导读:本文包含了基于图像空间的技术论文开题报告文献综述及选题提纲参考文献，主要关键词:高分辨率遥感影像,图像处理,影像融合,图像信息
基于图像空间的技术论文文献综述
廖玉斌,苏运超[1]（2019）在《一种基于图像处理技术的高分辨率图像空间图谱处理技术方法》一文中研究指出针对目前由高分辨率遥感影像获取高精度检测结果较难等问题,本文提出了基于图像处理技术的高分辨率图像空间图谱处理技术方法。通过对多时相影像交叉融合的图像信息处理分析,获取城市目标物的图谱特征信息。实验结果表明,该技术方法能准确地从高分辨率遥感影像中获取高精度、稳定性好的特征信息,具有广阔的应用前景。(本文来源于《测绘与空间地理信息》期刊2019年09期）
王瑞,耿建华,陈炜,杜召猛,张朝坤[2]（2019）在《重建技术对不同机型PET/CT图像空间分辨率的模型研究》一文中研究指出目的探讨不同重建条件对PET断层空间分辨率的影响,为临床更好使用PET/CT提供参考。方法采用两种机型(GE Discovery Elite PET/CT、GE Discovery ST-16型PET/CT),模拟临床条件采集,对分布于长轴方向上的5条线源的椭圆柱分辨率模型行PET成像。选择滤波反投影法(FBP),3种迭代法:点扩散(PSF)技术、飞行时间(TOF)技术以及VUE Point HD法对图像进行重建。以线源半高宽(FWHM)表示重建图像的空间分辨率,计算五条线源六个层面上径向FWHM。结果在临床采集、重建条件下,使用PSF技术前后图像空间分辨率范围分别为:4.71mm～6.41mm、4.28mm～5.37mm(Elite型);7.66mm～8.62mm、4.34mm～6.77mm(ST-16型)。使用TOF技术前后图像空间分辨率分别为4.92mm～6.58mm、4.97mm～6.41mm(Elite型)。FBP算法重建图像空间分辨率分别为4.63mm～7.45mm(Elite型)、7.87mm～13.92mm(ST-16型);VUEPointHD算法空间分辨率分别为4.07mm～6.58mm(Elite型)、4.24mm～8.89mm(ST-16型)。结论 PSF技术能够有效提高PET图像空间分辨率,而TOF技术对图像空间分辨率的影响不大。Elite型较ST-16型图像空间分辨率明显改善。重建算法及参数设定对PET图像空间分辨率的影响较大,需依据临床需求和经验选择来辅助决策。(本文来源于《中国医学装备大会暨2019医学装备展览会论文汇编》期刊2019-07-18）
张圆圆,何永玲,王跃飞,田文慧,李谚[3]（2020）在《颜色空间图像处理技术在蔗节识别上的应用》一文中研究指出近年来,我国甘蔗机械化程度有所提高,但在甘蔗种植过程中,全自动化的联合种植机械装置还有待提高。为此,针对甘蔗种植机中甘蔗预切种的蔗节识别提出了基于颜色空间的图像处理,实现甘蔗种植机的蔗节切割智能化。甘蔗蔗节处具有拐点和灰度值不连续的特性,采用边缘拟合法和灰度值拟合法,并在此基础上使用中值决策法识别甘蔗蔗节。蔗节的颜色特征提取和处理算法的实验表明:蔗节识别效果的正确率可以达到94.7%,证明了中值决策法对甘蔗的蔗节识别有效,因此颜色空间视觉识别技术可作为甘蔗预切种中自动装备研制的理论依据。(本文来源于《农机化研究》期刊2020年01期）
杨继攀[4]（2019）在《基于稀疏子空间分析的高光谱图像聚类算法关键技术研究》一文中研究指出近年来,高光谱遥感技术发展迅速,再加上高光谱图像(Hyperspectral Image,简称为HSI)本身可以提供地物的详细覆盖信息,研究人员可以从HSI中更加高效的提取出地物的光谱信息,辐射能量以及空间信息。但是HSI包含了丰富的空间信息和光谱信息,这导致它会有成百上千的维数,很容易造成维度灾难,所以其实对它进行聚类是比较困难的。现目前,我们可以将HSI聚类大致分为四种方法:1)基于质心的方法;2)基于密度的方法;3)基于生物学的方法;4)基于谱聚类的方法。其中谱聚类法较为流行且效果良好,而稀疏子空间聚类(Sparse Subspace Clustering,下面简称为SSC)就是众多谱聚类算法中的一种。