一、纹理分割中的特征提取(论文文献综述)
张文敏[1](2019)在《基于数字图像处理的草坪场景障碍物识别研究》文中指出草坪是城市绿化中不可缺少的部分,目前割草机缺乏智能化。随着人工智能的发展,基于视觉的移动机器人导航成了热点问题。本文主要研究基于数字图像处理的草坪场景障碍物的识别问题,主要包括以下内容:(1)障碍物分割针对草坪场景中的两类障碍物,分别研究了基于颜色、纹理的图像分割方法。颜色分割中:运用统计法估计了草坪像素色调值范围,并将该色调范围的两端点值设为分割阈值,从而实现基于色调统计阈值的分割。通过实验分析草坪像素R(Red)、G(Green)、B(Blue)分量的分布特性,得出在一定光照范围内草坪像素具有G分量最高的特性。对比色调统计阈值、自适应色调阈值、超绿特征阈值分割方法,得到色调统计阈值分割方法的分割准确率及鲁棒性均优于另两种算法的结论。纹理分割中:设计用于分析纹理特征数据的流程,以选择提取纹理特征的最优参数。并制作纹理特征样本以训练支持向量机模型,通过图像分块操作方法实现了基于纹理特征的障碍物分割。最后将本文的纹理分割算法与基于Canny边缘特征和基于模糊聚类的分割算法进行对比,验证了纹理分割算法的优越性。(2)障碍物识别运用卷积神经网络算法识别障碍物。首先,通过数据增强和划分获取障碍物识别数据集。然后,通过实验分析了学习率的大小对模型训练的影响,运用逐步增大学习率的方法,得到了适合本文研究对象的学习率初值范围。并对比分析了固定学习率、衰减学习率、周期学习率的性能。完成了卷积神经网络层数、卷积核个数等超参数的设计与实验。最后,从数据和算法两个角度提升了模型的泛化能力,使模型在验证集上达到95.58%的识别准确率。
黄嘉艳[2](2018)在《概率伪形态学在图像处理中的应用》文中指出概率伪形态学是在数学形态学难以推广到彩色图像的情形下提出来的,由于多元数据排序问题缺少统一标准,而现有的多元数据序关系难以符合人类视觉需求,大部分基于排序方法的彩色形态学其图像处理结果并不理想。概率伪形态学从统计特性角度思考,通过Chebyshev不等式计算“伪极值”来定义基本运算,无需考虑多元数据排序问题,不仅提高了算法的抗噪能力,而且减少运算量。本文阐述了概率伪形态学在灰度图像的基本原理,主要讨论参数k的取值情况,并说明了参数k使该方法在图像处理过程中兼具线性和非线性特性。重点探讨了概率伪极值逼近实际极值时的参数k取值问题,提出了在规定化直方图上估计参数k,使得相同结构元素下概率伪形态学的基本运算结果和数学形态学的结果误差最小。在概率伪形态学推广到彩色图像中,重点说明主成分分析法在全局和局部数据中的应用。通过对比概率伪形态学和数学形态学在纹理图像的分形维估计,并对比二者的膨胀、腐蚀结果视图,得到概率伪形态学能更好地描述纹理特征,有效地保持图像的结构形状,保留了图像的纹理结构。针对概率伪形态学仅选择第一主成分方向进行运算,在参数取值较大时发生的“失真”现象,我们通过重新定义参考轴,在概率伪形态学框架下提出了改进方法,并用改进后的概率伪形态学构造开闭-闭开滤波器用于图像去噪,大大提高了原概率伪形态学在去除高斯不相关噪声的能力,减少“失真”。对比其他形态学方法,结合滤波后的误差指标,概率伪形态学框架下的改进方法能有效地去除两种噪声。本文还将概率伪形态学应用在图像特征提取中,主要进行图像边缘提取和纹理分割。利用概率伪形态学梯度算子提取彩色图像边缘,对比数学形态学方法,概率伪形态学下的边缘结果得到增强,边缘轮廓更加分明;在纹理分割中利用归一化形态学协方差描述纹理特征,获得各点的特征向量,再利用K均值聚类完成纹理图像分类。概率伪形态学能比较准确地划分前景对象,并且具有良好的捕捉复杂纹理能力和尺度变化的能力。
孙惠[3](2016)在《基于Clifford小波的遥感影像纹理分析方法研究》文中研究表明纹理是图像的基本特征之一,纹理特征反映了图像中灰度的分布模式及其空间关系,是描述和分析遥感影像的重要依据。纹理分析技术是计算机视觉、遥感图像处理、图像分析和检索等领域的关键技术之一。小波变换具有良好的时频分析和多尺度分析的能力,已经被广泛应用于纹理图像分析领域。然而,传统小波方法存在平移敏感性、缺乏相位信息等缺陷,限制了其在纹理分析中的应用。对偶双树复小波(DT-CWT)具有近似平移不变性、方向选择性及有限的冗余。但是,DT-CWT只有一个相位,并且此相位反映的是元素的位置信息,不能很好的表征纹理特征。