导读:本文包含了图像集论文开题报告文献综述及选题提纲参考文献，主要关键词:局部二值模式,图像集人脸识别,算法
图像集论文文献综述
王成记[1]（2019）在《以LBP为基础的图像集人脸识别算法分析》一文中研究指出人脸识别技术主要有单一图像识别与多图像识别。基于图像集人脸识别算法采用了多图像识别,主要是在LBP的基础上进行有效的计算,与传统算法相比具有较大的优势。文章首先对人脸识别数据库进行分类阐述,而后对人脸检测技术进行深入的分析,最后着重分析以LBP为基础的图像集人脸识别算法,提出几点建议,仅供参考。(本文来源于《无线互联科技》期刊2019年17期）
赵海武,陈佳玲,余玲芝,顾晓[2]（2019）在《基于全景图的图像集压缩用于云存储》一文中研究指出当前的图像集压缩方案通常只适用于相似图像,对云中图像集内部的差异性十分敏感。为了解决这个问题,提出了一种基于全景图的图像集压缩方案,该方案主要利用全景图和图像集之间的相关性来减少冗余。首先,在全景图上选取一些关键点,利用直线投影算法由全景图得到各个关键点处的视口图像;然后,对于图像集中的每张图像,选取最匹配的视口图像作为参考;最后,使用基于块的运动补偿来执行图像间的预测编码。实验结果表明,提出的编码方案比JPEG平均节省46.3%的比特,并且实现了与IEEE 1857.4帧内编码可比的性能。对于大型图像集,图像具有不同视点和对象但却拍摄于同一场景,方案压缩效果良好,值得深入研究。(本文来源于《工业控制计算机》期刊2019年07期）
解姗姗,神显豪[3]（2019）在《融合语义与图像的大规模图像集检索算法》一文中研究指出目前的大数据图像检索算法大多仅支持单一的关键词或者图像查询,为此提出了一种语义与图像概率融合的社交媒体图像检索算法。该算法提取图像的空间位置特征与颜色特征,并提取文字标注信息,将两种特征基于概率进行融合。为了解决图像标注缺失与标注噪声的问题,设计了新的主题模型,根据共生的标注信息与视觉特征提取图像的语义主题。主题模型中基于视觉特征生成的最近主题能够有效地增强图像与文字标注之间的相关性。此外,主题模型能够有效地补全缺失的文字标注信息,同时删除噪声标注。基于不同规模的数据集进行了仿真实验,结果显示:该算法支持单一的关键词查询、图像查询以及两者的组合查询,并实现了较高的检索准确率。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年07期）
任珍文,吴明娜[4]（2019）在《基于熵自加权联合正则化最近点的图像集分类算法》一文中研究指出图像集分类算法通过充分利用图像的集合信息来提高识别性能,得到了广泛的关注。但是现有的图像集分类算法存在如下问题:1)需要样本满足某种概率统计分布;2)忽略了图库集类与类之间的互斥性;3)对非高斯噪声不具备鲁棒性。为了解决上述问题,提出了一种基于熵自加权联合正则化最近点的图像集分类算法(SRNPC)。首先在测试集中寻找唯一的全局联合正则化最近点,同时最小化该点与每个图库集中正则化最近点之间的距离;然后,为了增强类之间的判别力以及对非高斯噪声的鲁棒性,引入一种基于熵尺度的自加权策略来迭代更新测试集与各个图库集合之间的熵加权权重,得到的权重能够直接反映测试集与每个图库集之间相关性的高低;最后,利用测试集和每个图库集之间的最小残差值获得分类结果。通过在UCSD/Honda、CMU Mobo和YouTube这叁个公开数据集上与当前主流的算法进行的对比实验结果表明,所提出的算法具有更高的分类精度和更强的鲁棒性。(本文来源于《计算机应用》期刊2019年09期）
