一、基于空间组合矢量分类的小波图像网格编码矢量量化(论文文献综述)
郑勇[1](2002)在《小波图像分类矢量量化与网络编码量化的研究》文中研究指明本文在分析了图像小波变换的原理和子带系数空间及频率分布特点的基础上,充分利用标量量化、矢量量化、网格编码量化、网格编码矢量量化、矢量分类、码书扩展和基于人眼视觉特性的加权均方误差准则等思想和方法,从信息融合的不同角度展开了对小波图像的压缩编码研究,同时也讨论了这些方法在静止图像量化中的具体应用。通过对作者提出的多种压缩编码算法原理的分析、算法实现方案的设计和大量的仿真实验,表明了其创新性和有效性。 第二章首先详细介绍了图像小波分析的基本理论,其中包括从小波多分辨率分析理论开始到离散小波变换再到图像的二维离散小波变换即MALAT算法,并着重分析了图像小波变换系数的空间和频率分布特点。在此基础上,结合小波零树数据结构和最优量化的方法提出了一种快速零树编码方法。对快速零树编码算法作了原理分析,设计了具体的实现方案,给出了仿真结果和分析。 第三章详细介绍了矢量量化在图像小波变换域的应用,给出了三种有效的编码方案。首先回顾了矢量量化的基本原理和一般算法,对小波变换结合矢量量化技术的特点作出分析和总结。在此基础上,结合零树编码思想,以及基于人眼视觉特性和分类矢量量化的思想,根据不同的矢量构成和分类方法提出了三种混合型静止图像编码方法,给出了算法原理的分析、实现方案和仿真结果,最后对本章方法作出分析总结。 第四章是在第二章标量量化的基础上引入网格编码量化的方法以进一步提高量化增益。由于TCQ的基本思想源于TCM,较好地掌握TCM的思想有助于深刻理解TCQ,所以首先介绍了网格编码调制;维特比算法是TCM和TCQ提高编码增益的关键,文中对TCM和TCQ都要用到的卷积编码和维特比译码也作了详细的介绍。在此基础上重点介绍了TCQ原理,并对TCQ的性能进行了分析。紧接着提出了小波图像TCQ算法,分析了其原理和TCQ算法实现。最后给出了仿真结果和分析。 第五章是上一章介绍的TCQ方法由标量空间向矢量空间的直接拓展。首先分析了网格编码矢量量化的原理,在第三章矢量量化的基础上详细介绍了小波图像分类加权TCVQ算法的原理和实现过程,并给出了TCVQ在小波图像量化中的应用实例和仿真结果。最后对本章算法作出总结分析。 第六章在TCVQ基础上运用小码书扩展和块编码的思想方法提出在二维码 电子科技大学搏士论文书空间进行量化的方案,即二维 TCVQ。设计了二维 TCVQ应用于图像编码量化的算法,给出了二维TCVQ在图像空域的仿真结果和分析。
郑勇,蒋文军,杨文考,朱维乐[2](2002)在《基于方向树结构矢量分类的小波图像网格编码矢量量化》文中研究表明本文提出了采用方向树结构矢量组合并分类对小波图像进行网格编码矢量量化(TCVQ)的新方法。该方法矢量构成结合了子带系数的方向性,充分利用了子带系数带间和带内相关性,按能量和活跃度进行两级分类,降低了类中矢量的内部离散度,对活跃和非活跃类矢量实行加权TCVQ,利用卷积编码扩展信号空间,用维特比算法搜索最优量化序列,比使用加权 VQ提高了 0.7db左右。该方法编码计算复杂度适中,解码简单,有较好的压缩效果。
郑勇,何宁,朱维乐[3](2001)在《基于空间组合矢量分类的小波图像网格编码矢量量化》文中研究指明本文基于零树编码、矢量分类和网格编码量化的思想,提出了对小波图像采用空间矢量组合和分类后进行网格编码矢量量化的新方法。该方法充分利用了各高频子带系数频率相关性和空间约束性,依据组合矢量能量和零树矢量综合判定进行分类,整幅图像只需单一量化码书,分类信息占用比特数少。对重要类矢量实行加权网格编码矢量量化,利用卷积编码扩展信号空间以均大量化信号间的欧氏距离,用维特比算法搜索最优量化序列,比使用矢量量化提高了0.6db左右。该方法编码计算复杂度适中,解码简单,可达到很好的压缩效果。
郑勇,周正华,朱维乐[4](2001)在《基于树结构矢量分类的小波图像网络编码矢量量化》文中指出本文基于零树编码、矢量分类和网络编码量化的思想 ,提出了对小波图像采用树结构矢量组合和分类后进行网格编码矢量量化的新方法。该方法充分利用了带系数的带间和带内的相关性 ,分类信息占用比特数少 ,对重要类矢量实行加权网格编码矢量量化 ,利用卷积编码扩展信号空间以增大量化信号间的欧氏距离 ,用维特比算法搜索最优量化序列 ,并采用基于人眼视觉特性的加权均方误差准则作为失真度量和码字匹配 ,提高了量化增益。仿真结果表明 ,该方法编码计算复杂度适中 ,解码简单 ,可达到很好的压缩效果
李皎皎[5](2021)在《超光谱数据无损压缩及CUDA并行加速研究》文中研究表明本文研究的超光谱数据具体指高光谱遥感图像和极光光谱数据。高光谱遥感图像在农林业、军事侦察、城市规划、污染监测等领域都有广泛应用。研究极光对研究太阳活动及其对地球的影响有重大意义。但是高光谱遥感图像和极光光谱数据的数据量都很大。例如一幅由AVIRIS采集的高光谱遥感图像的大小超过148 MB,并且随着空间分辨率和谱间分辨率的不断提高,高光谱遥感图像的大小还在不断增大。而极光是动态变化的,探测设备在持续不断的采集,一天采集的极光光谱数据总量可达数GB。巨大的数据量给存储、传输和处理都带来极大挑战,因此必须通过数据压缩技术减小数据量。另外,因为数据量巨大,压缩也非常耗时。对于高光谱遥感图像来说,压缩引入的巨大时间开销是一些对实时性有要求的应用场景所无法接受的;对于极光光谱数据来说,如果要实现极光光谱数据从极地科考站到国内的实时传输,压缩引入的巨大时间开销也是无法接受的。因此必须对高光谱遥感图像和极光光谱数据的压缩进行加速。本文利用GPU来并行加速高光谱遥感图像和极光光谱数据的压缩。GPU具有强大的并行计算能力,可以在不影响压缩性能的前提下大大提高压缩速度。本文的主要研究内容及特色如下:1.研究了C-DPCM高光谱遥感图像无损压缩算法,对算法的压缩性能进行了测试并与其它几种优秀的无损压缩算法进行了对比。