导读:本文包含了红外图像模型论文开题报告文献综述及选题提纲参考文献，主要关键词:电力设备,CNN,红外图像处理,图像分类
红外图像模型论文文献综述
周可慧,廖志伟,肖异瑶,肖立军,蓝鹏昊[1]（2019）在《基于改进CNN的电力设备红外图像分类模型构建研究》一文中研究指出针对红外图像背景复杂,分辨率低、对比度差等问题,本文基于RGB、HSV颜色空间转换和SeamCarving缩放处理,提出一种改进卷积神经网络(ConvolutionalNeuralNetwork,CNN)的电力设备红外图像智能分类模型。首先,着眼于CNN的结构特点,以AlexNet网络模型为原型,建立CNN-Alex模型;然后,提出一种基于RGB和HSV颜色空间转换和基于Seam Carving算法的设备红外图像处理方法,分离目标设备红外背景及调整图像至合适大小,对CNN-Alex模型加以改进,提高算法训练速度和准确率;最后将改进CNN模型与传统BP模型和CNN-Alex模型对比,其训练集、验证集准确率分别为99.5%、97.7%,远优于对比模型,验证了本文改进CNN红外图像分类模型的良好适用性。(本文来源于《红外技术》期刊2019年11期）
王浩然,周强[2]（2019）在《基于全变分模型和高斯曲率滤波的红外图像条纹噪声去除算法》一文中研究指出针对红外热像仪读出电路的偏置电压存在非均匀性,造成红外图像出现条纹噪声的问题,提出了基于全变分模型和高斯曲率滤波结合的去噪算法。在分析红外条纹噪声成因并研究其特性的基础上,首先对含噪图像采用全变分模型进行去噪处理;然后确定复原图像出现阶梯效应的区域,将其对应的噪声图像中的区域看作可展曲面,采用高斯曲率滤波处理;最后将全变分模型和高斯曲率滤波的处理结果综合输出。实验结果表明,所提算法能够去除红外图像中的条纹噪声,并且能够克服全变分去噪后复原图像出现阶梯效应的问题。(本文来源于《激光杂志》期刊2019年10期）
顾振飞,袁小燕,张照锋,张登银,孔令民[3]（2019）在《基于简化大气散射模型的单幅红外图像增强方法》一文中研究指出针对红外图像纹理细节不足的问题,提出一个基于简化大气散射模型的单幅红外图像增强方法。首先,利用图像景深模型构建红外图像的景深参考图,并利用聚类技术将红外图像分割为多个景深近似的场景。然后,基于简化大气散射模型对各个场景分别建模,并进行基于场景的透射率估计。最后,对所估计出的粗略透射率图进行优化处理,从而获得增强后的红外图像。实验结果证明了所提方法在纹理细节恢复及视觉效果增强方面的有效性和鲁棒性。(本文来源于《电子器件》期刊2019年05期）
张文奇,巩彩兰,胡勇,宋文韬,匡定波[4]（2019）在《改进的热红外图像降尺度模型及应用》一文中研究指出采用4种不同的地表特征因子及其组合,使用叁层分解模型对研究区地表温度进行降尺度实验。实验结果表明:1)使用多地表特征因子组合的叁层分解模型获得的降尺度精度高于使用单因子获得的降尺度精度,均方根误差由0.813 K提高到0.763 K,降尺度结果的误差主要集中在建筑区域;2)采用热场强度指数和热场变异指数作为评价指标,研究城市热岛效应,两种评价指标均表明多因子模型的精度优于单因子模型的精度。(本文来源于《光学学报》期刊2019年09期）
邵旭慧,裴继红,赵阳[5]（2019）在《基于边界先验双模型贝叶斯决策的红外图像海天线检测》一文中研究指出为了解决红外图像在复杂海面干扰下的海天线检测问题,本文提出了一种基于边界先验双模型贝叶斯决策的海天线检测方法。该方法首先将海空背景下的红外图像划分为子图像块,以子图像块的离散余弦变换的主余弦谱作为子图像块特征;然后,基于边界先验建立了海、天子图像块的贝叶斯决策模型,对海、天子图像块进行粗划分;之后,利用粗划分的子图像块集合建立细划分贝叶斯决策模型,利用重迭子图像块滑动细划分方法,获取海天线上候选点;最后,利用随机抽样一致性(RANSAC)算法得到海天线模型参数,实现海天线的检测。实验结果表明,该方法能有效检测出复杂海空背景下的海天线,对于海杂波、亮斑等干扰较多的复杂红外图像具有更优的检测效果,运算速度较快。(本文来源于《信号处理》期刊2019年05期）