SSC算法虽然可以对带噪声的数据进行处理,但是直接利用这种算法进行聚类也有它的局限。基于此,针对SSC算法未利用HSI的空间特征信息引入了流形正则项,在确保利用了 HSI的光谱信息的情况下,更好的获取了 HSI的空间特征;针对SSC算法未利用先验知识引入了半监督学习方法“高斯域和调和函数”(GFHF),同时利用类概率,用己知标签求取未知标签的类概率初始值代替GFHF中的标签二值矩阵。论文在基于SSC算法的基础上,做了以下改进:1)论文提出了一种新的算法,它叫做Laplacian regularized Sparse Subspace Clustering(LapSSC),它增加了以拉普拉斯图为特征的新的流形正则项来反映局部流形结构。因为流形正则项可以捕捉数据点的局部几何结构。所以这种流形正则项的加入,在确保利用到了HSI的整体空间结构的情况下,同时也将HSI的局部空间几何结构利用了起来。在原有算法的优越性能下,进一步有了提高。2)利用着名的半监督学习方法GFHF,将少量的监督信息通过GFHF传播到未标记的数据。但是这存在一个问题,在进行GFHF半监督学习之前,不知道未标记数据点属于每个类的概率,通常的方法是将未标记数据点的初始标签全表示为零,这在一定的范围内限制了聚类精度。因此论文提出了一种新的半监督稀疏子空间聚类框架,叫做Semi-supervised Subspace Clustering for SSC via Class Probability(CPS4C)。论文利用监督信息,通过类概率传播的方法对未标记数据属于哪个子空间进行一个初始的类概率判断,这在很大程度上优化了半监督学习的初始数据,提高了聚类精度。最后,本论文针对提出的不同的聚类方法,在几个知名的HSI数据集上做了一系列实验,数据集分别为Pavia University,Pavia Centre,Salinas。实验结果进一步证明了改进方法的有效性。(本文来源于《安徽大学》期刊2019-05-01）
胡石[5]（2019）在《基于图像模式识别技术的大空间火灾报警系统设计研究》一文中研究指出城市大空间建筑的发展对建筑消防安全提出了更高的要求,传统的传感器及探测器难以满足现今大空间建筑的消防报警需求.基于此,阐述了图像模式识别技术的工作原理及主要任务,并构建了火灾报警系统的具体设计方案,包括图像模式识别技术的具体应用、火灾报警系统的软硬件设计及其发展前景,以期为相关研究提供参考.(本文来源于《西安文理学院学报(自然科学版)》期刊2019年02期）
王敏,王亚辉,陈红圆,徐庆[6]（2018）在《基于图像空间变换的全景图生成专利技术综述》一文中研究指出全景图可以通过广角的表现手段尽可能多地表现出周围的环境。图像空间变换技术是全景图生成的关键技术和主要研究方向。本文从专利文献的角度对基于图像空间变换的全景图生成技术进行了分析,通过统计图像空间变换技术的专利申请现状,阐述了全景图生成领域叁种主流的图像空间变换技术的发展脉络,对基于图像空间变换的全景图生成技术的未来发展趋势进行了预测。(本文来源于《中国发明与专利》期刊2018年S2期）
HANANE,TEFFAHI[7]（2018）在《高光谱和多光谱图像分类的谱-空间特征提取技术》一文中研究指出本文的主要目标是VHR多光谱和高光谱遥感图像的分类。上一代遥感传感器能够从卫星和机载平台获得空间及光谱分辨率非常高的图像。新一代遥感系统获取的VHR多光谱图像,不仅拥有亚测量空间分辨率和高光谱图像,而且具有数百个窄光谱带的非常精细的光谱分辨率。遥感图像用给定研究区域内的空间坐标(如街道,建筑物,植被,水等等)来精确表征地面上的不同目标。这种类型的数据为环境、安全、城市研究、监测等相关的若干应用提供了十分有用的信息。针对具有多光谱和高光谱数据的实际应用的开发,有必要为图像分析设计出更为高效的方法。本文将重点放在遥感图像分类中的特征提取和融合技术上,这是VHR多光谱和高光谱图像分类框架中最重要的一步。作为包含广泛的空间、时间、光谱和辐射分辨率的遥感数据中的主要应用之一,图像分类是遥感中的一项重要任务。它可以作为遥感领域大多数图像理解和表示的支点。