一、基于多尺度形态变换的纹理形状图像检索（论文文献综述）
唐淑兰[1]（2021）在《基于多尺度分析和机器学习的遥感影像找矿预测及填图方法研究》文中研究指明遥感数据获取技术的快速发展使得遥感数据的定量化、智能化处理技术急需提高。基于遥感影像的矿区外围勘探、矿床定位及填图技术能显着提高矿产资源勘查及填图的效率和质量。近年来,基于遥感技术的找矿及填图工作取得了很大进展,但是应用效果与地质调查工作的实际需求尚有差距。基于遥感影像的找矿预测和填图工作主要存在以下几个困难:1)基于像素的匹配滤波、波段比值、主成分分析等技术不能很好地消除影像获取过程中受到的气候和光照等因素的影响,也不能很好地利用矿物的丛集特征,提取的蚀变信息存在较多“椒盐”噪声;2)对于植被覆盖多、干扰信息众多、矿化线索微弱地区的遥感地质信息的提取,掩膜去除干扰的方法会丢失影像的原始信息,无法保证提取结果的准确性;3)基于单一尺度的分析方法不能有效提取矿物异常分布的多分辨率特征,无法精确描述矿物的富集和贫化规律;4)热液蚀变的间歇性和多期次性引起的光谱信息叠加问题及岩性风化引起的纹理不确定性,导致岩性识别的精度降低。上述问题成为大规模遥感地质应用的瓶颈。本文在野外地质调查、薄片鉴定的辅助下,以多尺度分析方法、面向对象提取技术、机器学习和深度特征分解为主线,进行了蚀变矿物的区域特征及深度特征提取方法、岩性智能化分类及填图方法研究。主要研究内容及成果如下:（1）提出了结合主成分分析、多尺度分割和支持向量机的遥感矿化蚀变信息提取方法。该方法选取ASTER影像各矿化蚀变信息的诊断性波段进行主成分分析;利用多重分形理论描述矿物的奇异性和自相似性,得到多尺度纹理影像;利用局部特征过滤掉大部分不相关的数据,运用支持向量机向量逼近的方法对目标矿物类别进行定位;采用序列最小优化算法提高求解效率。实验对比结果表明,该方法提取的矿化蚀变信息与成矿区带、已知矿点和已有不同地质背景成矿特征相关性较好。（2）在蚀变矿物特征向量主成分分析的基础上,提出了结合小波包变换和随机森林的蚀变信息提取方法。该方法采用小波包变换提取影像的时频局部化及多尺度细节特征,利用代价函数优化小波包树,得到蚀变矿物高低频信息的最优表示,经过干扰特征机制筛选重要特征,并利用随机森林完成投票分类。实验结果表明,该方法提取铁染、Al-OH及Mg-OH基团蚀变信息时能充分利用矿物光谱的能量特征,削弱矿物组分的噪声干扰。（3）提出了基于多尺度卷积神经网络特征分解的矿床定位方法。该方法在分析金属矿床的有机质特征的基础上,充分利用影像所显示的颜色、形状、纹理等影像形态,构造深层语义信息分类空间;采用模糊数学理论、元素相乘算法求交、逻辑叠加分析法提取影像的控矿因素;结合物化探等多源资料,构造遥感地质找矿模型。实验结果表明,该方法为地勘工作中的外围勘查和矿床定位提供了可靠的依据。（4）提出了比值运算、多尺度分割、随机森林相结合提取变质矿物的方法。核心思想为利用地统计学中的变差函数描述矿物的全局和局部空间结构变化性,采用矢量叠加的方法组合多尺度纹理特征与光谱特征,利用随机森林完成矿物分布带的搜索。实验表明,该方法能很好地描述地球化学元素分布的随机性,及其在岩石等介质中的局部富集和贫化规律,提取结果稳定。（5）提出了遥感影像岩性自动分类和主要及典型造岩矿物识别交叉验证的填图方法。核心思想为利用影像光谱特征及小波变换得到的多尺度纹理特征构造分类特征空间,进行10次高维且非正态分布的岩性分类,利用投票法避免岩性因样本的空间变异性产生的动态变化,优化岩性单元分类结果;采用可避免局部最优的蜂群算法搜索支持向量机的参数;构造了可有效提取白云母、黑云母、方解石、角闪石等矿物的指数。野外工作证明,该方法能智能化地识别影像的大部分岩性,填图结果与野外调查结果的相关系数为0.7。
谢光艺[2]（2020）在《基于视觉特征提取的图像检索算法研究》文中进行了进一步梳理随着数字图像的快速和大规模增长,人们找到感兴趣的图像越发困难,这促使人们研究和开发有效的图像存储,索引和检索技术。图像检索和索引已被应用于许多领域,例如互联网、广告、艺术、建筑、教育、医疗、生物和其他许多行业。基于文本的图像检索首先以文本形式手工标记图像,然后使用关键字来检索图像。这种基于字符匹配程度的图像检索方法既主观又费时。基于内容的图像检索方法克服了基于文本方法的缺点,依据图像的视觉特征（颜色,纹理,形状等）在图像集中找到相似的图像（搜索范围）。本文针对图像检索的视觉特征提取的关键性问题,提出了彩色能量导向局部模式、稳定兴趣点区域、一致性区域内主颜色及胡矩,以及结合区域相关和方向相关描述符等算法进行图像检索,做了深入研究,取得的研究成果和创新如下:1.提出了彩色能量导向局部模式特征和直方图结合的图像检索算法。局部二值模式（Local Binary Patterns）是一种着名的表征图像纹理特征的算子,它和它派生的各种算子在图像检索中取得很好的效果,但它们基本上都是对彩色图像中的亮度单通道进行处理,没有利用彩色图像的颜色特征。本文针对彩色图像提出一种彩色能量导向局部模式（Local Color Energy Oriented Pattern）,它基于彩色多通道,以彩色图像有限区域能量变化为导向,考虑图像中参考区域和它对应最大能量变化方向处目标区域中对应点处强度的关系,动态的表示图像局部纹理变化特征,较二值模式（LBP）等相应算子只是考虑局部邻域中心点和周围点强度的关系能够表现纹理的变化信息。再将彩色能量导向局部模式特征和图像颜色常用的直方图（Color Histogram）特征结合能更好的表征图像的特征信息。所提方法（LCEOPa CH）在corel-1k、corel-5k和corel-10k三个数据集上进行测试,实验结果表明优于当今的其它基于内容的图像检索方法。2.提出了稳定兴趣点区域图像检索算法。针对传统兴趣点检索方法中非感兴趣区域的兴趣点会降低检索准确率的不足,提出稳定兴趣点区域检索图像的新方法。首先检测查询图像和候选图像的兴趣点,提取其邻域灰度信息并计算伪泽尼克矩,通过比较距离找到最佳匹配点对。其次以匹配点对计算相应凸包区域以得到稳定的兴趣点区域。最后提取稳定兴趣点区域内图像颜色和Gabor小波变换纹理信息进行图像检索。实验结果表明所提算法去除了无关兴趣点的影响,克服了传统兴趣点算法只提取边缘局部特征的不足,与同类算法相比准确率明显提高。3.提出了一致性区域主颜色及胡矩图像检索算法。数量快速增长的数字图像需要有效的检索,主颜色描述符（Dominant Color Descriptor,DCD）在图像处理中已得到广泛使用。但是主颜色描述符考虑的是整幅图像上的所有像素点信息,从而影响了检索的准确率。根据基元理论（The texton theory）,先采用基元模板检测提取出图像一致性区域内像素点的信息,并在此区域内的像素点上计算主颜色特征。然后再结合具有平移和旋转不变性的胡矩特征提取图像中的形状信息,从而达到有效结合颜色和形状信息进行图像检索。所提的算法在corel-1k、corel-5k和corel-10k三个数据集上进行测试,实验结果表明优于当今的基于内容的图像检索方法。4.提出了结合区域相关和方向相关描述符的图像检索算法。大量不断增长的数字图像需要有效地检索,但是在准确性和速度之间进行权衡是一个棘手的问题。通过结合区域相关和方向相关描述符（Combining Region and Orientation Correlation Descriptors,CROCD）提出了一种快捷有效的图像检索方法。区域颜色相关模式和方向颜色相关模式分别由区域相关描述符和方向相关描述符提取。然后分别从两个相关模式中提取图像的特征向量。该算法具有统计和纹理描述方法的优点,可以表示图像颜色和纹理在空间的相关性。对于全彩色图像,特征向量只有80维。因此,它在图像检索中非常高效。该算法在准确性和查全率方面在三个数据集上进行了的测试。实验结果表明,所提出的算法优于其他最新算法。
