导读:本文包含了图像泛化论文开题报告文献综述及选题提纲参考文献，主要关键词:全参考图像质量评价,机器学习,泛化能力,图像数据库
图像泛化论文文献综述
马小雨,姜秀华[1]（2019）在《基于机器学习的全参考图像质量评价模型泛化能力分析》一文中研究指出图像质量评价模型的最终目的是在现实场景中准确度量给定图像的质量,然而目前大多数基于机器学习的图像质量评价模型都致力于在给定的图像数据库中取得较高准确率,却在一定程度上忽视了对其泛化能力的研究。本文通过主观评价实验建立一个包含多种失真类型、大量图像内容的图像数据库,在此基础上对多种基于机器学习的全参考图像质量评价模型的泛化能力进行验证。实验结果表明这类图像质量评价模型在特定数据集上可以取得极为准确的预测结果,但是其泛化能力较为有限,很难被应用于现实场景。(本文来源于《中国传媒大学学报(自然科学版)》期刊2019年04期）
杨倩文,孙富春[2]（2018）在《基于泛化空间正则自动编码器的遥感图像识别》一文中研究指出为了解决遥感图像中的合成孔径雷达(synthetic aperture radar,SAR)图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法,针对有限样本的识别分类问题建立了样本密度估计模型,并从理论上验证了泛化空间方法的可行性;其次,在正则化自动编码器模型中,加入了泛化规则作为新的正则化因子对图像重构误差进行约束,针对有限样本问题建立泛化正则自动编码器(generalized autoencoders,GAE),并提出利用该算法进行图像识别的模型;最后,将该模型应用于遥感图像小样本目标识别问题中。实验结果表明:GAE在SAR图像中具有最优的小样本学习能力,在样本数量有限的情况下,该方法表现出最小的重构误差和测试错误率。在小样本输入情况下,GAE模型实现了对MSTAR图像以及船舶SAR图像的识别分类,进一步证明了该算法相比于同类算法在SAR图像小样本识别问题中更具有优势。(本文来源于《清华大学学报(自然科学版)》期刊2018年02期）
林刚,王波,彭辉,陈思远,方必武[3]（2018）在《基于强泛化卷积神经网络的输电线路图像覆冰厚度辨识》一文中研究指出实际自然场景下的覆冰监测系统中,受天气、光线、摄像头老化和角度等问题的影响,覆冰图像具有低分辨率化和多形态化的特性,如何找到具有强泛化能力的覆冰图像识别方法成为关注的热点。该文提出一种基于强泛化卷积神经网络(India buffet process-convolutional neural network,IBP-CNN)的输电线路覆冰厚度识别方法。该方法首先通过增强与消减算法确定滤波器数目及滤波器参数,以减少模型的冗余度,然后基于输出损失函数,利用反向传播算法调整层间连接权值,最后根据更新的模型参数和网络结构推算逐层输出,得到强泛化性的IBP-CNN网络。实际场景数据集测试结果表明,相比力学模型监测方法、图像边缘检测和浅层机器学习方法,IBP-CNN能够在不同分辨率和不同位置角度的覆冰图像场景下保持较高的辨识精度和速度,具有较强的自然场景泛化能力和工程实用价值。(本文来源于《中国电机工程学报》期刊2018年11期）
杨帆[4]（2016）在《大数据图像泛化时代下设计价值维度的转向》一文中研究指出目的在当今这个大数据的信息消费时代,科技革命成果的影响渗透到人们日常生活的各个角落;而作为视觉文化艺术重要部分的设计艺术,其设计成果的展陈、推广方式也在由传统的线下空间实体体验向以二维码、APP为代表的线上移动互联网平台的微虚拟空间转型。方法结合移动互联网平台上设计领域中提供的体验为例,以图像学的理论对其分析。结论不同类型产品的APP为其设计提供移动互联网虚拟展示空间平台的全新的试验场,也形成了全新的美学特征,探讨在大数据图像泛化时代下设计价值维度的转向。(本文来源于《包装工程》期刊2016年14期）
陈科宇[5]（2016）在《大数据图像泛化时代下架上艺术价值维度的转向——以移动互联网平台上的艺术展览为例》一文中研究指出在当今大数据的信息消费时代,作为视觉文化重要部分的架上绘画,其艺术展陈方式也由传统的实体空间向移动互联网技术创作的虚拟空间转型,由手工性图像向机械技术图像转变。以微信、微博等APP软件提供的平台成为展览试验场,也形成具有特型性的美学特征。本文将结合移动互联网平台上艺术展陈领域中的机械技术图像为例,用指涉理论的视角探讨移动互联网平台展览中技术图像对传统艺术展览模式下手工性图像的颠覆与解构。(本文来源于《大众文艺》期刊2016年13期）
