导读:本文包含了图像对象论文开题报告文献综述及选题提纲参考文献，主要关键词:少量样本,图像对象,超像素,社区发现
图像对象论文文献综述
童斐[1]（2018）在《基于少量图像对象样本的高空间分辨率遥感图像分类研究》一文中研究指出近年来,遥感技术发展迅速,随着各种高分辨率遥感卫星的发射,越来越多的高分辨率遥感图像数据被获取。高分辨率遥感图像数据比低分辨率遥感图像数据包含更加丰富的颜色以及语义信息,如何利用这些信息来进行目标识别和分类已经成为高分辨率遥感图像研究的热门问题。在处理高分辨率遥感图像时,基于像素的分类方法已经不再适用,因为基于像素的分类方法无法应用丰富的语义信息以及目标地物的形状信息。然而基于对象的分类方法可以利用这些信息,因此基于图像对象的分类方法在高分辨率遥感图像分类问题中得到广泛应用。但是,如何获取图像对象即图像分割成为了一个难题,目前被广泛应用的分割软件e Cognition也无法保证得到最好的分割结果,并且其分割参数的确定需要大量的尝试。在分类方面,目前已经被提出的表现较好的大部分分类算法都需要大量的训练样本来进行训练,而训练样本的标记又会消耗大量的人力物力,给实际应用带来较大的困扰。因此本文提出了一种基于少量图像对象样本的高分辨率遥感图像分类算法,该算法分别从分割和分类两个方面着手,在保证分割效果的同时,又采用多个有效利用上下文信息的分类策略,从而在一定程度上弥补因为样本数量不足造成的缺陷。在图像分割方面,为了确保分割的准确性,本文先使用了可以产生规则对象的超像素分割算法获得初始的过分割。这个超像素分割结果将是后续分割与分类的基础。然后,为了获得更大尺度的分割结果,本文将超像素分割结果与一种基于快速展开的分层社区发现算法进行融合,从而提出了一种多尺度分割方法。由于该社区发现算法是分层的,可以满足多尺度的需要,所以能产生多种尺度的分割结果。在分类方面,由于本文研究的是基于少量样本的对象的分类问题,所以在选取样本时,每个类别只选取少于少量几个的语义对象,其中,每个语义对象对应在超像素分割结果中,又包含多个超像素,即每个语义对象还对应一个超像素集合。因为选取的是小样本,所以那些需要大量训练样本的复杂分类模型无法使用,只能够在分类策略上做出一定的创新。本文使用了两种不同的分类方法:(1)对于超像素分割结果,本文采用了基于Lab主颜色距离的最近邻分类方法,其中Lab主颜色距离的计算采用了最新的CIEDE2000计算方法,使计算出的距离更符合人眼的观察。最近邻分类结束后,对于容易误分的边缘超像素,本文使用了一种基于上下文信息的纠正方法,通过分类后超像素周围邻居提供的信息来进行纠正。(2)对于社区发现算法得到的分割结果,本文提出了一种基于关系匹配的分类方法。通过对象与邻居对象的之间的关系向量来与建立的样本关系向量矩阵进行匹配,从而获得对应的类标签。最后,采用一种融合方法来对得到的多个分类结果进行融合,从而得到最终的分类结果。为了证明本文提出算法的有效性,本文选取了一幅大小为1221*1409的World View3卫星图像来进行实验。实验结果表明,基于Lab主颜色距离的最近邻分类可以获得较好分类结果,并且在基于上下文信息进行纠正后,分类效果得到了优化。基于关系匹配的分类方法也能在两个较大尺度的分割结果上获得较好的效果。除此之外,本文使用的多分类结果融合方法也能有效利用不同尺度对象的优势进行互补,从而使融合后的结果优于前面的3个分类结果。(本文来源于《中国地质大学》期刊2018-05-01）
李劲松,甘朝晖,蒋旻[2]（2017）在《基于奖励机制和互斥条件的图像对象协同定位》一文中研究指出随着网络共享图像数据的日益丰富,同类对象检索和定位的需求变得更为迫切,为了更好地运用协同的思想定位同类对象,提出了一种基于奖励机制和互斥条件的对象协同定位方法。该方法采用对象性检测算法的输出结果作为候选,以图结构的描述方式建立模型,将对象在当前图片中的显着性和与其他图片中候选对象的相似性作为奖励,以多个候选在同一图片中的重迭度作为互斥条件,能够无监督地定位出同类对象在各图中的位置。通过广泛的实验,在object discovery数据集和MSRC数据集上评估了该方法并与现有方法进行了对比,取得了较好的定位效果。(本文来源于《计算机应用研究》期刊2017年12期）