张兴园[3]（2020）在《基于深度学习的手绘草图生成、识别及应用研究》文中指出在整个人类文明进程中,手绘草图一直用作一种直观的表达方式和基本的交流工具。随着电子设备的发展和触摸屏的普及,即智能手机、平板电脑、手写画板和智能手表的出现,草图可以通过手指滑动的方法更加方便地获取到。不同于传统的包含丰富颜色和纹理信息的图像,草图在视觉线索上更加稀疏且包含的细节更少,但是人们很容易识别出草图所属的目标类别,这表明人类对物体的神经视觉表征具有内在的稀疏性,因此稀疏的草图研究可以帮助我们更好地理解人类认知过程,同时促进高效视觉分类器的设计。此外,草图作为一种沟通和交流的方式,不同的人能够快速正确地识别出感兴趣的目标和内容,从而克服了文化、语言、时间和年龄的障碍。因此,手绘草图的研究可以促进人类知识和信息的传播以及情感的交流。本文以手绘草图为研究对象,深入研究了基于深度学习的图像识别技术在草图识别相关任务中的应用,其中包括草图生成和分类、基于草图的图像检索和行为识别等热点领域。草图识别是上述任务的核心基础,本文方法旨在得到更优的草图表征方式,从而能够准确、高效地实现草图识别的目的,因此本文对草图相关问题进行研究具有非常重要的理论意义和实用价值。本文主要的研究内容和成果如下:（1）针对目前草图训练集的缺乏和基于草图的图像检索准确率低及推广能力不足的问题,本文提出了基于多尺度策略的草图生成模型。首先,提出了多尺度的卷积神经网络生成粗略草图,利用多尺度和多层次学习提取图像的底层和高层特征,从而更充分地利用了不同层次的信息;然后,提出了基于粗略草图与修正模板匹配的图像细化方法,利用图像处理中的形态学操作,基于两步走策略并通过加权求和得到最终的细化草图;最后,提出了薄板样条插值策略,对细化的草图进行非刚性变形,以解决不同背景人员在绘制过程中的草图样式变化问题。实验结果表明,本文方法在公开数据集上取得了很好的草图生成效果,同时解决了基于草图的图像检索任务中的跨域检索问题。（2）针对目前大部分深度卷积神经网络在构建草图表征时,都将草图当做普通的纹理图像,而没有考虑形状信息对提取草图特征的重要作用,本文提出了一种基于双分支的草图特征提取网络。首先,利用传统的卷积神经网络提取原始草图的外观特征;然后,提出了基于草图轮廓关键点集的神经网络来提取草图的形状特征,该分支将草图的轮廓关键点集作为输入,引入仿射变换来解决神经网络对草图旋转和平移的不变性问题,同时采用最大池化来聚合所有点的信息解决草图采样点顺序的不变性问题;最后,提出将外观特征和形状特征融合,并对特征向量进行L1归一化实现草图分类器SVM的训练。实验结果表明,考虑草图在缺乏颜色和纹理信息的情况下引入轮廓点集表示,可以挖掘出更多隐含的形状特征,进一步提高草图识别和检索两大任务的准确率。（3）针对草图具有稀疏和抽象的结构特点,前面提出的方法都没有考虑草图局部特征提取对形状表征的影响问题,同时基于深度卷积神经网络的草图识别方法虽然能够提取外观特征和形状特征,但是忽略了不同特征之间的相互学习。本文提出了一种基于互学习的端到端手绘草图双分支网络。首先,提出了多层特征融合的卷积神经网络来提取草图的外观特征,利用多个浅层中间卷积层输出的特征与最后全连接层输出相结合,并使用全局平均池化保留显着特征、降低特征维度;然后,提出了基于图卷积的神经网络提取草图的形状特征,通过对每个采样点利用K近邻算法构建图,再利用图卷积网络提取局部特征来增强草图形状的表达能力;最后,提出了互学习策略同时优化两个识别网络,通过引入类别一致性损失和视觉注意一致性损失来约束两个分支。实验结果表明,该模型的识别性能优于现有方法,可以提高草图识别和基于草图的图像检索任务的准确率,并能通过微调模型的方式推广到其他风格的草图识别任务中。（4）针对目前很多基于不同模态的神经网络进行视频行为识别时,都没有考虑人的形状信息对识别准确率影响的问题,本文将草图特征应用到行为识别的预测任务中,提出了基于中层语义表示的卷积神经网络用于行为识别。首先,提出了一种注意力导向的草图生成模型,利用草图生成网络从动作视频中提取人的形状结构以生成原始草图,与此同时,使用注意力引导机制,对原始草图进行区域修正,去掉无关区域和噪音信息,从而生成与行为识别相关的判别性区域;然后,提出了基于原始草图和点表示草图的双分支神经网络模型,对视频关键帧进行选取并输入网络,分别提取纹理信息和点集表示的形状信息,从而实现基于视频草图的行为识别;最后,对多个模态的行为识别分数进行决策级融合,将融合后的结果作为最终的行为识别结果。实验结果表明,视频草图模态对行为识别起到了积极的作用,有效提升了系统预测的性能,降低了识别误差。
郑岩[4]（2020）在《基于小规模数据学习的形状分析技术研究》文中研究表明形状分析包括形状描述、形状分类、形状检索等技术,是计算机视觉领域的热点问题。近年来,大数据分析和深度学习技术对计算机视觉领域的推动作用非常大,但这样的积极影响却没有以同样的效果延伸到形状分析领域,这主要是因为形状分析领域缺少大型标记数据集。所以,为了进一步地提高形状分析算法的准确度,越来越多的学者们开始关注并深入研究基于小规模数据学习的形状分析技术,结合形状描述子和半监督学习技术的形状检索及分类研究就是其中的代表。本文系统地总结了影响形状描述子速度和准确度的关键因素,并从这些因素出发设计了两种新的形状描述子;深入分析了基于半监督学习的形状检索后处理技术的结构原理,并提出了一个新颖的快速检索后处理算法;另外,本文还以实践探索了在小规模标记数据集下,基于卷积神经网络的监督学习技术在形状分类应用中的有效性,这一实践进一步地丰富了小规模数据学习的概念,使其又囊括了小尺寸卷积神经网络和数据增强技术。本文主要工作及贡献如下:1.提出了一种基于多尺度中心点距离的傅里叶描述子。基于中心点距离的傅里叶描述子是一个经典的全局描述子,匹配度度较快,但它描述尺度比较单一,匹配准确度较差,本文提出的新描述子解决了这一问题。解决方法是依靠动态中心点提取形状在不同尺度上的形状特征信息。2.提出了一种基于内距离形状上下文的加权傅里叶和类小波描述子。内距离形状上下文描述子是经典的局部描述子,匹配准确度较高但速度慢,常见的全局描述子速度快但准确度低,本文提出的新描述子将原始的内距离形状上下文特征改进为一种准确度高且匹配速度快的新特征。这种新描述子继承了局部描述子和全局描述子各自的优势,准确度高且速度快。3.提出了一种基于半监督学习的形状检索后处理方法——从在线到离线（Online to Offline,O2O）方法。快速形状描述子可以为检索系统创造较大的速度优势,为了保持这种速度优势,必须使用同样快度的检索后处理算法,但目前还没有学者提出与快速描述子同样快速的后处理算法,O2O方法可以填补这一空缺。O2O方法的核心思想是将耗费计算量的在线计算过程转移到离线。O2O方法运行速度快,适合为快速描述子做后处理工作。4.提出了一种用于形状分类的卷积神经网络模型——Shape Net。新网络模型用数据增强方法和小尺寸卷积神经网络实现了基于小规模数据监督学习的形状分类。最终的实验结果表明,在数据集较小（每类20张图像）时Shape Net的分类准确率略微低于时下最先进的（state-of-the-art）形状描述子,当数据集增大（每类100张图像）时Shape Net能够明显地提高相对的分类准确率,甚至超越很多最先进的形状描述子。本文从使用频域变换技术的形状描述子、基于半监督学习技术的形状检索后处理方法和基于监督学习技术的形状分类方法三个角度,在准确度和速度两方面对以往算法提出了改进措施,并创造性地提出了一个新颖的半监督学习框架下的形状检索后处理算法。这些新算法将有益于改进形状分析技术的实时性应用。
周雯[5]（2020）在《形状的多尺度描述与检索算法研究》文中提出形状是图像的一种底层特征,在图像处理与计算机视觉领域有着广泛应用。在单一的尺度下我们无法对形状进行有效的描述和检索。具体来说,如果尺度值设置过低,虽然能够捕捉形状的局部细节,但所提取的形状特征会存在大量的冗余信息;如果尺度值设置过高,虽然能够获取形状的整体特征,但噪声或形状的细节信息会导致分类混淆。为此,本文研究多尺度形状描述和检索技术,通过合理地构建形状的尺度空间,提出有效的多尺度算法。主要工作和创新点如下:提出了基于矩形化曲率尺度空间图的形状描述算法。针对现有曲率尺度空间技术在形状描述过程中出现的特征过于简化的问题,我们采用矩形框对曲率尺度空间图的拱形轮廓进行拟合,从而能够同时捕获拱形轮廓的宽度和高度特征,形成对形状更完善的描述。随后利用循环互相关操作实现形状匹配,将现有技术的8步操作简化为1步操作,实现了对形状的快速检索。实验结果表明,与现有算法相比,新算法在检索效率和计算复杂度方面均具有明显的优势。提出了融合尺度空间中的形状描述和检索算法。我们在分析形态学尺度空间和高斯尺度空间各自优势的基础上,将形态学参数和高斯参数结合形成融合尺度空间,基于高度函数描述子对形状进行多尺度描述,可以同时处理形状中出现的噪声、类内变换和不规则变形。然后,提出多尺度融合的形状匹配策略,实现对形状的检索。实验结果表明,该算法的检索率、鲁棒性和计算效率均优于当前的形状检索算法。提出了基于方位的多尺度形状描述和检索算法。现有高度函数描述子根据像素位置来计算高度函数值,在相同方位角上会出现对形状特征的重复提取。为此,提出了直接按照方位角提取形状特征的策略,约减了形状描述中的冗余信息。同时,结合融合尺度空间处理形状线性和非线性变换的优势,形成形状的多尺度描述。最后,引入圆心率和离心率两种全局参数,得到融合尺度空间中的检索结果。实验结果表明,该算法具有很好的性能表现。
