一、离散不变矩算法及其在目标识别中的应用（论文文献综述）
汤明[1]（2021）在《基于数字全息显微成像技术的微小型浮游生物监测系统研究》文中提出微小型浮游生物在海洋生态系统中扮演着极其重要的角色。它是其他高等海洋生物赖以生存的物质基础和能量来源,且其多样性和丰度是判定珊瑚、红树林等海洋生态系统健康发展的重要指标。因此研究新型的微小型浮游生物的监测方法开展监测系统研究具有重要的理论研究意义和工程指导意义。本文基于数字全息显微成像技术对尺度在5-200 μm的微小型浮游生物进行监测研究,目标是实现微小型浮游生物的大景深清晰再现、三维成像和准确识别,并在此基础上研制一套适用于微小型浮游生物监测的数字全息显微成像仪样机并完成初步试验。主要的研究内容和成果包括:1.探究对比了不同结构的数字全息显微成像光路,确定可行方案。先后在光学平台上搭建了 Gabor结构（无透镜结构）光路,基于马赫-曾德尔干涉仪结构的同轴光路、离轴光路和单臂光路。利用以上四种光路拍摄了分辨率板和微小型浮游生物的全息图像,对比分析了它们在全息图重建质量、再现景深、相位恢复、三维重构以及抗外界干扰能力等方面的特点,并结合微小型浮游生物的尺寸与分辨率要求确定了以马赫-曾德尔干涉仪结构的同轴光路作为样机的光学系统。2.研究了再现景深延拓的方法。推导了基于马赫-曾德尔干涉仪结构的同轴光路的再现像面点扩散函数（pointspread function）的表达式,根据点扩散函数的尺寸得到了再现景深与光学参数之间的关系,并通过分辨率板的成像实验验证了该关系。依据上述关系从增大全息图的尺寸入手,提出了波前编码（Wave Front Code）技术和全息图外扩（bicubic extrapolation iteration）技术相结合的再现景深延拓方法。3.研究了多焦距微小型浮游生物的自动聚焦方法和再现图像的融合方法。针对微小型浮游生物尺寸小、数量多、全息图背景噪声强的问题,提出了一种先从全息图中提取微小型浮游生物区域,然后依次应用面积准则进行判定的自动聚焦方法;为了消除微小型浮游生物周围的高频条纹和内部的斑点噪声,提出了一种基于标记图的改进型小波变换图像融合方法。同时,将深度学习应用到微小型浮游生物的自动聚焦和其再现图像融合,获得了较好结果。4.研究了微小型浮游生物的三维重构方法。分析对比了基于扫描成像原理的扫描电子显微镜重构法和基于全息成像原理的位相重构法、高度-灰度重构法、灰度层析重构法以及光学衍射层析重构法。以更适合于微小型浮游生物现场监测的灰度层析重构方法作为本文主要研究方法,针对其面临的微小型浮游生物前半部分轮廓难以被分辨,以及再现图像存在严重离焦像的问题,提出了一种改进型灰度层析重构方法,从硬件和算法两个方面获得了微小型浮游生物整个部分的轮廓,进而实现了微小型浮游生物的三维成像。5.研究了微小型浮游生物的识别方法。分别采用了传统的机器学习方法和深度学习方法对微小型浮游生物进行识别。在传统的机器学习方法中,分别选取了传统特征和HOG特征,对分类器SVM进行训练;在深度学习方法中,通过Faster-RCNN深度神经网络,完成对微小型浮游生物特征的选取及其自身的训练。6.研制了一套微小型浮游生物数字全息显微成像仪样机。通过关键光学参数的确定和光学元件及其支架的选型,设计光学系统模块,并完成其装调;通过样机的工作流程设计控制电路模块,控制激光器和图像传感器的开启与关闭,以及蠕动泵的运行;初步设计了与样机配套的“微小型浮游生物分析应用软件”,调用数值重建、自动聚焦、图像融合、三维重构算法和识别模型,并进行结果的保存、显示等。利用该样机进行了初步试验,获得了预期的结果。
冯超[2]（2020）在《空间目标融合识别方法研究及知识库设计》文中进行了进一步梳理近年来,由于人类对外太空的探索愈加频繁,空间目标种类和数量急剧上升,对于空间目标的识别需求也随之而来,空间目标识别技术应运而生。空间目标识别技术通过获取空间目标回波数据,提取能够反映空间目标特性的特征,经过分类器确认目标类别。目标融合识别技术将目标识别方法与信息融合理论相结合,通过充分利用融合信息之间的互补信息提升空间目标识别的准确性与可靠性。本文针对空间目标识别问题,对空间目标特征级及决策级融合识别方法进行研究;同时考虑到空间目标识别中目标数据检索与存储需求,本文运用Qt Creator开发工具设计了针对空间目标信息的知识库。论文的主要内容如下:1、针对空间目标特征融合识别任务,本文提出了一种基于自适应加权求和的深层特征融合识别方法。在特征融合识别过程中,不同特征对于识别任务的贡献程度存在差异,传统特征融合方法对于特征间贡献程度的差异考虑较少,导致融合特征的识别性能受限。本文提出方法通过在特征融合过程中引入注意力模块来衡量特征的贡献程度,并利用加权求和的方式得到融合特征,基于统一的代价函数实现融合网络参数的联合优化。基于空间目标电磁仿真数据的实验结果表明,本文提出的特征融合方法的平均识别率为94.16%,相较于浅层特征融合方法提升约7%,相较于传统深层特征融合方法提升约2%。2、为了进一步提升识别性能,本文结合雷达宽窄交替工作模式下的回波特性,提出了一种基于空间目标高、低分辨回波的综合识别方案。该方案对高、低分辨回波提取的特征分别进行特征级融合判决;再对高、低分辨回波的判决向量进行决策级融合,得到空间目标的最终识别结果。由于雷达宽窄交替的工作模式可以间隔获取空间目标的宽带雷达回波与窄带雷达回波,且宽、窄带雷达回波包含目标在不同雷达分辨率、不同姿态下的身份信息,因此,对宽、窄带雷达回波的判决结果进行决策级融合能够充分利用宽、窄带雷达回波中与目标类别相关的信息。在决策级融合部分,本文实现了基于决策模板法、D-S证据理论以及随机森林的三种决策级融合方法,并对各方法的性能进行了验证。基于空间目标电磁仿真数据的实验结果表明,提出方案能够有效提升空间目标识别的性能,其中基于随机森林决策级融合方法的综合识别方案对目标的平均识别率为97.08%,相较于仅使用宽带回波数据的特征级融合识别性能提升约3%。3、研究空间目标知识库软件设计。在以上空间目标融合识别任务中,空间目标知识的获取与存储至关重要,为了方便空间目标知识的管理与存储,本文基于Visual Studio开发平台运用Qt Creator进行空间目标知识库设计。知识库搭建主要经过了空间目标信息收集、数据结构设计、开发平台选择及安装、数据库实施、数据可视化环节。本文搭建的空间目标知识库中包括典型的国内外高、低轨空间目标共22型,涵盖了空间目标结构特性、轨道参数、仿真数据、实测数据、图片信息等数据,此外知识库软件还支持数据的更新、检索、维护、可视化等功能。
何冰[3]（2020）在《半正交矩模型及四元数分数阶矩算法研究》文中研究表明图像特征提取作为机器视觉、模式分析及图像工程领域中一个最重要的研究课题已经成为工业4.0背景下的研究热点。图像矩作为一种全局性的描述子（特征提取方法）能够对图像的形状特征进行有效的表述;同时,图像矩所对应的不变性（不变矩）因其满足对图像的旋转、尺度拉伸、平移等几何变换及光照不变性,因此对于图像分析、分类及识别等问题具有非常重要的研究意义。近年来,正交矩由于其核函数满足正交性,所构成的各阶矩相互之间是独立的,不存在信息冗余,具有一定的抗噪能力,因此成为图像矩主要关注的焦点。特别是建立在极坐标系下的径向正交矩因其本身具有旋转不变性,所以成为几何不变性识别特征提取首选描述子。但现有的正交矩,特别是径向正交矩仍存在以下不足:（1）多数正交矩其核函数均是由高阶多项式构成,且存在阶乘运算,计算耗时较高;（2）径向正交矩的多项式通常是由笛卡尔坐标系下的正交多项式通过形变转换而来。为了满足极坐标系下的正交性,这种形变导致了图像原点所构建的图像矩的数值不稳;（3）现有的正交矩,无论是低阶矩或高阶矩均采用同一正交多项式构建,缺乏灵活性,这也导致所构建的低阶矩对图像特征表征不足,高阶矩其数值不稳定,对噪声敏感;（4）传统正交矩仅能对图像全局特征进行描述,缺乏局部特征的构造能力;（5）最新所提出的分数阶正交矩多数针对的是灰阶图像,关于彩色图像的研究和分析较少;（6）所提出的分数阶正交矩与现有的正交矩方法相比,其算法性能提升并不明显。