像素级分类是遥感领域的重要研究课题,由于两方面的因素使其极具挑战性。首先,数据的光谱维度很大。其次,光谱特征的空间变化很大。因此,本文的总体目标是开发VHR多光谱和高光谱图像分类的新技术。本文提出的方法致力于提取和描述能够表示大光谱和空间信息的有用特征以提高分类性能,并在实际应用中得到良好的分类结果。本论文考虑以下叁种不同的策略:1)第一种策略是开发用于高光谱和VHR多光谱图像分类的特征提取技术,以识别出有用的光谱和空间特征。这些特征针对预定义的类别有着很高的区分能力,且在给定场景的空间域中具有高度不变性。该特征提取策略基于两个提取器:扩展的多属性轮廓和稀疏自编码器。在第一个中,我们使用扩展多属性轮廓(EMAP)来提取空间特征。接着,我们使用稀疏自编码器(SAE)进行EMAP-SAE的特征提取和降维。最终得到的EMAP-SAE特征被用于支持向量机(SVM)的有监督分类。尽管这种方法具有很高的性能和速度,但我们发现这个过程失去了大量的光谱信息。为此,我们设计了第二种方法Spectral-EMAP-SAE来恢复光谱信息的损失以提高分类的性能。在这个方法中,扩展的多属性轮廓被用于空间特征的提取,之后空间特征被连接到一个给定的遥感图像的完全原始光谱信息来描述它的光谱空间特性。由此得到的特征被送入稀疏自编码器来提取更有效的混合特征。最后,通过SVM分类器来对所学到的光谱空间特征进行分类。2)第二种D-SS Frame(D-SS帧:深谱-空间帧)策略基于特征提取和融合技术,使用深度学习方法进行全色和多光谱图像分类。具体而言,所提出的方法使用稀疏自编码器和深层堆迭稀疏自编码器从同一场景的全色(PAN)和多光谱(MS)图像中提取和融合光谱及空间信息。所设计的框架分为叁个阶段:第一阶段是利用稀疏自编码器从全色图像(高分辨率图像)中提取空间信息,第二阶段采用堆迭稀疏自动编码器(SSAE)描述多光谱图像(低分辨率图像)的光谱信息。最后,在第叁阶段,直接将从全色和多光谱图像中获得的空间和光谱特征进行简单的特征融合,然后将其作为SVM分类器的输入。在采用同一传感器“WorldView-2卫星”采集的MS和PAN图像数据集上,对提出的方法进行实验验证。3)最后,第叁种RS-MSSF Frame(RS-MSSF:遥感多光谱空间特征)策略是基于光谱特征和多空间特征提取对遥感图像进行光谱空间分类。除了使用堆迭稀疏自编码器提取的深度光谱特征外,还提取了两种不同类型的空间特征“形状-几何特征”和“纹理特征”。在我们的方法中,扩展多属性轮廓用于提取形状几何特征,快速灰度级共生矩阵(FGLCM)用于提取纹理特征。因此,光谱和多空间特征融合的结果被作为SVM分类器的输入。与本文提到的其他策略相比,这些高级特征的融合实现了高分类精度。此外,这种新的特征提取和融合过程适用于不同框架下的不同类型的遥感图像。(本文来源于《哈尔滨工业大学》期刊2018-10-01）
郭翔宇,李绍军,王秋平[8]（2018）在《基于Wi-Fi图像传输技术的微型空间外差光谱仪设计》一文中研究指出设计了一种基于空间外差光谱技术微型光谱仪,它可以同时获得高通量以及高光谱分辨率。为了满足微型光谱仪在户外环境下便携性、操作便捷的使用要求,将基于ARM11和Linux系统的单板相机与Android嵌入式系统相结合,通过Wi-Fi图像传输模块将采集的光谱信号传输到手机上,并在手机上直接对光谱数据进行处理。该系统无需电脑的接入,提高了微型光谱仪使用的便捷性。(本文来源于《工业控制计算机》期刊2018年07期）
陈智轩[9]（2018）在《基于空间变换和专家模糊技术的彩色图像对比度增强》一文中研究指出现有的图像增强算法存在计算量大、实时性差、参数选择困难、颜色漂移、无法保证收敛性等问题.图像增强的效果主要考虑人眼的视觉感受程度,难以用准确的标准和方法对图像进行处理.因此,基于不精确概念和专家经验的模糊技术是解决现有图像增强算法问题的有效方法.本文提出了一种彩色图像对比度增强技术,首先,从RGB颜色空间变换到色调、饱和度和灰度的颜色空间;然后,利用专家模糊技术对彩色图像的灰度分量进行图像增强处理.该算法不改变原始彩色图像的色调和饱和度.对比实验表明:该方法明显提高了图像的视觉效果,并且计算量小、实时性好.(本文来源于《广西科技大学学报》期刊2018年03期）