金惠敏[6]（2013）在《图像增殖与审美泛化》一文中研究指出"审美泛化"已成为当代社会理论家把握现代化进程的一个重大命题,在中国相关讨论主要围绕"日常生活审美化"而展开。综观中西方在这一命题上的研究成果,究竟是什么力量在背后推动"审美泛化"的问题尚未被认真地提上议事日程。本文以"审美化"命题的主要阐发者韦尔施、波德利亚、费瑟斯通、波兹曼为研究案例,佐之以海德格尔等人的论述,指出在这些理论家中存在着一条或显或隐的思想主线,即将图像增殖作为审美化的推动力量。尽管这一思想并未彻底揭开"审美化"的谜底,但它已将我们引向商品与形象-美学的内在关联。一件商品不仅是实体性的,而且也具有并不必然归属于其实体的、飘离的形象。本文暗含了对资本主义之操纵、榨取美学或"资本主义美学"的揭露。(本文来源于《燕赵学术》期刊2013年01期）
王蕴[7]（2011）在《图像泛化对油画创作中挪用手法的影响》一文中研究指出"挪用"在字面上可解释为"从别处借用"或"挪做他用",在手法上表现为从形式或观念上借助并改造现存文本或图像进行创作,通过图像语境的转化,赋予作品新的内涵和意义。根据挪用的对象和内容的不同,可大致分为图像的挪用,思想、观念上的挪用,表现手法上的挪用等。(本文来源于《美与时代(中)》期刊2011年11期）
黄正为[8]（2011）在《基于最小化局部泛化误差模型的RBFNN的图像目标分割算法》一文中研究指出数字图像的应用在人们的日常生活中变得越来越广泛,人们所需要的数字图像大部分都可以直接从网上下载,虽然网络能够给有需要的人提供大量的图片,但是并不是所有的图片都是编辑得很好而可以直接拿来使用。很多图片都是需要经过进一步的处理加工,其中对图片进行分割是必不可少的工序之一。而且人们经常并不是对整个图片感兴趣,而是对图像的某些区域感兴趣,因为对分割后的图像进行处理和分析能够大大提高图像的利用率。图像分割还是图像分类的前提,通过图像分割去除图像的背景和噪音部分能够极大地改善图像分类的准确率。图像分割也是图像处理过渡到图像分析的重要阶段。因此图像分割的研究具有极其重要的意义,目前图像分割仍然是图像处理与分析的研究热点之一。许多图像目标区域分割方法是基于目标区域与背景区域之间具有不同的颜色来进行分割,但是目标区域与背景区域可能出现相同或相似的颜色,此时仅仅通过颜色无法将目标区域从背景中分割出来。本文给出了一种基于最小化局部泛化误差模型(L-GEM)的RBFNN的图像目标分割算法。该算法对图像的目标区域进行分割不是直接通过目标区域与背景区域之间的颜色差异,而是对图像中的像素进行划分,使用一部分图像的像素作为训练集,另一部分图像的像素作为测试集,使用RBFNN对象素进行分类最终将目标区域从背景中分割出来。本文中我们主要是对不同背景图片中汽车区域的分割,也就是将汽车区域从具有不同背景的图片中分割出来,这有利于我们对汽车图片做进一步的处理与分析,尤其是在智能交通监控系统中具有极其重要的作用。为了体现本文方法的有效性,我们将本文的图像分割方法的结果与OTSU,ORCIS进行比较。由于本文的算法是将图像中的目标区域从背景中分割出来,那么完成初始分割之后将得到目标与背景之间的边缘,因此我们还将本文算法得到的图像中目标区域的边缘与几种经典的边缘检测算子:Canny,Roberts,Prewitt进行比较。实验结果表明,本文中的算法对图像进行分割得到的汽车区域不仅要比OTSU和ORCIS得到的区域都要完整,而且准确率也比OTSU和ORCIS要高。基于将目标从背景中分割出来会形成目标与背景之间的边缘这一前提,本文的方法得到的目标区域的边缘要优于Canny,Roberts,Prewitt得到的目标区域的边缘。(本文来源于《华南理工大学》期刊2011-05-23）
赖伟伟[9]（2011）在《基于局部泛化误差模型商标图像检索技术》一文中研究指出基于内容的图像检索是近二十多年来的一个热门研究课题,与传统的基于文本的检索不同,基于内容的图像检索研究如何自动高效地提取图像的低层特征,用这些特征来描述图像的内容。目前,常用的图像特征有颜色特征,纹理特征,形状特征和空间关系特征。作为基于内容的图像检索中一个基本的描述符,形状特征可以直观地,准确地描述一个给定的图像中的物体。商标图像具有背景分明,主体突出等特性,因而形状特征被广泛地应用于基于内容的商标图像检索系统中去。本文对基于内容的图像检索技术做了详细地调研,介绍了一些常用的颜色特征,纹理特征的提取方法及其应用,重点阐述了形状特征的两类提取方法--基于区域的形状特征提取和基于边界的形状特征提取。另外,本文还重点介绍了局部泛化误差模型,该模型可以有效地提高神经网络的泛化能力,在特征选择和分类问题领域有着广泛的运用。Hu矩对形状有着良好的描述能力,它由7个不变矩来描述形状的区域特征,理论上这7个矩具有旋转、平移和缩放不变性。针对仅仅用Hu的7个矩来描述形状存在的不足,本文利用一个改进的方法得到10个更加有效的矩来描述形状特征,本文在此基础上加入了偏心率,用一组融合的特征来描述一个商标的形状特征,这组特征能够取得更好的效果。在第一次返回查询结果的时候,本文采用加权欧氏距离公式来衡量两幅图像之间的相似性。为了解决图像低层特征与高层语义之间的“语义鸿沟”,本文引入了相关反馈技术。当用户对当前的检索结果不满意时,可以对查询结果进行标记,系统根据用户所标记的正负样例,训练出一个RBFNN分类器。在训练分类器的过程中,本文采用了局部泛化误差模型。通过相关反馈,RBFNN可以学习用户对检索结果的认知,系统使用训练得出的RBFNN对数据库的图像进行相关与不相关分类。最终系统将分类器认为相关性最高的一些图像返回给用户。实验结果表明,经过相关反馈之后,利用本文的方法能够进一步提高系统的检索精度。(本文来源于《华南理工大学》期刊2011-05-23）