实验结果表明,C-DPCM高光谱遥感图像无损压缩算法具有优秀的压缩性能,但在CPU上串行压缩一幅高光谱遥感图像的时间在大约17~38分钟之间。为了提高高光谱遥感图像的压缩速度,本文采用GPU来并行加速C-DPCM算法,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对C-DPCM算法的CUDA实现进行优化。最终将高光谱遥感图像的压缩时间缩短为2秒左右,加速比最高接近700倍。2.研究了基于在线线性回归预测的极光光谱数据无损压缩算法,对算法中的预测系数计算和残差编码进行了改进,并通过实验验证了所提出的改进措施对提高压缩性能的有效性。另外,由于在预测系数计算过程中存在大量重复计算,不仅浪费计算资源,还严重影响压缩速度,因此本文提出了预测系数的分解计算方法,消除了重复计算,大大提高了计算速度。经过测试,在CPU上串行压缩时一幅极光光谱图像的压缩时间大约为11秒。为进一步提高压缩速度,本文采用GPU来并行加速极光光谱图像的压缩,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对CUDA并行程序进行优化。最终,将极光光谱图像的压缩时间缩短为大约620毫秒,加速比约为18倍。虽然加速比不高,但极光光谱图像数据量巨大,因此并行压缩相比于串行压缩依然可以节省大量时间。3.将深度神经网络应用于极光光谱图像压缩,设计了一个基于LSTM的极光光谱数据无损压缩框架。压缩的时候,首先用训练好的神经网络预测极光光谱图像中的每一个像素,然后原始的极光光谱图像减去预测图像得到残差图像,最后对残差图像熵编码。实验结果表明,本文设计的LSTM神经网络具有良好的压缩性能,平均压缩码率比本文的在线线性回归预测算法低0.11 bpp,有效提高了极光光谱图像的压缩性能。
王贤辰[6](2019)在《基于空谱域局部特征的高光谱图像描述及其在目标探测中的应用》文中认为高光谱图像描述是对高光谱图像进行有效分类和目标探测的基础。成像设备技术的发展,使得高分辨率高光谱图像的空谱域局部特征能够提供更丰富的图像信息。本文结合高分辨高光谱图像的特性,对基于空谱域局部特征的高光谱图像描述的关键技术展开深入研究,并将其应用于高分辨率高光谱图像目标探测。主要工作包括以下四个方面:(1)提出了一种基于几何代数的高光谱图像空谱域SURF特征检测和描述算法。特征点检测是高光谱图像描述,进而实现精准分类与目标探测的前提。我们从高光谱数据特点出发,采用几何代数作为数学分析工具,建立了高光谱图像空谱域表示模型;在该模型上,提出了一种高光谱图像几何代数空间的Hessian矩阵生成方法。在此基础上,提出了一种基于几何代数的高光谱图像空谱域SURF特征检测和描述算法,增强了局部特征的独特性和仿射不变性,提高了高光谱图像局部描述的准确性。(2)提出了一种二维图像的双局部约束线性编码算法和一种高光谱图像的空谱域双局部约束线性编码算法。图像局部特征约束性编码是局部特征与视觉词汇向量之间的联系纽带,是基于局部描述进行图像分类和目标探测的核心步骤。本文利用局部特征点空间的相关性,引入一种二维图像的双局部约束线性编码算法,降低了特征点与词典单词之间映射的模糊性,增强了对二维图像的表示能力。在此基础上,进一步提出了一种高光谱图像上的空谱域双局部约束线性编码算法,该算法在利用视觉单词对高光谱图像局部特征线性约束的同时,引入了高光谱图像的相邻波段的局部相关信息,并将其作为特征点到词典单词映射的判别约束。该算法将兴趣点邻域的空间信息和光谱信息结合起来,减少了特征编码过程中同义性和多义性问题,增强了对高光谱图像的描述能力。(3)提出了高光谱图像空谱域金字塔匹配模型和梯度方向金字塔匹配模型。优化特征组合能够提高特征向量对图像的表达力,是高光谱图像描述领域的一个重要课题。目前常用的高光谱图像局部特征组合模型,是经典的空间金字塔匹配模型。空间金字塔匹配模型,对高光谱图像在空间域进行切分,在细分空间内对特征进行组合,能够将空间信息编码到特征向量中。然而,这种简单的切分方式忽略了光谱域分布和光谱域相关性等局部特征的重要信息,导致传统特征组合模型鲁棒性不高。针对一般的高光谱图像和纹理或者形状非常接近的物体的高光谱图像,我们利用高光谱图像空谱域相关性和梯度信息,分别设计出两种不同的局部特征组合方式,即高光谱图像空谱域金字塔匹配模型和梯度方向金字塔匹配模型,提升图像表示的准确性。(4)提出了一种基于多尺度区域匹配的高分辨率高光谱图像的目标探测算法。传统的高光谱图像目标探测算法主要是面向低分辨率的卫星遥感高光谱图像,难以有效的处理高分辨率高光谱图像。基于多尺度区域匹配的高分辨率高光谱图像的目标探测算法,基于高分辨率高光谱图像的区域相关信息,利用前述章节提出的高光谱图像描述技术,采用滑动窗口遍历高光谱图像,通过空谱域立体匹配模型在滑动窗口内搜索疑似目标区域。在疑似目标区域采用更小尺度的滑动窗口进行目标探测,通过融合多尺度窗口区域和目标的相似度精确定位目标。提升目标识别的性能,以增强目标识别的准确性和鲁棒性。