针对以上问题,本文的工作将围绕半正交矩及分数阶彩色图像矩算法的理论及应用研究展开,主要研究内容和创新点如下:（1）提出了一种基于exponent函数的半正交图像矩（semi-orthogonal exponent-Fourier moments）,主要用于图像重构及几何不变性识别研究。与经典的exponent-Fourier矩相比,半正交exponent-Fourier矩的核函数由分段的半正交指数函数构成,消除了数值不稳,其低阶矩和高阶矩图像描述能力更强。另外,与传统的Zernike矩和正交Fourier-Mellion矩相比,半正交exponent-Fourier矩的多项式不存在高阶多项式的阶乘运算,有效降低了实际的计算时间。最后,根据所提出的半正交exponent-Fourier矩的特点,通过FFT算法可以实现所提出图像矩的快速精确算法;同时,我们也设计了一种基于对数-极坐标系下的旋转、缩放不变性识别方法和基于图像投影的平移不变性方法,将所提出的图像矩用于几何不变性识别中。（2）提出了一类通用的半正交矩模型。借鉴半正交exponent-Fourier矩的思想,我们分别在笛卡尔坐标系和极坐标空间建立了其对应的通用半正交图像矩模型。通过三角函数建立的半正交-三角函数矩和半正交-径向三角函数矩研究和分析了通用半正交图像矩模型的频域特性、图像全局特征提取特性、图像局部特征提取特性、抗噪能力及旋转不变性等性能。（3）为了减少存储空间,提高图像矩的实用性,提出一类基于Walsh函数系的半正交Walsh图像矩。该矩的核函数是由只包含+1和-1的二值正交基构成,其运算更加接近硬件处理,可以加速图像特征提取的时间;同时,由于Walsh函数系是由一组完备的不连续二值函数系统构成。因此,与传统的基于连续多项式构建的图像矩相比,能够有效克服Gibbs图像噪声。理论和实验结果表明,该方法在图像重构和抗噪能力上都有明显的优势。（4）采用分数阶理论和四元数方法相结合,提出了基于分数阶广义Laguerre矩的彩色图像分析和几何不变性识别方法,同时,构建了四元数分数阶彩色图像矩。所构建的彩色图像矩打破了传统彩色图像特征提取时将彩色图像灰度化或分别对其三基色通道进行处理的弊端,与传统方法相比,所构建的四元数分数阶彩色图像矩在一定程度上有助于提高图像特征提取的精准度。另外,在分数阶理论基础上,建立可以捕捉局部图像特征的分数阶图像矩,实现任意图像局部感兴趣区域（ROI）的特征分析和提取操作。最后,可以利用几何不变矩的线性组合来构建四元数分数阶Laguerre矩的几何不变性,将其应用到彩色图像几何不变性物体识别领域。
高强[4]（2020）在《基于小波矩的声呐图像特征提取方法研究》文中指出依赖声呐设备的水下目标分类识别技术,在海洋资源勘探、水下鱼类识别、水下打捞等环境中扮演着越来越重要的角色。水下目标识别的一般步骤为原始声呐图像获取,图像预处理,图像特征提取,目标分类识别四个步骤。在声呐图像目标识别的整个过程中,每一个环节都有着决定性作用。其中,特征提取环节尤为重要,特征的不变性,即位移、尺度和旋转不变性越好,以及抗噪性能越强,其分类识别能力也越高。基于小波不变矩特征提取算法的工作已经有了很多,但是前人基本上都是将其应用在光学图像。在声学图像层面,尤其是水下目标识别这一领域研究尚少。针对本试验特定的扇贝和海星目标,考虑到其声呐图像轮廓模糊、噪点多的缺陷,将Hu矩、Zernike矩和小波不变矩应用在该类图像上,主要内容和成果包括:（1）详细介绍了Hu矩、Zernike矩和小波不变矩特征的基本概念和原理,对算法的位移、尺度和旋转不变性进行了推导与证明。（2）声呐图像矩特征提取试验。以扇贝为研究对象,对原始声呐图像分别作位移、尺度和旋转变换,并加入不同程度的高斯噪声。使用MATLAB进行编程提取各种矩算法下的特征值,分析对比不同算法下特征的不变性及其抗噪性能。（3）基于BP神经网络的海星和扇贝分类识别试验。采集3000幅原始声呐图像,对其做预处理和特征提取,分别将三种不变矩算法提取的特征值进行特征选择以后,输入神经网络分类器,通过识别效果来评判三种不变矩算法的性能。本文的创新点总结如下:（1）对于本文的扇贝和海星声呐图像,在传统的全局矩Hu矩和Zernike矩基础上,提出了兼具局部特征和抗噪性能的小波不变矩,并通过试验数值验证了小波不变矩强大的适应性能。（2）为了取得更好的识别结果,提出了一种基于特征融合和特征降维的方法,试验结果表明,该方法提高了整体的识别率,同时降低了计算时间。
刘晓明[5]（2020）在《多尺度几何变换在金属表面缺陷识别中的应用》文中指出表面缺陷是影响金属板带产品质量的重要因素之一,国内板带材产品用户质量异议事件很大一部分归因于表面缺陷。基于机器视觉的表面检测系统可以对表面缺陷进行在线检测和实时反馈,已成为现代钢铁企业主要的检测手段。目前基于机器视觉的表面检测系统面临的主要难题是缺陷识别率较低,如何在满足在线检测速度的前提下进一步提高缺陷的识别率是一个重要研究内容。特征提取的好坏直接影响表面检测系统的应用效果,因此寻求有效的特征提取方法是提高缺陷识别率的关键。金属表面缺陷在不同方向和不同尺度上具有不同的信息量,缺陷的整体轮廓和几何形状等信息主要表征在图像的粗尺度上,局部边缘和灰度突变点等细节信息则主要体现在图像细尺度上,因此提取表面缺陷的多尺度和多方向信息对于提高缺陷识别率非常重要。多尺度几何变换比小波变换具有更多的方向选择性且基函数满足各向异性的尺度关系,在描述高维信号时能以更少的系数、更优的逼近阶逼近信号奇异处。因此本文针对酸洗带钢、中厚板、铝板等4种金属表面缺陷检测的特点,开发了相应的基于多尺度几何变换的检测算法。本文主要研究内容与创新成果如下。（1）针对酸洗带钢生产线运行速度快、图像背景简单、缺陷种类少的特点,提出基于 Contourlet 变换和 KSR（Kernel Spectral Regression）降维的Contourlet-KSR特征提取方法。通过Contourlet变换对图像进行多尺度、多方向分解,并对分解得到的子带提取统计特征,采用KSR非线性降维算法去除冗余特征,将得到的低维特征输入分类器进行分类识别。与几种常用的特征提取算法进行了对比,Contourlet-KSR方法对酸洗带钢缺陷识别率达到了96.76%,比小波方法、局部二值模式方法、幅值谱方法分别提高了 3.05%、15.66%、5.14%。（2）针对Contourlet变换方法进行下采样操作导致的图像信息丢失问题,提出 了改进 Contourlet 变换方法 ICT（Improved Contourlet Transform）,在此基础上,提出ICT-KSR特征提取方法,并应用于中厚板表面缺陷识别。对Contourlet变换方法进行了如下改进:在多尺度分解时采用了非子采样的金字塔滤波器NSP（Non-Subsampled Pyramid）,用来消除了尺度分解带来的频率混叠和信息丢失,然后将图像输入到双通道方向滤波器组DFB（directional filter banks）中进行方向分解。ICT-KSR方法对于中厚板每类缺陷的识别率均达到了 97.62%以上,整体识别率达到了 99.21%。（3）针对铝板图像对比度低、缺陷细小、干扰因素多等难以识别的特点,提出基于NSST（non-subsampled shearlettransform）特征提取方法。对铝板样本图像进行对比度拉伸处理,再利用NSST对图像进行水平锥和垂直锥子带分解,对得到的各个子带系数提取均值和方差统计特征并组成NSST特征矩阵,再利用非线性降维算法去除提取的冗余特征,最后将低维特征矩阵和类别标签数据输入分类器中进行缺陷识别。