董浩伟,陈洁[6]（2019）在《一种基于大气散射模型和Retinex的红外图像去雾算法》一文中研究指出基于红外图像和可见光图像在有雾天气下退化过程中的相似性,可以使用大气散射模型对红外图像进行图像复原。但是图像在去雾复原处理后常常会有对比度低,细节不明显的特点,不利于人眼直接观察。针对这一情况,使用Retinex对去雾后的图像进行对比度增强。经过这两个算法处理后可以提高红外图像的对比度,突出其细节,提高其信噪比,并且具有良好的视觉效果。对算法的改进可以在计算处理速度和算法处理的效果上找到一个平衡点,为后期的嵌入式平台实现实时的视频去雾打下基础。(本文来源于《红外技术》期刊2019年04期）
袁小燕,张照锋,顾振飞,孔令民,丁梦悍[7]（2019）在《基于大气散射模型的红外图像增强方法》一文中研究指出为更有效地提升红外图像的整体视觉效果并恢复出其中的场景目标,提出了一个基于大气散射模型的红外图像增强方法。首先,对红外图像进行反转操作,并引入大气散射模型对其降质机理进行描述。然后,利用四叉树分解技术将图像分割为一系列子块,并提出相应的基于子块的模型因子估计策略来恢复出场景目标。最后,结合导向全变分模型和一种基于Retinex模型的修正算法,进一步提高增强后图像的视觉效果。主观及客观对比实验结果证明了本算法具有良好的鲁棒性,及在视觉效果增强、有效信息增益方面的优势。(本文来源于《电子器件》期刊2019年01期）
郑鑫毅[8]（2019）在《轻量级具有融合层的近红外图像彩色化深度学习模型》一文中研究指出近红外图像彩色化是智能探测系统的关键技术之一,很多重要的夜视或低照度场景,如矿井、野外动物观测点、军事基地等,需要使用近红外图像实现全面监控。近红外图像的优点是能反应目标场景的热辐射信息,对场景亮度变化不敏感,具有良好的探测性。但是近红外图像属于灰度图像,不符合人类视觉习惯,且大片灰度区域使我们无法观察场景细节信息,故需要将之彩色化以增加其色彩与纹理信息,以减少操作者的视觉疲劳感,增强观测者对场景形势的判断能力,最终提高目标探测效率。由于当前图像彩色化方法多基于参考图像的颜色迁移方法或基于线条着色的颜色传播方法,均极度依赖人工干预,且人工寻找参考图像及绘制着色线条的过程极为繁琐,严重影响整个上色过程的速度,无法适应智能探测系统对自适应的要求,所以本文利用深度学习模型完成对近红外图像的彩色化。针对本文需要3000-5000张与待上色近红外图像场景相似的图像作为图像彩色化网络模块的训练集的要求,本文首先使用轻量级具有联合特征的图像识别网络作为近红外图像的识别网络,在保证了近红外图像中的物体识别准确率,同时大大缩短了训练和测试时间,降低了对设备硬件的要求;然后通过识别网络,识别出需彩色化的近红外图像中包含的场景和目标类别,并在ImageNet数据集中选取与之具有相似场景和目标的图像集合作为彩色化网络的训练集;针对传统CNN网络对图像彩色化细节效果粗劣、易出现漫色等问题,引入Inception V4分类器提取近红外图像全局特征,并与通过下采样得到的局部特征相融合,得到融合特征向量,然后输入解码器网络完成对图像的彩色化以及尺寸的恢复,最后输出彩色化后的近红外图像。经过测试,与现有图像彩色化方法进行对比分析,结果证明用此种特征预测得到的彩色化图像细节更加丰富,边缘更加清晰。(本文来源于《天津工业大学》期刊2019-02-20）