Clifford小波变换是一种新的多尺度时频分析工具,不仅具有良好的平移不变性,而且能够提供不同尺度下的一个幅值和三个相位信息,且其第三相位参数反映的是纹理结构信息。本文在研究Clifford小波基础理论及其性质特点的基础上,构造了基于Clifford小波的纹理特征参数,并将其应用于图像纹理分类和纹理分割中。论文主要工作包括以下几个方面:1.分析和研究了 Clifford小波变换的基础理论,包括四元数代数的定义和性质,一维、二维和四元数解析信号的定义,Clifford傅里叶变换的定义和性质等内容,分析了 Clifford小波变换Mallat算法的分解结构和滤波器构造方法。2.研究了 Clifford小波幅值和相位的特点,利用其幅值和相位信息构造了新的纹理特征参数,用于描述和区分不同的纹理结构。3.提出了基于Clifford小波和Log-Polar变换的平移、旋转和尺度不变的纹理分类算法,并以构造的纹理参数作为特征向量。进行单一纹理图像的识别实验,与其他纹理分类算法的比分析实验表明,本文所提出的纹理分类算法在对具有几何变形的纹理图像进行识别分类时具有更好的分类效果;并且,本文所构造的纹理特征参数在描述和区分纹理时具有明显的优势。将本文所提出的纹理分类算法应用于复杂纹理影像的分类也取得了较好的效果。4.研究了 Clifford Gabor小波的理论及实现方法,并提出了基于Clifford Gabor小波的多尺度多方向的非监督纹理分割算法。该算法不仅考虑了相同纹理在不同尺度下纹理特征的互补性,利用了不同纹理结构之间的方向性差异也通过增加空间约束特征,将空间数据的位置特征考虑了进来。通过与直接将所有尺度方向上的纹理特征参数进行聚类的分割方法进行对比实验,验证了本文所提出算法在区分不同纹理结构时的优越性。最后,通过与传统基于小波的纹理参数的比较,验证了本文所构造的纹理特征参数在影像纹理分割中的有效性。
张佳明[4](2016)在《基于纹理特征的图像分割方法研究》文中提出图像分割在图像处理、计算机视觉等领域一直以来都是一个重要的研究课题。纹理分割又是图像分割的一个重要研究方向。由于大多数的自然图像都具有某种特殊的纹理特征,如果在图像分割过程中不加以考虑,就会导致分割的结果有偏差甚至无法得到准确的分割结果。因此,针对图像纹理的分割越来越受到研究者的关注。论文针对图像分割过程中受纹理影响的问题,对纹理特征提取和纹理分割方法进行充分研究,主要的研究内容如下:(1)针对纹理分割中,复杂纹理区域边界描述不准确的问题,本文提出了一种改进的基于主动轮廓模型的方法,该方法通过将图像区域的纹理信息进行提取,将纹理信息融入到主动轮廓的能量函数中,构造一种基于纹理的能量函数作为外部能量函数,与内部能量函数一起作用,使初始轮廓演化得到最终的目标纹理边缘轮廓。实验表明,该方法能有效解决纹理图像中区域边界描述不准确的问题,获得较完整的目标轮廓。(2)针对纹理图像分割中由于区域纹理特征冗余而对分割效率造成影响的问题,本文给出了一种改进的K均值聚类分割方法,通过利用主成分分析法对纹理图像特征进行降维,再利用聚类方法对降维纹理特征进行分割,去除了冗余信息的干扰,提高了分割效率,最后,通过实验验证了该方法的可行性。
张艳[5](2014)在《基于Gabor滤波器的纹理特征提取研究及应用》文中提出纹理作为物体图像表面的一个非常重要的本质属性和视觉属性,相比较图像的其他属性而言有着自身的优势,它不会随着物体图像的颜色、亮度的改变而改变,所以纹理在图像分析中占据着非常重要的位置。而纹理分析的重中之重就是纹理特征的提取,而在众多的提取方法中,基于Gabor滤波器的纹理特征提取方法,有着其他方法所不可比拟的优势。本选题以纹理图像为研究对象,基于Gabor滤波器对纹理图像的特征提取进行了深入的研究。具体来说,本选题的主要研究内容包括以下几点:1.研究了以Gabor滤波器为基础的一些理论及算法,重点对Gabor变换、小波变换、Gabor小波变换的优缺点进行了分析,最后针对这三种滤波器所具有的特性进行仿真,并对仿真结果进行探讨,显现出Gabor小波滤波器所具有的既有多尺度又有多角度的优势。2.本选题采用Gabor小波滤波器来对纹理图像进行特征提取。研究了基于传统Gabor滤波器的纹理特征提取算法,分析其优势和存在耗时长的缺陷。在深入透彻研究的基础上,对传统算法存在计算量大耗时长的缺陷尝试做些改进,提出改进算法,并分别对这两种算法进行仿真,最后对传统算法和改进后的算法进行对比分析,结果显示改进算法的耗时时间减少,提取的结果也比原来的算法效果要好。3.把改进的基于Gabor滤波器的纹理特征提取算法应用到纹理分割中,选取Brodatz纹理库中的几幅纹理图组合成合成图,并对合成图运用K均值分割算法进行纹理分割,观察其分割效果,发现改进后的算法分割结果比较满意。