韩旭[6]（2020）在《基于多特征融合的商标图像检索技术研究》文中提出商标是商品的一种重要体现形式,也是用于区分经营者之间的商品或服务的重要标志。在市场经济条件下,生产和经营类似产品的企业,为了提高其产品的知名度和增加产品的销量,都会为自己的企业设计一种独特的商标,以区别于其他企业。因此,加强商标图像的检索力度可以有效防止商标欺诈,抢注等现象的发生,从而可以保持企业享有商标的专有权,保护消费者的权益,保证商标的合法性和唯一性。根据商标图像本身的特征并结合目前商标图像检索所使用的方法,我们将商标图像与其他类型的图像进行比较后发现,决定商标图像特征的因素主要包括形状特征和颜色特征,并且同一类型的商标图像存在尺度,空间位置等变化,因此仅通过提取单一特征或者双特征所完成的检索必然是不准确的,那么如何准确,快速地实现商标图像检索已成为当前亟待解决的问题。结合对以上问题的分析,本文提出了一种基于多特征融合的图像检索算法。我们的方法分为三个阶段:第一阶段,使用改进后的算法对商标图像的形状特征,尺度不变性和颜色特征进行提取;第二阶段,通过分配不同的权重来平衡这三种特征,得到能够准确描述商标图像的特征向量;第三阶段,利用余弦相似度对待检索样本图像和验证样本图像进行相似度检索。我们已经在包含8000多张商标图像的数据库上测试了该方法,然后通过设置对比实验将本文的算法与单一特征和双特征提取的商标图像检索方法进行了比较。并且,为了准确地测量算法的性能,引入了PR曲线作为评估标准。实验结果表明,本文所提到的算法在检索精度和检索时间上均明显优于其他比较算法,这在驰名商标检测和商标着作权保护领域具有良好的实用价值。
蒋圣[7]（2020）在《基于DEM的黄土高原地形纹理研究》文中研究说明黄土高原“千沟万壑”的地貌形态,在多尺度空间上表现出显着自相似性,具有“局部无规则,宏观有规律”的纹理特征。现有针对黄土高原的纹理分析通常以宏观统计特征为主,对黄土高原多尺度纹理特征及结构特征的研究相对缺乏。因此,本研究以黄土高原为研究区,以统计特征结合结构特征的角度切入,在理论上,明确提出黄土高原地形纹理的概念模型,提出不同尺度下黄土典型地貌单元特征组合形成的地形纹理,以及黄土坡面坡度特征形成的地形纹理。在方法上,提出GLCM结合累加距离匹配函数（SDMF）的黄土高原地形纹理分析框架,用以提取不同尺度下地形纹理的统计及结构特征。在应用上,使用本文方法,实现了对黄土高原典型小流域内的侵蚀沟和梯田的提取,以及在宏观尺度下对黄土典型地貌的纹理特征量化与识别。本研究力图发展数字地形分析新方法。本文主要内容及研究成果如下:（1）理论上,明确黄土高原地形纹理的概念模型。明确地形纹理及黄土高原地形纹理的基本概念,除宏观形态地形纹理外,提出黄土典型地貌单元（黄土塬、梁、峁等）特征组合形成的地形纹理,以及黄土坡面坡度特征形成的地形纹理,并对其进行自然纹理（随机特征）及近似规则纹理（结构特征）的特征分析,阐述黄土高原地形纹理的基本特征、划分体系、数据表达。（2）方法上,提出GLCM结合SDMF的黄土高原地形纹理分析框架。通过多尺度纹理分析,明确GLCM能够对地形纹理进行统计特征量化,但对结构特征的量化能力不足。因此,提出基于SDMF的结构特征计算方法。具体为SDMF规则度及第一主周期,并对其进行多方向和归一化处理扩展,以适应多种情况。在特征空间内,SDMF特征能够通过显着峰的计算,判定纹理基元在一定尺度下的空间尺寸、空间分布规则程度,从而作为黄土高原地形纹理的结构特征量化指标。结合GLCM,形成对黄土高原地形纹理的分析框架。（3）面向微观尺度,对黄土高原典型小流域进行纹理特征分析及典型地貌提取。黄土典型小流域的侵蚀沟区域具有显着的随机纹理特征,梯田则具有显着的近似规则纹理特征,采用GLCM方法结合SDMF规则度,并顾及地形特征,能够有效表征侵蚀沟及梯田的区域。通过棋盘分割与多尺度分割的叠置分析,优化梯田提取的边界。在识别实验中,以安塞、长武、绥德的三个样区进行测试,侵蚀沟的提取平均精度为85.78%,梯田提取平均精度为86.36%。（4）面向宏观尺度,对黄土高原典型样区进行特征量化及识别。基于GLCM进行特征参数的量化分析,包括分析量化级数、方向参数对DEM数据的地形纹理的影响,并使用几何中心外扩法进行GLCM的适宜窗口分析。研究表明,GLCM对比度是最具区分性和有效性的特征,64级灰度级是稳定且不同类别差异性显着的量化值。同时,基于SDMF方法,对峁状及梁状丘陵沟壑区进行量化分析。使用正负地形表征归一化SDMF特征计算规则度,能够对两者进行量化及识别,梁状丘陵沟壑区的平均规则度（0.64）要大于峁状丘陵丘陵沟壑区（0.48）。基于以上量化分析,构建全局特征、局部形态、局部结构的三层量化识别模型,对黄土高原的7类典型地貌进行识别,其平均识别率为81.83%。本文明确提出黄土高原地形纹理的概念模型,初步探索出对黄土高原地形纹理结构特征及统计特征的分析框架。研究表明,该分析框架能够应用于多尺度的黄土典型地貌的提取与识别,并发展了黄土高原数字地形分析的新方法。
黄娜[8]（2020）在《面向数字图像证据的取证检验关键技术研究》文中进行了进一步梳理近年来,图像作为一种常见的数据格式广泛存在于电子设备以及网络中,成为传播、保存数字信息的重要载体。同时,数字图像取证检验成为刑侦调查、新闻媒体以及政治军事等诸多领域中的重要环节。面对越来越多的图像数据,以及日渐高明的篡改伪造手段,传统的取证检验方法在性能及效率上已经无法满足需求。在人工智能迅猛发展的背景下,结合计算机视觉的相关先进技术研究图像证据的取证检验,有利于推动数字图像取证领域的发展,对维护信息与网络空间安全具有重要的理论意义和应用价值。本文面向数字图像证据取证检验的关键技术展开研究。根据取证检验的需求,结合图像分析处理、计算机视觉的相关技术,首先设计提出了数字图像证据取证检验模型,用于指导完成数字图像的取证识别、篡改检测以及来源鉴别三项主要功能。然后,为实现以上三项功能展开具体的方法及技术研究,旨在提高数字图像取证检验的效率及可靠性,从嘈杂的原始数据中初步过滤出图像证据,并对图像证据是否具备真实性、关联性以及合法性做进一步的检测与鉴定。本文的主要工作及创新性成果总结如下:（1）设计提出一套完善的数字图像证据取证检验模型。该模型集成图像识别、图像篡改检测等方面的先进技术,功能流程涵盖图像证据取证检验的全生命周期,分为图像特征提取、图像证据取证识别、图像篡改检测以及图像来源鉴别四个模块。其中,特征提取模块为后续的取证检验功能奠定基础,取证识别模块完成对图像证据的初步过滤,篡改检测与来源鉴别模块则对图像证据进行真实性、关联性以及合法性验证。传统的取证模型面对海量图像数据时效率较低,功能不完善,所提出的模型在取证场景中能够避免过高的时间及人员成本,保证流程完整、规范,而且各项功能的技术方法都有所改进,具备可用性与稳健性。（2）研究提出基于多特征融合的图像证据取证识别方法,以提高取证检验的效率和精准性。首先基于典型相关分析（Canonical correlation analysis,CCA）提出了一种基于判别-最小相关分析（Discriminant-minimum correlation analysis,D-MCA）的特征融合方法。最小相关分析通过最小化不同模态特征之间的相关性,减少特征中的噪声和冗余信息,提高融合特征的表征能力;在此基础上增加判别性信息,能够提高图像识别的准确性。然后基于Bo F（Bag of feature）模型提取图像的颜色矩特征、加速稳健特征（Speeded up robust feature,SURF）、局部二值模式（Local binary pattern,LBP）特征,采用卷积神经网络提取图像的深度特征（Deep feature）。最后根据提出的D-MCA方法进行特征融合,实现基于多特征融合的数字图像取证识别。在图像数据集上进行图像检索实验,平均准确率达到99.4%,与单一特征相比,查准率平均提高了49.7%,查全率平均提高了17.5%;与传统的拼接融合相比,CPU时间降低为11.9%。（3）研究提出一种基于稀疏域匹配传播的图像复制-粘贴篡改检测方法,以检验数字图像证据的真实性与合法性。基于密集域匹配的图像复制-粘贴篡改检测方法效率不足,而基于稀疏域匹配的方法检测率不足。为了解决这一矛盾,在稀疏域匹配的基础上设计提出一种传播机制。检测SURF关键点并进行初步匹配,通过离散小波变换（Discrete wavelet transform,DWT）特征的进一步匹配,筛选出可靠的关键点匹配对作为传播源,计算出传播源之间的偏移量（包括尺度、旋转变换）,根据偏移量将匹配关系在关键点的邻域内进行传播。实验结果表明,与传统方法相比效率得到了提高,检测率能够达到94.0%。并通过详细的实验数据分析了特征选择以及复制粘贴区域的尺度、旋转变换对检测率的影响,验证了SURF算法比其它关键点检测算法具有更加稳定的性能;DWT特征也表现出显着的效果。（4）研究提出基于卷积神经网络的图像来源鉴别方法,以检验数字图像证据的关联性与合法性。面向图像来源鉴别的任务构建卷积神经网络模型,包括三个卷积层、三个正则化层、三个最大池化层、一个随机失活层（Dropout层）、两个全连接层,以及一个Softmax分类器。将原始图像分割成尺寸为36×36的不重叠图像块,作为样本数据对网络模型进行训练及测试。在决策阶段采用投票策略,提高来源鉴别的准确性。与传统的基于相机成像特征的数字图像来源鉴别方法相比,该方法能够避免计算复杂度较高、噪声估算易受干扰等问题。使用Dresden Image Database图像集作为实验数据,网络模型的测试准确率达到99.8%,相比同类模型提高了2.6%。通过实验中的分析对比,表明该方法的准确性及时间性能优于其它现有方法。