赵利军[7](2019)在《基于优化学习的图像编码与增强》文中认为利用人工智能技术对图像进行表示、压缩和增强已经成为图像处理、模式识别和计算机视觉等领域的一项非常重要的研究课题。本论文以数字图像的压缩和增强为研究对象,深入地研究面向图像压缩的图像表示、兼容标准的多描述图像编码、基于深度学习的多描述图像编码、图像增强等几个关键技术。研究工作主要包括以下几个部分:(1)提出一种虚拟编码器监督的图像重采样压缩方法,用于解决硬量化函数的不可导问题。还将该方法扩展到多描述图像编码,提出一种兼容JPEG标准的多描述图像编码方法,其中,将生成的多描述图像互相作为对方的图像标签并使用多描述距离损失有效地约束多描述生成网络的学习。大量的实验结果验证了所提方法的有效性。(2)提出一种基于深度学习的多描述图像编码框架,该框架能够很好地避免多描述量化器的复杂索引分配问题。首先,所提的框架构建于自编码器,该框架包含多描述多尺度空洞卷积编码网络和多描述残差卷积解码网络。其次,通过一种端对端的自监督学习得到一对标量量化器及其重要性指示图。在多个通用的标准数据集上进行测试,实验结果表明:所提方法的编码性能优于多个现有的多描述编码方法,特别是在低码率的情况下。(3)由于下采样可以大幅度地减少三维视频的数据传输量,但是需要在解码端对三维视频进行上采样,因此,提出一种以低分辨率彩色图和低分辨率深度图为条件的对抗生成网络来解决三维视频的并行超分辨率问题。除了使用对抗损失,还引入三个辅助损失函数来训练生成网络。实验结果表明:所提的方法能够生成高质量的图像,还能用于解决其它图像处理问题。(4)提出一种局部活动驱动的各向异性扩散模型,并引入两个新的边缘停止函数用以有效地去除压缩深度图的编码伪影。与此同时,提出一种局部活动驱动的相对全变分模型实现图像去噪和图像平滑。由于第二个模型是非凸的,因此,将所提模型的正则化项分解为二次项部分和非线性部分进行求解。大量的实验结果表明:在图像质量增强和图像平滑方面所提方法优于现有的几种方法,并且所提方法有助于提升图像的编码效率。
姬瑜[8](2019)在《基于多分辨率方法的三维云可视化算法研究》文中研究表明自然景观的可视化模拟研究中,云的可视化是当今气象领域的研究热点和研究难点。自然云的生成和消散是能量转换和大气物理状态变化造成的,云的变化对于大气变化过程具有重要的解读作用。云的可视化在气象服务、户外场景仿真、电影特效等领域得到了广泛应用,根据真实的气象数据去绘制渲染云,能在传递真实天气状况的同时辅助气象工作者的预报预测工作。因此,近年来基于气象数据的真实云的可视化研究得到大量的关注。目前,三维云的研究主要在数据预处理和绘制这两个方面。本文基于大规模海量数据的多分辨率三维云可视化,分别对模拟云的预处理以及绘制方法提出改进,在保证绘制质量的同时,提高绘制速度。主要研究内容如下:(1)在云的预处理压缩方面,针对三维云仿真中大规模海量数据导致的图形硬件存储空间受限,无法达到实时性等问题,提出了基于变异系数的统一划分数据压缩方法。该方法依据数据块的数据紊乱程度对其进行重要性划分,保留重要的数据,适当地减少不重要的数据。通过Haar小波变换和分类矢量量化的方法对划分好的数据块进行矢量量化压缩,然后在GPU中实现解压缩与绘制同步进行的绘制策略,在保证图像逼真度的同时,提高了绘制效率。(2)在云的绘制算法方面,针对传统的光线投射算法绘制缓慢,内存受到限制等问题,提出了视点相关光线投射算法。该方法依据视距和块重要性等特点设计采样频率,实现自适应采样,并根据本文提出的三阶段插值算法对采样点进行计算。在使用二维传输函数进行分类时,设定块重要性加权香农熵代替传统方法的梯度值作为二维传输函数的定义域对不透明度值和颜色值进行计算。实验结果表明,云的可视化图像仿真效果较好,细节纹理特征明显,获得了很高的绘制速度。
莫璟彬[9](2019)在《基于机器视觉的磁环裂纹检测方法研究》文中认为裂纹检测作为机械零部件、土木结构件和建筑物等工程质量检测的重要一环,一直是学术界研究的热点与难点课题。传统的裂纹检测任务由工人根据自身经验完成,具有主观性太强、检测质量不稳定、成本代价高昂等缺点,因此裂纹的自动化检测是未来发展的趋势。本文从磁环裂纹检测问题出发,结合裂纹的开裂特点,提出一种新的基于图像的裂纹检测方法。首先,本文对磁环表面纹理噪声干扰、伪裂纹特征干扰进行了分析,分析对比了空间域、时频域滤波算法。空间域滤波方法中,研究了保边滤波算法在磁环裂纹图像中的处理效果,并比较了双边滤波器、导向滤波器和带权最小二乘滤波器处理磁环裂纹图像的性能,通过峰值信噪比对其性能指标进行了量化评价;时频域滤波方法中,基于小波分析利用极坐标变换提出了一种磁环裂纹的小波分析方法。提出了一种基于极坐标变换的图像采样方法,有效减少了原始数据,实验结果表明该方法稳定性较好。然后,分析了裂纹的开裂特点,并据此对裂纹的图像特征建立了模型。结合梯度矢量和局部特征描述子方法,提出了一种基于图像梯度矢量的局部特征描述子(LDGV),并基于LDGV提出了一种裂纹种子点检测方法;基于小波分析方法提出了另一种裂纹种子点检测方法,并对两种方法进行了对比实验。根据种子点和区域生长法,提出一种基于局部能量的前向传播法(FPLE),在搜素算法的终止问题上,提出一种基于动量的搜素停止条件,使得在仅有一个位于裂纹区域的像素点条件下,即可准确分割完整的裂纹骨架。在获得裂纹骨架的基础上,提出一种局部Otsu分割的动态阈值法,最终精准分割出完整的裂纹区域。实验验证了本文提出的裂纹检测算法的有效性。最后,为区分裂纹特征与干扰特征,研究模式识别方法。在特征提取的问题上,针对裂纹提出一种具有平移不变性和旋转不变形的连通域残差标准差特征。在特征的分类问题上,基于线性判别分析对裂纹特征与干扰特征进行分类,并研究了最优特征组合,进行了分类器的离线训练和测试,实验表明本文提出的裂纹识别方法在磁环裂纹检测问题中获得94.1%的识别率。
赵文豪[10](2018)在《地形纹理特征深度学习的多尺度DEM综合技术研究》文中研究说明数字高程模型(Digital Elevation Model,“DEM”)作为基础地理信息产品、基础国情的地理空间框架,在许多应用领域里发挥着巨大作用。当前世界各国围绕提供现势性好、准确度高、内容完备的地形数据,都在大力加强DEM数据库的建设。我国进入“十二五”以来,提出国家基础地理信息数据库动态联动更新,旨在对既有的1:5万、1:25万、1:100万国家基础地理信息数据库进行持续动态更新。然而在顾及地形细节的基础上,在大比例尺产品框架体系下,快速更新较小比例尺产品,实现国、省两级平台多比例尺、多分辨率DEM数据的逐级或跨级“高保真”综合,是实现DEM数据动态更新和联动更新的关键技术难题。