导读:本文包含了点密度论文开题报告文献综述及选题提纲参考文献,主要关键词:图像美学,质量评价,超像素分割,兴趣点密度加权
点密度论文文献综述
于明,彭伟峰,郭迎春[1](2019)在《基于兴趣点密度加权的图像美学质量评价》一文中研究指出针对现有方法没有充分考虑图像空间美学信息,并且评价效果过分依赖于主体区域识别效果的问题,提出一种基于兴趣点密度加权的图像美学质量评价模型。首先对图像进行超像素分割和兴趣点检测并提取特征描述子,然后统计超像素块内的兴趣点个数,根据兴趣点密度对超像素块内的特征描述子进行加权并进行局部约束线性编码处理,最后利用机器学习方法进行图像美学质量评价。实验结果表明该方法用来图像美学质量评价大大减少了特征维度和计算时间,提高了评价模型的准确率。(本文来源于《河北工业大学学报》期刊2019年03期)
王磊[2](2019)在《基于网格点密度估计的聚类算法研究》一文中研究指出机器学习算法的研究是人工智能领域中的一个重要分支,它涉及到众多学科的交叉融合。机器学习算法的研究对象是怎样模拟人类的行为以学习新的知识从而更新知识结构、改善自身的性能。机器学习领域的研究在近些年来已经取得了很大的进展,各种各样的机器学习算法也被提了出来。机器学习算法通常情况下可以被分为叁大类:有监督学习算法、无监督学习算法和半监督学习算法。聚类分析算法是其中最具有代表性的一种无监督机器学习算法。该类算法依据数据点的某种属性将数据集中相似的数据点划分到同一个类簇中而把非相似的数据点划分到不同的类簇。尽管各种各样的聚类算法已经被提出,但是大多数传统的聚类方法只能适用于球形类簇的聚类并且算法的聚类结果可能会受到参数设置和初始化的影响。此外,当数据集中数据点数量和数据维度的规模变得非常大时,聚类算法的效率将受到时间复杂性和空间复杂性的限制。因此,本论文中提出了一种快速稳定基于网格的能够识别任意形状类簇的聚类方法,该算法还能够稳定地应对大数据集的聚类。改进的方法中,首先该方法运用给定的公式自动化确定网格的划分区间数目,然后算法计算划分网格中网格节点处的密度值而非传统方法中的网格密度。最后,算法依据网格节点的密度值采用经典的广度优先搜索算法进行聚类操作。在多个人工数据集和真实数据集上的实验结果表明,该方法比传统的聚类方法更加有效。此外,聚类算法结果的评价通常需要计算聚类评价指标的值,传统的点对比较方法对于大数据集的评价指标计算效率比较低。本论文中给出了利用混淆矩阵计算聚类结果评价指标的方法,实验结果表明该方法能够明显地提高获取评价指标值的效率。(本文来源于《兰州大学》期刊2019-05-01)
李思倩,盛彩英,王结臣[3](2019)在《基于点密度分析与自适应差异检测的点群要素制图综合算法》一文中研究指出针对点群要素制图综合的自动选取问题,提出一种基于点密度分析与自适应差异检测的点群要素制图综合算法。该算法首先利用核密度估计法对原始点群进行点密度分析,选取凸包最外侧点和重要性等级较高的点分析其点密度,进而对比两次点密度分析结果的相对密度差异,并找出相对密度差异最大的点加入选中点群中;然后重新对选中点群进行点密度分析,直到选中点数满足制图综合要求。将该算法用于实例点群数据中进行了验证,结果表明,该算法能最大限度地保持点群的分布特征和密度对比关系,并且较为简单、灵活。(本文来源于《地理与地理信息科学》期刊2019年02期)
蔡昂,刘晓敏[4](2019)在《基于虹膜角点密度和瞳孔大小的健康检测系统设计与分析》一文中研究指出虹膜诊断是人类健康检测的一个重要技术。文章提出根据图像中任意小区域的角点个数粗定位瞳孔,使用Hough变换确定内外轮廓,再根据虹膜角点密度和瞳孔的大小确定健康情况。实验结果表明,该系统具有很好的性能。(本文来源于《江苏科技信息》期刊2019年03期)