林克正,李慧,李新元[3]（2016）在《基于Snake和外观模板的组合式图像对象分割》一文中研究指出针对目前图像对象分割方法对图像的特征提取和抽象度不够,导致分割精度低的问题,提出了基于Snake模型和外观模板的组合式图像对象分割研究方法。该方法将改进的外观模板图像对象分割算法得到的分割结果经过预处理作为改进的Snake模型的图像分割算法的输入初始轮廓进行精确处理。该算法在提升对象分割精度的有效性上达到了96%以上。(本文来源于《计算机应用研究》期刊2016年03期）
沈项军,穆磊,查正军,苟建平,詹永照[4]（2015）在《基于多重图像分割评价的图像对象定位方法》一文中研究指出图像对象定位可提供准确的对象区域,有效提高图像对象识别和分类准确率.基于此,文中提出基于多重图像分割评价的图像对象定位方法.通过图像的多层次分割,确定图像不同区域之间的语义约束关系,应用此约束关系对不同层次的对象区域模式进行频繁项集挖掘和评分,并按照此模式评分逐次合并每层图像分割中的重要区域,最终实现整个对象区域的精确定位.MSRC和GRAZ的定位实验表明,文中方法可有效定位图像的前景目标,在Caltech图像目标分类实验中也证明文中方法的有效性.(本文来源于《模式识别与人工智能》期刊2015年08期）
王崔[5]（2014）在《图像对象轮廓提取的算法研究与实现》一文中研究指出图像分割是图像处理的一项基本操作，是图像工程的一个重要内容，所有与机器视觉有关的领域都要用到图像分割。总结现有的图像分割算法，可以发现，大多数算法都是基于图像的底层特征，如色彩，纹理等，将图像分割成一些零散的区域，而不能得到一个完整的有意义的对象。随着网络技术的发展，有越来越多的方式获取图像，所以图像处理的需求量也越来越大。如何对这些图像进行高效的访问并提取出其中的有用信息，是图像处理面临的一个难题。而图像分割结果的局限性，使得它已经不能满足人们对解决这一难题的需求。在这样一个背景下，图像对象分割的概念被提出并得到了研究学者们的高度重视与深入研究。本文总结了国内外图像对象分割的研究现状和发展趋势，分析了这些方法的优缺点，并借鉴了其中关于通过轮廓片断匹配进行对象分割的思想。本文讨论了现有的几种边缘检测算法，并通过图片的仿真对它们的性能进行了对比分析。由仿真结果可知Canny算子的各方面性能都优于其它算子，所以本文选用Canny算子进行边缘检测。本文还讨论了几种经典的边缘细化算法，并基于骨架提取的细化算法的研究，提出了一种改进算法。因为在经过边缘检测和细化处理后，得到的是可能不连接的边缘，所以本文对现有的一种边缘生长算法进行了改进，并用改进后的算法将不完整的边缘封闭，得到完整的对象轮廓。在上面的这些操作中，本文同时采用了自适应阈值分割和面积筛选的方法将对象的边缘从复杂的背景边缘中分离出来。论文最后搭建了一个界面，并用程序实现了算法的每一步功能。(本文来源于《北京印刷学院》期刊2014-12-01）
徐清华,魏小磊,李中良[6]（2014）在《基于模板库的自动图像对象分割方法研究》一文中研究指出针对现实世界中外观不一,而形态上有模式可循的对象,提出了一种基于模板库的自动对象分割方法。采用模板描述对象形态,构建模板库作为对象的先验知识,将未知的匹配模板视为隐变量,采用由按位编码方式组成的复合模板与图像特征进行匹配确定隐变量的取值空间;然后,对隐变量求积分得到图像中对象的边缘概率。最后,求解边缘概率所对应的能量函数,实现基于模板库的自动对象分割。实验结果验证了论文方法的正确性和有效性。(本文来源于《舰船电子工程》期刊2014年05期）