张艳红[9]（2020）在《服装款式图领型识别与匹配研究》文中研究表明传统服装结构设计主要依赖于专业制版师完成,其自身的局限性导致其耗时长、效率低、成本高,而且制版的质量完全取决于制版人员的专业水平和经验,受主观影响较大。加之,个性化理念的转变,促使服装行业向着小批量、多品种方向发展。提高服装企业的“快速反应能力”成为提高企业竞争力的关键,因此迫切需要寻找一个实现快速制版的方法。本课题以服装款式图为研究对象,利用图像处理与识别技术从样本库中检索出与目标服装部件（以衣领为例）款式相似的部件。用户只需对调出的相应结构图进行局部微调即可得到新的样版,有效减少不必要的重复操作,提高效率,实现资源共享。同时,也为自动化款式识别、软件开发和应用提供新的思路。本课题的主要研究内容如下:首先,建立衣领款式样本库,其中包含服装中常用的圆领、V领、方形领、立领、衬衫领、平驳领、连驳领以及戗驳领,共8种领型,每款领型对应60幅图像。对比分析了常用的图像灰度化、锐化、边缘检测、形态学处理以及图像分割等处理方法的优缺点,制定相应的图像预处理方案,并在MATLAB平台上完成算法实现。然后,结合衣领款式图像特点提出基于复杂网络的形状特征提取算法。首先,以轮廓点作为网络节点构建初始网络,并进行多距离阈值演化;其次,依次提取演化后各子网络的最大度、平均度、平均联合度、熵、能量、平均聚类系数以及平均路径长度构建形状特征描述算子;之后分别采用支持向量机和BP神经网络进行衣领款式的识别分类。其中,基于BP神经网络的平均整体分类准确率为95%;基于SVM的平均整体分类准确率为98%,分类结果理想。同时,通过加入不同水平和不同类型的噪声验证算法抗噪性能。结果表明,本文算法适用于一定噪声密度的图像识别,当加入一定程度的噪声时,仍具有较好的分类效果。并将本文算法与Hu不变矩、HOG特征提取算法进行对比分析。结果表明,无论是样本的整体分类,还是各类别的平均分类,本文算法的分类准确率均最高,且分类结果相对稳定。综上所述,本文提出的基于复杂网络的特征提取方法适用于衣领款式的识别与分类。最后,基于本文构建的衣领部件特征库,以查全率和查准率作为有效衡量指标,以欧氏距离和曼哈顿距离作为相似性度量进行图像匹配。结果显示,使用欧式距离可获得较高的查全率和查准率;其中,基于欧氏距离度量的8幅图像（8个类别）匹配结果中,4幅图像的相关系数为1;三幅图像的相关系数为0.99,一幅图像的相关系数为0.89。款式匹配结果理想,可以满足衣领结构图共用的目的。
沈荣波[10]（2019）在《基于机器学习的乳腺钼靶图像肿块检测技术研究》文中认为乳腺癌是世界范围内女性致死率最高的肿瘤之一,如何早期发现、规范化诊断、降低死亡率是全世界医学界所面临的重大挑战。乳腺钼靶图像分析是早期发现乳腺癌病变风险的重要手段,也是目前公认的最有效和最可靠的医疗检查方法,可以找到早期乳腺癌病变的相关线索,主要有肿块、微钙化和腺体结构变形等。配合早期的防治措施可以显着降低筛查人群的致癌率和死亡率,在乳腺钼靶图像成像设备与诊断系统普及较全面的发达国家,乳腺癌的存活率可达到80%以上,而在医疗卫生水平较落后的发展中国家,乳腺癌的存活率低于40%。因此,在目前医疗技术对乳腺癌尚无有效预防手段的情况下,如何早期发现乳腺癌是对抗乳腺癌的重要方法。近年来,随着计算机技术的飞速发展,使用计算机实现数字化辅助诊断系统已经成为医疗技术的发展趋势。利用计算机辅助医生进行乳腺癌诊断也成为了必然的发展趋势,数字化的乳腺钼靶图像不仅可以使用更清晰的图像分辨率,也更容易保存、检索和传输,而且计算机可以分析与识别出人眼不能利用的诊断信息。近年来有大量基于乳腺钼靶图像的计算机辅助检测技术被提出,已有部分应用于临床诊断,在最新的研究工作中,一些传统算法还存在着许多不足,有些局限于乳腺钼靶图像中特定类型的病变检测,有些则是算法检测的假阳性率较高,有些则是需要提供较多的人工干预等等。因此,实现自动化的、更准确的、更多样化检测的基于乳腺钼靶图像的计算机辅助检测系统是当前迫切的需求,而从乳腺钼靶图像中自动地、快速地找到异常的肿块病变区域并识别肿块病变是一项具有挑战性的任务。乳腺钼靶图像是一种医学成像的灰度图像,在设计与实现计算机辅助的肿块检测系统过程中,当前存在着下述问题。1、肿块在乳腺钼靶图像中呈现多种不同的尺寸和形状,通常嵌入在正常组织中,与这些正常组织具有较低的对比度差异,采用手工设计特征的传统检测技术难以获得良好的检测性能。2、在进行肿块检测系统的建模过程中,需要大量良好标注的乳腺钼靶图像数据,而这类医学图像数据的标注代价很高,因此如何降低数据集标注的需求是一个亟需解决的问题。3、由于不同的采集设备和参数配置等原因,不同来源的乳腺钼靶图像数据集之间存在较大的差异,如何从精确标注的数据集学习病灶区域的特征并迁移到未标注的数据集,是避免目标数据集标注的一个需要解决的问题。4、由于乳腺钼靶图像中肿块病灶区域占据相对更小的区域,在识别过程中会遇到类别不均衡的问题。针对上述问题,本文进行的研究如下。一、为了提取更佳特征表达进行肿块检测任务,本文利用肿块病灶周围的背景信息和肿块病灶的轮廓特征来扩充特征表达,为此设计了一种基于多背景多任务学习（MCMTL,Multi-Context Multi-Task Learning）网络的肿块检测计算机辅助诊断（CAD,Computer Aided Diagnosis）系统,该系统包括一个疑似区域定位（SRL,Suspicious Region Localization）模块和一个肿块识别的多背景多任务学习（MCMTL）网络模块。疑似区域定位采用显着区域搜索方法在乳腺钼靶图像中找出疑似病灶区域。从疑似病灶区域裁剪出局部子图,由多背景多任务学习（MCMTL）网络进一步判定该区域为肿块区域或者非肿块区域。MCMTL网络可以同时集成多个尺度的局部子图的分类特征和分割特征用于肿块识别,该网络融合了多背景学习和多任务学习并实现了端到端的学习。在公开数据集上的实验中,多背景多任务网络显着地优于所有对照组,基于多背景多任务学习（MCMTL）网络的肿块检测CAD系统分别取得了0.812 TPR（True Positive Rate）@2.53 FPI（False Positive per Image）和0.919TPR@0.12 FPI的肿块检测性能,在与最先进的肿块检测技术的对比中取得了更优异的性能。二、为了解决乳腺钼靶图像中数据标注缺乏的问题,提出了一种基于主动学习和自步学习结合的肿块检测方法,该方法从大量未标注的医疗影像数据中选择少数最优信息量样本进行手工标注,可大幅降低数据集标注的需求,并提供了一种高效的训练策略。为主动学习设计了一种新的信息量评估算法,通过考虑样本的不确定性和多样性找出最优信息量样本;另外,利用自步学习的策略配合主动学习,依据样本的复杂性和自步学习的步长从最优信息量样本中选取最有价值样本。在实际收集的数据集上,本方法取得了0.9220 PAUC（Partial Area Under Free-Response Receiver Operating Characteristic Curve）和0.9643 TPR@2.0FPI的肿块检测性能,优于对照组的主动学习方法和随机抽样方法,同时手工标注的样本数据量也更少,约为数据集总量的20%。三、为了解决乳腺钼靶图像中数据标注缺乏的问题以及标注成本较高的问题,提出了一种基于无监督域适应方法用于乳腺钼靶图像中的肿块检测,利用对抗学习进行模型的训练,从精确标注的数据集学习病灶区域的特征并迁移到未标注的数据集。该方法采用了全卷积网络（FCN,Fully Convolutional Network）用于热图预测;另外,设计了一个域分类器,其利用对抗学习对全卷积网络的输出特征进行调整,使得源域数据的特征与目标域数据的特征尽可能相近。为了进一步提升模型的性能,提出了一种更高效的对抗学习训练方法,用于克服在域分类器更新时的批量值过小以及震荡的问题。在公开数据集迁移到实际收集的数据集的验证实验中,本方法可以取得0.9083 PAUC和0.9479 TPR@2.0FPI的肿块检测性能,优于当前最先进的方法,同时大大地减少训练时间。另外,实验结果也表明,无监督域适应方法在采用更多的未标注样本时,可以取得与使用较少标注样本的监督学习相近的结果。四、为了解决医学图像分析中常见的类别不均衡问题,提出了一种基于生成对抗网络的方法,在特征空间执行合成抽样,即特征扩增,以解决样本的类别不均衡在分类模型训练过程中的负面影响。首先训练一个特征提取器用于将图像映射到特征空间;然后,生成对抗网络运用对抗学习训练特征生成器,其中特征生成器与判别器形成一组最大-最小博弈对抗;特征生成器从任意的隐藏分布中生成特征,以模拟真实的图像特征;最后为了抑制合成抽样中生成的冲突特征,使用数据清洗技术清理不符合预期的冲突特征,获得更优的类别均衡的特征集合分布,以提升类别不均衡学习的性能。两个医疗图像分析任务的实验结果表明本方法可以获得比最先进的现有方法更优或者相当的性能。