长期以来,通过对DEM数据进行多尺度综合研究发现,地形表达与描述的精度以及综合结果的质量评价标准是研究的关键与核心问题,由于缺乏足够准确与客观指标,DEM综合结果与地形尺度间的关联关系一直模糊。本研究以定义完善的特征描述体系作为研究逻辑起点,针对典型的地形与地貌,建立一套健全的特征地形逻辑描述及数字表达体系;然后从空间和属性维度上对传统DEM进行多尺度定义与扩展,构建矢量、栅格与语义组合的DEM多尺度表达模型,并对地形特征与尺度关系进行推演,形成地形特征在不同尺度下的地形因子表达;然后,通过对地形特征信息进行有效提取,建立特征约束下DEM数字综合算法,从规则约束角度与算法上解决DEM跨尺度高保真数字综合问题。综上,本文提出特征约束下的多尺度DEM数字综合技术,主要内容包括:(1)通过分析我国现有不同比例尺的DEM库,研究既有特定比例尺下典型地形与地貌的地形起伏、纹理样式等结构特征,引入空间特征与属性特征对地形特征因子进行矢量几何表达、栅格纹理表达、属性编码语义表达,构建典型地形与地貌多尺度DEM特征模型。考虑应用需求,进一步分析典型地形与地貌的方向剖面特征以及多尺度下地形因子表达的点状特征,线状特征以及点、线混合特征,建立了多尺度下,典型地形与地貌的图示纹理样式与几何图元表达的关系。由此构建典型地形与地貌的多尺度地形因子。(2)在对地形纹理特征进行量化统计、信息熵计算与空间尺度差异分析的基础上,提出了基于深度学习的多尺度地形纹理因子提取方法。通过标记典型高山、平原、丘陵与山地等地形与地貌特征样本,实现多尺度地形地貌纹理特征的学习模型,在此基础上应用SRCNN模型,实现对不同尺度下典型的地形与地貌地形因子的学习,为构建用于几何综合的地形的纹理特征奠定基础。(3)提出基于地形纹理特征因子的多尺度DEM综合约束规则。构建地形纹理特征因子的信息熵约束规则、几何重要性约束规则、多方向剖面约束以及特征融合过滤约束规则,细化了约束条件所对应的算法阈值。(4)提出了基于地形纹理特征因子纹理约束下的几何多尺度DEM综合算法。分析不同尺度纹理特征所对应的点特征约束下,实现基于三角形加密点的DEM综合方法;分析多方向剖面线约束下的道格拉斯-普克综合方法以及点、线特征混合约束下的DEM多尺度综合方法,实现纹理特征的几何特征映射并最终约束多尺度DEM的几何综合。最后,本文在完成相关模型及算法设计的基础之上,将分别针对具体的应用环境,针对现有的系列比例尺基础DEM数据,包括不同比例尺下多分辨率DEM,以及同比例尺下不同精度数据源所生成DEM,实现跨尺度高保真数字综合。以我国国家基础地理信息数据库的建设与更新为工作基础,采集与更新既有的多比例尺数据库的数据,得到满足社会经济生产生活所需要的各级比例尺应用的基础地理信息,实现跨尺度一张图的数据服务,并对既有数据库动态更新构建应用规范,为国民经济建设与各级各部门的生产活动,提供强有力的数据支持。
二、基于空间组合矢量分类的小波图像网格编码矢量量化(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、基于空间组合矢量分类的小波图像网格编码矢量量化(论文提纲范文)
(1)小波图像分类矢量量化与网络编码量化的研究(论文提纲范文)
第一章 绪论 |
§1·1 常规压缩算法回顾与分析 |
§1·2 论文的组织结构 |
§1·3 本文的研究工作和论文的贡献 |
第二章 小波分析与快速零树编码 |
§2·1 小波变换 |
§2·1·1 积分小波变换 |
§2·1·2 离散小波变换和多分辨率分析 |
§2·1·3 图像小波变换后系数的分布特点 |
§2·2 快速零树编码 |
§2·2·1 零树数据结构和EZW算法 |
§2·2·2 快速零树编码算法原理 |
§2·3 编码方案实现 |
§2·4 仿真结果 |
§2·5 本章小结 |
第三章 小波图象分类矢量量化 |
§3·1 矢量量化基本原理及一般算法 |
§3·1·1 基本原理 |
§3·1·2 性能度量和码书设计 |
§3·1·3 ECVQ算法(ENTROPY-CONSTRAINED VQ) |
§3·1·4 格型矢量量化(LATTICE VQ) |
§3·1·5 树型结构VQ(TREE-STRUCTURED VQ) |
§3·1·6 多级VQ(MULTISTAGE VQ) |
§3·1·7 有限状态VQ(FINITE-STATE VQ) |
§3·1·8 分层VQ(HIERARCHICAL VQ) |
§3·1·9 分类VQ(CLASSIFIED VQ) |
§3·2 小波图像VQ编码算法概述 |
§3·3 树结构矢量组合分类VQ |
§3·3·1 算法原理 |
§3·3·2 方案实现 |
§3·3·3 仿真结果 |
§3·3·4 结论 |
§3·4 空间矢量组合分类VQ |
§3·4·1 算法原理 |
§3·4·2 方案实现 |
§3·4·3 仿真结果 |
§3·4·4 结论 |
§3·5 方向树结构矢量组合分类VQ |
§3·5·1 算法原理 |
§3·5·2 方案实现 |
§3·5·3 仿真结果 |
§3·5·4 结论 |
§3·6 本章小结 |
第四章 小波图像网格编码量化 |
§4·1 网格编码调制 |
§4·2 卷积码及维特比译码 |
§4·2·1 (2,1,M)卷积编码器 |
§4·2·2 维特比译码 |
§4·3 网格编码量化 |
§4·3·1 网格编码量化原理分析 |
§4·3·2 码书划分和量化描述 |
§4·3·3 网格编码量化性能分析 |
§4·4 小波图像TCQ算法 |
§4·4·1 算法原理 |
§4·4·2 非零点量化的TCQ实现 |
§4·5 仿真结果 |
§4·6 本章小结 |
第五章 小波图像网格编码矢量量化 |
§5·1 网格编码矢量量化 |
§5·2 树结构矢量分类加权TCVQ |
§5·2·1 算法原理与加权TCVQ的实现 |
§5·2·2 仿真结果 |
§5·3 空间组合矢量分类加权TCVQ |
§5·3·1 算法描述 |
§5·3·2 仿真结果 |
§5·4 方向树矢量分类的权TCVQ |