杨鸿波,侯霞[6](2014)在《基于局部谱能量自相似矩阵的纹理描述》文中提出对于纹理检测和分类中的纹理描述问题,提出一种新的基于Gabor滤波器组局部谱能量的自相似矩阵来描述纹理的方法。首先采用多尺度、方向的极坐标对数Gabor滤波器组对纹理模板进行滤波,获得频域上局部频段和方向上的纹理信息;然后计算频域上各尺度、方向上局部谱能量的自相似度量,将这些度量值以自相似矩阵的形式进行存储,并作为纹理特征的描述子;最后将这种描述方法应用到纹理检测和分类中。由于该描述子主要体现的是纹理模板在不同频段和方向局部谱能量的自相似程度,所以它对滤波器参数的依赖度较低。实验中利用纹理特征描述子可以实现比较准确的纹理检测,多类纹理合成图像分类实验的准确率达到了91%以上。实验结果说明,纹理局部谱能量的自相似矩阵是一种十分有效的纹理描述方法,其检测和分类的结果对后期的纹理分割、纹理识别等研究领域具有广泛的应用前景。
任勇勇[7](2013)在《基于传感器信号及表面纹理的工件表面缺陷检测》文中进行了进一步梳理在批量工件加工过程中,为了实现工件加工质量的分类及表面缺陷的定位,本文采集钻削加工过程中主轴功率信号与孔剖面图作为论文研究的素材。采用PCA方法将监测信号AMT特征信息与表面质量进行关联,根据特征信息量大小完成加工质量的分类;并根据表面纹理方向特征的变化规律,实现表面缺陷的定位。以功率信号AMT特征及表面纹理特征的提取作为论文的研究主线,研究主要内容包括功率信号以及图像采集硬件平台的设计与搭建,功率信号预处理及AMT特征提取,图像预处理及纹理局部方向特征提取。本文具体从以下几个方面进行研究:1.选用KT5A/P型霍尔功率传感器采集加工过程中的功率监测信号;选择Microvision系列产品(包括工件放置平台、工业数字像机、图像数据采集卡与照明装置)搭建工件表面图像采集硬件平台;采用德国MVtec公司的HALCON软件作为工件表面图像采集程序开发平台。2.对加工过程中主轴功率信号进行z-score标准化和分段处理,利用改进的AMT算法提取其从局部到全局的尺度特征;然后采用主成分分析法进行特征降维,将特征的主成分信息与工件表面加工质量进行关联,利用主成分信息量的大小完成对工件表面加工质量的分类;最后通过与人工检测结果对比,验证了该方法的可靠性。3.文章综合分析经典PCA算法在纹理图像缺陷分割中的不足,在不增加算法复杂度和计算量的基础上,对经典PCA算法改进,减小了PCA算法对光照局部不均匀的敏感性,改善了基于阈值方法的缺陷分割效果,为纹理特征信息提取做准备。4.通过分析传统的表面纹理特征在表示工件表面缺陷上的局限性,论文提出了新的纹理方向特征来分析表面缺陷,并考虑到图像采集过程中所存在的噪声干扰,设计滤波器对图像进行滤波,并且基于图像处理技术对纹理图像进行增强。5.在工件加工质量分类的基础上,通过建模提取工件表面纹理的局部方向特征,建立纹理局部方向特征与表面缺陷位置的对应关系,然后根据局部方向特征的变化,确定工件表面存在缺陷的位置。综上所述,本文实现了基于功率检测信号AMT特征主成分信息量的工件加工质量分类,并根据工件表面纹理方向特征,实现了表面缺陷的定位。在与人工检测对比以及MATLAB软件模拟中,验证了论文方法的可行性。
余文勇,孙长江,黄华斌[8](2012)在《基于小波包变换和蚁群算法的纹理分割方法》文中研究表明为了解决纹理图像分割中所存在的区域一致性差、像素分割错误率较大的问题,提出基于小波包变换并且利用蚁群算法来对纹理图像进行分割的方法。考虑到传统聚类算法依赖于初始值的选取,选用了具有较强鲁棒性的蚁群算法来进行聚类分割。同时考虑到同种纹理的像素往往在空间上具备连续性,所以在进行再次分割时,结合了像素临域的其它像素的分割结果,来抑制纹理分割中的孤立点的出现。