该方法对铝板表面缺陷识别率达到了 97.92%。（4）针对连铸坯生产线运行速度慢、图像背景复杂、干扰因素多等特点,提出了 DNST（discrete non-separable shearlettransform）与 GLCM（gray level co-occurrence matrix）纹理特征融合的提取方法。对连铸坯样本进行DNST分解,提取各个子带的统计量,再对连铸坯样本计算灰度共生矩阵并提取能量、熵、惯性矩等5个纹理参数,对这5种纹理参数分别计算均值和方差统计量,将DNST与GLCM两者的统计特征进行连接组成特征融合矩阵,利用非线性降维算法得到用于分类的特征。该方法对连铸坯缺陷的整体识别率达到了96.37%,裂纹识别率达到了 95.50%。（5）利用复剪切波变换（complex shearlettransform,CST）具有相位信息的特点,提出了基于复剪切波变换的缺陷区域提取算法,在带钢表面夹渣和铝板表面划伤图像上进行了测试,该算法可以准确地提取带钢夹渣缺陷和铝板划伤缺陷区域。针对连铸坯表面缺陷识别的特点,提出了基于CST的特征融合方法,得到连铸坯缺陷的识别率为95.97%。
谌华[6]（2019）在《SAR图像目标自动检测与识别方法研究》文中研究表明随着合成孔径雷达（Synthetci Aperture Radar,SAR）卫星数量的不断增加,获取的SAR图像数量也呈几何级数增长,然而SAR图像的解译技术却发展相对滞后,SAR图像目标检测和识别是SAR图像解译的主要目标。目前,SAR图像目标检测与识别主要靠人工干预,自动化程度较低,不能满足工程化应用需求。如何提升SAR图像目标检测与识别的自动化程度,提升处理效率和精度成为近年来世界各国的研究热点。只有对图像去噪、图像分割、目标检测和识别这些处理步骤中所用算法都进行优化才能最终提升SAR图像目标检测与识别的效率和精度,因此,开展SAR图像目标自动检测与识别方法研究对于推动SAR的工程化应用有重要意义。为此,本文在分析SAR图像特性的基础上,开展了SAR图像去噪方法、目标分割方法、基于小线变换的SAR图像目标自动检测方法和基于深度学习的SAR图像目标自动识别方法等相关研究。本文首先对SAR图像特性进行了研究分析,针对SAR相干成像机制造成的图像斑点噪声,对已有的SAR图像去噪方法分析基础上,将超小波变换中的Bandelet变换用于SAR图像预处理的工程实践中,Bandelet变换在图像噪声抑制中,能够更好地保留图像的边缘和方向性信息,具有一定的先进性。其次,在SAR图像分割中,提出了基于全局Maxflow邻域生长算法SAR图像分割方法,将纹理及边界两种信息相结合,该方法对于SAR图像分割的鲁棒性比较强,测试出来的结果比较好,通过选择合适的门限阈值,可以将图像中的干扰滤除,对提高目标识别精度有积极的意义。接着,通过分析已有的目标检测方法,面向线状目标,研究了小线变换理论,在目标检测中采用小线算法,提出一种基于Beamlet小线变换的SAR图像目标检测方法,克服了强噪声背景对目标检测提取的影响,在强噪声背景下,能够完成目标线条的提取、星系分布和目标形状的渐进编码,对目标的检测具有较好的效果。最后,针对已构建SAR自动目标识别系统分类识别精度不够高的现状,在研究分析卷积神经网络的模型理论及其发展的基础上,通过对目标识别领域内主流框架LeNet-5模型进行修改,得到LR、LR-1、LR-2等系列新模型,通过对BMP卡车,BTR装甲车,T72坦克等3类机动目标试验验证,其目标分类精度分别达到94.5%、98.6%和99.6%。本论文主要创新点如下:1.提出了一种全局Maxflow的Otsu分割算法和邻域生长算法相结合的SAR图像分割方法。将全局Maxflow算法纹理及边界两种信息进行综合利用,进行图像分割,创造性地改进了基于形态学的领域生长法,干扰得到有效的抑制,为提高目标识别率奠定了良好的基础。2.提出了一种基于Beamlet小线变换的SAR图像线状目标检测方法。相比传统的边缘检测算子（如Sobel算子、Robert梯度算子、Prewitt算子、Log算子、Canny算子等）,该方法可以较好地消除图像噪声的影响,检测线状目标边缘效果更好,提高目标检测的精度。3.提出一种基于LeNet-5模型改进的LR系列模型。针对已构建SAR自动目标识别系统分类精度不够高的现状,在研究分析卷积神经网络的模型理论及其发展的基础上,通过对目标识别领域内主流框架LeNet-5模型不断改进,得到LR、LR-1、LR-2等系列模型,相比传统SAR图像识别流程方法中的特征提取方法（如神经网络、高阶矩、SVM等）,该模型有效地提升了目标分类的精度,自动化程度更高。本论文以SAR图像目标检测和识别自动处理流程为主线,在深入研究SAR图像特性的基础上,针对图像噪声抑制处理、目标分割、目标检测和目标识别等关键步骤中现有处理方法的不足,分别提出了相应的改进方法,目的是能够有效地提升SAR图像目标检测和识别分类的效率和精度,提高SAR图像目标检测与识别的自动化程度,以便更好地满足工程化应用的需求,从而推动SAR图像在军事和民用上的应用。
郭峰[7]（2019）在《基于ISAR的舰船目标识别》文中研究表明目前由于制海权越来越重要,对海上目标的识别也提出了新的要求,由于雷达对目标成像具有全天候、多方位的优势,其重要性也日益凸显。而逆合成孔径雷达成像是雷达识别技术中的重要途径。本文通过对舰船建模与成像,提取其纹理特征、轮廓特征、不变矩特征等信息,利用度量学习与决策融合识别的方法对基于ISAR图像的舰船目标识别方法展开研究,本文的主要工作如下:首先介绍了改进的舰船三维散射点建模方法,基于对舰船实际数据的分析,提出利用3Dmax建模、收缩算法与面元质点的提取得到舰船的三维散射点模型的方法。其次,介绍了对ISAR图像的预处理算法。首先提出了基于ISAR图像梯度的标记分水岭算法;其次提出利用圆形掩模的SUSAN算法来得到ISAR图像中的边缘特性;接着介绍了基于图像质心的预处理算法,该算法通过平滑图像与利用ISAR图像中目标的边缘信息提取图像的质心,并依此来得到图像中感兴趣的部分。然后提出了基于多帧图像标记点处理（FmMPP）的中心线提取算法,该算法主要通过利用多帧图像间的相关信息来补偿单幅图像的缺失信息;接着介绍了具有旋转不变性的Hu不变矩特征以解决舰船在三维运动时带来的影响;最后引入了一种新的纹理特征——Tamura纹理特征,并对该特征进行改进以更好的在ISAR图像中应用。最后提出了一种新的度量学习方法-随机度量（REMtric）,该方法主要通过迭代多个学习分类器的输出结果来得到两个向量的最优相似度,并依此完成分类训练;之后考虑到单个特征在目标识别上的缺陷,提出了一种特征融合的方法,主要讨论了特征级融合和决策级融合的融合策略,得到了非常好的识别结果。
