理论和方法 |
2.4.1 基于单光源的理论和方法 |
2.4.2 基于多光源的理论和方法 |
2.4.3 低照度图像颜色校正方法 |
2.5 本章小结 |
第三章 低亮度场景数据集建立 |
3.1 引言 |
3.2 数据收集 |
3.2.1 相机 |
3.2.2 场景 |
3.3 数据预处理 |
3.4 标准光源 |
3.5 数据集特性 |
3.6 本章小结 |
第四章 受视觉实验启发的低亮度颜色恒常算法 |
4.1 引言 |
4.2 眼动实验及图像分析 |
4.3 算法框架 |
4.3.1 基于区域选择的计算颜色恒常性方法 |
4.3.2 多光源估计 |
4.4 实验结果 |
4.4.1 低亮度图像光源计算结果 |
4.4.2 公开数据集实验结果 |
4.4.3 光源估计局限性分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(5)基于大气散射模型的图像增强方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究意义与目的 |
1.2 国内外研究现状 |
1.2.1 雾霾图像增强 |
1.2.2 弱光照图像增强 |
1.2.3 红外图像增强 |
1.3 论文主要研究内容及组织架构 |
第二章 大气散射模型的分析与改进 |
2.1 大气散射模型分析 |
2.2 全空间变量散射模型 |
2.3 低像素强度图像退化模型 |
2.4 本章小结 |
第三章 基于平均饱和度先验的雾霾图像增强方法 |
3.1 雾气浓度不均匀的雾霾图像增强问题分析 |
3.2 基于平均饱和度先验的雾霾图像增强方法 |
3.2.1 雾气浓度分布图 |
3.2.2 基于雾气浓度分布图的图像分割 |
3.2.3 基于图像场景权重函数的大气光估计 |
3.2.4 基于图像平均饱和度先验的大气散射系数估计 |
3.3 实验及结果分析 |
3.3.1 定性比较 |
3.3.2 定量比较 |
3.4 本章小结 |
第四章 基于多先验知识的雾霾图像增强方法 |
4.1 大气光照不均匀的雾霾图像增强问题分析 |
4.2 基于多先验知识的雾霾图像增强方法 |
4.2.1 基于变分Retinex模型的雾霾图像快速分解 |
4.2.2 基于光照分量图分割的大气光估计 |
4.2.3 基于雾气浓度特征模型的反射分量图二次分割 |
4.2.4 子块透射率估计多目标优化函数 |
4.3 实验及结果分析 |
4.3.1 定性比较 |
4.3.2 定量比较 |
4.4 本章小结 |
第五章 基于纯像素比例先验的弱光图像增强方法 |
5.1 非均匀退化弱光照图像增强问题分析 |
5.2 基于纯像素比例先验的弱光图像增强方法 |
5.2.1 纯像素比例先验 |
5.2.2 弱光照图像场景分割 |
5.2.3 基于纯像素比例先验的透射率估计 |
5.3 实验及结果分析 |
5.3.1 关于聚类数的实验比较 |
5.3.2 定性比较 |
5.3.3 定量比较 |
5.4 本章小结 |
第六章 基于多先验的Retinex弱光照图像增强方法 |
6.1 均匀退化弱光照图像增强问题分析 |
6.2 基于多先验的Retinex弱光照图像增强方法 |
6.2.1 基于明亮通道先验的入射光分量估计 |
6.2.2 基于全变分模型和导向滤波的入射光分量图优化 |
6.2.3 基于细节改变先验的图像边缘特征修复 |
6.3 实验及结果分析 |
6.3.1 定性比较 |
6.3.2 定量比较 |
6.4 本章小结 |
第七章 基于透射图融合的红外图像增强方法 |
7.1 红外图像纹理细节增强问题分析 |
7.2 基于透射图融合的红外图像增强方法 |
7.2.1 红外图像多尺度透射图估计 |
7.2.2 基于图像金字塔模型的透射图融合 |
7.3 实验及结果分析 |
7.3.1 定性比较 |
7.3.2 定量比较 |
7.4 本章小结 |
第八章 基于区域显着性识别的红外图像增强方法 |
8.1 低热辐射红外目标增强问题分析 |
8.2 基于区域显着性识别的红外图像增强方法 |
8.2.1 红外图像区域显着性识别 |