王庆香[9](2011)在《基于小波的纹理分析及其在FPC金面缺陷检测中的应用》文中研究表明随着计算机视觉的发展,纹理分析技术的研究和应用也越来越深入和广泛。然而由于自然界纹理的复杂性,目前还没发现一种通用的方法能够完美实现各种类型的纹理分析任务。在诸多纹理分析方法中基于小波的纹理分析方法是近年发展起来的较有潜力的一类方法。因小波具有较好的时频局部化能力且种类多样,这使得它特别适合对纹理图像进行处理。本文旨在研究运用小波域的特征提取方法来解决纹理分析技术中部分关键问题,并期望实现挠性印刷电路板(FPC)金面纹理缺陷的高效率自动检测。论文主要创造性研究成果如下:针对纹理分割时小波子带能量与熵特征忽略了纹理方向及局部像素邻域关系的问题,提出基于小波包框架分解子带互补特征提取的纹理分割方案,此方案首次将梯度方向直方图描述子引入到小波包框架子带的特征提取中。在特征提取阶段,待分割的纹理图像首先利用小波包框架进行分解,然后采用所设计改进型小波包子带剔除与保留算法选择合适子带,计算出保留子带的平均绝对偏差和梯度方向直方图均值及标准差两类特征。Fisher线性区别分析与纹理分割实验显示这两类特征的组合比其中任一类单一特征的纹理区分能力都强,从而表明这两类特征具有一定互补性。在像素聚类阶段,针对纹理交界处像素误分割量较多问题,提出一种改进的空间模糊c均值聚类算法,该算法考虑了聚类像素邻域的其他像素特征值标准差的分布,实验结果显示该聚类方法在一定程度上减少了纹理交界处的误分割率。基于像素分类的纹理分割与基于像素分类的纹理缺陷检测过程相似,本文将此纹理分割方案中的关键技术应用到FPC金面缺陷检测中并实现了较准确的检测结果。针对纹理检索时小波域的能量参数、广义高斯分布(GGD)模型及广义伽马分布(GΓD)模型方法描述某些纹理缺乏准确性而实数离散小波变换又具有平移变化性和弱方向选择性,提出一种基于复小波域局部二值模式(CLBP)算子的纹理图像检索与FPC金面缺陷检测方法。所提出的CLBP算子简单高效,能捕获局部纹理基元的结构属性。纹理检索或FPC金面缺陷检测时,采用双树复小波变换对纹理图像进行分解,对得到的复系数利用CLBP算子进行相应处理,并将处理结果的统计直方图作为纹理图像的特征矢量,最后通过计算对称Kullback-Leibler距离实现纹理检索或FPC金面缺陷检测。纹理检索与FPC金面缺陷检测两种实验结果表明,该方法较一级复小波分解的GGD及GΓD模型方法的检索准确率分别提高8.66%和5.48%,检测准确率分别提高8.75%和6.25%。为降低特征维数构建健壮的特征,本文基于CLBP算子提出一种组合特征的纹理检索与FPC金面缺陷检测方法,将CLBP输出结果直方图降维后与复小波子带系数幅值的GΓD模型参数进行组合可形成纹理区分能力更强的特征。实验表明该组合特征方法在纹理检索和FPC金面缺陷检测准确率方面比现有的多种方法均高,同时所采用的组合特征具有旋转不变性,特征维数不高,是一种较具有实际应用价值的方法。提出一种基于Gabor滤波器与Mean Shift聚类的完全无监督FPC金面缺陷检测方法。此方法的特点是检测过程中无需预知标准FPC金面的纹理类型及缺陷的纹理类型。检测时待检图像先经过Gabor滤波、形态学开运算、高斯平滑滤波及降维处理,然后采用Mean-shift算法对特征数据进行聚类,将聚类后的数据二值化后就得到最终检测结果。因Mean-shift算法是一种无监督的聚类方法,所以此处理过程不需将背景与缺陷纹理种类总数做为参数。实验证明此方法能检测出各种类型缺陷且对背景纹理的微小变化不敏感。最后本文在各种FPC金面缺陷检测算法研究的基础上设计了FPC金面缺陷自动检测系统实验平台。根据FPC金面图像的特点,为顺利实现FPC金面缺陷的自动检测本文对其中的每个子系统都进行了针对性的设计。本文还为不同的检测目的提出了FPC金面检测过程的三阶段检测法,用户可根据不同要求选择合适的检测阶段与检测算法,这使程序使用的灵活性大大增加。采用大量的实验来检验整个系统的性能,各种对比性实验结果显示系统检测准确率较高,在速度、效率及稳定性方面基本胜任FPC工厂检测任务。总之,本文针对纹理属性的捕获问题,基于小波的方法提出了几种特征抽取方案并将其成功应用到FPC金面缺陷检测的任务中。这些技术的研究对纹理分析技术理论及应用的提高具有非常重要的现实意义和参考价值。
贺锦鹏,孙枫,刘利强[10](2011)在《基于滤波器阵列与图割的彩色纹理分割》文中认为图割法因无法体现像素点的纹理区域特性而难以应用于纹理分割。针对该问题,提出一种基于滤波器阵列与图割的彩色纹理分割算法。利用构建的滤波器阵列提取图像的纹理特征,并加入图像的H、S、I分量值组成纹理-色彩特征向量,采用texton直方图作为彩色纹理的统计模型对纹理-色彩特征向量进行统计计算,通过直方图差计算像素点间的纹理相似度,再应用图割法中的规范割准则对彩色纹理进行分割。实验结果证明,该算法具有较高的分割准确性。