胡铎[5]（2019）在《基于多尺度属性图核的小样本图像集分类方法研究》一文中研究指出随着科技的飞速发展,互联网技术的进步,计算机软件及硬件技术都得到了迅猛发展,在这样的时代背景下,人工智能和机器学习算法都得到了极大发展。图像分类一直是人工智能领域的基本问题,也是人脸识别,车牌识别和网络图像管理等其他高级视觉任务的基础。因此,鉴于图像分类问题在计算机视觉领域具有非常重要的地位,研究具有鲁棒性和准确性的图像分类算法具有重要的理论和实际意义。目前图像分类仍然存在着诸多问题,诸如非刚体物体的不规则变化、图像视角变化、尺度变化、光照变化以及被遮挡等,这些问题都会给图像分类带来了挑战。经过了几十年的发展,研究者已经开发了大量图像分类的算法,它们大致分为两大类:基于传统机器学习的图像分类算法,如基于词袋模型的图像分类方法,基于空间金字塔的图像分类方法以及基于图表示的图像分类方法等,这类方法有明确的理论解释和证明,且算法的复杂度相对较低,但是精度还有待提高。另一类为基于深度学习的图像分类算法,如卷积神经网络、残差网络等,这类方法的优点是通过深度网络提取图像特征,能胜任大规模的图像分类任务,缺点是模型需要大量的数据进行训练,且网络需要对大量的参数进行优化。本文针对小样本图像集的分类进行了研究,主要做出了以下贡献:(1)空间金字塔匹配方法已被广泛应用于场景识别和图像检索领域,它将图像分割成一系列子区域并分别统计子区域内的局部特征。但是,空间金字塔匹配方法并没有刻画图像局部特征的空间关系。为了在不同尺度下表征图像局部特征的空间关联性,本文构建包含词袋标签的图像多尺度属性图,计算任意两个图像区域对应属性图的距离,并且找到最优匹配。然后将不同尺度下属性图的距离进行池化,构建图像分类的核矩阵。在Caltech 101、Caltech 256、Scene Categories和Six Actions四个数据集上与五种方法进行了小样本训练集情况下的对比实验,实验结果证明了该方法在处理图像分类问题时的有效性。(2)给出了一种基于快速和精炼的多尺度属性图核的图像分类方法。首先利用PCA引导的K-means方法对图像特征进行聚类,构建词汇树并将其作为多尺度属性图的标签,然后将多尺度属性图中第0层的属性图进行精炼,得到精炼的属性图,然后针对第一层及以上的尺度,计算任意两个图像区域对应属性图的距离,并且找到最优匹配,并将不同尺度下属性图的距离进行池化,构建核矩阵。该方法优化了多尺度属性图核方法的计算复杂度,在四个公共数据集上对六种不同的图像分类算法进行对比实验,实验结果表明该方法在处理图像分类时的准确度和时间复杂度上取得了较好的效果。(本文来源于《安徽大学》期刊2019-05-01）
王秀蜜[6]（2019）在《基于改进随机游走和变换卷积神经网络的同类前景图像集分割研究》一文中研究指出图像分割是数字图像处理和计算机视觉中的一项重要研究,其任务是将图像中包含的前景物体提取出来,从而为图像检索、识别等相关视觉任务奠定了基础。现有的单幅前景分割算法通常基于用户交互展开,而图像集的前景分割算法多基于需大量标注图像训练的深度神经网络进行。虽然相关研究已取得了一定的进展,但由于图像内容的复杂性和多样性,对给定图像集进行前景分割仍是一个极具挑战性的问题。本文旨在研究同类前景图像集的前景分割技术,其基本策略是先交互式分割其中少量样本图像;再构建一种基于变换的卷积神经网络模型,用于学习同类前景之间的各种姿态变换。具体来说,本文研究的主要内容包括以下两方面:(1)融合局部和非局部特征关联的随机游走图像分割算法现有的基于图切割及随机游走的交互式图像分割算法,通常只关注单目标前景的分割,当图像中包含重复前景物体时,这些算法需要对每个目标进行多次交互标记,且分割效果通常欠佳。本文通过引入自然图像中的非局部性原理来改进传统的随机游走分割算法。非局部性原理指出自然图像中存在特征相近的非相邻区域,且这些区域可以相互表示。为此,我们对图像中的非相邻区域之间建立关联表示;进而构建非局部特征关联拉普拉斯矩阵,再与传统随机游走分割算法中构造的局部特征关联拉普拉斯矩阵相结合。