导读:本文包含了分块特征提取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,天文图像,分块机制,并行
分块特征提取论文文献综述
夏永泉,孙静茹,WU,Xin-wen,支俊,王兵[1]（2019）在《高分辨率天文图像分块并行特征提取方法研究》一文中研究指出图像并行处理研究较多,但鲜有分块文献以及图像分块机制研究。针对高分辨率天文图像数据量大、特征提取速度缓慢的问题,研究了图像分块并行处理策略。通过对高分辨天文图像在不同分块分辨率下的特征提取时间进行对比分析,找到特征提取速度最快的分块分辨率。通过实验对比和分析得到分块策略,通过实验验证了方法的有效性。(本文来源于《软件导刊》期刊2019年09期）
牛畅,黄银和,尹奎英[2]（2017）在《基于分块SURF特征提取的图像目标跟踪算法》一文中研究指出由于基于特征的目标跟踪需要对前后两帧图像中的目标进行特征匹配,而传统的基于SURF(speeded up robust features)特征的匹配算法存在匹配时间较长,无法满足目标跟踪条件下实时性要求的情况。本文针对此缺点对SURF特征提取提出了具体的分块并行的解决方案,其中包括自适应地设置分块重迭区域,去除冗余特征点和距离门限法去除离散点的处理;同时通过模板的实时更新以及自适应的抗遮挡处理,保证了短时抗遮挡性能。并通过实验,将传统的基于SURF特征的跟踪算法与本文算法在相同条件下进行跟踪误差和运行时间对比;实验表明针对视频中的待跟踪目标,本文算法较基于传统SURF的图像跟踪算法在降低跟踪运行时间的同时保证了跟踪准确度。并通过遮挡实验,说明抗遮挡处理在本文算法中的实用性和必要性。(本文来源于《激光与红外》期刊2017年12期）
李艳荻,徐熙平,王佳琪[3]（2017）在《基于自适应分块金字塔匹配核的特征提取算法》一文中研究指出为实现全景视场下人体行为特征的有效提取,在原始形状上下文特征匹配算法的基础上,提出一种基于自适应分块思想的金字塔匹配核算法.结合光学成像原理及全景视场下人体投影特点,计算图像二阶中心矩对人体轮廓主轴方向进行补偿.然后对轮廓点进行均匀采样,对各采样点提取形状上下文特征,在匹配过程中分析高维特征空间中采样点的分布特点,采用自适应分块的思想对金字塔匹配核函数的收敛策略进行改进,根据各维度上数据的分布范围自适应地调整收敛系数,以保证各个维度上的点集收敛速度一致.最后通过室内摔倒检测实验来验证算法的可靠性,使用K均值聚类方法进行识别,识别率可达92.9%.该特征提取算法为智能监控系统的稳定性提供了保障.(本文来源于《光子学报》期刊2017年12期）
王民,王静,张立材,张鑫[4]（2018）在《基于混合色彩空间的分块颜色特征提取算法》一文中研究指出颜色特征能够有效地表征图像的颜色分布。但是,现有的颜色特征提取算法基于单一色彩空间,颜色矩作为最常用的全局颜色特征向量,往往会因为忽略图像的空间特征导致检索错误。针对上述不足,提出了一种基于混合色彩空间分块颜色特征提取算法,并将所提取的颜色特征与纹理特征相结合,用于图像的分类识别中。实验结果证明:无论是国画还是普通图像,分类识别过程中,本文算法相比普通的单一色彩空间颜色特征提取算法,其查准率和查全率均得到明显提高,并且图像分块之后,其查准率和查全率还能进一步提高。(本文来源于《激光与光电子学进展》期刊2018年01期）
项晓丽,武圣,许一菲,龙伟,郭杭[5]（2016）在《二阶分块PCA的人脸特征提取方法研究》一文中研究指出为了提取更为有效的鉴别特征,在已有的二阶特征脸方法和分块主成分分析(PCA)方法上,提出了二阶分块PCA人脸特征提取方法。该方法对原始人脸图像和经重建得到的剩余图像分别运用分块PCA,将提取的一阶和二阶特征线性组合为一个特征矩阵,再进行分类识别。此特征能更充分反映人脸图像的低频和高频特性。采用ORL人脸库和FERET人脸库的实验结果表明该二阶分块PCA正确识别率优于普通分块PCA算法,具有较强的特征提取能力。(本文来源于《测控技术》期刊2016年09期）