二、纹理分割中的特征提取(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、纹理分割中的特征提取(论文提纲范文)
(1)基于数字图像处理的草坪场景障碍物识别研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 智能割草机的研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文研究内容与工作安排 |
2 图像处理及模式识别相关技术 |
2.1 图像的类型 |
2.2 图像的特征描述 |
2.3 图像分割算法 |
2.4 图像识别算法 |
2.5 本章小结 |
3 草坪障碍物图像分割算法研究 |
3.1 基于颜色的障碍物分割方法研究 |
3.1.1 基于HSI模型的颜色分割方法研究 |
3.1.2 基于RGB颜色模型的分割方法研究 |
3.1.3 颜色分割实验及分析 |
3.2 基于纹理的障碍物分割算法研究 |
3.2.1 纹理分割原理及流程设计 |
3.2.2 纹理特征提取实验与研究 |
3.2.3 纹理分割算法实现 |
3.2.4 纹理分割实验及分析 |
3.3 本章小结 |
4 草坪场景障碍物识别研究 |
4.1 卷积神经网络的相关原理 |
4.1.1 卷积神经网络的结构 |
4.1.2 卷积神经网络的学习原理 |
4.1.3 卷积神经网络的训练流程 |
4.2 数据集的获取及增强 |
4.2.1 数据集获取与数据增强 |
4.2.2 训练集、验证集的划分 |
4.3 卷积神经网络结构设计 |
4.3.1模型部分超参数设置实验 |
4.3.2 模型层数设计 |
4.3.3 卷积核个数设计 |
4.3.4 全连接层神经元个数的设计 |
4.4 模型泛化能力提升研究 |
4.4.1 基于数据增强的模型泛化能力研究 |
4.4.2 基于正则化和Dropout、BN的模型泛化能力研究 |
4.5 本章小结 |
5 草坪障碍物检测系统的设计与实现 |
5.1 软件平台开发环境 |
5.2 软件功能及界面设计 |
5.3 系统实现效果 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
(2)概率伪形态学在图像处理中的应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外发展及现状 |
1.2.1 图像去噪的研究现状及发展趋势 |
1.2.2 图像特征提取的研究现状及发展 |
1.3 本文的研究内容 |
1.4 本文结构 |
第二章 数学形态学的基本理论 |
2.1 数学形态学基本概念 |
2.2 二值形态学的基本运算 |
2.2.1 二值膨胀和腐蚀运算 |
2.2.2 二值开和闭运算 |
2.3 灰度形态学的基本运算 |
2.3.1 灰度膨胀运算和腐蚀运算 |
2.3.2 灰度开运算和闭运算 |
2.4 本章小结 |
第三章 概率伪形态学的参数应用研究 |
3.1 概率伪形态学的基本理论 |
3.2 概率伪形态学在灰色图像中的应用 |
3.2.1 概率伪形态学在灰度图像上的基本运算 |
3.2.2 概率伪形态学的参数设置 |
3.3 概率伪形态学在彩色图像的应用 |
3.3.1 彩色概率概率伪形态学基本原理 |
3.3.2 概率伪形态学在彩色图像上的基本运算 |
3.4 仿真实验和对比分析 |
3.4.1 参数误差分析 |
3.4.2 膨胀、腐蚀效果对比分析 |
3.4.3 分形维数估计分析 |
3.5 本章小结 |
第四章 概率伪形态学的改进方法在图像去噪中的应用 |
4.1 噪声来源及分类 |
4.2 常见的图像去噪方法 |
4.2.1 空间域滤波去噪 |
4.2.2 频域滤波去噪——小波去噪 |
4.3 概率伪形态学的图像去噪 |
4.3.1 改进的概率伪形态学 |
4.3.2 概率伪形态学框架下的彩色图像去噪 |
4.4 图像去噪的评估模型 |
4.5 仿真实验和对比分析 |
4.6 本章小结 |
第五章 概率伪形态学在特征提取中的应用 |
5.1 图像边缘检测及常用算法 |