利用局部和非局部的综合相关性指导最后的分割过程。.实验表明,传统的随机游走分割算法易在部分图像区域产生伪边界,结合了非局部特征关联的改进算法能够有效改善这一问题。且在分割重复目标时,只需对其中个别目标进行手动标定,减少了交互量。(2)基于变换卷积神经网络的同类前景图像集分割现有的卷积神经网络分割算法存在以下不足.· 1)通常需要提取图像的多级特征图来完成分割,对相似前景之间的几何相关性关注较少;2)模型的训练通常需要大量带有标注的训练集。相关研究表明对图像前景几何特性的预判能够有效提高图像前景匹配和识别率。鉴于此,我们构建了一个对前景姿态变换预判的卷积神经网络分割模型。特点是,训练时的输入是一个4通道图像,前3个通道为原始图像,旨在用来提取各种可用于分割的图像特征;第4个通道为变换掩码,用于估算待分割目标图像前景与训练图像前景之间姿态变化。变换掩码由训练样本的标注图像进行多次仿射和薄板样条变换得到。测试时,假定待测试目标前景的姿态可以由训练样本的前景姿态变化得到,将测试图像与训练样本的标注结合,由网络自动估算样本图像与测试图像之间的姿态变化并输出最终的分割结果。在仿真实验和10组蝴蝶图像数据集上的分割精度统计及实验对比显示,本文方法能够用少量训练样本完成对较大同类前景图像的有效分割。(本文来源于《安徽大学》期刊2019-03-01）
张文凯,孙皓,孙显,王宏琦[7]（2019）在《基于MFF-GAN的图像集视觉总结》一文中研究指出现有图像集视觉总结方法主要使用浅层视觉特征,或者直接应用已训练的卷积神经网络模型提取图像深层特征,选取的图像不具代表性。为此,分析并研究图像集视觉总结的图像特征表示方法,提出多特征图融合生成对抗网络(MFF-GAN)模型。该模型中的判别器通过多特征图融合的方式提取图像特征,使提取的特征能表示图像细节和高层语义信息,并在多特征图融合层后添加自编码网络对特征进行降维,避免特征维度灾难问题。NUS-WIDE数据集上的实验结果验证了M FF-GAN模型的有效性,并表明其能有效提升图像集视觉总结多样性。(本文来源于《计算机工程》期刊2019年02期）
王远军,刘玉[8]（2018）在《基于图像集拓扑中心的群体配准方法》一文中研究指出传统的图像配准通常指定一幅参考图像在配准过程中保持不变,将另一幅图像变换到参考图像空间,使得两幅图像在空间上互相匹配,从而可以精确比较两者之间的差异.针对多幅个体差异较大的图像配准问题,如果指定一幅作为参考,将其他图像配准到参考图像空间,则会引入该幅参考图像的个体形状偏差,从而影响最终的对比结果.为此,本文首先介绍了目前针对该问题的主要解决方法,然后提出了基于图像集拓扑中心的群体配准方法——TopologyCenter.为验证所提出的群体配准方法的性能,通过使用国外公开的数据集,详细比较了本文提出的方法与当前两种主要方法的群体配准结果的差异.实验结果表明,本文提出的方法具有更小的群体配准偏差,群体配准结果更好;同时,在对实验结果的评价中,本文还提出了一种简捷的群体偏差度量指标.(本文来源于《波谱学杂志》期刊2018年04期）
孙晓帆,刘浩,张鑫生,吴乐明,况奇刚[9]（2018）在《面向水下图像集的一致性增强评价方法》一文中研究指出目的在对整个水下图像集的质量进行评价时,现有方法是采用某一质量评价准则的质量分数平均值作为指标,以平均值的高低来说明质量增强算法的优劣,但是,非一致性增强的质量分数平均值会随着图像集的变化而产生较大的波动。为了解决上述问题,本文提出了一个更加具有普适性的水下图像质量评价方法:一致性增强质量评价(CEQA)方法。方法所提方法通过对比图像增强前后的质量分数差值,来判断增强算法性能的一致性,再通过改变选定的质量分数差值所占权重比例并统一分数制,求出一致性增强的图像集的一致性增强质量评价分数。