万鸣华,卢桂馥[6]（2016）在《分块二维最大间距准则的特征提取方法》一文中研究指出针对二维最大间距准则(Two Dimensional Maximum Margin Criterion,2DMMC)算法进行特征提取时,无法提取局部的特征.同时,该算法也受不同的表情、光照以及姿态等条件的影响,识别的效果也大大降低.因此,提出一种基于分块二维MMC(Modular Two Dimensional Maximum Margin Criterion,M2DMMC)的人脸识别方法.首先,对图像矩阵进行分块,然后对分块后的矩阵进行2DMMC特征抽取,对每一子块抽取的特征进行整体融合,最后采用最近邻判决准则进行分类识别.在ORL,Yale人脸图像库进行实验的结果表明,新算法相对于MMC算法、二维MMC算法以及分块MMC算法均有较好的识别性能.(本文来源于《小型微型计算机系统》期刊2016年09期）
刘华咏,李涛[7]（2015）在《基于改进分块颜色特征和二次提取的关键帧提取算法》一文中研究指出关键帧提取技术是视频摘要、检索、浏览和理解中的一项重要技术。目前关键帧提取算法存在一些问题,例如特征选择复杂、阈值选择难、自适应性不强等。为了更有效地提取视频关键帧,提出了一种基于改进分块颜色特征和二次提取的关键帧提取算法。首先,对视频帧进行等面积矩形环划分;其次,提取矩形环的HSV量化颜色特征,并由帧图像中心到外依次减小每个矩形环特征的权值以突出图像主体部分;然后,依据相邻视频帧间特征的显着性变化初步选取关键帧;最后,依据初次提取的关键帧在视频中的位置间隔大小进行二次提取优化关键帧。实验结果表明,该方法具有良好的适应性,同时能够有效避免因镜头有突然闪光或物体快速运动而提取过多的关键帧,最终提取的关键帧能够比较全面准确地表达视频内容。(本文来源于《计算机科学》期刊2015年12期）
周培云,李静,沈宁敏,庄毅[8]（2015）在《BSFCoS:基于分块与稀疏主特征提取的快速协同显着性检测》一文中研究指出随着图像采集技术的迅速发展,原始数字图像越来越清晰,已有的协同显着性检测方法在处理这些图像时所需的计算机内存也越来越大,并且伴随着很高的计算复杂性,严重影响了人机交互的实时性。因此,迫切需要一种快速的协同显着性检测方法。提出了一种基于图像分块与稀疏主特征提取的快速协同显着性检测方法(BSFCoS)。该方法在将图像均匀分割成若干个图像块的基础上,从Lab和RGB两种颜色空间上抽取底层特征,再使用截断幂(Truncated Power)的稀疏主成分分析方法进行稀疏主特征提取,以达到在最大程度保留原图像特征的同时减少特征点的数量与属性个数的效果。然后使用K-Means对提取的稀疏主特征进行聚类,并在聚类结果的基础上进行3种基于聚类的显着特征权值的计算。最后,将通过特征融合生成的单幅图像显着图和多幅图像显着图进行组合,以生成协同显着图。在Co-saliency Pairs与CMU Cornell iCoseg两个标准数据集上进行了实验仿真,实验结果表明,与其他协同显着性检测方法相比,BSFCoS在保证检测效果的同时大幅提高了针对多幅图像的协同显着性检测的速度。(本文来源于《计算机科学》期刊2015年08期）
刘辉[9]（2015）在《基于分块的人脸特征提取与识别研究》一文中研究指出人脸识别技术是模式识别与计算机视觉领域中非常活跃的研究课题之一。其中,特征提取是模式识别众多问题中最为重要的一个环节,人脸识别技术研究的关键所在就是如何提取有利于分类的鉴别特征。针对人脸图像受表情、姿态和光照条件变化较大时,传统全局特征提取方法无法提取人脸图像局部特征,同时存在数据维度过高、样本少和识别效果不理想等问题。本文就基于分块的特征提取理论和方法做了以下相关研究,主要工作分为以下几部分:(1)阐述了人脸识别的研究背景及历史、现状、研究内容及应用等,并简要介绍了几种典型的人脸数据库。(2)详细的介绍了目前两种经典的代数特征提取方法:主成分分析(PCA)与线性鉴别分析(LDA)方法。