文顺[7]（2014）在《基于层次条件随机场的图像对象分割》一文中研究指出图像的对象分割是计算机视觉领域一个重要的研究课题，也是计算机理解与分析图像的重要步骤。至今，图像对象分割方法种类较多，目前主流方法采用条件随机场框架。这些方法一般以像素为单位进行处理，包括特征的提取，存在较大的冗余计算，另外如何利用图像的语义信息也是重点研究方向，语义信息能够大幅度提高图像对象分割的准确率。本文针对上述问题提出一种基于层次条件随机场的图像对象分割方法。该方法是以超像素块为处理单位，并采用基于超像素的textonboost特征。另外本文提出一种基于贝叶斯和谐度的图像分割方法，该方法能够自动选择合适的区域块数，获得的区域块尽可能包含同一个对象，这能够体现一定的语义信息。我们结合此区域块定义高阶势能，高阶势能建立超像素与区域块之间的层次约束关系，然后建立层次条件随机场模型，并利用超像素特征和区域块特征训练层次条件随机场的参数。最后通过最小化该层次条件随机场的能量式获得最终的图像对象分割结果。最后本文在公用图像数据集MSRC上测试本文的方法的性能。并分别与基于超像素和像素的图像对象分割方法进行对比。实验部分从模型训练所需时间和图像对象分割准确率两个方面进行分析，实验结果表明本文提出的方法在训练模型的速度和图像对象分割的准确率均取得较好的结果。(本文来源于《宁波大学》期刊2014-04-15）
张向辉[8]（2011）在《基于词袋模型和上下文信息的图像对象分割系统》一文中研究指出图像对象分割就是从一幅具有复杂背景的图像中将感兴趣的对象提取出来,是图像分割技术的最高目标,是结合了识别过程的图像分割。图像分割技术几乎出现在所有与图像相关的领域,具有广泛的应用需求。另外图像分割的好坏直接关系到图像分析和图像理解,关系到是否能圆满完成视觉任务。因此对图像对象的分割理论和相关技术进行研究具有十分重要的意义。本文建立了一个完整的图像对象分割系统,该系统在没有任何人工交互的情况下完成了对图像中对象实例的精确分割。本文的分割系统主要由Bag-of-Words识别模型、提供空间信息的随机场、Dirichlet过程以及Gibbs抽样组成。其中Bag-of-Words识别模型是由图像特征提取和视觉词汇的构建这两部分支持的。Bag-of-Words模型能够成功的预测图像中是否存在要分割的对象,但是该模型不能精确的定位对象的边界。随机场可以描述图像像素或者图像patch(像素块)之间的空间信息,但是它不能提供对象识别所需要的图像上更大尺度的结构信息。于是我们在这些部分的基础上增加了Dirichlet过程,Dirichlet过程把图像看作是由多个区域组成的,每个区域代表一个单一的对象实例。用Gibbs抽样对测试图像的参数进行估计,从而完成图像对象的分割。首先我们基于图像的一种典型局部特征SIFT特征提出了一种SIFT的密集采样算法,即DenseSift,并用该方法提取图像的特征。接着实现了一种基于决策树的高效视觉词汇构建算法,用形成的视觉词汇表示图像。然后构建由Dirichlet过程、随机场和Gibbs抽样组成的对象分割模型,完成图像对象分割系统。最后将该系统应用于the TU Graz-02数据集,获得该数据集叁类图像(car类、bike类和person类)的分割结果,并对分割结果进行分析。实验结果表明,本文的图像对象分割系统能够获得较好的分割结果。尽管图像往往具有复杂的背景,图像中对象的外观具有多变性,视点、照明等成像条件也经常发生变化,甚至还经常出现遮挡,本文图像对象分割系统仍然能够成功的将感兴趣的对象从图像中分割出来。(本文来源于《哈尔滨工业大学》期刊2011-06-01）