李雨虹[8]（2019）在《隐马尔科夫模型评价机械零件的几何相似性研究》文中研究指明三维模型的数量在近10年间增长迅猛,如何对数量庞大的三维模型进行处理、分析和运用,已经成为研究的热点。有效地重用3D模型可以大大缩短产品开发周期并降低产品设计成本,这就要涉及到三维模型的相似性归类与检索技术。传统的分类方式是人工对三维模型分类,分类结果优劣完全取决于分类者对三维模型的理解和把握能力,存在主观性强的问题。机器学习与传统的分类方法不同,该方法能够让机器自动学习模型目标特征及分类,近年来在图像识别领域有着广泛的应用。二维图像作为模型的直观信息表达,符合人类的视觉感官系统,可以作为机器学习中模型的输入信息。本文结合机器学习和二维图像对三维CAD模型的相似性归类及检索问题进行研究:首先,对三维CAD模型进行二维正等测轴测投影轮廓图的提取以及Hu不变矩、仿射不变矩和小波矩的特征提取;然后,利用隐马尔科夫模型理论知识,采用改进和添加比例因子的多观测序列Baum-Welch算法对模型进行训练和识别;最后,给出模型的分类与检索结果。主要研究工作如下:（1）三维CAD模型的二维正等测轴测投影轮廓图的生成以及不变矩的特征提取二维图像的特征是三维模型的描述信息,特征提取常见的方法是光场描述符,该方法提取到的特征值存在大量的冗余。故本文将三维CAD模型通过坐标变换等预处理,使用正等测投影变换得到三维模型的投影图像,使用Sobel算子对该图像进行边缘轮廓图的提取,从而得到二维的正等测轴测投影轮廓图,将该图作为三维模型的几何结构表达。使用Hu不变矩、仿射不变矩及小波矩的理论知识,对二维的正等测轴测投影轮廓图进行特征提取,将这三种矩、两者之间形成的混合矩以及三者形成的混合矩的特征值分别作为隐马尔科夫模型的输入观测值进行模型的训练与识别。在特征提取方面,利用各种矩的优势,提高了三维CAD模型的分类和检索精度。（2）构建隐马尔科夫模型隐马尔科夫模型具有较强的模式识别和描述能力,本文将添加比例因子的多观测序列Baum-Welch算法运用到隐马尔科夫模型中。该算法由模型训练和模型识别这两部分组成,首先将提取出来的部分模型的特征值作为隐马尔科夫模型的输入观测值进行模型的训练,得到优化模型的分类模式,然后将剩余模型的特征值输入已经训练好的优化模型中进行相似性检验与识别,最后,通过隐马尔科夫模型分类器有效地对每个3D模型进行分类,并获得每个模型的正确类别。通过实验得出基于机器学习理论的隐马尔科夫模型这种模型识别方法,能够较好的解决并实现三维CAD模型的学习问题,其识别率优于传统的基于欧氏距离的相似性判别和分类算法。（3）模型检索性能的评价为了考察检索结果与实际期望相接近的程度,通过查全-查准率曲线将本文所用的特征提取和分类器算法与对比算法进行了分析,得出本文所用的算法可行有效,为CAD模型的相似性归类与检索提供了一种新的思路。
宋鑫[9]（2019）在《基于轮廓片段空间关系的目标识别系统设计》文中认为本文对基于轮廓片段空间关系目标识别进行了研究,主要内容分为图像预处理和轮廓提取、基于图像轮廓的粗匹配和基于轮廓片段空间关系的目标识别三个大部分。首先,本文对目标轮廓的提取技术进行了研究和实验。本章将目标轮廓提取分为预处理和轮廓检测两个阶段进行了介绍,并详细介绍了灰度、滤波、边缘提取、膨胀、空洞填充等算法。最后将提取出的轮廓进行了重绘,完成了图像目标外部轮廓的提取,提取结果可以满足后续工作的需要。其次,研究了基于轮廓形状特征的目标匹配技术。主要研究了基于Hu图像不变矩的目标匹配和基于形状上下文的形状匹配。Hu图像不变矩主要是通过计算目标轮廓区域的Hu不变矩,然后通过计算两幅图像不变矩之间的几何距离,最后得出匹配结果。形状上下文主要通过对两个形状的描述矩阵进行匹配计算得到一个匹配矩阵,解出一个最优解,这个最优解便是形状上下文的匹配结果。最后完成了对两种匹配算法的结果分析比对。然后,研究了基于轮廓片段空间关系的图像匹配。由于离散的轮廓片段在计算上述描述子时存在一定的匹配误差和劣势,故而对离散轮廓片段空间关系进行研究。针对所遇到的两种不同的图像形式,分别采取了不同的方法进行空间关系参数的确定:针对所采集到的遮挡的图像,在经过图像预处理后只能得到图像的轮廓片段,故而采用轮廓片段的质心位置来表征其空间关系参数;针对数据库内完整的图像,利用求取图像骨架的方法,用图像骨架上的关键结合点来表征图像的空间位置参数。最后利用空间关系参数约束办法来求取最终的匹配结果。再次,对上述算法进行了整合,利用C++结合Qt完成了图形界面化的编程工作,完成目标识别系统设计,以便其移植和使用。最后,对本课题已完成工作进行了总结,并对后续工作内容作了展望。
陈桂清[10]（2019）在《服装款式图识别及其在结构图检索上的应用研究》文中认为随着服装CAD技术的发展,越来越多的款式图以及与之对应的结构图文件都被保存下来了,充分利用重复的款式和版型部件是当前大数据和智能化背景下企业的需求,同时也可以节省服装设计与制版的成本、加快反应速度,从而提高生产效率。因此,怎样将服装平面款式图同服装结构图有效结合,充分利用重复的款式部件并将它们应用于服装智能设计中成为智能化服装设计技术发展的重要研究方向。本文基于图像处理与模式识别的计算机应用技术,实现了服装平面款式图的预处理、特征提取和描述、部件分类和识别,同时提出了将款式识别实现方案应用于结构图检索和智能设计系统中的整个理论框架构想图。研究主要内容如下:首先制作了8种不同类型的衣领部件图,其中每种部件数量60个和整体款式图约100个,为本文的实验提供训练和测试样本。然后对款式图预处理、特征提取和分类识别。在预处理时,对款式图进行锐化和二值化,多次实验得到Laplace锐化效果较好,二值化阈值取0.6时效果理想;采用区域生长法进行款式部件分割,将分割后的部件在边缘检测算子的实验下比较,得到Canny算子边缘检测更好;最后将检测到边缘的部件款式的轮廓点集顺序解析存储,运用基于Hough和Bezier曲线对部件矢量化,程序运行后,分割和矢量化效果好。对款式部件特征提取和描述时,运用弦特征矩阵（CFM）方法,以翻驳领和圆领为例说明当轮廓点选择32,64,128时,尺度选择4,16,32,64时的弦特征,有效描述了衣领的凸凹点,极值点和弯曲度。在部件分类识别前,归一化特征,其中选择傅里叶变换使款式旋转特征归一化,并选择不同的傅里叶低频系数个数对部件重构,发现当低频系数个数为18已基本复原原图,然后基于RBF的支持向量机（SVM）分类法对归一化后的特征进行分类和最近邻（1NN）识别法对待测部件进行识别。选择轮廓点数量为64,5个不同尺度,前16个傅里叶低频系数进行分类识别实验,结果表明采用的CFM特征提取和SVM与1NN识别分类法的结合效果很好,综合识别准确率达到95.6%,并且可按照差异度大小识别待测目标。同时,运用控制变量法对采用的弦特征描述子（CFM）和基于SVM和1NN相结合方法的结果进行分析,对加入椒盐噪声的图同原图进行特征提取,说明本文选用的CFM特征提取的鲁棒性好;并在选用本文的分类识别方法下,基于Hu不变矩、曲率特征提取比CFM的识别率低,它们分别是82.5%和88%,其中Hu不变矩识别过程中所耗时间短;选用本文的CFM特征描述,基于BP神经网络分类识别率是62%,比本文的SVM和最近邻分类法低。最后同SURF识别方法比较,得到本文整个款式图识别更有优势。最后,研究了将款式识别实现方案应用于结构图检索和智能设计系统中的重要性,并提出了整个智能服装设计的CAD系统中理论框架图。
二、离散不变矩算法及其在目标识别中的应用（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、离散不变矩算法及其在目标识别中的应用（论文提纲范文）
（1）基于数字全息显微成像技术的微小型浮游生物监测系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 微小型浮游生物监测的背景及研究意义 |
| 1.2 微小型浮游生物监测方法及发展现状 |
| 1.2.1 荧光检测法 |
| 1.2.2 光学显微镜法 |
| 1.2.3 图像分析法 |
| 1.2.4 流式细胞仪成像法 |
| 1.2.5 数字全息显微成像法 |
| 1.3 数字全息显微成像关键技术发展现状 |
| 1.3.1 全息图的拍摄和再现 |
| 1.3.2 再现景深延拓 |
| 1.3.3 自动聚焦和图像融合 |
| 1.3.4 三维重构 |
| 1.3.5 图像识别 |
| 1.4 论文研究内容与创新点 |
| 1.4.1 研究内容 |
| 1.4.2 创新点 |
| 第2章 数字全息显微成像基本理论及光路 |
| 2.1 数字全息显微成像理论 |
| 2.2 无透镜结构光路 |
| 2.3 基于马赫-曾德尔干涉仪结构光路 |
| 2.3.1 同轴光路 |
| 2.3.2 离轴光路 |
| 2.3.3 单臂光路 |