§5·4·1 算法描述 |
§5·4·2 仿真结果 |
§5·5 本章小结 |
第六章 空域二维空间网格编码矢量量化 |
§6·1 算法原理 |
§6·2 算法实现 |
§6·3 仿真结果 |
§6·4 本章小结 |
全文总结 |
攻读博士期间作者的主要论文成果 |
致谢 |
参考文献 |
(4)基于树结构矢量分类的小波图像网络编码矢量量化(论文提纲范文)
1 引言 |
2 算法原理 |
2.1 变换域内树结构矢量的设计 |
2.2 矢量分类 |
2.3 矢量量化的加权均方误差准则 |
2.4 加权的网格编码矢量量化 |
3 方案实现 |
4 仿真结果 |
5 结论 |
(5)超光谱数据无损压缩及CUDA并行加速研究(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 |
1.1.1 高光谱遥感图像压缩的背景和意义 |
1.1.2 极光光谱数据压缩的背景和意义 |
1.1.3 GPU并行加速高光谱遥感图像和极光光谱数据压缩的背景和意义 |
1.2 国内外研究现状 |
1.2.1 图像无损压缩算法国内外研究现状 |
1.2.2 GPU并行加速图像压缩国内外研究现状 |
1.2.3 基于人工神经网络的图像压缩算法国内外研究现状 |
1.3 论文主要研究内容及结构安排 |
1.4 论文主要创新点 |
第二章 高光谱遥感图像和极光光谱数据空谱相关性分析及CUDA编程基础介绍 |
2.1 引言 |
2.2 高光谱遥感图像数据集介绍及空谱相关性分析 |
2.2.1 AVIRIS高光谱遥感图像数据集 |
2.2.2 AVIRIS图像空谱相关性分析 |
2.3 极光光谱数据空谱相关性分析 |
2.4 GPU编程基础知识 |
2.4.1 GPU编程模型及并行加速思想 |
2.4.2 GPU常用存储器及其特性 |
2.4.3 GPU编程常用优化技术 |
2.5 本章小结 |
第三章 C-DPCM高光谱遥感图像无损压缩算法 |
3.1 引言 |
3.2 C-DPCM高光谱图像无损压缩算法概述 |
3.2.1 光谱聚类 |
3.2.2 线性预测 |
3.3 聚类数和预测阶数的调优 |
3.4 实验结果与分析 |
3.4.1 C-DPCM算法压缩性能 |
3.4.2 C-DPCM算法压缩效率 |
3.5 本章小结 |
第四章 C-DPCM高光谱图像无损压缩算法CUDA并行加速 |
4.1 引言 |
4.2 C-DPCM算法CUDA实现的总体框架 |
4.3 C-DPCM算法中预测系数的CUDA并行计算 |
4.3.1 矩阵乘法的CUDA实现 |
4.3.2 矩阵求逆的CUDA实现 |
4.4 实验结果与分析 |
4.4.1 共享内存和寄存器优化C-DPCM算法 |
4.4.2 多CUDA流技术优化C-DPCM算法 |
4.4.3 多GPU技术优化C-DPCM算法 |
4.5 本章小结 |
第五章 基于在线线性回归预测的极光光谱数据无损压缩 |
5.1 引言 |
5.2 极光光谱数据在线线性回归预测算法 |
5.3 对在线线性回归预测算法的改进 |
5.3.1 对预测系数计算的改进 |
5.3.2 对残差编码的改进 |
5.4 预测阶数、每行建立的方程数和异常值阈值的最优化 |
5.4.1 在空间方向预测时预测参数的优化 |
5.4.2 在谱方向预测时预测参数的优化 |
5.5 实验结果与分析 |
5.5.1 空间方向预测和谱方向预测时压缩性能的对比 |
5.5.2 极光光谱数据在线线性回归预测算法的压缩性能 |
5.5.3 极光光谱数据在线线性回归预测算法的压缩效率 |
5.6 本章小结 |
第六章 极光光谱数据在线线性回归预测算法CUDA并行加速 |
6.1 引言 |
6.2 预测系数的分解计算方法 |
6.3 前缀求和的CUDA并行实现 |
6.4 矩阵乘法和矩阵求逆的CUDA并行计算 |
6.5 实验结果与分析 |
6.5.1 共享内存和寄存器优化在线线性回归预测算法 |
6.5.2 多CUDA流技术优化在线线性回归预测算法 |
6.5.3 多GPU技术优化在线线性回归预测算法 |
6.6 本章小结 |
第七章 基于深度学习的极光光谱数据无损压缩 |
7.1 引言 |
7.2 基于LSTM的极光光谱图像压缩框架 |
7.2.1 压缩框架概述 |
7.2.2 边界问题处理 |
7.3 实验结果与分析 |
7.3.1 LSTM压缩框架中参数的优化 |
7.3.2 LSTM神经网络的压缩性能 |
7.4 本章小结 |
第八章 总结与展望 |
8.1 总结 |
8.2 展望 |
参考文献 |
致谢 |
作者简介 |
(6)基于空谱域局部特征的高光谱图像描述及其在目标探测中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 应用领域 |
1.2 国内外研究现状 |
1.2.1 高光谱图像空谱域局部描述的研究现状 |
1.2.2 高光谱图像目标探测研究现状 |
1.3 论文的结构和主要贡献 |
1.3.1 论文的内容安排 |
1.3.2 本文的主要创新点 |
第2章 基于几何代数的高光谱图像空谱域SURF特征检测和描述算法 |
2.1 引言 |
2.2 几何代数基础知识 |
2.3 基于几何代数的高光谱图像空谱域SURF特征检测算法 |
2.3.1 高光谱图像空谱域几何代数模型 |
2.3.2 基于几何代数的高光谱图像空谱域SURF特征检测算法 |
2.4 基于几何代数的高光谱图像空谱域SURF特征描述算法 |
2.4.1 确定基于几何代数的高光谱图像空谱域SURF特征主方向 |
2.4.2 构造基于几何代数的高光谱图像空谱域SURF特征描述算子 |
2.5 实验 |
2.5.1 匹配实验 |
2.5.2 分类实验 |
2.6 本章小结 |
第3章 高光谱图像的空谱域双局部约束线性编码算法 |
3.1 引言 |
3.2 二维图像的双局部约束线性编码 |