二、基于多尺度形态变换的纹理形状图像检索（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、基于多尺度形态变换的纹理形状图像检索（论文提纲范文）
（1）基于多尺度分析和机器学习的遥感影像找矿预测及填图方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 背景 |
| 1.1.2 意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感矿化蚀变信息提取方法 |
| 1.2.2 遥感岩性填图方法 |
| 1.3 遥感影像找矿预测和填图面临的问题 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 1.6 完成的主要工作量 |
| 第二章 结合PCA、多尺度分割及SVM的蚀变信息提取 |
| 2.1 引言 |
| 2.2 研究区概况 |
| 2.3 数据源 |
| 2.3.1 ASTER |
| 2.3.2 影像校正原理 |
| 2.3.3 数据预处理 |
| 2.4 理论与方法 |
| 2.4.1 蚀变矿物光谱特征 |
| 2.4.2 PCA |
| 2.4.3 多重分形理论 |
| 2.4.4 SVM |
| 2.5 基于PCA-MS-SVM的蚀变信息提取 |
| 2.5.1 基于PCA-MS-SVM的蚀变信息提取流程 |
| 2.5.2 特征波谱选择及主成分分析 |
| 2.5.3 基于多重分形理论的多尺度分割 |
| 2.5.4 蚀变信息提取结果分析 |
| 2.5.5 实验效率分析 |
| 2.5.6 影响PCA-MS-SVM性能的主要因素分析 |
| 2.6 本章小结 |
| 第三章 结合小波包变换和随机森林的蚀变信息提取 |
| 3.1 引言 |
| 3.2 研究区概况 |
| 3.3 数据源 |
| 3.4 理论与方法 |
| 3.4.1 小波包变换 |
| 3.4.2 随机森林 |
| 3.5 结合小波包变换和RF的蚀变信息提取 |
| 3.5.1 结合小波包变换和RF的蚀变信息提取流程 |
| 3.5.2 主成分分析 |
| 3.5.3 小波包变换 |
| 3.5.4 RF提取蚀变信息 |
| 3.5.5 提取结果分析 |
| 3.5.6 影响因素分析 |
| 3.6 本章小结 |
| 第四章 基于特征分解的找矿预测 |
| 4.1 引言 |
| 4.2 研究区概况 |
| 4.3 数据源 |
| 4.3.1 Landsat7 ETM+ |
| 4.3.2 影像预处理 |
| 4.4 原理及方法 |
| 4.4.1 卷积神经网络 |
| 4.4.2 遥感影像特征提取原理 |
| 4.5 遥感影像特征提取 |
| 4.5.1 遥感影像基本特征提取 |
| 4.5.2 遥感影像深度特征提取 |
| 4.6 结果分析 |
| 4.6.1 遥感岩性解译 |
| 4.6.2 遥感矿物解译 |
| 4.7 本章小结 |
| 第五章 结合多尺度分割和随机森林的变质矿物提取 |
| 5.1 引言 |
| 5.2 研究区概况 |
| 5.3 结合多尺度分割和随机森林的变质矿物提取 |
| 5.3.1 结合多尺度分割和随机森林的变质矿物提取流程 |
| 5.3.2 变质矿物光谱特征 |
| 5.3.3 基于变差函数的多尺度分割 |
| 5.3.4 RF提取变质矿物 |
| 5.3.5 结果评价 |
| 5.4 小结 |
| 第六章 结合多尺度岩性分类及矿物提取的岩性填图 |
| 6.1 引言 |
| 6.2 研究区概况 |
| 6.3 数据源 |
| 6.4 结合多尺度岩性分类及矿物提取的岩性填图 |
| 6.4.1 结合多尺度岩性分类及矿物提取的岩性填图工作流程 |
| 6.4.2 岩性及光谱特征分析 |
| 6.4.3 矿物提取指数构建 |
| 6.4.4 岩性分类特征空间构建 |
| 6.4.5 结合多尺度纹理和光谱特征的岩性分类 |
| 6.4.6 矿物提取 |
| 6.5 结果分析 |
| 6.5.1 纹理提取结果分析 |
| 6.5.2 分类结果分析 |
| 6.5.3 填图结果分析 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（2）基于视觉特征提取的图像检索算法研究（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 研究背景和意义 |
| 1.2 基于内容图像检索系统的工作流程 |
| 1.2.1 颜色 |
| 1.2.2 纹理 |
| 1.2.3 形状 |
| 1.2.4 空间关系 |
| 1.2.5 反馈技术 |
| 1.3 国内外知名的图像检索系统 |
| 1.3.1 国外知名的系统 |
| 1.3.2 国内知名的系统 |
| 1.4 国内外研究现状 |
| 1.4.1 CBIR研究的早期发展 |
| 1.4.2 基于兴趣点法的图像检索 |
| 1.4.3 基于视觉词汇的图像检索 |
| 1.4.4 基于浅层多特征的图像检索 |
| 1.4.5 基于深度特征的图像检索 |
| 1.5 主要研究内容和论文结构安排 |
| 1.6 论文主要创新及贡献 |
| 第二章 彩色能量导向局部模式和颜色直方图(LCEOPaCH)的图像检索 |
| 2.1 研究背景 |
| 2.2 LCEOPaCH算法 |
| 2.2.1 彩色图像的量化 |
| 2.2.2 局部彩色能量指向模式 |
| 2.2.3 距离准则 |
| 2.3 实验结果 |
| 2.3.1 实验数据集 |
| 2.3.2 评估准则 |
| 2.3.3 参数评估 |
| 2.3.4 检索性能 |
| 2.4 结论 |
| 第三章 稳定兴趣点区域(SIPR)的图像检索 |
| 3.1 研究背景 |
| 3.2 稳定兴趣点区域算法描述 |
| 3.2.1 兴趣点检测 |
| 3.2.2 稳定兴趣点区域 |
| 3.2.3 稳定兴趣点区域的特征提取 |
| 3.2.4 相似性度量 |
| 3.3 实验结果 |
| 3.3.1 实验数据集 |
| 3.3.2 评估准则 |
| 3.3.3 检索性能 |
| 3.4 结论 |
| 第四章 一致性区域主颜色及胡矩(DCD-HM)的图像检索 |
| 4.1 研究背景 |
| 4.2 相关工作 |
| 4.3 DCD-HM的图像检索算法 |
| 4.3.1 颜色量化 |
| 4.3.2 一致性区域 |
| 4.3.3 主颜色的特征提取 |
| 4.3.4 胡矩特征的提取 |
| 4.3.5 距离度量 |
| 4.3.6 DCD-HM算法流程 |
| 4.4 实验结果 |
| 4.4.1 实验数据集 |
| 4.4.2 评估准则 |
| 4.4.3 参数评估 |
| 4.4.4 检索性能 |
| 4.5 结论 |
| 第五章 基于区域相关和方向相关(CROCD)的图像检索 |
| 5.1 研究背景 |
| 5.2 区域相关和方向相关描述符 |
| 5.3 CROCD算法流程 |
| 5.3.1 图像的颜色量化 |
| 5.3.2 区域相关描述符 |
| 5.3.3 方向相关描述符 |
| 5.3.4 特征向量的合成 |
| 5.3.5 相似性度量 |
| 5.4 实验结果 |
| 5.4.1 实验数据集 |
| 5.4.2 评估准则 |
| 5.4.3 参数评估 |
| 5.4.4 检索性能 |
| 5.5 结论 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于深度学习的手绘草图生成、识别及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容与研究成果 |
| 1.4 论文组织结构 |
| 2 相关理论基础与方法 |
| 2.1 草图生成 |
| 2.1.1 基于手工设计和深度特征的草图生成 |
| 2.1.2 基于手工设计和深度特征的轮廓提取 |
| 2.2 草图识别 |
| 2.2.1 基于卷积神经网络的特征提取 |
| 2.2.2 基于手工设计特征的草图识别 |
| 2.2.3 基于深度特征的草图识别 |
| 2.3 草图检索 |
| 2.3.1 基于手工设计特征的草图检索 |
| 2.3.2 基于深度特征的草图检索 |
| 2.4 本章小结 |
| 3 基于多尺度策略的自然图像草图化方法 |