| 2.4 对比汇总 |
| 2.5 本章小结 |
| 第3章 数值重建及再现景深延拓 |
| 3.1 数值重建 |
| 3.1.1 菲涅耳变换重建算法 |
| 3.1.2 卷积重建算法 |
| 3.1.3 角谱重建算法 |
| 3.1.4 数值重建实验结果 |
| 3.2 再现景深延拓 |
| 3.2.1 再现景深与光学参数之间的关系 |
| 3.2.2 再现景深光学实验 |
| 3.2.3 再现景深延拓 |
| 3.3 数值重建遇到的其他问题 |
| 3.4 本章小结 |
| 第4章 大景深清晰成像 |
| 4.1 自动聚焦 |
| 4.1.1 常见的几种聚焦准则 |
| 4.1.2 基于面积准则的自动聚焦算法 |
| 4.1.3 各种自动聚焦算法的比较 |
| 4.2 图像融合 |
| 4.2.1 常见的图像融合方法 |
| 4.2.2 基于标记图的改进型小波变换融合方法 |
| 4.3 深度学习在自动聚焦和图像融合中的应用 |
| 4.3.1 深度学习在自动聚焦中的应用 |
| 4.3.2 深度学习在图像融合中的应用 |
| 4.4 本章小结 |
| 第5章 三维成像 |
| 5.1 扫描电子显微镜重构法 |
| 5.2 位相重构法 |
| 5.3 高度-灰度重构法 |
| 5.4 光学衍射层析重构法 |
| 5.5 灰度层析重构法 |
| 5.5.1 基于同轴光路的改进型灰度层析重构法 |
| 5.5.2 基于离轴光路的改进型灰度层析重构法 |
| 5.6 本章小结 |
| 第6章 微小型浮游生物的识别 |
| 6.1 再现图像库的建立 |
| 6.2 机器学习方法 |
| 6.2.1 目标特征 |
| 6.2.2 分类器 |
| 6.2.3 实验结果 |
| 6.3 深度学习方法 |
| 6.3.1 深度学习神经网络的构成 |
| 6.3.2 深度学习神经网络的训练 |
| 6.3.3 深度学习神经网络的分类 |
| 6.3.4 实验结果 |
| 6.4 本章小结 |
| 第7章 样机研制及试验 |
| 7.1 光学系统模块 |
| 7.1.1 关键光学参数的设计 |
| 7.1.2 光学元件的选型及其安装支架的设计 |
| 7.1.3 光学系统参数汇总 |
| 7.2 控制电路模块 |
| 7.3 应用分析软件模块 |
| 7.3.1 图像传感器的控制与通讯 |
| 7.3.2 数字全息图的计算与分析 |
| 7.3.3 结果显示 |
| 7.4 样机装调 |
| 7.4.1 激光的聚焦与准直 |
| 7.4.2 物光路与参考光路的干涉 |
| 7.4.3 微流控芯片的成像 |
| 7.4.4 样机装调结果 |
| 7.5 样机试验 |
| 7.5.1 全息图拍摄 |
| 7.5.2 全息图数值重建 |
| 7.6 本章小结 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 问题与展望 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间主要研究成果 |
（2）空间目标融合识别方法研究及知识库设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标识别研究现状 |
| 1.2.2 目标融合识别研究现状 |
| 1.3 实验数据介绍及论文内容安排 |
| 1.3.1 实验数据介绍 |
| 1.3.2 论文内容安排 |
| 第二章 空间目标特征级融合方法研究 |
| 2.1 引言 |
| 2.2 空间目标HRRP与ISAR像特征提取 |
| 2.2.1 HRRP平移不变性特征 |
| 2.2.2 ISAR像旋转不变性特征 |
| 2.3 浅层特征融合方法 |
| 2.3.1 基于拼接的特征融合方法 |
| 2.3.2 基于线性判别分析的特征融合方法 |
| 2.3.3 基于典型相关分析特征融合方法 |
| 2.4 深层特征融合方法 |
| 2.4.1 神经网络基础知识介绍 |
| 2.4.2 传统深层特征融合方法 |
| 2.4.3 自适应加权求和方式的深层特征融合方法 |
| 2.5 结果与分析 |
| 2.5.1 实验数据介绍及参数设置 |
| 2.5.2 不同特征级融合算法识别性能分析 |
| 2.5.3 不同特征级融合算法的运算量与存储空间占用量对比 |
| 2.5.4 注意力模块权值分析 |
| 2.6 小结 |
| 第三章 空间目标决策级融合方法研究 |
| 3.1 引言 |
| 3.2 空间目标综合识别方案 |
| 3.2.1 基于高分辨回波的空间目标特征级融合识别 |
| 3.2.2 基于低分辨回波的空间目标特征级融合识别 |
| 3.2.3 基于高、低分辨回波判决向量的决策级融合空间目标识别 |
| 3.3 决策级融合识别方法 |
| 3.3.1 决策模板法 |
| 3.3.2 D-S证据理论 |
| 3.3.3 基于随机森林的决策级融合方法 |
| 3.4 结果与分析 |
| 3.4.1 实验数据介绍及参数设置 |
| 3.4.2 不同决策级融合算法识别性能分析 |
| 3.4.3 不同决策级融合算法的运算量与存储空间占用量对比 |
| 3.4.4 决策树数目对基于随机森林的决策级融合识别性能的影响 |
| 3.5 小结 |
| 第四章 空间目标知识库设计 |
| 4.1 引言 |
| 4.2 知识库设计流程 |
| 4.3 空间目标知识库设计方案 |
| 4.4 空间目标知识库软件界面及功能介绍 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 全文内容总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）半正交矩模型及四元数分数阶矩算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 矩及不变矩的研究背景及意义 |
| 1.2 矩及不变矩的研究现状 |
| 1.3 本文的主要工作及内容安排 |
| 1.3.1 主要工作 |
| 1.3.2 内容安排 |
| 1.3.3 各章之间的关系简介 |
| 第二章 图像矩相关理论基础 |
| 2.1 矩及不变矩的相关理论基础 |
| 2.1.1 几何矩 |
| 2.1.2 复数矩 |
| 2.1.3 旋转矩 |
| 2.1.4 正交矩 |
| 2.1.5 半正交矩 |
| 2.2 不变矩的几何不变性设计方法 |
| 2.2.1 旋转不变性 |
| 2.2.2 平移不变性 |
| 2.2.3 缩放不变性 |
| 第三章 半正交exponent-Fourier矩及几何不变性识别算法 |
| 3.1 引言 |
| 3.2 半正交exponent-Fourier矩 |
| 3.2.1 经典的exponent-Fourier矩 |
| 3.2.2 半正交exponent-Fourier矩 |
| 3.2.3 半正交exponent-Fourier矩的计算 |
| 3.3 半正交exponent-Fourier矩的特性分析及对比 |
| 3.3.1 SO-EFMs的计算特性分析对比 |
| 3.3.2 SO-EFMs的时频特性分析 |
| 3.4 实验结果与分析 |
| 3.4.1 半正交exponent-Fourier矩的图像重构性能 |
| 3.4.2 半正交exponent-Fourier矩的几何不变性实现 |
| 3.4.3 图像矩的计算耗时分析 |
| 3.5 本章小结 |
| 第四章 参数可调的通用半正交矩 |
| 4.1 引言 |
| 4.2 通用半正交图像矩的建立 |
| 4.3 基于正弦函数的半正交图像矩 |
| 4.3.1 半正交-正弦径向函数矩的稳定性分析 |
| 4.3.2 半正交-正弦径向函数矩的频域分析特性 |