结果虽然当图像集较小时,非一致性增强的图像质量增强算法得到的质量分数平均值最高,但当图像集扩大时,其增强后的质量分数平均值却低于原图的质量分数平均值;而在图像集扩展前后,一致性增强的图像质量增强算法能够稳定地增强图像质量,其得到的质量分数平均值一直高于原图的质量分数平均值。结论本文通过实验证明了所提方法的可行性,扩展应用能够通过本文方法得到有效的实验数据,以对比说明各种水下图像质量增强算法的优劣;本文的方法比平均值方法更加鲁棒有效地控制了大样本偏差。因此,本文为大规模应用中如何选取水下图像集的质量增强算法,提供了一个更好的评价标准。(本文来源于《中国图象图形学报》期刊2018年11期）
刘浩,孙晓帆,张鑫生,吴乐明,况奇刚[10]（2019）在《面向图像集的置信区间内一致性增强质量评价准则》一文中研究指出在对整个图像集进行增强质量评价时,现有的平均准则会随着不同图像集非一致性地变化,从而导致较大的评价质量波动。为此,该文提出一个面向图像集的置信区间内一致性增强质量评价准则,通过设置应用参数并使用置信区间筛选数据,再比较各图像增强前后的质量分数差值,由此评估图像质量增强的一致性,最终计算出一致性增强质量分数有效值。在众多图像增强算法中,所提准则能够挑选出具体应用所需要的稳定性强、可靠性高的增强算法。实验结果表明,所提准则具有良好的主客观评价一致性,性能优于当前的平均准则,为各种图像增强算法提供了一个可用于任意图像集的质量评价准则。(本文来源于《电子与信息学报》期刊2019年01期）
图像集论文开题报告
（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：
当前的图像集压缩方案通常只适用于相似图像,对云中图像集内部的差异性十分敏感。为了解决这个问题,提出了一种基于全景图的图像集压缩方案,该方案主要利用全景图和图像集之间的相关性来减少冗余。首先,在全景图上选取一些关键点,利用直线投影算法由全景图得到各个关键点处的视口图像;然后,对于图像集中的每张图像,选取最匹配的视口图像作为参考;最后,使用基于块的运动补偿来执行图像间的预测编码。实验结果表明,提出的编码方案比JPEG平均节省46.3%的比特,并且实现了与IEEE 1857.4帧内编码可比的性能。对于大型图像集,图像具有不同视点和对象但却拍摄于同一场景,方案压缩效果良好,值得深入研究。
（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。
图像集论文参考文献
[1].王成记.以LBP为基础的图像集人脸识别算法分析[J].无线互联科技.2019
[2].赵海武,陈佳玲,余玲芝,顾晓.基于全景图的图像集压缩用于云存储[J].工业控制计算机.2019
[3].解姗姗,神显豪.融合语义与图像的大规模图像集检索算法[J].重庆理工大学学报(自然科学).2019
[4].任珍文,吴明娜.基于熵自加权联合正则化最近点的图像集分类算法[J].计算机应用.2019
[5].胡铎.基于多尺度属性图核的小样本图像集分类方法研究[D].安徽大学.2019
[6].王秀蜜.基于改进随机游走和变换卷积神经网络的同类前景图像集分割研究[D].安徽大学.2019
[7].张文凯,孙皓,孙显,王宏琦.基于MFF-GAN的图像集视觉总结[J].计算机工程.2019
[8].王远军,刘玉.基于图像集拓扑中心的群体配准方法[J].波谱学杂志.2018
[9].孙晓帆,刘浩,张鑫生,吴乐明,况奇刚.面向水下图像集的一致性增强评价方法[J].中国图象图形学报.2018
[10].刘浩,孙晓帆,张鑫生,吴乐明,况奇刚.面向图像集的置信区间内一致性增强质量评价准则[J].电子与信息学报.2019