导读:本文包含了非对称逆布局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:图像表示,几何矩,低阶矩,精确矩计算
非对称逆布局模型论文文献综述
郑运平,常宜斌[1]（2016）在《基于非对称逆布局模型的几何矩计算方法》一文中研究指出以提高低阶矩的计算速度和精度为目标,以传统的图像表示方法和基于分层结构的图像表示方法为研究对象,提出了一种基于非对称逆布局模型和坐标编码程序(NAMCEP)的快速精确几何矩计算方法.给出了基于NAMCEP表示的精确矩计算的一个重要定理.以图像处理领域里惯用的Lena,Goldhill,F16和Peppers二值图像作为典型测试图像,并与流行的基于线性二元树(LBT)表示的矩计算方法进行比较,结果表明:基于NAMCEP表示的矩计算方法精确矩计算时间比LBT平均节省68.75%,能够有效地用于推导平移、伸缩和旋转不变量方面.(本文来源于《华中科技大学学报(自然科学版)》期刊2016年01期）
王光伟[2]（2012）在《基于非对称逆布局模型的目标识别方法研究》一文中研究指出图像目标识别是图像理解和计算机视觉领域研究的热点和难点,其识别的困难主要是目标形状和表面特征的变化造成目标个体的差异,而且没有规律性。对目标形状和表面特征的变化进行分析,根据变化影响力的范围可以将其分为两类：目标全局变化和目标局部变化。针对目标的全局变化,在非对称逆布局模式表示模型的思想的启发下,提出了非对称逆布局目标表示模型(Non-symmetry and Anti-packing Object Representation Model, NAOM)。NAOM目标表示模型由若干特征各异的目标局部块组成,模型通过空间位置和权重将目标局部块组织起来,使其能够充分的描述目标的各种形状变化。目标块的数量、大小和形状等属性依据目标自身的特征来选择和定义,目标块之间的约束关系通过学习目标的全局变化来获取。NAOM模型包含两个变换函数,一个是根据目标样本可以把目标分解成若干合适的目标局部块,学习目标局部块之间的约束关系,建立目标表示模型；另一个是在待检测图像中可以寻找目标局部块,结合局部块之间的约束关系,将有效的目标局部块组合,检测出目标。针对目标的局部变化,提出的目标局部块描述符可以有效的应对目标的局部变化。目标的边缘轮廓是描述目标最重要的特征。基于方向梯度直方图的思想,提出了网格状边缘方向直方图(Grid of Histogram of Edge Direction, GHED)来描述目标的边缘轮廓。该描述符的核心思想是目标边缘轮廓的形状可以被边缘轮廓像素切线的方向分布很好的描述。运用已有的边缘提取算法进行边缘轮廓提取,计算出边缘轮廓的切线方向,之后在网格中统计边缘像素分布直方图,并按照顺序连接每个直方图,形成了GHED特征向量。GHED描述符的贡献主要有两个方面：一是充分运用了已有的边缘提取算法对边缘提取的能力,减少其它因素的干扰,提高了对边缘轮廓形状特征的描述能力；二是GHED描述符只对边缘像素进行统计,降低了特征提取算法的时间复杂度和空间复杂度。NAOM模型和GHED特征描述符分别应对目标的全局变化和局部变化。基于非对称逆布局目标表示模型和模型学习算法,从目标检测的准确率和速度出发,提出了基于局部块权重的Hough投票检测法。该检测算法在投票过程中加入了局部块的判别权重,以区分不同的块在目标检测中的影响力。算法具有叁个方面的特点：一是对局部块分类器检测值进行量化,将检测值转化为局部块相似度；二是局部块的检测相似度和权重相结合,采用Hough投票算法投票；叁是建立局部非极大值抑制算法,减少同一目标的重复检测。实验的结果和分析表明NAOM目标表示模型和GHED特征描述符对目标的变化特征具有更强的表达能力,与同类识别算法的比较,体现了本算法在识别准确率和识别效率上的优越性。(本文来源于《华中科技大学》期刊2012-05-01）