| 4.3.3 局部特征提取(ROI)特性 |
| 4.4 实验结果与分析 |
| 4.4.1 半正交-正弦径向函数矩的全局特征提取 |
| 4.4.2 半正交-正弦函数矩的局部特征提取 |
| 4.4.3 旋转不变性识别及其噪声鲁棒性 |
| 4.4.4 纹理图像识别 |
| 4.4.5 图像矩计算耗时对比实验 |
| 4.5 本章小结 |
| 第五章 Walsh矩及相关算法 |
| 5.1 引言 |
| 5.2 Gibbs效应 |
| 5.3 Walsh图像矩 |
| 5.3.1 Walsh正交矩(WOMs) |
| 5.3.2 替代的Walsh-Fourier矩及加权的Walsh-Fourier矩 |
| 5.3.3 半正交Walsh图像矩 |
| 5.4 实验结果与分析 |
| 5.4.1 Gibbs噪声对图像重构的影响 |
| 5.4.2 字符识别实验 |
| 5.4.3 图像矩计算耗时对比实验 |
| 5.5 本章小结 |
| 第六章 四元数分数阶广义Laguerre矩 |
| 6.1 引言 |
| 6.2 四元数及分数阶图像矩理论 |
| 6.2.1 四元数的表示及性质 |
| 6.2.2 分数阶图像矩 |
| 6.3 广义Laguerre多项式 |
| 6.4 四元数分数阶广义Laguerre矩 |
| 6.4.1 分数阶广义Laguerre多项式 |
| 6.4.2 四元数分数阶广义Laguerre矩 |
| 6.4.3 四元数分数阶广义Laguerre不变矩的构造 |
| 6.5 实验结果与分析 |
| 6.5.1 彩色图像全局重构实验 |
| 6.5.2 彩色图像ROI局部重构实验 |
| 6.5.3 最优参数取值决策 |
| 6.5.4 图像几何不变性识别 |
| 6.5.5 图像矩的计算耗时分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 附录 A:SO-EFMs的离散化计算过程 |
| 附录 B:式(4-3)中正交性的证明过程 |
| 附录 C:式(4-5)中正交性的证明过程 |
| 附录 D:式(6-26)中正交性的证明过程 |
| 附录 E:式(6-27)中递归算法的证明过程 |
| 附录 F:式(6-39)中计算的证明过程 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于小波矩的声呐图像特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 2 矩特征提取算法 |
| 2.0 几何矩 |
| 2.1 Hu矩 |
| 2.2 Zernike矩 |
| 2.3 小波不变矩 |
| 2.4 本章小结 |
| 3 声呐图像矩特征提取试验与结果分析 |
| 3.1 试验介绍 |
| 3.2 声呐图像预处理 |
| 3.3 Hu矩特征提取结果分析 |
| 3.4 Zernike矩特征提取结果分析 |
| 3.5 小波矩特征提取结果分析 |
| 3.6 本章小结 |
| 4 基于BP神经网络方法的声呐图像分类识别试验研究 |
| 4.0 声呐图像采集试验介绍 |
| 4.1 BP神经网络分类器介绍 |
| 4.2 全局矩与小波矩分类识别试验结果分析 |
| 4.3 基于特征融合的声呐图像分类识别 |
| 4.4 基于PCA算法的声呐图像分类识别 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）多尺度几何变换在金属表面缺陷识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于机器视觉的表面缺陷检测 |
| 1.2.1 金属表面缺陷检测系统发展概述 |
| 1.2.2 金属表面缺陷检测算法概况 |
| 1.2.3 本梯队的研究基础 |
| 1.3 多尺度几何变换方法发展概述 |
| 1.3.1 图像的稀疏表示 |
| 1.3.2 从傅里叶变换到小波变换 |
| 1.3.3 多尺度几何变换方法概述 |
| 1.4 论文结构与章节安排 |
| 2 金属表面缺陷图像及样本库 |
| 2.1 钢铁生产的工艺流程 |
| 2.2 机器视觉表面检测系统 |
| 2.3 酸洗带钢表面缺陷图像及样本库 |
| 2.3.1 酸洗带钢表面特点 |
| 2.3.2 酸洗带钢表面缺陷样本库 |
| 2.4 中厚板表面缺陷图像及样本库 |
| 2.4.1 中厚板表面特点 |
| 2.4.2 中厚板表面缺陷样本库 |
| 2.5 铝板表面缺陷图像及样本库 |
| 2.5.1 铝板表面特点 |
| 2.5.2 铝板表面缺陷样本库 |
| 2.6 连铸坯表面缺陷图像及样本库 |
| 2.6.1 连铸坯表面的特点 |
| 2.6.2 连铸坯表面缺陷样本库 |
| 2.7 本章小结 |
| 3 Contourlet-KSR特征提取方法研究 |
| 3.1 小波特征提取方法 |
| 3.1.1 直接小波特征提取方法实验 |
| 3.1.2 间接小波系数特征提取实验 |
| 3.1.3 小波特征选择实验 |
| 3.2 Contourlet变换在带钢表面缺陷识别中的应用 |
| 3.2.1 Contourlet变换 |
| 3.2.2 基于Contourlet变换的特征提取方法 |
| 3.3 Contourlet-KSR方法应用于酸洗带钢表面缺陷识别 |
| 3.3.1 KSR理论 |
| 3.3.2 Contourlet-KSR特征提取方法 |
| 3.3.3 实验结果讨论 |
| 3.3.4 可视化结果与混淆矩阵 |
| 3.3.5 实验结果对比分析 |
| 3.4 Contourlet-KSR在其它金属表面缺陷识别的应用 |
| 3.4.1 中厚板表面缺陷识别 |
| 3.4.2 铝板表面缺陷识别 |
| 3.4.3 连铸坯表面缺陷识别 |
| 3.5 本章小结 |
| 4 改进Contourlet变换的特征提取方法 |
| 4.1 改进轮廓波变换方法 |
| 4.1.1 改进Contourlet变换(ICT) |
| 4.1.2 横向裂纹的ICT分解与重构 |
| 4.1.3 ICT系数的稀疏性 |
| 4.2 ICT方法在中厚板表面缺陷识别的应用 |
| 4.2.1 基于ICT的特征提取方法 |
| 4.2.2 与Contourlet方法的比较 |
| 4.2.3 与NSCT方法的比较 |
| 4.2.4 实验结果对比分析 |
| 4.3 ICT方法在其它金属表面缺陷识别的应用 |
| 4.3.1 铝板表面缺陷识别的应用 |
| 4.3.2 连铸坯表面缺陷识别的应用 |
| 4.4 本章小结 |
| 5 基于剪切波变换的特征提取方法 |
| 5.1 NSST原理 |
| 5.1.1 非子采样剪切波的构造 |
| 5.1.2 非子采样剪切波的离散化 |
| 5.2 基于NSST的特征提取方法 |
| 5.2.1 基于NSST的铝板特征提取方法 |
| 5.2.2 实验结果和讨论 |
| 5.2.3 与基于轮廓波的特征提取方法比较 |
| 5.3 DNST变换 |
| 5.3.1 DNST构造基础 |
| 5.3.2 DNST的实现 |
| 5.3.3 DNST变换示例 |
| 5.4 DNST在连铸坯表面缺陷识别中的应用 |
| 5.4.1 DNST-KSR特征提取方法 |
| 5.4.2 DNST和GLCM特征融合方法 |
| 5.4.3 实验结果分析与讨论 |
| 5.4.4 实验结果对比分析 |
| 5.5 本章小结 |
| 6 复剪切波变换在金属表面检测中的研究 |
| 6.1 复剪切波变换的理论 |
| 6.1.1 复剪切波变换的发展背景 |
| 6.1.2 复剪切波变换的构造 |
| 6.1.3 复剪切波变换的特点 |
| 6.2 基于复剪切波变换的缺陷区域提取 |