王前程[10]（2011）在《自动图像标注中基于局部泛化误差模型的特征权重研究》一文中研究指出随着数码相机、移动拍照等数字化设备的快速发展,图像数据信息呈现指数级增长。图像管理成为了研究者面临的一项非常有挑战性的工作。为了更好的适应人们的需求,与图像相关的检索和分类技术成为当前研究的热点。在图像检索的直接驱动下产生了图像标注技术。图像标注是根据图像的相关信息描述成一系列表述图像的标题、关键字等。目前有叁种类型的图像标注方法,包括人工标注,半自动标注和自动标注。自动图像标注的研究具有非常重要的现实意义。自动图像标注的方法有很多种,本文研究的重点是基于分类模型的自动图像标注,将自动标注问题转化为机器学习中的分类问题。自动图像标注过程中,图像特征对自动图像标注性能的好坏有着巨大的影响,如何选择一个全面的、好的特征集合成为研究的一个重点。特征融合和特征优化是本文在特征层次上研究的两个方面。SIFT局部特征点可以很好的描述图像中有代表性的点,本文使用了一种新的特征点描述方法,并将其与MPEG-7标准中的全局颜色和纹理特征相结合进行自动图像标注,从而提高自动图像标注的性能。然而,特征在分类中的作用并不相同,一些特征对分类产生正面影响,一些特征对分类产生负面影响,一些特征则是冗余的,因此有必要对特征进行优化。特征权重是机器学习中特征优化的一种方法。本文根据L-GEM提出了一种新的特征权重方法,将其命名为R_(SM)FW。该方法增强了好的特征的影响,减小了差的特征的影响,提高了自动图像标注的准确率。本文还将RSMFW与RELIEF和I-RELIEF方法进行对比,在自动图像标注中R_(SM)FW显示出了较好的性能。此外,本文还研究了数据缩放对自动图像标注性能的影响最后,本文总结了所取得的研究成果以及不足之处,并对今后的研究内容及工作进行了展望。。(本文来源于《华南理工大学》期刊2011-05-01）
图像泛化论文开题报告
（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：
为了解决遥感图像中的合成孔径雷达(synthetic aperture radar,SAR)图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法,针对有限样本的识别分类问题建立了样本密度估计模型,并从理论上验证了泛化空间方法的可行性;其次,在正则化自动编码器模型中,加入了泛化规则作为新的正则化因子对图像重构误差进行约束,针对有限样本问题建立泛化正则自动编码器(generalized autoencoders,GAE),并提出利用该算法进行图像识别的模型;最后,将该模型应用于遥感图像小样本目标识别问题中。实验结果表明:GAE在SAR图像中具有最优的小样本学习能力,在样本数量有限的情况下,该方法表现出最小的重构误差和测试错误率。在小样本输入情况下,GAE模型实现了对MSTAR图像以及船舶SAR图像的识别分类,进一步证明了该算法相比于同类算法在SAR图像小样本识别问题中更具有优势。
（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。
图像泛化论文参考文献
[1].马小雨,姜秀华.基于机器学习的全参考图像质量评价模型泛化能力分析[J].中国传媒大学学报(自然科学版).2019
[2].杨倩文,孙富春.基于泛化空间正则自动编码器的遥感图像识别[J].清华大学学报(自然科学版).2018
[3].林刚,王波,彭辉,陈思远,方必武.基于强泛化卷积神经网络的输电线路图像覆冰厚度辨识[J].中国电机工程学报.2018
[4].杨帆.大数据图像泛化时代下设计价值维度的转向[J].包装工程.2016
[5].陈科宇.大数据图像泛化时代下架上艺术价值维度的转向——以移动互联网平台上的艺术展览为例[J].大众文艺.2016
[6].金惠敏.图像增殖与审美泛化[J].燕赵学术.2013
[7].王蕴.图像泛化对油画创作中挪用手法的影响[J].美与时代(中).2011
[8].黄正为.基于最小化局部泛化误差模型的RBFNN的图像目标分割算法[D].华南理工大学.2011
[9].赖伟伟.基于局部泛化误差模型商标图像检索技术[D].华南理工大学.2011
[10].王前程.自动图像标注中基于局部泛化误差模型的特征权重研究[D].华南理工大学.2011