3.2.1 问题综述 |
3.2.2 双局部约束线性编码算法 |
3.2.3 实验 |
3.2.4 结论 |
3.3 高光谱图像的空谱域双局部约束线性编码 |
3.3.1 问题综述 |
3.3.2 高光谱图像空谱域的相关性 |
3.3.3 空谱域双局部特征约束性编码算法 |
3.3.4 实验 |
3.3.5 结论 |
3.4 本章小结 |
第4章 高光谱图像金字塔匹配模型 |
4.1 引言 |
4.2 高光谱图像空谱域金字塔匹配 |
4.2.1 特征描述与组合 |
4.2.2 高光谱图像空谱域金字塔匹配 |
4.3 高光谱图像梯度方向金字塔匹配 |
4.3.1 问题综述 |
4.3.2 高光谱图像梯度分析 |
4.3.3 高光谱图像梯度方向金字塔匹配 |
4.4 实验 |
4.4.1 实验设置 |
4.4.2 结果与分析 |
4.4.3 结论 |
4.5 本章小结 |
第5章 基于多尺度区域匹配的高分辨率高光谱图像目标探测算法 |
5.1 引言 |
5.2 基于多尺度区域匹配的高分辨率高光谱图像目标探测算法 |
5.2.1 算法框架 |
5.2.2 空谱域立体匹配模型搜索疑似目标区域 |
5.2.3 融合多尺度窗口精确定位目标 |
5.3 实验 |
5.3.1 数据集 |
5.3.2 实验设置 |
5.3.3 结果与分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 本文主要工作 |
6.2 下一步研究方向 |
参考文献 |
致谢 |
攻读博士学位期间的研究成果 |
(7)基于优化学习的图像编码与增强(论文提纲范文)
致谢 |
中文摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景和意义 |
1.2 图像编码的研究现状 |
1.2.1 图像压缩标准的研究进展 |
1.2.2 基于深度学习的图像压缩的研究进展 |
1.3 多描述编码的研究现状 |
1.3.1 基于量化的多描述编码方法 |
1.3.2 基于相关变换的多描述编码方法 |
1.3.3 基于抽样的多描述编码方法 |
1.3.4 兼容标准的多描述编码方法 |
1.4 图像增强技术的研究现状 |
1.4.1 图像分辨率增强 |
1.4.2 图像质量增强 |
1.4.3 图像细节增强 |
1.5 本论文的研究内容及贡献 |
1.6 论文组织结构 |
2 图像编码和增强的基本理论 |
2.1 最优化基本原理 |
2.1.1 最优化问题 |
2.1.2 面向机器学习的最优化算法 |
2.2 率失真优化理论 |
2.2.1 单描述编码的率失真优化理论 |
2.2.2 多描述编码的率失真优化理论 |
2.3 基于深度学习的图像编码理论 |
2.3.1 基本概念 |
2.3.2 编码框架 |
2.3.3 面向深度学习的优化算法 |
2.4 小结 |
3 基于卷积神经网络的图像编码方法 |
3.1 引言 |
3.2 虚拟编码器监督的图像重采样压缩方法 |
3.2.1 图像编码器硬量化的不可导问题 |
3.2.2 图像重采样压缩框架 |
3.2.3 学习算法 |
3.3 兼容标准的多描述编码方法 |
3.3.1 多描述编码框架 |
3.3.2 目标函数 |
3.3.3 网络结构 |
3.3.4 学习算法 |
3.4 实验结果与分析 |
3.4.1 图像压缩方法的性能评估 |
3.4.2 多描述图像编码方法的性能评估 |
3.5 小结 |
4 基于深度学习的多描述编码方法 |
4.1 引言 |
4.2 基于深度学习的单描述编码方法 |
4.3 基于标量量化学习的多描述编码方法 |
4.3.1 多描述编码的目标函数 |
4.3.2 网络结构 |
4.4 实验结果与分析 |
4.4.1 实验设置 |
4.4.2 性能评估 |
4.5 小结 |
5 彩色图和深度图的并行超分辨率 |
5.1 引言 |
5.2 基于条件对抗生成网络的深度图和彩色图并行超分辨率 |
5.2.1 网络结构 |
5.2.2 目标函数 |
5.2.3 对抗损失函数 |
5.2.4 辅助损失函数 |
5.2.5 高分辨率彩色图引导的深度图超分辨率应用 |
5.2.6 其它应用 |
5.3 实验结果与分析 |
5.3.1 实现细节 |
5.3.2 彩色图和深度图的并行超分辨率的性能评估 |
5.3.3 高分辨率彩色图像引导的深度图超分辨率的性能评估 |
5.3.4 并行的图像平滑和边缘检测的性能评估 |
5.4 小结 |
6 局部活动驱动的图像滤波方法 |
6.1 引言 |
6.2 局部活动驱动的各向异性扩散模型 |
6.3 局部活动驱动的相对全变分模型 |
6.4 实验结果与分析 |
6.4.1 模型参数设置 |
6.4.2 压缩深度图滤波的性能评估 |
6.4.3 图像平滑和图像尺度表示的性能评估 |
6.4.4 图像去噪的性能评估 |
6.5 小结 |
7 总结与展望 |
7.1 工作总结 |
7.2 未来工作展望 |
参考文献 |
作者简历 |
攻读博士学位期间发表的学术论文 |
学位论文数据集 |
(8)基于多分辨率方法的三维云可视化算法研究(论文提纲范文)
摘要 |
Abstract |
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 云的建模方法 |
1.2.2 压缩体绘制技术研究 |
1.3 论文的主要工作 |
1.4 论文的组织结构 |
第二章 云可视化的基础知识 |
2.1 自然云的形成和特性 |
2.2 云可视化的气象数据 |
2.3 云的基本建模理论 |
2.3.1 数值模拟方法 |
2.3.2 启发式方法 |
2.4 压缩体绘制技术 |
2.4.1 小波变换 |
2.4.2 矢量量化 |
2.5 本章小结 |
第三章 基于多分辨率方法的三维云压缩体绘制 |
3.1 三维数据场可视化的基本流程 |
3.2 不同划分策略的多分辨率体绘制算法的比较 |