武人杰[9]（2011）在《图像对象语义及情感语义标注方法的研究》一文中研究指出随着网络的大量普及,存储技术、多媒体技术、数据库技术快速发展,人们对图像的应用要求也日益增长,图像中包含大量的语义信息,图像语义标注是所有图像语义研究的基础。目前,图像语义的标注方法主要有叁种：人工标注、自动标注和人机交互式标注方法。而自动标注和人机交互式标注,需要标准的素材库支持。因此研究图像对象语义及情感语义的标注方法,建立具有较高标注精准度的图像语义素材库,具有重要的理论意义和应用价值。人工标注是最基本的语义标注方法,其标注精准度高的优势十分明显。但进行海量图像标注时,人工标注会耗费大量人力和时间,标注效率极低。为了快速完成海量图像语义标注,必须使用自动标注方法。从海量图像中选取具有高代表性的图像样本,完成高精准度的人工语义标注,建立已标注且进行规范化描述的图像语义素材库,是提高图像语义自动标注精准度的重要因素。本文依据图像层次语义理论,建立了图像语义层次标注实验模型,用XML语言定义了图像语义描述框架；依据特定对象的国际分类标准,构建了图像特定主体对象的描述框架,设计了图像对象语义标注实验；同时借鉴心理学实验中利用刺激物诱发人类情感的研究方法,设计了图像情感语义标注实验。开发实验系统实现图像对象语义标注,利用心理学专用软件EPrime实现图像情感语义标注,在实验室的可控环境下,获取图像对象及情感语义数据,为进一步研究图像各层语义特征之间的关联映射、建立适用于图像语义研究的专用模型提供基础素材来源。并使用聚类算法对所选情感模型标注结果进行分析,验证其有效性和准确性。由于时间有限,本文在进行图像语义标注时,没有考虑个性化因素对图像理解的影响,下一步的工作可以进行个性化因素与图像情感之间的内隐联系、图像底层特征与高层语义之间的关联、减小或消除语义差异的方法等研究。(本文来源于《太原理工大学》期刊2011-05-01）
陶超,谭毅华,蔡华杰,田金文[10]（2010）在《符合人类视觉感知的图像对象分割方法》一文中研究指出提出一种符合人类视觉感知的图像对象分割方法,包括双尺度的区域分割和基于模型的对象提取。运用非线性尺度算子对图像进行大尺度平滑,结合颜色量化和视觉一致性的颜色聚类完成图像的粗分割。在原尺度上融合区域的纹理、颜色信息对分割区域进行区域合并,并利用对象模型完成图像对象的提取。实验结果表明,该算法的分割结果符合人类视觉感知特性,能够较好地完成图像对象分割。(本文来源于《计算机工程》期刊2010年24期）
图像对象论文开题报告
（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：
随着网络共享图像数据的日益丰富,同类对象检索和定位的需求变得更为迫切,为了更好地运用协同的思想定位同类对象,提出了一种基于奖励机制和互斥条件的对象协同定位方法。该方法采用对象性检测算法的输出结果作为候选,以图结构的描述方式建立模型,将对象在当前图片中的显着性和与其他图片中候选对象的相似性作为奖励,以多个候选在同一图片中的重迭度作为互斥条件,能够无监督地定位出同类对象在各图中的位置。通过广泛的实验,在object discovery数据集和MSRC数据集上评估了该方法并与现有方法进行了对比,取得了较好的定位效果。
（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。
图像对象论文参考文献
[1].童斐.基于少量图像对象样本的高空间分辨率遥感图像分类研究[D].中国地质大学.2018
[2].李劲松,甘朝晖,蒋旻.基于奖励机制和互斥条件的图像对象协同定位[J].计算机应用研究.2017
[3].林克正,李慧,李新元.基于Snake和外观模板的组合式图像对象分割[J].计算机应用研究.2016
[4].沈项军,穆磊,查正军,苟建平,詹永照.基于多重图像分割评价的图像对象定位方法[J].模式识别与人工智能.2015
[5].王崔.图像对象轮廓提取的算法研究与实现[D].北京印刷学院.2014
[6].徐清华,魏小磊,李中良.基于模板库的自动图像对象分割方法研究[J].舰船电子工程.2014
[7].文顺.基于层次条件随机场的图像对象分割[D].宁波大学.2014
[8].张向辉.基于词袋模型和上下文信息的图像对象分割系统[D].哈尔滨工业大学.2011
[9].武人杰.图像对象语义及情感语义标注方法的研究[D].太原理工大学.2011
[10].陶超,谭毅华,蔡华杰,田金文.符合人类视觉感知的图像对象分割方法[J].计算机工程.2010