5.1.1 一阶微分边缘检测算子 |
5.1.2 二阶微分边缘检测算子 |
5.1.3 小波边缘提取 |
5.2 纹理分割分类及常用的算法 |
5.3 概率伪形态学在彩色图像边缘检测中的应用 |
5.4 概率伪形态学在彩色纹理分割的应用 |
5.5 仿真实验和分析对比 |
5.6 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(3)基于Clifford小波的遥感影像纹理分析方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景和研究意义 |
1.2 国内外研究现状 |
1.2.1 纹理分析方法综述 |
1.2.2 基于小波的纹理图像分析 |
1.2.3 Clifford小波及其在图像分析中的应用 |
1.2.4 存在的问题与本文研究思路 |
1.3 研究内容、技术路线和论文组织 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.3.3 论文组织 |
第2章 Clifford小波及纹理特征参数构建 |
2.1 四元数与四元数解析信号 |
2.1.1 四元数的概念 |
2.1.2 四元数解析信号 |
2.2 Clifford傅里叶变换 |
2.3 Clifford小波变换 |
2.3.1 Clifford小波基础理论 |
2.3.2 Clifford小波幅值与相位 |
2.4 基于Clifford小波的纹理特征参数 |
2.4.1 基于小波系数的纹理特征参数 |
2.4.2 基于幅值的纹理特征参数 |
2.4.3 基于相位的纹理特征参数 |
2.5 本章小结 |
第3章 基于Clifford小波的纹理分类 |
3.1 基于Clifford小波的纹理分类算法 |
3.1.1 Log-Polar变换 |
3.1.2 算法流程与关键步骤 |
3.2 算法实现 |
3.2.1 纹理特征提取 |
3.2.2 滤波器设计 |
3.2.3 分类方法 |
3.3 实验结果与分析 |
3.3.1 单一纹理图像的分类 |
3.3.2 复杂纹理影像的分类 |
3.4 本章小结 |
第4章 基于Clifford Gabor小波的纹理分割 |
4.1 基于Clifford Gabor小波的纹理分割算法 |
4.1.1 Clifford Gabor小波 |
4.1.2 算法流程与关键步骤 |
4.2 算法实现 |
4.2.1 纹理特征提取 |
4.2.2 滤波器设计 |
4.3 实验结果与分析 |
4.4 本章小结 |
第5章 结论和展望 |
5.1 本文工作总结 |
5.2 论文特色 |
5.3 未来研究展望 |
参考文献 |
(4)基于纹理特征的图像分割方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题的提出及研究意义 |
1.2 国内外研究现状及发展趋势 |
1.2.1 纹理特征提取方法分类 |
1.2.2 纹理分割介绍 |
1.3 课题研究目标和内容 |
1.4 文章组织安排 |
第二章 纹理提取与主动轮廓模型 |
2.1 引言 |
2.2 频谱法 |
2.2.1 Fourier变换法 |
2.2.2 小波变换法 |
2.3 模型法 |
2.3.1 马尔科夫随机场模型 |
2.3.2 自回归模型 |
2.4 统计法 |
2.4.1 差分直方图 |
2.4.2 灰度共生矩阵 |
2.4.3 局部二值模式(Local Binary Pattern LBP) |
2.5 结构法 |
2.6 主动轮廓模型算法 |
2.6.1 参数主动轮廓模型 |
2.6.2 几何主动轮廓模型 |
2.7 本章小结 |
第三章 基于纹理特征的主动轮廓模型图像分割 |
3.1 主动轮廓模型 |
3.2 纹理特征提取 |
3.3 改进的主动轮廓能量函数 |
3.4 算法步骤 |
3.5 实验结果与分析 |
3.6 本章小结 |
第四章 基于改进的K均值聚类纹理分割方法 |
4.1 纹理分割 |
4.2 纹理图像前处理 |
4.2.1 特征提取和正规化 |
4.2.2 平滑 |
4.2.3 去噪 |
4.3 改进的K均值聚类分割 |
4.3.1 纹理特征降维 |
4.3.2 纹理图像聚类分割 |
4.4 算法步骤 |
4.5 实验结果及分析 |
4.6 本章小结 |