谭康霞,平鹏,秦文虎[9]（2018）在《基于YOLO模型的红外图像行人检测方法》一文中研究指出针对基于传统特征提取方法的远红外图像行人检测存在准确率和实时性不足的问题,本文研究了一种基于改进YOLO模型的远红外行人检测方法,通过改进其深度卷积神经网络的输入分辨率,然后在基于实际道路采集的红外数据集上进行训练,得到检测效果最佳的检测模型,并提出基于车速的自适应图像分辨率模型,以提高车载系统的行人检测性能。在基于实际道路的红外数据集上的对比实验表明,该方法与传统方法相比,准确率从76. 5%提高到89. 2%,每秒传输帧数从0. 01259 f/s提高到40. 5 f/s,满足车载情况下的实时性需求。(本文来源于《激光与红外》期刊2018年11期）
孙圣,张劲松,孟平,汪贵斌,黄辉[10]（2018）在《基于无人机热红外图像的核桃园土壤水分预测模型建立与应用》一文中研究指出为了解北方核桃园区的土壤水分状况,实现优化水资源配置的目的。该文于2016和2017年采用固定式热红外成像仪(A310 f)连续观测得到核桃主要生长季节午后(13:00和14:00)的冠层温度,并同步观测温度、湿度、辐射、风速、降雨量和0~80 cm不同土层深度的土壤体积含水量。并于2017年8月11日利用无人机热成像系统(TC640)对连续灌溉区域和干旱胁迫区域进行了图像采集。结果表明,40~60 cm土层深度可能是核桃树主要吸收水分的区域。冠层温度普遍高于空气温度,其变化范围在0~5℃之间,冠气温差与土壤含水量呈负相关,与太阳辐射呈正向关系,其中,土壤含水量的贡献值达到了75%。利用2017年13:00时的冠层与空气温差数据来建立的土壤水分预测模型,R2=0.64;同时,利用14:00时的实测数据对所建立模型进行验证,R2=0.61,表明该模型具有一定的拟合精度。最后,将模型用于诊断核桃区域水分状况,证明了其具有较好的实际应用效果。该研究首次将固定式热成像设备与无人机热成像系统相结合来研究树木的冠层温度,并成功实现了从理论模型到实际应用,从单株水平到区域尺度的转换。(本文来源于《农业工程学报》期刊2018年16期）
红外图像模型论文开题报告
（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：
针对红外热像仪读出电路的偏置电压存在非均匀性,造成红外图像出现条纹噪声的问题,提出了基于全变分模型和高斯曲率滤波结合的去噪算法。在分析红外条纹噪声成因并研究其特性的基础上,首先对含噪图像采用全变分模型进行去噪处理;然后确定复原图像出现阶梯效应的区域,将其对应的噪声图像中的区域看作可展曲面,采用高斯曲率滤波处理;最后将全变分模型和高斯曲率滤波的处理结果综合输出。实验结果表明,所提算法能够去除红外图像中的条纹噪声,并且能够克服全变分去噪后复原图像出现阶梯效应的问题。
（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。
红外图像模型论文参考文献
[1].周可慧,廖志伟,肖异瑶,肖立军,蓝鹏昊.基于改进CNN的电力设备红外图像分类模型构建研究[J].红外技术.2019
[2].王浩然,周强.基于全变分模型和高斯曲率滤波的红外图像条纹噪声去除算法[J].激光杂志.2019
[3].顾振飞,袁小燕,张照锋,张登银,孔令民.基于简化大气散射模型的单幅红外图像增强方法[J].电子器件.2019
[4].张文奇,巩彩兰,胡勇,宋文韬,匡定波.改进的热红外图像降尺度模型及应用[J].光学学报.2019
[5].邵旭慧,裴继红,赵阳.基于边界先验双模型贝叶斯决策的红外图像海天线检测[J].信号处理.2019
[6].董浩伟,陈洁.一种基于大气散射模型和Retinex的红外图像去雾算法[J].红外技术.2019
[7].袁小燕,张照锋,顾振飞,孔令民,丁梦悍.基于大气散射模型的红外图像增强方法[J].电子器件.2019
[8].郑鑫毅.轻量级具有融合层的近红外图像彩色化深度学习模型[D].天津工业大学.2019
[9].谭康霞,平鹏,秦文虎.基于YOLO模型的红外图像行人检测方法[J].激光与红外.2018
[10].孙圣,张劲松,孟平,汪贵斌,黄辉.基于无人机热红外图像的核桃园土壤水分预测模型建立与应用[J].农业工程学报.2018