| 3.1 研究动机 |
| 3.2 基于多尺度策略的自然图像草图化方法 |
| 3.2.1 基于多尺度和多层次的卷积神经网络 |
| 3.2.2 基于数学形态学的草图修正算法 |
| 3.2.3 基于空间插值的草图变形算法 |
| 3.3 实验与分析 |
| 3.3.1 实验数据集及参数设置 |
| 3.3.2 实验结果评价指标 |
| 3.3.3 实验结果及分析 |
| 3.3.4 对比实验分析 |
| 3.4 本章小结 |
| 4 基于外观信息和形状信息融合的草图识别方法 |
| 4.1 研究动机 |
| 4.2 基于外观和形状信息的双分支融合网络方法 |
| 4.2.1 形状特征提取网络 |
| 4.2.2 外观特征提取网络 |
| 4.2.3 双分支融合网络的草图识别 |
| 4.2.4 双分支融合网络的草图检索 |
| 4.3 实验与分析 |
| 4.3.1 实验数据集及参数设置 |
| 4.3.2 实验结果评价指标 |
| 4.3.3 双分支融合网络的草图识别实验 |
| 4.3.4 双分支融合网络的草图检索实验 |
| 4.3.5 对比实验分析 |
| 4.4 本章小结 |
| 5 基于网络互学习的手绘草图识别方法 |
| 5.1 研究动机 |
| 5.2 基于网络互学习的手绘草图识别方法 |
| 5.2.1 基于多层融合的纹理特征提取网络 |
| 5.2.2 基于图卷积的结构特征提取网络 |
| 5.2.3 基于互学习策略的网络损失函数 |
| 5.3 实验与分析 |
| 5.3.1 实验数据集 |
| 5.3.2 实验参数设置 |
| 5.3.3 实验结果评价指标 |
| 5.3.4 互学习网络的草图识别实验 |
| 5.3.5 互学习网络的草图检索实验 |
| 5.3.6 互学习网络的分析与可视化 |
| 5.4 本章小结 |
| 6 基于中层语义表示的行为识别方法 |
| 6.1 研究动机 |
| 6.2 基于卷积神经网络的判别力草图生成方法 |
| 6.2.1 基于视频的草图生成网络 |
| 6.2.2 基于注意力机制的草图修正 |
| 6.3 基于双分支卷积神经网络的视频草图识别方法 |
| 6.3.1 基于图像级的行为识别 |
| 6.3.2 基于点级的行为识别 |
| 6.4 实验分析 |
| 6.4.1 实验数据集及网络参数设置 |
| 6.4.2 网络结构的设计分析 |
| 6.4.3 网络结构的设计验证 |
| 6.4.4 行为识别对比实验 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 学位论文数据集 |
（4）基于小规模数据学习的形状分析技术研究（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 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 形状描述子研究的早期发展 |
| 1.2.2 基于动态规划技术的局部形状描述子 |
| 1.2.3 快速形状描述子的发展 |
| 1.2.4 基于半监督学习的形状检索后处理研究发展 |
| 1.2.5 基于监督学习的物体检测研究发展 |
| 1.3 主要研究内容和论文结构组织 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文章节安排 |
| 1.3.3 测试数据集 |
| 1.4 论文主要创新及贡献 |
| 第二章 一种基于多尺度中心点距离的傅里叶描述子 |
| 2.1 傅里叶描述子概述 |
| 2.2 全局描述子研究现状 |
| 2.3 FD-MSCCD形状描述子 |
| 2.4 FD-MSCCD的实验结果 |
| 2.4.1 FD-MSCCD在 MPEG-7 CE-1 Part B上的实验结果 |
| 2.4.2 FD-MSCCD在 Swedish Plant Leaf上的实验结果 |
| 2.4.3 FD-MSCCD在 Kimia99 上的实验结果 |
| 2.5 本章小结 |
| 第三章 一种基于内距离形状上下文的加权傅里叶和类小波描述子 |
| 3.1 频域描述子概述 |
| 3.2 空域局部描述子研究现状 |
| 3.3 IDSC-wFW形状描述子 |
| 3.3.1 基于IDSC的加权傅里叶描述子 |
| 3.3.2 基于IDSC的加权类小波描述子 |
| 3.3.3 基于IDSC的加权傅里叶和类小波描述子 |
| 3.3.4 IDSC-wFW的不变性 |
| 3.3.5 IDSC-wFW的距离度量方法 |
| 3.3.6 IDSC-wFW的计算复杂度 |
| 3.4 IDSC-wFW的实验结果 |
| 3.4.1 IDSC-wFW在 MPEG-7 CE-1 Part B上的实验结果 |
| 3.4.2 IDSC-wFW在 Articulated上的实验结果 |
| 3.4.3 IDSC-wFW在270 Plant Leaf上的实验结果 |
| 3.4.4 IDSC-wFW对噪音敏感度的实验结果 |
| 3.4.5 IDSC-wFW实验结果分析 |
| 3.5 本章小结 |
| 第四章 一种基于半监督学习的形状检索后处理方法——从在线到离线 |
| 4.1 形状检索概述 |
| 4.2 形状检索研究现状 |
| 4.2.1 形状描述子及其相应的匹配方法 |
| 4.2.2 形状检索后处理算法 |
| 4.3 O2O方法 |
| 4.3.1 用检索结果表示形状 |
| 4.3.2 生成虚拟检索结果 |
| 4.3.3 O2O方法的计算过程 |
| 4.4 O2O方法的计算复杂度 |
| 4.5 O2O方法的实验结果 |
| 4.5.1 O2O方法在MPEG-7 CE-1 Part B上的实验结果 |
| 4.5.2 O2O方法在半数MPEG-7 CE-1 Part B上的实验结果 |
| 4.5.3 O2O方法在Tari 1000 上的实验结果 |
| 4.5.4 O2O方法在Animals上的实验结果 |
| 4.5.5 O2O方法在Kimia 99 上的实验结果 |
| 4.5.6 O2O方法在Swedish Palnt Leaf上的实验结果 |
| 4.5.7 O2O方法的参数 |
| 4.6 本章小结 |
| 第五章 一种用于形状分类的卷积神经网络模型——ShapeNet |
| 5.1 卷积神经网络的研究背景 |
| 5.1.1 传统图像处理代表性技术 |
| 5.1.2 监督型深度学习代表性技术 |
| 5.2 ShapeNet |
| 5.3 ShapeNet的实验结果 |
| 5.3.1 ShapeNet在 MPEG-7 CE-1 Part B上的实验结果 |
| 5.3.2 ShapeNet在 Tari1000 上的实验结果 |
| 5.3.3 ShapeNet在 Swedish Plant Leaf上的实验结果 |
| 5.3.4 ShapeNet在 Animals上的实验结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）形状的多尺度描述与检索算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 形状描述 |
| 1.2.2 形状匹配 |
| 1.3 研究内容 |
| 1.4 章节安排 |
| 第二章 相关技术背景 |
| 2.1 形状检索技术 |
| 2.1.1 形状描述 |
| 2.1.2 形状匹配 |
| 2.2 现有算法 |
| 2.2.1 曲率尺度空间算法 |
| 2.2.2 高度函数算法 |
| 2.3 多尺度技术 |
| 2.3.1 尺度的概念 |
| 2.3.2 多尺度技术的发展 |
| 2.4 本章小结 |
| 第三章 基于矩形化曲率尺度空间图的形状匹配算法 |
| 3.1 问题背景 |
| 3.2 算法提出 |
| 3.2.1 离散点曲率计算 |
| 3.2.2 矩形化曲率尺度空间图 |
| 3.2.3 形状匹配算法 |
| 3.3 仿真实验 |
| 3.3.1 实验数据集 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 第四章 融合尺度空间中的形状描述和检索算法 |
| 4.1 问题背景 |
| 4.1.1 形状的多样性问题 |
| 4.1.2 单尺度形状描述的局限 |
| 4.2 算法提出 |
| 4.2.1 融合尺度空间中的形状描述 |
| 4.2.2 融合尺度空间中的形状检索 |
| 4.2.3 算法设计 |
| 4.3 算法评估 |
| 4.3.1 MPEG-7数据集上的结果 |
| 4.3.2 Kimia数据集上的结果 |
| 4.3.3 算法鲁棒性 |
| 4.3.4 算法计算效率 |
| 4.4 本章小结 |
| 第五章 基于方位的多尺度形状描述与检索算法 |
| 5.1 问题背景 |