孙为民,王晖,高涛,张凯,刘爱民[5](2018)在《用关键点密度算法加速基于卷积神经网络的绝缘子图像目标检测》一文中研究指出在无人机自主巡检高压输电线路的应用中,图像目标检测的高准确率和快速响应时间是至关重要的。当前的图像目标检测算法存在高准确率与快速相应时间不可兼得的矛盾。在目标检测的整个流程中,区域计算已经成为降低响应时间的瓶颈。本文用关键点密度算法代替选择性搜索算法来得到区域集合,从而在不降低准确率的情况下,减少响应时间。实验结果表明,我们提出的方法在保证准确率的同时,把目标检测响应时间减少了一半,降到了一秒以内。这大大提高了无人机自主巡检高压输电线路的可行性。(本文来源于《电子制作》期刊2018年16期)
杨永强,叶明,陆永华,任守纲[6](2018)在《角点密度特征下的粘连蘑菇定位算法》一文中研究指出在基于机器视觉实现蘑菇自动化采摘过程中,由于蘑菇苗床背景复杂多样,蘑菇群落之间尺度、形状差异大,且相互间存在复杂粘连,造成采摘位置定位困难,针对该问题,提出了以Harris角点为纹理特征的背景过滤算法,实现菌丝、木屑、杂草等干扰因素下的前景目标的准确提取;继而针对粘连蘑菇的尺度差异,提出了一种迭代方法搜索前景距离图中的区域极值点,在此基础上采用基于标记的分水岭算法实现粘连蘑菇的分割;最后利用椭圆拟合对蘑菇边界和中心坐标进行定位.通过实际场景中的蘑菇样本图片进行测试,证明算法定位准确性达到86.3%,平均处理时间为0.711 s,满足实时性要求.(本文来源于《计算机系统应用》期刊2018年05期)
吴鹏[7](2018)在《基于点密度与邻域信息的模糊C均值算法》一文中研究指出Fuzzy C-Means(FCM)模糊c均值聚类算法是一个应用广泛、有效的无监督聚类算法。但传统FCM算法存在对所有样本等划分的缺点,导致聚类精度不高、鲁棒性不强。针对上述问题,从整体上引入点密度关系,从局部上引入点邻域信息,用以标记每个样本点,提出基于点密度和邻域信息的模糊c均值算法(DLFCM)。该算法能标记每个不同的样本,克服了FCM算法等划分的缺点,提高了算法的聚类精度和鲁棒性。人造数据集和UCI真实数据集实验验证了该算法的有效性。(本文来源于《软件导刊》期刊2018年04期)
李轶,张亮,张然,张申[8](2018)在《一种DBSCAN聚类点密度的加权质心定位算法》一文中研究指出加权质心定位算法是无线传感器网络中最常用的定位算法,为了进一步提高其定位精度,本文将聚类算法引入到无线传感器网络定位中,提出了一种具有噪声的基于密度的聚类算法(DBSCAN)聚类点密度的加权质心定位算法。该算法根据共线度理论选择参数,构建定位叁角形的集合。选择集合中定位效果较好的一部分叁角形对未知节点进行定位,并对所得的初始定位结果进行DBSCAN聚类。在排除误差较大的定位坐标后,将聚类后每个簇的核心点个数视为权值,采用加权质心定位算法得到未知节点的最终定位位置。仿真结果表明:该算法与传统加权质心定位算法相比,平均定位误差减小80%以上,有效提高了无线传感器网络定位精度。(本文来源于《河南科技大学学报(自然科学版)》期刊2018年02期)
李润青,谢明鸿,黄冰晶[9](2017)在《一种基于初始点密度最大的改进型ISODATA聚类算法》一文中研究指出针对ISODATA对初始聚类点选取较为敏感,不能处理噪声点的缺陷,提出一种基于结合密度最大的改进型ISODATA的划分聚类方法 D-ISODATA。基于高局部密度点距离和局部密度最大原则,优化聚类初始点并去除噪声点。根据考察对象所处空间区域的密度分布情况划分基本簇,结合ISODATA聚类算法良好的自适应性,有效地对数据集进行分类。实验表明,这种基于密度聚类的改进型ISODATA算法能有效去除噪声点,改善初始中心点选择对最后聚类算法的影响,并且具有良好的自适应性,对于数据集处理的准确性优于传统K-means算法和ISODATA算法。(本文来源于《软件导刊》期刊2017年12期)