| 6.2.1 CSTED的构造原理 |
| 6.2.2 CSTED方法实验 |
| 6.2.3 基于CSTED的缺陷区域提取 |
| 6.3 复剪切波变换在连铸坯表面缺陷识别中的应用 |
| 6.3.1 特征提取参数实验 |
| 6.3.2 特征融合方法 |
| 6.3.3 CST与DNST的对比实验 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录A 小波系数矩特征向量的组合明细表 |
| 附录B Contourlet参数设置及结果明细表(酸洗带钢) |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）SAR图像目标自动检测与识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 合成孔径雷达概述 |
| 1.2 SAR的技术优势及应用中存在的问题 |
| 1.3 SAR图像目标检测与识别技术发展现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 论文结构及章节安排 |
| 第2章 SAR图像特性与去噪预处理研究 |
| 2.1 SAR成像方式 |
| 2.2 SAR图像的特性 |
| 2.3 SAR图像斑噪去除方法 |
| 2.4 基于超小波分析的SAR图像去噪预处理 |
| 2.4.1 Bandelet变换 |
| 2.4.2 基于Bandelet去噪试验及结果分析 |
| 2.5 本章小结 |
| 第3章 SAR图像目标分割 |
| 3.1 SAR图像目标分割概况 |
| 3.2 Graph Cuts分割方法 |
| 3.3 基于全局Maxflow的 Otsu算法 |
| 3.4 基于全局Maxflow的邻域生长算法 |
| 3.4.1 中值滤波 |
| 3.4.2 邻域生长算法 |
| 3.5 CFAR分割技术 |
| 3.5.1 单参数CFAR分割技术 |
| 3.5.2 双参数CFAR分割技术 |
| 3.5.3 多分辨率CFAR分割技术 |
| 3.6 本章小结 |
| 第4章 基于小线变换的SAR图像线状目标检测 |
| 4.1 SAR目标检测算法发展现状 |
| 4.1.1 基于数据相关基-固定基相结合的检测算法 |
| 4.1.2 基于先验知识的SAR图像目标检测算法 |
| 4.1.3 SAR图像目标检测算法实用性 |
| 4.2 小线变换理论 |
| 4.3 基于小线变换的SAR图像线状目标检测 |
| 4.4 本章小结 |
| 第5章 基于联合特征的SAR图像目标自动识别 |
| 5.1 SAR图像目标自动识别概述 |
| 5.1.1 研究现状及工程应用中存在问题 |
| 5.1.2 SAR图像目标识别流程 |
| 5.2 基于联合特征的SAR图像目标特征提取 |
| 5.2.1 SAR图像中的几种特征 |
| 5.2.2 基于混合特征矩的联合特征 |
| 5.3 基于联合特征的SAR图像目标识别 |
| 5.3.1 联合特征提取及类归一化 |
| 5.3.2 联合特征分类效果检验 |
| 5.4 本章小结 |
| 第6章 基于深度学习的SAR图像目标自动识别 |
| 6.1 深度学习技术发展现状 |
| 6.2 卷积神经网络的理论 |
| 6.2.1 卷积神经网络的发展概述 |
| 6.2.2 卷积神经网络的模型理论 |
| 6.3 基于深度学习的SAR图像机动目标识别 |
| 6.3.1 研究数据 |
| 6.3.2 卷积神经网络模型改进 |
| 6.3.3 实验结果 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 本文工作总结 |
| 7.2 主要创新点 |
| 7.3 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于ISAR的舰船目标识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 全文行文安排 |
| 1.4 本章小结 |
| 第二章 舰船3D模型构建与ISAR成像 |
| 2.1 模型的生成 |
| 2.1.1 3dmax的舰船3d模型生成 |
| 2.1.2 OBJ文件构成 |
| 2.1.3 边收缩算法 |
| 2.1.4 点模型提取 |
| 2.1.5 散射点坐标变换 |
| 2.2 ISAR成像 |
| 2.2.1 线性调频信号 |
| 2.2.2 一维距离成像 |
| 2.2.3 基于傅里叶变换的chirp波形 |
| 2.2.4 运动补偿 |
| 2.2.5 成像结果 |
| 2.3 本章小结 |
| 第三章 分水岭变换与SUSAN算法在图像预处理中应用 |
| 3.1 分水岭算法 |
| 3.1.1 分水岭变换 |
| 3.2 基于SUSAN算法的预处理 |
| 3.3 基于图像质点的预处理 |
| 3.4 常用的数字图像处理技术 |
| 3.4.1 图像的增强处 |
| 3.4.2 图像形态学处理 |
| 3.4.3 边缘检测 |
| 3.4.4 图像分割 |
| 3.5 本章小结 |
| 第四章 中心线特征与Tamura纹理特征的提取 |
| 4.1 轮廓特征提取 |
| 4.1.1 中心线提取 |
| 4.1.2 桅杆特征提取 |
| 4.2 Hu不变矩 |
| 4.3 纹理特征提取 |
| 4.3.1 Tamura纹理特征 |
| 4.3.2 基于Tamura特征量的分类测试 |
| 4.4 本章小节 |
| 第五章 基于度量学习与信息融合方法的舰船目标识别 |
| 5.1 随机度量学习 |
| 5.1.1 算法介绍 |
| 5.1.2 算法验证 |
| 5.2 决策融合 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及取得的研究成果 |
（8）隐马尔科夫模型评价机械零件的几何相似性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 三维模型相似性归类与检索研究现状与发展 |
| 1.2.2 隐马尔科夫模型研究现状 |
| 1.3 研究内容与章节安排 |
| 第二章 隐马尔科夫模型在图像识别应用中的理论知识 |
| 2.1 马尔科夫理论 |
| 2.2 隐马尔科夫模型理论 |
| 2.3 隐马尔科夫模型分类 |
| 2.3.1 依据状态转移概率矩阵结构分类 |
| 2.3.2 依据输出概率分布矩阵分类 |
| 2.4 隐马尔科夫模型的三个基本问题与对应算法 |
| 2.4.1 前向-后向算法 |
| 2.4.2 Viterbi算法 |
| 2.4.3 Baum-Welch算法 |
| 2.5 本章小结 |
| 第三章 三维模型检索预处理与检索性能的评估标准 |
| 3.1 三维模型获取与保存 |
| 3.2 三维模型预处理 |
| 3.3 三维模型正等轴测投影图及边缘轮廓图的获取 |
| 3.3.1 正等轴测投影图 |
| 3.3.2 边缘检测算法 |
| 3.4 模型检索性能的评估 |
| 3.5 本章小结 |
| 第四章 基于不变矩的HMM三维CAD模型相似性归类与检索 |
| 4.1 三维模型特征值的提取 |
| 4.1.1 Hu不变矩的特征提取 |
| 4.1.2 仿射不变矩的特征提取 |
| 4.1.3 小波矩的特征提取 |
| 4.2 特征选择 |
| 4.3 特征值的编码 |
| 4.4 基于不变矩的三维CAD模型相似性归类与检索算法实现 |
| 4.4.1 算法原理 |
| 4.4.2 基于Hu不变矩三维CAD模型相似性归类与检索算法实现与结论 |
| 4.4.3 基于仿射不变矩三维CAD模型相似性归类与检索算法实现与结论 |