杜娟,唐岱[10]（2018）在《基于图像识别的山地城市绿色空间景观生态破损区域监测技术》一文中研究指出传统区域监测方法不能根据山地城市绿色空间景观生态破损区域的具体图像情况进行实时监测。为了有效解决此问题,建立新型基于图像识别的山地城市绿色空间景观生态破损区域实时监测模型。通过山地城市绿色空间景观生态破损区域特征判断、基于特征判断的识别方法确定、卷积神经网络,完成山地城市绿色空间景观生态破损区域的图像识别。通过实时目标检测、确定实时监测区域、透视变换,完成基于图像识别区域实时监测模型的搭建。设计对比实验结果表明,新型区域监测模型与传统模型相比,充分提升了山地城市绿色空间景观生态破损区域识别图像的清晰度,并可对区域内景观进行实时监测。(本文来源于《现代电子技术》期刊2018年12期）
基于图像空间的技术论文开题报告
（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：
目的探讨不同重建条件对PET断层空间分辨率的影响,为临床更好使用PET/CT提供参考。方法采用两种机型(GE Discovery Elite PET/CT、GE Discovery ST-16型PET/CT),模拟临床条件采集,对分布于长轴方向上的5条线源的椭圆柱分辨率模型行PET成像。选择滤波反投影法(FBP),3种迭代法:点扩散(PSF)技术、飞行时间(TOF)技术以及VUE Point HD法对图像进行重建。以线源半高宽(FWHM)表示重建图像的空间分辨率,计算五条线源六个层面上径向FWHM。结果在临床采集、重建条件下,使用PSF技术前后图像空间分辨率范围分别为:4.71mm～6.41mm、4.28mm～5.37mm(Elite型);7.66mm～8.62mm、4.34mm～6.77mm(ST-16型)。使用TOF技术前后图像空间分辨率分别为4.92mm～6.58mm、4.97mm～6.41mm(Elite型)。FBP算法重建图像空间分辨率分别为4.63mm～7.45mm(Elite型)、7.87mm～13.92mm(ST-16型);VUEPointHD算法空间分辨率分别为4.07mm～6.58mm(Elite型)、4.24mm～8.89mm(ST-16型)。结论 PSF技术能够有效提高PET图像空间分辨率,而TOF技术对图像空间分辨率的影响不大。Elite型较ST-16型图像空间分辨率明显改善。重建算法及参数设定对PET图像空间分辨率的影响较大,需依据临床需求和经验选择来辅助决策。
（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。
基于图像空间的技术论文参考文献
[1].廖玉斌,苏运超.一种基于图像处理技术的高分辨率图像空间图谱处理技术方法[J].测绘与空间地理信息.2019
[2].王瑞,耿建华,陈炜,杜召猛,张朝坤.重建技术对不同机型PET/CT图像空间分辨率的模型研究[C].中国医学装备大会暨2019医学装备展览会论文汇编.2019
[3].张圆圆,何永玲,王跃飞,田文慧,李谚.颜色空间图像处理技术在蔗节识别上的应用[J].农机化研究.2020
[4].杨继攀.基于稀疏子空间分析的高光谱图像聚类算法关键技术研究[D].安徽大学.2019
[5].胡石.基于图像模式识别技术的大空间火灾报警系统设计研究[J].西安文理学院学报(自然科学版).2019
[6].王敏,王亚辉,陈红圆,徐庆.基于图像空间变换的全景图生成专利技术综述[J].中国发明与专利.2018
[7].HANANE,TEFFAHI.高光谱和多光谱图像分类的谱-空间特征提取技术[D].哈尔滨工业大学.2018
[8].郭翔宇,李绍军,王秋平.基于Wi-Fi图像传输技术的微型空间外差光谱仪设计[J].工业控制计算机.2018
[9].陈智轩.基于空间变换和专家模糊技术的彩色图像对比度增强[J].广西科技大学学报.2018
[10].杜娟,唐岱.基于图像识别的山地城市绿色空间景观生态破损区域监测技术[J].现代电子技术.2018