吴陈,许友权[10](2016)在《点密度优选中心最大熵核FCM文本聚类算法》一文中研究指出为克服聚类算法对初始聚类中心选取敏感这一缺点,结合文本样本集中各个词所处位置不同而具有不同重要程度(权值)可客观反映文本数据本来特征的特点,提出一个考虑样本点分布密度优选初始聚类中心的最大熵核FCM算法(WKMEFCM)。实验结果表明,该算法与C均值方法、模糊C均值方法 FCM、最大熵核FCM相比,其聚类结果更加稳定、准确,聚类效果更好。(本文来源于《计算机工程与设计》期刊2016年09期)
点密度论文开题报告
(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:
机器学习算法的研究是人工智能领域中的一个重要分支,它涉及到众多学科的交叉融合。机器学习算法的研究对象是怎样模拟人类的行为以学习新的知识从而更新知识结构、改善自身的性能。机器学习领域的研究在近些年来已经取得了很大的进展,各种各样的机器学习算法也被提了出来。机器学习算法通常情况下可以被分为叁大类:有监督学习算法、无监督学习算法和半监督学习算法。聚类分析算法是其中最具有代表性的一种无监督机器学习算法。该类算法依据数据点的某种属性将数据集中相似的数据点划分到同一个类簇中而把非相似的数据点划分到不同的类簇。尽管各种各样的聚类算法已经被提出,但是大多数传统的聚类方法只能适用于球形类簇的聚类并且算法的聚类结果可能会受到参数设置和初始化的影响。此外,当数据集中数据点数量和数据维度的规模变得非常大时,聚类算法的效率将受到时间复杂性和空间复杂性的限制。因此,本论文中提出了一种快速稳定基于网格的能够识别任意形状类簇的聚类方法,该算法还能够稳定地应对大数据集的聚类。改进的方法中,首先该方法运用给定的公式自动化确定网格的划分区间数目,然后算法计算划分网格中网格节点处的密度值而非传统方法中的网格密度。最后,算法依据网格节点的密度值采用经典的广度优先搜索算法进行聚类操作。在多个人工数据集和真实数据集上的实验结果表明,该方法比传统的聚类方法更加有效。此外,聚类算法结果的评价通常需要计算聚类评价指标的值,传统的点对比较方法对于大数据集的评价指标计算效率比较低。本论文中给出了利用混淆矩阵计算聚类结果评价指标的方法,实验结果表明该方法能够明显地提高获取评价指标值的效率。
(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。
点密度论文参考文献
[1].于明,彭伟峰,郭迎春.基于兴趣点密度加权的图像美学质量评价[J].河北工业大学学报.2019
[2].王磊.基于网格点密度估计的聚类算法研究[D].兰州大学.2019
[3].李思倩,盛彩英,王结臣.基于点密度分析与自适应差异检测的点群要素制图综合算法[J].地理与地理信息科学.2019
[4].蔡昂,刘晓敏.基于虹膜角点密度和瞳孔大小的健康检测系统设计与分析[J].江苏科技信息.2019
[5].孙为民,王晖,高涛,张凯,刘爱民.用关键点密度算法加速基于卷积神经网络的绝缘子图像目标检测[J].电子制作.2018
[6].杨永强,叶明,陆永华,任守纲.角点密度特征下的粘连蘑菇定位算法[J].计算机系统应用.2018
[7].吴鹏.基于点密度与邻域信息的模糊C均值算法[J].软件导刊.2018
[8].李轶,张亮,张然,张申.一种DBSCAN聚类点密度的加权质心定位算法[J].河南科技大学学报(自然科学版).2018
[9].李润青,谢明鸿,黄冰晶.一种基于初始点密度最大的改进型ISODATA聚类算法[J].软件导刊.2017
[10].吴陈,许友权.点密度优选中心最大熵核FCM文本聚类算法[J].计算机工程与设计.2016