8.2.2 基于像素强度反转的红外图像透射图估计 |
8.2.3 基于细节改变先验的边缘特征增强 |
8.3 实验及结果分析 |
8.3.1 定性比较 |
8.3.2 定量比较 |
8.4 本章小结 |
第九章 总结与展望 |
9.1 全文总结 |
9.2 后续研究展望 |
参考文献 |
附录2 攻读博士学位期间撰写的论文 |
附录3 攻读博士学位期间申请的专利 |
附录4 攻读博士学位期间参加的科研项目 |
致谢 |
(6)浮选泡沫图像光照不变颜色特征提取及其在精矿品位软测量中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 选题背景与研究意义 |
1.2 计算颜色恒常方法研究现状 |
1.2.1 颜色恒常性原理 |
1.2.2 计算颜色恒常发展现状 |
1.3 软传感器建模方法研究现状 |
1.4 主要研究内容与章节安排 |
第2章 浮选原理及泡沫颜色与精矿品位的相关性分析 |
2.1 矿物浮选原理 |
2.1.1 泡沫浮选工艺过程 |
2.1.2 矿化过程与泡沫层的产生 |
2.2 泡沫图像颜色信息与精矿品位相关性分析 |
2.3 本章小结 |
第3章 基于WDSPCGAN的浮选泡沫图像光照不变颜色特征提取 |
3.1 泡沫图像颜色恒常与风格转移 |
3.2 相关工作 |
3.2.1 基于Cycle GAN的图像颜色风格转移 |
3.2.2 基于Wasserstein距离的GAN(WGAN) |
3.3 基于WDSPCGAN的颜色恒常 |
3.3.1 WDSPCGAN |
3.3.2 基于WDSPCGAN的颜色校正算法流程 |
3.3.3 复杂度分析 |
3.4 实验验证 |
3.4.1 实验环境与评价指标 |
3.4.2 泡沫图像颜色校正及结果分析 |
3.4.3 泡沫颜色特征提取与精矿品位相关性分析 |
3.5 本章小结 |
第4章 基于STA-APSNFIS浮选过程精矿品位软测量 |
4.1 精矿品位软测量技术 |
4.2 相关工作 |
4.2.1 ANFIS |
4.2.2 STA |
4.3 基于STA-APSNFIS的泡沫浮选软测量模型 |
4.3.1 APSNFIS |
4.3.2 STA-APSNFIS |
4.3.3 模型复杂度分析 |
4.4 实验验证 |
4.4.1 有效性验证 |
4.4.2 对比性实验 |
4.4.3 工业铅锌浮选过程锌精矿品位软测量 |
4.5 本章小结 |
第5章 基于机器视觉的铅锌浮选过程锌品位监测系统 |
5.1 铅锌矿浮选工业过程简介 |
5.2 系统功能设计 |
5.2.1 系统结构设计 |
5.2.2 软件功能设计 |
5.3 系统界面与操作流程 |
5.4 本章小结 |
总结与展望 |
1 总结 |
2 展望 |
参考文献 |
攻读硕士期间主要研究成果及获奖情况 |
致谢 |
(7)融合视觉功能的神经网络和彩色图像分类研究(论文提纲范文)
中文摘要 |
Abstract |
绪论 |
第一节 引言 |
第二节 研究背景和意义 |
第三节 相关研究领域的发展历程 |
第四节 国内外研究现状 |
第五节 论文的主要内容和结构安排 |
第一章 视觉系统和人工神经网络概述 |
第一节 视觉系统 |
第二节 人工神经网络 |
第二章 模拟视网膜感知的卷积神经网络及彩色图像分类 |
第一节 两阶段颜色视觉模型 |
第二节 相关的颜色感知与彩色图像分类 |
第三节 模拟视网膜感知的卷积神经网络模型与算法 |
第四节 模拟视网膜感知的卷积神经网络性能测试 |
第五节 结论与讨论 |
第三章 基于初级视觉通道的脉冲神经网络及彩色图像分类 |
第一节 拮抗神经元感受野 |
第二节 相关的视觉神经网络研究工作 |
第三节 仿初级视觉通道的脉冲神经网络模型算法 |
第四节 网络的特征提取能力分析与实验结果 |
第五节 本章小结 |
第四章 关键部位自动搜索神经网络及彩色图像分类 |
第一节 视觉注意机制与图像分类 |
第二节 搜索目标区域的相关研究工作 |
第三节 关键部位自动搜索神经网络算法 |
第四节 实验结果与分析 |
第五节 本章小结 |