郑运平,陈传波[3]（2007）在《一种基于非对称逆布局模型的彩色图像表示方法》一文中研究指出借助于Packing问题的思想,提出了一种基于非对称逆布局的模式表示模型(non-symmetry and anti- packing pattern representation model,简称NAM)的彩色图像表示方法.通过描述NAM和彩色图像的二进制位平面分解(binary-bit plane decornposition,简称BPD)方法,给出了一种全新的基于NAM的彩色图像表示算法,并对算法的总数据量进行了分析.理论分析和实验结果均表明,与流行的基于分层结构的线性四元树的彩色图像表示方法相比,基于NAM的表示方法能够更有效地减少数据存储空间,是彩色图像模式表示的一种良好方法.这种方法可以应用于彩色图像模式表示的各个方面,在降低存储空间、提高传榆速度、加快处理过程、模式匹配等方面具有良好的理论参考意义和实际应用价值.(本文来源于《软件学报》期刊2007年11期）
非对称逆布局模型论文开题报告
（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：
图像目标识别是图像理解和计算机视觉领域研究的热点和难点,其识别的困难主要是目标形状和表面特征的变化造成目标个体的差异,而且没有规律性。对目标形状和表面特征的变化进行分析,根据变化影响力的范围可以将其分为两类：目标全局变化和目标局部变化。针对目标的全局变化,在非对称逆布局模式表示模型的思想的启发下,提出了非对称逆布局目标表示模型(Non-symmetry and Anti-packing Object Representation Model, NAOM)。NAOM目标表示模型由若干特征各异的目标局部块组成,模型通过空间位置和权重将目标局部块组织起来,使其能够充分的描述目标的各种形状变化。目标块的数量、大小和形状等属性依据目标自身的特征来选择和定义,目标块之间的约束关系通过学习目标的全局变化来获取。NAOM模型包含两个变换函数,一个是根据目标样本可以把目标分解成若干合适的目标局部块,学习目标局部块之间的约束关系,建立目标表示模型；另一个是在待检测图像中可以寻找目标局部块,结合局部块之间的约束关系,将有效的目标局部块组合,检测出目标。针对目标的局部变化,提出的目标局部块描述符可以有效的应对目标的局部变化。目标的边缘轮廓是描述目标最重要的特征。基于方向梯度直方图的思想,提出了网格状边缘方向直方图(Grid of Histogram of Edge Direction, GHED)来描述目标的边缘轮廓。该描述符的核心思想是目标边缘轮廓的形状可以被边缘轮廓像素切线的方向分布很好的描述。运用已有的边缘提取算法进行边缘轮廓提取,计算出边缘轮廓的切线方向,之后在网格中统计边缘像素分布直方图,并按照顺序连接每个直方图,形成了GHED特征向量。GHED描述符的贡献主要有两个方面：一是充分运用了已有的边缘提取算法对边缘提取的能力,减少其它因素的干扰,提高了对边缘轮廓形状特征的描述能力；二是GHED描述符只对边缘像素进行统计,降低了特征提取算法的时间复杂度和空间复杂度。NAOM模型和GHED特征描述符分别应对目标的全局变化和局部变化。基于非对称逆布局目标表示模型和模型学习算法,从目标检测的准确率和速度出发,提出了基于局部块权重的Hough投票检测法。该检测算法在投票过程中加入了局部块的判别权重,以区分不同的块在目标检测中的影响力。算法具有叁个方面的特点：一是对局部块分类器检测值进行量化,将检测值转化为局部块相似度；二是局部块的检测相似度和权重相结合,采用Hough投票算法投票；叁是建立局部非极大值抑制算法,减少同一目标的重复检测。实验的结果和分析表明NAOM目标表示模型和GHED特征描述符对目标的变化特征具有更强的表达能力,与同类识别算法的比较,体现了本算法在识别准确率和识别效率上的优越性。
（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。
非对称逆布局模型论文参考文献
[1].郑运平,常宜斌.基于非对称逆布局模型的几何矩计算方法[J].华中科技大学学报(自然科学版).2016
[2].王光伟.基于非对称逆布局模型的目标识别方法研究[D].华中科技大学.2012
[3].郑运平,陈传波.一种基于非对称逆布局模型的彩色图像表示方法[J].软件学报.2007