| 5.2 算法提出 |
| 5.2.1 基于方位的高度函数描述 |
| 5.2.2 算法设计与实现 |
| 5.3 算法评估 |
| 5.3.1 MPEG-7数据集上的结果 |
| 5.3.2 Kimia数据集上的结果 |
| 5.3.3 算法计算效率 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间主要的研究成果 |
| 致谢 |
（6）基于多特征融合的商标图像检索技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 关于图像检索问题的研究背景和意义 |
| 1.2 商标图像检索的国内外研究现状 |
| 1.2.1 传统商标图像检索方法 |
| 1.2.2 国内外商标图像检索技术现状 |
| 1.3 研究工作和创新点 |
| 1.4 论文组织结构 |
| 第二章 基于内容的商标图像检索 |
| 2.1 商标图像检索实现原理及方法 |
| 2.2 多特征商标图像检索的相关工作 |
| 2.2.1 商标图像分类 |
| 2.2.2 商标图像预处理 |
| 2.2.3 特征提取 |
| 2.2.4 相似度检测 |
| 2.3 基于内容的商标图像检索中存在的问题 |
| 2.4 本章小结 |
| 第三章 商标图像特征提取算法 |
| 3.1 相关算法研究 |
| 3.2 形状特征提取 |
| 3.2.1 PHOG算法原理 |
| 3.2.2 MPHOG算法的实现 |
| 3.3 尺度不变性 |
| 3.3.1 SIFT特征提取 |
| 3.3.2 改进的SIFT算法 |
| 3.3.3 局部独立变化的特征图像 |
| 3.4 颜色特征提取 |
| 3.4.1 HSV彩色空间量化 |
| 3.4.2 局部累积直方图 |
| 3.5 本章小结 |
| 第四章 商标图像特征融合技术 |
| 4.1 特征融合技术概述 |
| 4.2 商标图像特征融合方案 |
| 4.2.1 特性向量归一化 |
| 4.2.2 权重分配策略 |
| 4.3 商标图像检索方法 |
| 4.3.1 余弦相似度 |
| 4.3.2 几种检索方法的效果比较 |
| 4.4 特征融合图像 |
| 4.4.1 确定融合系数 |
| 4.4.2 特征融合图像相似度匹配 |
| 4.5 本章小结 |
| 第五章 商标图像检索实验 |
| 5.1 准备工作 |
| 5.1.1 实验图像数据集 |
| 5.1.2 搭建实验环境 |
| 5.1.3 性能评估 |
| 5.2 基于多特征融合的商标图像检索实验 |
| 5.2.1 基于单一特征的商标图像检索对比实验 |
| 5.2.2 基于双特征组合的商标图像检索对比实验 |
| 5.3 实验结果分析总结 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（7）基于DEM的黄土高原地形纹理研究（论文提纲范文）
| 资助项目 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 问题提出 |
| 1.2 研究意义 |
| 1.3 研究综述 |
| 1.3.1 基于纹理的数字地形分析 |
| 1.3.2 基于纹理的黄土高原数字地形分析 |
| 1.3.3 黄土高原地貌形态特征分析 |
| 1.3.4 基于DEM的数字地形分析 |
| 1.3.5 纹理特征量化研究进展 |
| 1.3.6 问题分析与探讨 |
| 1.4 研究目标及内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 研究方法与软件平台 |
| 1.5.1 研究方法 |
| 1.5.2 软件平台 |
| 1.6 本章小结 |
| 第2章 研究样区及实验数据 |
| 2.1 研究区域概述 |
| 2.2 研究样区 |
| 2.2.1 样区选取原则 |
| 2.2.2 面向小流域的研究样区 |
| 2.2.3 面向区域的研究样区 |
| 2.3 实验数据 |
| 2.3.1 面向小流域的DEM数据 |
| 2.3.2 面向重点区域的DEM数据 |
| 2.3.3 面向全区域的DEM数据 |
| 2.3.4 其他数据 |
| 2.4 本章小结 |
| 第3章 黄土高原地形纹理概念模型 |
| 3.1 基本定义 |
| 3.1.1 纹理 |
| 3.1.2 地形纹理 |
| 3.1.3 黄土高原地形纹理 |
| 3.2 基本特征 |
| 3.2.1 区域差异性 |
| 3.2.2 成因复杂性 |
| 3.2.3 尺度依赖性 |
| 3.3 划分体系 |
| 3.3.1 按照纹理基元显着性划分 |
| 3.3.2 按照成因划分 |
| 3.3.3 按照形态划分 |
| 3.4 数据表达 |
| 3.5 本章小结 |
| 第4章 黄土高原地形纹理特征提取方法 |
| 4.1 方法概述 |
| 4.1.1 纹理特征提取方法 |
| 4.1.2 地形纹理特征提取方法 |
| 4.2 面向纹理统计特征提取的GLCM方法 |
| 4.2.1 GLCM模型构建 |
| 4.2.2 GLCM特征的意义 |
| 4.2.3 GLCM对地形纹理的特征分析 |
| 4.3 面向纹理结构特征提取的SDMF方法 |
| 4.3.1 方法概述 |
| 4.3.2 SDMF方法原理 |
| 4.3.3 SDMF特征分析 |
| 4.3.4 基于SDMF方法的结构特征计算 |
| 4.3.5 不同尺度下典型样区的结构纹理特征分析 |
| 4.4 本章小结 |
| 第5章 面向微观尺度的黄土小流域地形纹理分析与提取 |
| 5.1 数据与对象分析 |
| 5.1.1 数据分析 |
| 5.1.2 对象分析 |
| 5.2 方法基础 |
| 5.2.1 面向对象分析方法 |
| 5.2.2 多尺度分割方法 |
| 5.2.3 棋盘分割方法 |
| 5.3 基于地形纹理特征的黄土小流域分类方法 |
| 5.3.1 方法总体流程 |
| 5.3.2 特征计算 |
| 5.3.3 多尺度分割及统计纹理特征提取 |
| 5.3.4 棋盘分割及结构纹理特征计算 |
| 5.3.5 基于eCognition的监督分类 |
| 5.3.6 棋盘分割的叠置分析 |
| 5.4 结果分析 |
| 5.5 本章小结 |
| 第6章 面向宏观尺度的黄土高原典型地貌量化与识别 |
| 6.1 方法设计 |
| 6.2 基于GLCM的地形纹理统计特征量化分析 |
| 6.2.1 样本数据说明 |
| 6.2.2 GLCM量化级数分析 |
| 6.2.3 GLCM方向参数分析 |
| 6.2.4 GLCM适宜窗口分析 |
| 6.3 基于SDMF的黄土丘陵沟壑区结构特征量化分析 |
| 6.3.1 基于正负地形的纹理基元表达 |
| 6.3.2 基于SDMF的黄土高原地形纹理结构特征量化 |
| 6.4 顾及纹理特征的黄土典型地貌量化模型及识别 |
| 6.4.1 黄土典型地貌训练样本库构建 |
| 6.4.2 多层次分类规则构建 |
| 6.4.3 典型地貌样区分类结果 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 问题及展望 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
| 致谢 |
（8）面向数字图像证据的取证检验关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像取证的发展历程 |
| 1.2.2 图像取证识别 |
| 1.2.3 图像篡改检测 |
| 1.2.4 图像来源鉴别 |
| 1.3 研究内容及创新点 |
| 1.4 论文结构安排 |
| 第2章 数字图像证据取证检验模型 |
| 2.1 取证检验面临的挑战 |
| 2.2 图像证据取证检验模型的需求 |
| 2.3 功能模块划分 |
| 2.3.1 图像特征提取 |
| 2.3.2 图像取证识别 |
| 2.3.3 图像篡改检测 |
| 2.3.4 图像来源鉴别 |
| 2.4 模型展示 |
| 2.5 性能分析 |
| 2.5.1 可用性与稳健性 |
| 2.5.2 对比分析 |
| 2.6 本章小结 |
| 第3章 基于改进相关分析方法的图像特征融合 |
| 3.1 问题描述 |
| 3.2 相关技术介绍 |
| 3.2.1 特征融合 |
| 3.2.2 典型相关分析CCA |
| 3.3 基于D-MCA的特征融合方法 |
| 3.3.1 改进的最小相关分析MCA |
| 3.3.2 判别分析 |
| 3.3.3 基于D-MCA的特征融合 |
| 3.4 实验及分析 |
| 3.4.1 实验准备 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于多特征融合的图像证据取证识别 |