第五章 结论 |
第一节 全文总结 |
第二节 工作展望 |
参考文献 |
攻读学位期间承担的科研任务与主要成果 |
致谢 |
个人简历 |
(8)面向林业机器人视觉系统的颜色不变性描述子研究(论文提纲范文)
摘要 |
abstract |
1.绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.3 计算机视觉 |
1.4 颜色恒常性 |
1.5 论文研究内容及技术路线 |
1.6 文章的结构安排 |
2.现有颜色不变性描述子的分析与评价 |
2.1 基于颜色空间选择的颜色描述子 |
2.2 基于光照反射模型的不变性描述子 |
2.3 基于数学模型的不变性描述子 |
2.4 基于信息论的不变性描述子 |
2.5 基于卷积神经网络的不变性描述子 |
2.6 实验结果与分析 |
2.6.1 性能评价 |
2.6.2 图像识别实验 |
2.6.3 图像检索实验 |
2.6.4 描述子光照鲁棒性分析 |
2.6.5 成对T检验分析 |
2.6.6 本章小结 |
3.光照不变性的颜色空间 |
3.1 Diagonal-offset模型 |
3.2 光照不变性颜色空间的建立 |
3.3 实验结果与分析 |
3.4 本章小结 |
4.基于矩不变量的颜色不变性描述子 |
4.1 矩理论介绍 |
4.1.1 Hu矩 |
4.1.2 Zernike矩 |
4.1.3 傅里叶梅林矩 |
4.2 颜色不变性描述子的推导 |
4.3 实验结果与分析 |
4.4 本章小结 |
5.结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
个人简介 |
导师简介 |
获得成果目录 |
致谢 |
(9)低照度图像增强方法研究(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 |
1.2.1 灰度图像增强 |
1.2.2 彩色图像增强 |
1.2.3 总结 |
1.3 论文主要工作和创新点 |
1.4 论文的结构安排 |
第二章 相关技术和理论基础 |
2.1 图像增强定义 |
2.2 Retinex理论基础 |
2.3 色彩恒常理论基础 |
2.3.1 色彩空间变换 |
2.3.2 亮通道原理 |
2.4 形态学闭操作 |
2.5 滤波器 |
2.5.1 高斯滤波器 |
2.5.2 双边滤波器 |
2.5.3 加权最小二乘滤波器 |
2.5.4 导向滤波器 |
2.5.5 总结 |
第三章 改进单尺度Retinex算法 |
3.1 方法流程 |
3.1.1 多尺度融合估计入射光 |
3.1.2 导向滤波修正入射光 |
3.2 实验结果分析 |
3.2.1 主观评价 |
3.2.2 客观评价 |
3.3 总结 |
第四章 针对低照度照明环境的综合图像增强方法 |
4.1 方法流程 |
4.1.1 恢复隐藏在黑暗中的信息 |
4.1.2 饱和度补偿 |
4.2 流程仿真实验 |
4.1.1 照明估计中的限制膨胀算法 |
4.1.2 融合估计的照明图像和边缘图像 |
4.1.3 饱和度补偿实验仿真 |
4.3 实验结果分析 |
4.3.1 实验环境介绍 |
4.3.2 主观评价 |
4.3.3 客观评价指标 |
4.3.4 客观评价结果分析 |
4.4 总结 |
第五章 基于U-Net网络的低亮度图像增强方法 |
5.1 数据集 |
5.2 网络 |
5.3 仿真实验 |
5.3.1 引入中间照明分量仿真实验 |
5.3.2 去噪模块仿真实验 |
5.4 实验结果分析 |
5.4.1 主观评价 |
5.4.2 客观评价 |
5.5 总结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
附录 A 攻读学位期间发表论文目录及专利 |
附录 B 攻读学位期间参与的研究工作 |
(10)非结构农田环境下的自主作业感知技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 非结构农田环境下农机导航路线检测研究现状 |