第五章 总结和展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(5)基于Gabor滤波器的纹理特征提取研究及应用(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题研究的背景和意义 |
1.2 选题的国内外研究现状 |
1.3 本选题的主要研究内容 |
2 纹理基础理论 |
2.1 纹理的定义 |
2.2 纹理的分类 |
2.3 纹理的基本属性 |
2.4 纹理特征提取的分类 |
2.5 本章小结 |
3 Gabor 滤波器研究 |
3.1 前言 |
3.2 Gabor 变换 |
3.3 小波变换 |
3.4 Gabor 小波变换 |
3.5 仿真分析 |
3.5.1 Gabor 变换(Gabor 滤波器)的多方向的滤波特性 |
3.5.2 小波变换多尺度的特性 |
3.5.3 Gabor 小波变换多角度的特性和多分辨率的特性 |
3.6 本章小结 |
4 基于 Gabor 滤波器纹理特征提取研究 |
4.1 二维 Gabor 小波滤波器 |
4.2 基于二维 Gabor 滤波器的纹理特征提取 |
4.2.1 基于传统 Gabor 滤波器的纹理特征提取 |
4.2.2 基于改进的 Gabor 滤波器的纹理特征提取 |
4.3 实验结果分析 |
4.3.1 计算复杂度的对比分析 |
4.3.2 仿真结果分析 |
4.4 本章小结 |
5 改进算法在纹理分割中的应用 |
5.1 纹理分割简介 |
5.2 基于 Gabor 滤波器的纹理分割算法 |
5.2.1 本选题的纹理特征提取 |
5.2.2 本选题的纹理分割 |
5.3 仿真纹理分割结果分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
附录 攻读硕士学位期间发表的论文 |
(7)基于传感器信号及表面纹理的工件表面缺陷检测(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 工件加工质量检测方法研究现状 |
1.1.1 基于传感器监控技术的工件加工质量检测方法 |
1.1.2 基于图像处理技术的工件加工质量检测方法 |
1.2 工件表面缺陷检测方法研究现状 |
1.2.1 基于传感器监控技术的工件表面缺陷检测 |
1.2.2 基于图像处理技术的工件表面缺陷检测 |
1.3 论文拟解决的问题及解决思路 |
1.4 论文研究的主要内容与课题来源 |
第2章 信息采集实验平台的设计与搭建 |
2.1 传感器监测信号采集平台设计与搭建 |
2.2 工件表面图像采集平台设计与搭建 |
2.2.1 工件放置平台搭建 |
2.2.2 照明装置选取 |
2.2.3 镜头参数确定 |
2.3 工件加工信息采集系统 |
2.3.1 传感器类型及监测信号采集 |
2.3.2 图像采集与 HALCON 软件简介 |
2.4 本章小结 |
第3章 基于监测信号多特征 PCA 分析的加工质量分类 |
3.1 监测信号描述 |
3.2 AMT 算法的提出 |
3.2.1 AMT 算法描述 |
3.2.2 AMT 算法基点选择 |
3.3 基于 AMT 算法的监测信号 MA 和 MDY 特征提取 |
3.3.1 监测信号 z-score 标准化后的 MA 和 MDY 特征 |
3.3.2 监测信号分段处理后的 MA 和 MDY 特征 |
3.4 基于 MA 和 MDY 特征 PCA 分析的加工质量分类 |
3.5 本章小结 |
第4章 基于改进 PCA 算法的表面图像纹理分割 |
4.1 经典 PCA 算法在图像纹理分割中的应用 |
4.1.1 PCA 算法原理 |
4.1.2 纹理图像重构 |
4.1.3 重构图像的阈值处理 |
4.2 改进 PCA 算法在图像纹理分割中的应用 |
4.3 图像质量评价准则及分割效果比较 |
4.4 本章小结 |
第5章 基于纹理局部方向特征的工件表面缺陷定位 |
5.1 传统的表面纹理特征提取方法及特征类型 |
5.2 纹理图像增强预处理 |
5.2.1 纹理图像滤波 |
5.2.2 纹理图像归一化 |
5.2.3 纹理图像细化 |
5.3 基于纹理局部方向特征的表面缺陷定位 |
5.3.1 纹理频率计算 |
5.3.2 纹理图像分块 |
5.3.3 纹理局部方向特征计算及缺陷位置分析 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 课题总结 |