3.3 分块的细节水平选择 |
3.4 基于统一划分的体数据压缩算法 |
3.4.1 算法描述 |
3.4.2 编码过程 |
3.5 解压缩绘制策略 |
3.5.1 解码过程 |
3.5.2 小波逆变换 |
3.5.3 基于GPU的光线投射算法 |
3.6 实验结果分析 |
3.7 本章小结 |
第四章 视点相关光线投射算法 |
4.1 体绘制基本算法的比较 |
4.2 传统光线投射算法的实现 |
4.2.1 光线投射算法的基本思想 |
4.2.2 数据值分类 |
4.2.3 颜色和不透明度赋值 |
4.2.4 重采样 |
4.2.5 图像合成 |
4.3 视点相关光线投射算法设计 |
4.3.1 自适应采样频率计算 |
4.3.2 三阶段插值算法 |
4.3.3 基于块重要性加权香农熵的二维传输函数的气象数据分类 |
4.3.4 算法步骤 |
4.4 实验结果与分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 本文所做的工作 |
5.2 研究展望 |
致谢 |
参考文献 |
作者简介 |
(9)基于机器视觉的磁环裂纹检测方法研究(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 裂纹检测方法研究现状 |
1.3 本文主要研究内容及全文结构 |
第二章 裂纹检测图像处理算法研究 |
2.1 引言 |
2.2 机器视觉裂纹检测干扰分析 |
2.3 成像分析与部件选型 |
2.4 空间域滤波方法研究 |
2.4.1 几何空间域滤波方法 |
2.4.2 几何-灰度空间域滤波方法 |
2.4.3 滤波算法性能对比分析 |
2.5 时频域滤波分析 |
2.5.1 傅里叶分析 |
2.5.2 小波分析 |
2.6 图像采样 |
2.6.1 零件圆心定位 |
2.6.2 极坐标变换与感兴趣区域定位 |
2.7 本章小结 |
第三章 裂纹检测算法研究 |
3.1 引言 |
3.2 图像裂纹特征研究 |
3.2.1 图像裂纹检测方法综述 |
3.2.2 图像梯度矢量场 |
3.2.3 局部特征描述子 |
3.2.4 基于图像梯度矢量的局部特征描述子(LDGV) |
3.3 裂纹种子点检测 |
3.3.1 基于LDGV的种子点检测 |
3.3.2 基于小波分析的裂纹种子点检测 |
3.4 最小代价路径法 |
3.4.1 基于Dijkstra算法的最小能量路径法 |
3.4.2 基于快速行进法(FMM)的最小能量路径法 |
3.4.3 基于局部能量的前向传播法(FPLE)研究 |
3.4.4 基于动态阈值分割的完整裂纹分割方法研究 |
3.5 分割算法性能分析 |
3.5.1 FMM与FPLE性能对比 |
3.5.2 提出的裂纹分割算法性能验证 |
3.6 本章小结 |
第四章 基于LDA的裂纹识别方法研究 |
4.1 引言 |
4.2 特征提取 |
4.2.1 几何特征 |
4.2.2 灰度特征 |
4.2.3 统计特征 |
4.3 特征降维 |
4.4 特征分类 |
4.5 最优特征组合的选取 |
4.6 本章小结 |
第五章 视觉检测平台搭建与识别实验分析 |
5.1 引言 |
5.2 软件系统开发 |
5.3 实验平台搭建 |
5.4 识别实验 |
5.4.1 端面裂纹识别实验 |
5.4.2 外壁裂纹识别实验 |
5.4.3 内壁裂纹识别实验 |
5.4.4 总体识别结果 |
5.5 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 |
(10)地形纹理特征深度学习的多尺度DEM综合技术研究(论文提纲范文)
论文创新点 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 数字高程模型的定义及其应用 |
1.1.1.1 数字高程模型的组织与表达体系 |
1.1.2 DEM的作用及应用 |
1.2 国内外研究现状 |
1.2.1 我国系列比例尺DEM发展现状分析 |
1.2.2 数据生产方式现状 |
1.3 DEM综合的必要性及其主要方法 |
1.3.1 DEM多尺度综合的必要性 |
1.3.1.1 案例一 |
1.3.1.2 案例二 |
1.3.1.3 案例分析 |
1.3.2 DEM综合研究现状 |
1.3.2.1 多尺度DEM表达与应用现状 |
1.3.2.2 基于网格DEM综合研究现状 |
1.3.2.3 基于三角网的DEM简化研究现状 |
1.3.2.4 特征地形因子研究现状 |
1.3.2.5 基于机器学习方法的地形综合现状 |
1.3.3 已有研究总结 |
1.4 本文的主要研究内容 |
1.5 论文的组织结构 |
第二章 特征地形的多尺度模型与特征地形因子的多尺度综合约束规则 |
2.1 数字DEM的结构与多尺度表达 |
2.1.1 数字DEM的结构及其表达 |
2.1.2 数字DEM多尺度内涵 |
2.1.3 地形分析与应用中的尺度问题 |
2.2 特征地形的分类与描述模型 |
2.2.1 地形地貌与特征地形分类 |
2.2.2 特征地形的空间与属性特征 |
2.3 特征地形的空间与属性综合表达模型 |
2.4 特征地形的多尺度表达模型 |
2.4.1 特征地形的几何多尺度模型 |
2.4.2 特征地形的纹理多尺度表达 |
2.4.3 特征地形的语义与尺度关联 |
2.5 DEM特征地形因子 |
2.6 DEM多尺度构建方法 |
2.6.1 Delaunay三角网模型与构建 |
2.6.2 线性插值三角网法 |
2.6.3 反距离权重法 |
2.6.4 克里金法 |
2.6.5 径向基函数内插计算法 |
2.6.6 多项式内插法 |
2.7 基于特征地形因子的多尺度综合约束规则 |
2.7.1 基于纹理信息熵的尺度约束规则 |
2.7.1.1 特征地形的纹理形态 |
2.7.1.2 纹理特征量化模型 |