| 4.1 图像证据取证识别的需求 |
| 4.2 相关技术介绍 |
| 4.2.1 CBIR技术 |
| 4.2.2 SURF算法 |
| 4.2.3 BoF模型 |
| 4.3 基于BoF模型的图像特征提取 |
| 4.3.1 颜色特征 |
| 4.3.2 形状特征 |
| 4.3.3 纹理特征 |
| 4.3.4 深度特征 |
| 4.4 基于多特征融合的取证识别方法 |
| 4.5 实验及分析 |
| 4.5.1 实验准备 |
| 4.5.2 性能验证 |
| 4.5.3 对比分析 |
| 4.6 本章小结 |
| 第5章 图像证据复制-粘贴篡改的被动式取证检测 |
| 5.1 图像证据篡改检测的需求 |
| 5.2 相关技术介绍 |
| 5.2.1 基于像素的CMFD方法 |
| 5.2.2 基于块特征的CMFD方法 |
| 5.2.3 Patch Match算法 |
| 5.3 基于稀疏域匹配及传播的复制-粘贴篡改检测方法 |
| 5.3.1 图像预处理 |
| 5.3.2 检测关键点 |
| 5.3.3 稀疏域匹配 |
| 5.3.4 改进的邻域传播机制 |
| 5.4 实验及分析 |
| 5.4.1 性能验证及对比分析 |
| 5.4.2 影响因素及参数分析 |
| 5.5 本章小结 |
| 第6章 基于卷积神经网络的图像证据来源鉴别 |
| 6.1 图像证据来源鉴别的需求 |
| 6.2 相关技术介绍 |
| 6.2.1 固定模式噪声 |
| 6.2.2 成像响应不一致性 |
| 6.2.3 卷积神经网络 |
| 6.3 基于卷积神经网络的图像来源鉴别方法 |
| 6.3.1 图像分割 |
| 6.3.2 网络结构设计 |
| 6.3.3 网络训练与测试 |
| 6.4 实验及分析 |
| 6.4.1 性能验证 |
| 6.4.2 对比分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间所取得的研究成果 |
| 致谢 |
（9）服装款式图领型识别与匹配研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 服装图像分类技术的研究现状 |
| 1.2.2 服装图像检索的研究现状 |
| 1.3 相关技术概述 |
| 1.3.1 数字图像处理技术 |
| 1.3.2 形状特征提取 |
| 1.3.3 模式识别技术 |
| 1.4 研究内容与论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 第二章 总体方案设计 |
| 2.1 方案设计 |
| 2.2 实现平台 |
| 第三章 服装图像预处理 |
| 3.1 衣领款式样本库 |
| 3.2 服装图像预处理 |
| 3.2.1 图像灰度化 |
| 3.2.2 锐化处理 |
| 3.2.3 服装轮廓提取 |
| 3.2.4 形态学处理 |
| 3.2.5 部件分割 |
| 3.3 预处理算法实现 |
| 3.4 本章小结 |
| 第四章 目标部件的特征提取 |
| 4.1 图像的特征与提取 |
| 4.1.1 图像特征 |
| 4.1.2 服装图像特征提取的研究与应用 |
| 4.2 基于复杂网络的图像特征提取 |
| 4.2.1 复杂网络概述 |
| 4.2.2 复杂网络基本参数 |
| 4.2.3 复杂网络的特征提取 |
| 4.3 目标部件的特征描述与提取 |
| 4.3.1 构建复杂网络 |
| 4.3.2 阈值演化 |
| 4.3.3 特征提取与归一化 |
| 4.4 特征描述的可行性分析 |
| 4.5 本章小结 |
| 第五章 目标部件的识别与分类 |
| 5.1 常用的服装图像分类方法 |
| 5.1.1 基于图像内容的服装图像分类 |
| 5.1.2 基于深度学习的服装图像分类 |
| 5.2 基于支持向量机分类的设计与实现 |
| 5.2.1 SVM多分类方法概述 |
| 5.2.2 SVM分类模型构建 |
| 5.2.3 基于SVM分类算法实现 |
| 5.2.4 结果分析 |
| 5.3 基于BP神经网络分类的设计与实现 |
| 5.3.1 BP神经网络概述 |
| 5.3.2 BP神经网络模型的构建 |
| 5.3.3 基于BP神经网络分类算法实现 |
| 5.3.4 结果分析 |
| 5.4 分类结果对比分析 |
| 5.5 本章小结 |
| 第六章 算法的分析与评价 |
| 6.1 算法的时间复杂度分析 |
| 6.2 算法的抗噪性能分析 |
| 6.3 不同特征提取方法的对比分析 |
| 6.3.1 与Hu不变矩特征提取方法比较 |
| 6.3.2 与HOG特征提取方法比较 |
| 6.3.3 三种算法的性能分析 |
| 6.4 本章小结 |
| 第七章 款式的匹配与检索 |
| 7.1 图像匹配概述 |
| 7.1.1 图像匹配的定义 |
| 7.1.2 图像匹配算法分类 |
| 7.1.3 图像的相似性度量 |
| 7.1.4 图像匹配性能评估 |
| 7.2 目标款式的特征匹配 |
| 7.2.1 特征匹配算法实现 |
| 7.2.2 结果分析 |
| 7.2.3 匹配结果评估 |
| 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1 相关算法MATLAB源代码 |
| 附录2 特征提取数据 |
| 附录3 图像匹配的查准率 |
| 附录4 分类准确率数据 |
| 附录5 衣领款式图样本库 |
| 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 |
（10）基于机器学习的乳腺钼靶图像肿块检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要术语和符号对照表 |
| 1 绪论 |
| 1.1 研究背景和选题依据 |
| 1.2 机器学习在图像分析上的应用 |
| 1.3 课题研究内容 |
| 1.4 论文章节安排 |
| 2 医学图像分析的研究现状 |
| 2.1 医学图像分析技术概述 |
| 2.2 深度学习在医学图像分析中的研究现状 |
| 2.3 乳腺钼靶图像辅助诊断的相关研究 |
| 2.4 本章小结 |
| 3 基于多背景多任务学习的肿块检测方法 |
| 3.1 肿块检测的研究背景与动机 |
| 3.2 肿块检测的相关工作 |
| 3.3 基于MCMTL网络的肿块检测CAD系统 |
| 3.4 实验评估 |
| 3.5 本章小结 |
| 4 基于深度主动学习和自步学习的肿块检测方法 |
| 4.1 研究背景和动机 |
| 4.2 主动学习与自步学习的相关研究工作 |
| 4.3 主动学习与自步学习的系统设计方案 |
| 4.4 实验评估 |
| 4.5 本章小结 |
| 5 基于无监督域适应对抗学习的肿块检测方法 |
| 5.1 研究背景与动机 |
| 5.2 域适应的相关研究工作 |
| 5.3 无监督域适应的系统设计方案 |
| 5.4 实验评估 |
| 5.5 本章小结 |
| 6 基于生成对抗网络的深度特征扩增的类别不均衡学习方法 |
| 6.1 研究背景与动机 |
| 6.2 相关研究工作 |
| 6.3 特征扩增的系统设计方案 |
| 6.4 实验评估 |
| 6.5 本章小结 |
| 7 全文总结与展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读学位期间发表论文目录 |
| 附录2 攻读博士学位期间申请的发明专利和其他成果 |
| 附录3 攻读博士学位期间参与的科研项目 |
四、基于多尺度形态变换的纹理形状图像检索（论文参考文献）
- [1]基于多尺度分析和机器学习的遥感影像找矿预测及填图方法研究[D]. 唐淑兰. 长安大学, 2021(02)
- [2]基于视觉特征提取的图像检索算法研究[D]. 谢光艺. 西安电子科技大学, 2020(02)
- [3]基于深度学习的手绘草图生成、识别及应用研究[D]. 张兴园. 北京交通大学, 2020
- [4]基于小规模数据学习的形状分析技术研究[D]. 郑岩. 西安电子科技大学, 2020(05)
- [5]形状的多尺度描述与检索算法研究[D]. 周雯. 苏州大学, 2020(02)
- [6]基于多特征融合的商标图像检索技术研究[D]. 韩旭. 郑州轻工业大学, 2020(07)
- [7]基于DEM的黄土高原地形纹理研究[D]. 蒋圣. 南京师范大学, 2020
- [8]面向数字图像证据的取证检验关键技术研究[D]. 黄娜. 北京工业大学, 2020(06)
- [9]服装款式图领型识别与匹配研究[D]. 张艳红. 上海工程技术大学, 2020(04)
- [10]基于机器学习的乳腺钼靶图像肿块检测技术研究[D]. 沈荣波. 华中科技大学, 2019(01)