6.2 课题展望 |
参考文献 |
致谢 |
个人简历、在校期间发表的学术论文与研究成果 |
(9)基于小波的纹理分析及其在FPC金面缺陷检测中的应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究的背景和意义 |
1.2 纹理分析技术的特点 |
1.3 纹理缺陷检测的基本概念 |
1.4 纹理分析方法及其应用的研究现状 |
1.4.1 统计法 |
1.4.2 结构法 |
1.4.3 建模法 |
1.4.4 滤波法 |
1.5 小波在纹理分析中研究现状 |
1.6 本文的主要研究内容 |
第二章 小波包框架与双树复小波变换 |
2.1 引言 |
2.2 小波包变换 |
2.3 小波框架变换 |
2.4 双树复小波变换 |
2.5 本章小结 |
第三章 基于互补特征的纹理分割 |
3.1 引言 |
3.2 基础知识 |
3.2.1 空间模糊c 均值聚类 |
3.2.2 梯度方向直方图 |
3.3 基于互补特征的纹理图像分割步骤 |
3.3.1 小波包框架分解与子带选择 |
3.3.2 特征提取 |
3.3.3 纹理像素的聚类 |
3.4 实验及结果分析 |
3.4.1 Fisher 线性判别分析实验 |
3.4.2 纹理分割实验 |
3.4.3 FPC 金面缺陷检测实验 |
3.4.4 算法运行速度测试 |
3.5 本章小结 |
第四章 基于CLBP 的纹理检索 |
4.1 引言 |
4.2 基础知识 |
4.2.1 广义高斯分布 |
4.2.2 广义伽马分布 |
4.3 双树复小波域局部二值模式统计特征 |
4.4 实验及结果分析 |
4.4.1 纹理检索实验 |
4.4.2 FPC 金面缺陷检测实验 |
4.4.3 算法运行速度测试 |
4.5 本章小结 |
第五章 基于Gabor 小波的FPC 金面缺陷检测 |
5.1 基础知识 |
5.1.1 2D Gabor 滤波器 |
5.1.2 Mean Shift 聚类算法 |
5.2 基于最优Gabor 滤波器的FPC 金面缺陷检测 |
5.2.1 缺陷检测步骤 |
5.2.2 实验及结果分析 |
5.3 基于Gabor 滤波器组的无监督FPC 金面缺陷检测 |
5.3.1 缺陷检测步骤 |
5.3.2 实验及结果分析 |
5.4 FPC 金面缺陷检测方法的特点 |
5.5 本章小结 |
第六章 FPC 金面自动检测系统的实现 |
6.1 系统的硬件组成 |
6.1.1 光学照明子系统 |
6.1.2 图像采集子系统 |
6.1.3 运动控制子系统 |
6.1.4 图像识别检测子系统 |
6.2 系统软件设计 |
6.2.1 开发目标及环境 |
6.2.2 FPCGSAIS 软件模块划分 |
6.2.3 FPCGSAIS 模块实现 |
6.3 FPC 金面缺陷检测平台测试 |
6.4 本章小结 |
结论与展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
附件 |
四、纹理分割中的特征提取(论文参考文献)
- [1]基于数字图像处理的草坪场景障碍物识别研究[D]. 张文敏. 中国计量大学, 2019(02)
- [2]概率伪形态学在图像处理中的应用[D]. 黄嘉艳. 华南理工大学, 2018(12)
- [3]基于Clifford小波的遥感影像纹理分析方法研究[D]. 孙惠. 南京师范大学, 2016(04)
- [4]基于纹理特征的图像分割方法研究[D]. 张佳明. 太原科技大学, 2016(12)
- [5]基于Gabor滤波器的纹理特征提取研究及应用[D]. 张艳. 西安科技大学, 2014(03)
- [6]基于局部谱能量自相似矩阵的纹理描述[J]. 杨鸿波,侯霞. 计算机应用, 2014(03)
- [7]基于传感器信号及表面纹理的工件表面缺陷检测[D]. 任勇勇. 湘潭大学, 2013(03)
- [8]基于小波包变换和蚁群算法的纹理分割方法[J]. 余文勇,孙长江,黄华斌. 机械与电子, 2012(03)
- [9]基于小波的纹理分析及其在FPC金面缺陷检测中的应用[D]. 王庆香. 华南理工大学, 2011(06)
- [10]基于滤波器阵列与图割的彩色纹理分割[J]. 贺锦鹏,孙枫,刘利强. 计算机工程, 2011(14)