2.7.1.3 纹理特征量化与纹理信息熵 |
2.7.1.4 纹理加权信息熵综合约束规则 |
2.7.2 基于几何重要性的尺度约束规则 |
2.7.2.1 点要素的定量度量与约束 |
2.7.2.2 线要素的定量度量与约束 |
2.7.2.3 面要素的信息量度量计算 |
2.7.3 基于特征尺度融合的约束规则 |
2.7.3.1 多尺度DEM融合框架 |
2.7.3.2 多源异构数据多分辨率融合方法 |
2.7.4 跨尺度地形要素自动匹配与增量综合 |
2.7.4.1 跨尺度综合规则 |
2.7.4.2 地图制图与地图数据库联动数据模型 |
2.8 国家级多尺度DEM数据库综合的基本要求 |
第三章 基于深度学习的多尺度地形因子提取方法 |
3.1 深度学习基本理论 |
3.1.1 深度学习的起源与发展 |
3.1.2 神经网络的基本结构 |
3.2 基于深度学习理论的DEM数据质量提升方法 |
3.2.1 SRCNN质量提升模型 |
3.2.2 SRCNN模型的训练 |
3.3 DEM地形因子提取思路 |
3.3.1 DEM数据特点 |
3.3.2 主要思路 |
3.4 地形因子提取实验与结果分析 |
3.4.1 无噪声下实验结果 |
3.4.1.1 实验数据一:典型河流 |
3.4.1.2 实验数据二:典型丘陵 |
3.4.1.3 实验数据三:典型山脉地貌 |
3.4.1.4 实验数据四:典型汇水地形 |
3.4.2 含噪声下实验结果 |
3.4.2.1 实验数据一:典型河流 |
3.4.2.2 实验数据二:典型丘陵 |
3.4.2.3 实验数据三:典型山脉 |
3.4.2.4 实验数据四:典型汇水区域 |
3.4.3 结果分析 |
3.5 几类典型地形地貌纹理因子 |
第四章 特征地形约束的多尺度DEM综合方法 |
4.1 地形纹理因子与点特征约束的多尺度DEM综合方法 |
4.1.1 基于k-D树的空间索引构建方法 |
4.1.2 VIP与三角网渐进加密的DEM综合算法 |
4.1.2.1 方法流程 |
4.1.2.2 经典VIP算法简介 |
4.1.2.3 基于三角网加密算法的特征提取 |
4.1.3 结果与分析 |
4.1.3.1 实验数据 |
4.1.3.2 处理结果精度评价 |
4.1.3.3 结果与分析 |
4.2 地形纹理因子与线特征约束的多尺度DEM综合方法 |
4.2.1 多方向线特征提取方法 |
4.2.2 基于多方向剖面线DP简化综合算法 |
4.2.2.1 基于多方向剖面线的特征提取 |
4.2.3 实验与分析 |
4.2.3.1 实验结果与分析 |
4.3 地形纹理因子与点、线混合特征约束的DEM综合方法 |
4.3.1 混合点、线特征约束的多尺度DEM综合方法 |
4.3.1.1 D8算法 |
4.3.1.2 线特征约束的三角网 |
4.3.1.3 冗余特征点剔除 |
4.3.1.4 实验结果及分析 |
4.3.2 .坡度检弛特征保持约束的多尺度DEM综合方法 |
4.3.2.1 坡度计算模型 |
4.3.2.2 平差模型 |
4.3.2.3 实验数据与结果分析 |
4.4 本章小结 |
第五章 基于特征约束的我国数字高程模型数据库多尺度动态更新 |
5.1 我国国家数字高程模型多尺度数据库建设发展 |
5.1.1 全国1:10000数据库整合升级 |
5.1.2 多比例尺地理国情普查数据库生产与更新 |
5.1.3 全国多比例尺数据库更新 |
5.2 多尺度数据库更新的数据范围与数据源 |
5.3 多尺度数据库更新技术路线 |
5.3.1 地形地貌特征信息提取与数据整合 |
5.3.1.1 特征要素的统一数据组织与表达 |
5.3.1.2 特征点生成 |
5.3.1.3 数据整合与规范化处理 |
5.3.2 自主产权的生产与更新软件研发 |
5.4 多尺度DEM库更新测试与精度评定 |
5.4.1 实验结果 |
5.4.1.1 精度分析 |
5.4.1.2 等高线回放分析 |
5.4.1.3 地貌晕渲对比 |
5.4.1.4 特征点展示 |
5.5 多尺度数据库的更新结果与应用 |
5.5.1 多尺度DEM数据库更新 |
5.5.2 多尺度DEM中典型地形特征 |
5.5.3 数字高程模型多尺度数据库的工程应用 |
5.5.3.1 支持中央机关、政府部门的决策与建设 |
5.5.3.2 服务地方省市经济建设 |
第六章 总结与展望 |
6.1 本文的主要工作 |
6.2 主要创新点 |
6.3 工作展望 |
参考文献 |
附录 :入学以来发表的论文和参与的科研项目 |
致谢 |
四、基于空间组合矢量分类的小波图像网格编码矢量量化(论文参考文献)
- [1]小波图像分类矢量量化与网络编码量化的研究[D]. 郑勇. 电子科技大学, 2002(02)
- [2]基于方向树结构矢量分类的小波图像网格编码矢量量化[J]. 郑勇,蒋文军,杨文考,朱维乐. 信号处理, 2002(01)
- [3]基于空间组合矢量分类的小波图像网格编码矢量量化[J]. 郑勇,何宁,朱维乐. 信号处理, 2001(06)
- [4]基于树结构矢量分类的小波图像网络编码矢量量化[J]. 郑勇,周正华,朱维乐. 通信学报, 2001(09)
- [5]超光谱数据无损压缩及CUDA并行加速研究[D]. 李皎皎. 西安电子科技大学, 2021(02)
- [6]基于空谱域局部特征的高光谱图像描述及其在目标探测中的应用[D]. 王贤辰. 深圳大学, 2019(11)
- [7]基于优化学习的图像编码与增强[D]. 赵利军. 北京交通大学, 2019(01)
- [8]基于多分辨率方法的三维云可视化算法研究[D]. 姬瑜. 南京信息工程大学, 2019(04)
- [9]基于机器视觉的磁环裂纹检测方法研究[D]. 莫璟彬. 华南理工大学, 2019(01)
- [10]地形纹理特征深度学习的多尺度DEM综合技术研究[D]. 赵文豪. 武汉大学, 2018(02)