| 4.4.4 基于小波矩三维CAD模型相似性归类与检索算法实现与结论 |
| 4.5 本章小结 |
| 第五章 基于混合矩的HMM三维CAD模型相似性归类与检索算法 |
| 5.1 算法实现与检验 |
| 5.2 结果讨论 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于轮廓片段空间关系的目标识别系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像的轮廓检测及提取 |
| 1.2.2 基于轮廓特征的目标识别 |
| 1.3 本文主要研究内容和创新点 |
| 1.4 论文的结构安排 |
| 第2章 图像目标外部轮廓的提取 |
| 2.1 引言 |
| 2.2 图像预处理阶段 |
| 2.2.1 灰度处理 |
| 2.2.2 平滑降噪处理 |
| 2.3 轮廓检测阶段 |
| 2.3.1 边缘检测算子 |
| 2.3.2 图像形态学处理 |
| 2.3.3 空洞填充算法 |
| 2.3.4 轮廓绘制 |
| 2.4 实验结果分析 |
| 2.5 本章小结 |
| 第3章 基于轮廓形状特征的图像匹配 |
| 3.1 引言 |
| 3.2 基于Hu图像不变矩的轮廓匹配 |
| 3.2.1 矩的定义 |
| 3.2.2 图像的矩 |
| 3.2.3 相似性度量 |
| 3.3 基于形状上下文的轮廓匹配 |
| 3.3.1 形状上下文的基本原理 |
| 3.3.2 形状上下文匹配算法 |
| 3.4 实验及结果分析 |
| 3.4.1 Hu图像不变矩实验 |
| 3.4.2 形状上下文实验 |
| 3.4.3 实验结果对比分析 |
| 3.5 本章小结 |
| 第4章 基于轮廓片段空间关系的图像匹配 |
| 4.1 引言 |
| 4.2 不同图像轮廓空间关系的确立 |
| 4.2.1 遮挡目标轮廓的空间关系参考点 |
| 4.2.2 完整目标轮廓的空间关系参考点 |
| 4.3 采用空间关系的目标识别 |
| 4.3.1 空间关系约束标准 |
| 4.3.2 实验及结果分析 |
| 4.4 本章小结 |
| 第5章 图形界面目标识别系统设计 |
| 5.1 图形化界面编程简介 |
| 5.2 基于C++的图形化界面编程 |
| 5.2.1 MFC图形界面编程 |
| 5.2.2 Qt图形界面编程 |
| 5.3 图形界面化编程实验 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）服装款式图识别及其在结构图检索上的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的来源、背景和意义 |
| 1.1.1 选题的来源 |
| 1.1.2 研究背景 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 服装款式图识别研究现状 |
| 1.2.2 服装结构图自动生成的研究现状 |
| 1.2.3 服装智能设计技术 |
| 1.3 研究内容和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 研究方法及技术方案 |
| 1.4.1 研究方法 |
| 1.4.2 本文技术方案 |
| 1.5 技术方案实现平台 |
| 1.6 本章小结 |
| 第二章 款式图与结构图绘制 |
| 2.1 服装款式图和结构图概念 |
| 2.2 款式图与结构图绘制要求 |
| 2.3 服装款式图样本和结构图样本准备 |
| 2.4 本章小结 |
| 第三章 服装款式图预处理 |
| 3.1 款式图锐化和二值化 |
| 3.1.1 款式图锐化 |
| 3.1.2 款式图二值化 |
| 3.2 款式图分割 |
| 3.2.1 图像分割方法 |
| 3.2.2 区域生长法及部件分割的实现 |
| 3.3 款式图部件边缘检测 |
| 3.3.1 边缘检测方法的分类 |
| 3.3.2 MATLAB中边缘检测实现 |
| 3.4 基于Hough和 Bezier曲线的款式图部件矢量化 |
| 3.4.1 存储点集序列 |
| 3.4.2 直线和Bezier曲线方程表示 |
| 3.4.3 Hough变换 |
| 3.4.4 款式图部件的自动矢量化 |
| 3.5 本章小结 |
| 第四章 款式图部件轮廓特征提取与描述 |
| 4.1 图像特征提取和描述概述 |
| 4.1.1 特征提取的一般原则 |
| 4.1.2 图像特征提取和描述方法 |
| 4.2 几何形状特征提取与描述的研究现状 |
| 4.3 弦特征矩阵描述(CFM) |
| 4.3.1 弦特征数学模型 |
| 4.3.2 部件特征矩阵的构建 |
| 4.4 衣领部件特征描述 |
| 4.5 本章小结 |
| 第五章 款式图部件分类与识别 |
| 5.1 特征归一化 |
| 5.2 分类识别研究方法 |
| 5.3 基于支持矢量机分类器设计与实现 |
| 5.3.1 SVM模型 |
| 5.3.2 实现步骤 |
| 5.3.3 代码实现 |
| 5.3.4 本方案的可行性验证 |
| 5.4 基于K-近邻分类识别法的设计与实现 |
| 5.4.1 KNN分类法 |
| 5.4.2 形状的差异度量函数 |
| 5.4.3 算法流程 |
| 5.5 本章小结 |
| 第六章 识别结果分析讨论 |
| 6.1 本文CFM特征提取方法鲁棒性分析 |
| 6.2 CFM特征提取方法同其他特征提取方法的比较 |
| 6.2.1 CFM同轮廓曲率特征提取方法比较 |
| 6.2.2 CFM同Hu不变矩特征提取方法比较 |
| 6.3 本文分类识别方法结果分析 |
| 6.4 本文的分类识别方法同BP神经网络分类识别方法比较 |
| 6.4.1 BP神经网络分类识别 |
| 6.4.2 BP神经网络实验分析 |
| 6.5 本文整体模式识别和典型SURF模式识别方法比较 |
| 6.5.1 SURF算法简介 |
| 6.5.2 SURF分类识别实验 |
| 6.6 本章小结 |
| 第七章 款式图识别在结构图检索上的应用 |
| 7.1 服装CAD系统国内外现状和发展趋势 |
| 7.1.1 国内外现状 |
| 7.1.2 款式智能设计 |
| 7.1.3 结构图与成衣结合设计 |
| 7.2 款式图识别在结构图检索上的应用 |
| 7.3 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
四、离散不变矩算法及其在目标识别中的应用（论文参考文献）
- [1]基于数字全息显微成像技术的微小型浮游生物监测系统研究[D]. 汤明. 浙江大学, 2021(01)
- [2]空间目标融合识别方法研究及知识库设计[D]. 冯超. 西安电子科技大学, 2020(05)
- [3]半正交矩模型及四元数分数阶矩算法研究[D]. 何冰. 西安电子科技大学, 2020(05)
- [4]基于小波矩的声呐图像特征提取方法研究[D]. 高强. 大连理工大学, 2020(02)
- [5]多尺度几何变换在金属表面缺陷识别中的应用[D]. 刘晓明. 北京科技大学, 2020(03)
- [6]SAR图像目标自动检测与识别方法研究[D]. 谌华. 中国科学院大学(中国科学院国家空间科学中心), 2019(07)
- [7]基于ISAR的舰船目标识别[D]. 郭峰. 中国电子科技集团公司电子科学研究院, 2019(02)
- [8]隐马尔科夫模型评价机械零件的几何相似性研究[D]. 李雨虹. 兰州交通大学, 2019(04)
- [9]基于轮廓片段空间关系的目标识别系统设计[D]. 宋鑫. 沈阳理工大学, 2019(03)
- [10]服装款式图识别及其在结构图检索上的应用研究[D]. 陈桂清. 上海工程技术大学, 2019(05)