1.2.2 非结构农田环境下障碍物检测研究现状 |
1.3 主要研究内容和章节安排 |
1.3.1 论文的研究内容 |
1.3.2 论文的章节安排 |
第二章 农机环境感知系统设计 |
2.1 非结构农田环境下感知系统的总体架构 |
2.2 视觉感知模块 |
2.2.1 相机模型 |
2.2.2 ZED双目相机 |
2.2.3 相机标定 |
2.3 毫米波雷达探测模块 |
2.3.1 SR73F毫米波雷达 |
2.3.2 毫米波雷达数据解析 |
2.4 主控制器 |
2.5 无线通信模块及CAN通信模块 |
2.6 本章小结 |
第三章 农田图像光照不变特征提取算法的研究 |
3.1 Retinex光照模型 |
3.2 基于小波变换提取光照不变特征 |
3.2.1 离散小波变换 |
3.2.2 农田图像多尺度反射模型 |
3.2.3 光照不变特征提取 |
3.2.4 特征提取算法执行细节 |
3.3 基于相机成像模型提取光照不变特征 |
3.3.1 构建相机成像模型 |
3.3.2 锐化处理 |
3.3.3 光照不变特征提取 |
3.4 实验与分析 |
3.4.1 实验场景 |
3.4.2 小波变换提取光照不变特征图质量分析 |
3.4.3 相机成像模型提取光照不变特征图质量分析 |
3.4.4 农作物航线提取实验 |
3.5 本章小结 |
第四章 基于支持向量机的图像分割算法的研究 |
4.1 算法概述 |
4.2 SLIC超像素分割预处理 |
4.3 超像素特征提取 |
4.3.1 颜色特征的提取 |
4.3.2 纹理特征的提取 |
4.4 基于支持向量机的农田田埂识别 |
4.4.1 支持向量机 |
4.4.2 SVM模型训练和预测 |
4.5 实验与分析 |
4.5.1 实验平台及场景 |
4.5.2 特征分析实验 |
4.5.3 田埂边界检测实验 |
4.6 本章小结 |
第五章 视觉和毫米波雷达融合检测障碍物算法的研究 |
5.1 雷达数据预处理 |
5.1.1 滤除异常信号 |
5.1.2 选取有效目标 |
5.2 毫米波雷达和视觉融合 |
5.2.1 空间融合 |
5.2.2 时间融合 |
5.3 障碍物尺寸检测 |
5.3.1 区域生长图像分割算法 |
5.3.2 地面滤除和确定障碍物尺寸 |
5.4 实验与分析 |
5.4.1 实验平台及场景 |
5.4.2 毫米波雷达和视觉空间融合效果验证实验 |
5.4.3 障碍物检测实验 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 研究总结 |
6.2 研究创新点 |
6.3 研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间的学术成果 |
四、A New Color Constancy Model for Machine Vision(论文参考文献)
- [1]面向智能驾驶辅助系统的视觉感知关键技术研究[D]. 蒋倩男. 合肥工业大学, 2021(02)
- [2]基于机器视觉的核电站换料辅助定位系统研究[D]. 李豪. 电子科技大学, 2021(01)
- [3]面向对象下城市可见光航空影像植被信息提取研究[D]. 苏龙飞. 合肥工业大学, 2021(02)
- [4]低亮度场景的颜色恒常性算法研究[D]. 万雪梅. 电子科技大学, 2021(01)
- [5]基于大气散射模型的图像增强方法研究[D]. 顾振飞. 南京邮电大学, 2020
- [6]浮选泡沫图像光照不变颜色特征提取及其在精矿品位软测量中的应用[D]. 何捷舟. 湖南师范大学, 2020
- [7]融合视觉功能的神经网络和彩色图像分类研究[D]. 孙奇燕. 福建师范大学, 2020(12)
- [8]面向林业机器人视觉系统的颜色不变性描述子研究[D]. 孙丹昱. 北京林业大学, 2020(02)
- [9]低照度图像增强方法研究[D]. 吴方龙. 昆明理工大学, 2020(05)
- [10]非结构农田环境下的自主作业感知技术研究[D]. 蔡道清. 上海交通大学, 2020