并对这两种方法的优缺点作了简要阐述。(3)最大间距准则(MMC)方法利用样本模式的类间与类内散度矩阵之差作为鉴别准则,类内散度矩阵是否奇异对最终识别没有影响来解决小样本问题。但MMC方法也存在着以下不足之处:(1)MMC方法是全局线性方法,特征提取时易受光照条件和人脸表情变化等外界因素影响并且无法提取鉴别性较强的局部信息特征矢量。(2)需要将图像矩阵向量化,导致图像向量维数过高,计算量大。为此,我们提出了分块MMC方法。分块MMC方法可以部分消除由于光照条件不同而引起的人脸图像的不稳定性,有利于提取有效的局部信息特征。(4)二维最大间距准则(2DMMC)方法直接利用图像矩阵构造散度矩阵避免了小样本问题,并且使得散度矩阵的维数大大降低,与MMC相比,整体识别速度与识别率有所提高。然而2DMMC方法虽然在一定程度上减小了运算量,但是并不明显。因此,在分块MMC方法基础上我们进一步提出了分块2DMMC方法。M2DMMC方法分块后每个子块的维数有了较大程度的降低,即使需要处理的矩阵变多却影响不是很大,因此特征空间的维数得到了大幅度的降低,从而降低了对系统存储方面的需求,计算量也相应的减小。(5)最后运用MATLAB平台结合经典方法和本文所提出的方法创建了人脸识别系统。(本文来源于《南昌航空大学》期刊2015-06-01）
徐君,徐富红,蔡体健,谢承旺,王彩玲[10]（2014）在《面向端元提取的光谱角特征空间图像分块方法》一文中研究指出传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。(本文来源于《测绘科学技术学报》期刊2014年05期）
分块特征提取论文开题报告
（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：
由于基于特征的目标跟踪需要对前后两帧图像中的目标进行特征匹配,而传统的基于SURF(speeded up robust features)特征的匹配算法存在匹配时间较长,无法满足目标跟踪条件下实时性要求的情况。本文针对此缺点对SURF特征提取提出了具体的分块并行的解决方案,其中包括自适应地设置分块重迭区域,去除冗余特征点和距离门限法去除离散点的处理;同时通过模板的实时更新以及自适应的抗遮挡处理,保证了短时抗遮挡性能。并通过实验,将传统的基于SURF特征的跟踪算法与本文算法在相同条件下进行跟踪误差和运行时间对比;实验表明针对视频中的待跟踪目标,本文算法较基于传统SURF的图像跟踪算法在降低跟踪运行时间的同时保证了跟踪准确度。并通过遮挡实验,说明抗遮挡处理在本文算法中的实用性和必要性。
（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。
分块特征提取论文参考文献
[1].夏永泉,孙静茹,WU,Xin-wen,支俊,王兵.高分辨率天文图像分块并行特征提取方法研究[J].软件导刊.2019
[2].牛畅,黄银和,尹奎英.基于分块SURF特征提取的图像目标跟踪算法[J].激光与红外.2017
[3].李艳荻,徐熙平,王佳琪.基于自适应分块金字塔匹配核的特征提取算法[J].光子学报.2017
[4].王民,王静,张立材,张鑫.基于混合色彩空间的分块颜色特征提取算法[J].激光与光电子学进展.2018
[5].项晓丽,武圣,许一菲,龙伟,郭杭.二阶分块PCA的人脸特征提取方法研究[J].测控技术.2016
[6].万鸣华,卢桂馥.分块二维最大间距准则的特征提取方法[J].小型微型计算机系统.2016
[7].刘华咏,李涛.基于改进分块颜色特征和二次提取的关键帧提取算法[J].计算机科学.2015
[8].周培云,李静,沈宁敏,庄毅.BSFCoS:基于分块与稀疏主特征提取的快速协同显着性检测[J].计算机科学.2015
[9].刘辉.基于分块的人脸特征提取与识别研究[D].南昌航空大学.2015
[10].徐君,徐富红,蔡体健,谢承旺,王彩玲.面向端元提取的光谱角特征空间图像分块方法[J].测绘科学技术学报.2014