图像深度层次特征提取算法

发布时间：2018-05-27 02:25

  本文选题：深度层次特征(DHF) + 卷积神经网络(CNN)　； 参考：《模式识别与人工智能》2017年02期

【摘要】：完成众多视觉任务的关键是提取具有较强表达能力的图像特征,传统的图像特征仅描述图像某一方面的信息,表达能力受到很大限制.文中基于卷积神经网络提出图像深度层次特征(DHF)提取算法,通过对图像的层层抽象表达,可以有效挖掘隐藏在图像内部的本质信息.首先基于卷积神经网络产生图像特征图,选取卷积输出层的特征图构建图像阶层结构.然后基于匹配实验选择最佳的层级组合,采用信息熵描述低层级特征图,采用区域平均的方法描述高层级特征图,最终构建具有较强表达能力的DHF特征.实验表明,相比已有特征,DHF特征优势明显,可以高效准确地完成图像匹配任务.
[Abstract]:The key to accomplish many visual tasks is to extract the image features with strong expressive ability. The traditional image features only describe the information of one aspect of the image, so the ability of expression is greatly limited. Based on convolution neural network, an image depth level feature extraction algorithm (DHFs) is proposed in this paper. By abstracting the image layer by layer, the essential information hidden inside the image can be effectively mined. Firstly, the image feature graph is generated based on convolution neural network, and the image hierarchy structure is constructed by selecting the feature graph of the convolution output layer. Then the best level combination is selected based on the matching experiment, the information entropy is used to describe the low-level feature map, and the region average method is used to describe the high-level feature map. Finally, the DHF feature with strong expressive ability is constructed. The experimental results show that compared with the existing features, DHF features have obvious advantages, and can efficiently and accurately complete the task of image matching.
【作者单位】： 郑州测绘学院地理信息工程系;
【基金】：国家自然科学基金项目(No.41201390) 河南省科技创新(中原学者)项目(No.142101510005)资助~~
【分类号】：TP391.41

【参考文献】

相关期刊论文 前2条

1 李钦;游雄;李科;张彦喜;;PCA-SIFT特征匹配算法研究[J];测绘工程;2016年04期

2 徐天阳;吴小俊;;基于Gabor变换的快速跟踪算法[J];计算机工程与应用;2016年06期

相关博士学位论文 前1条

1 夏瑜;基于结构的纹理特征及应用研究[D];中国科学技术大学;2014年

【共引文献】

相关期刊论文 前1条

1 林川;李亚;曹以隽;;考虑微动机制与感受野特性的轮廓检测模型[J];计算机工程与应用;2016年24期

相关博士学位论文 前3条

1 刘怀鹏;基于WorldView-2数据的城市典型绿化树种分类[D];内蒙古农业大学;2016年

2 刘涛;基于图像分析技术的小麦群体农学参数获取与群体质量评价研究[D];扬州大学;2016年

3 赵贞贞;基于光吸收传感的电子鼻气体图谱处理方法研究[D];重庆大学;2016年

【二级参考文献】

相关期刊论文 前4条

1 郑守住;程朋根;陈晓勇;陈绍杰;;结合改进特征算法和狄洛尼三角网的图像匹配方法[J];测绘科学;2015年02期

2 郭文静;李军;;基于改进SIFT的图像拼接算法[J];工业控制计算机;2014年11期

3 浮丹丹;周绍光;徐洋;陈超;;基于主成分分析的点云平面拟合技术研究[J];测绘工程;2014年04期

4 牛俊伟;郝向阳;刘松林;;一种改进的SIFT特征提取算法[J];测绘科学技术学报;2014年02期

【相似文献】

相关期刊论文 前10条

1 李乐;张茂军;熊志辉;徐玮;;基于内容理解的单幅静态街景图像深度估计[J];机器人;2011年02期

2 廖均梅;龙建忠;张小琴;;基于频域特征的图像深度信息提取方法[J];自动化与仪器仪表;2012年06期

3 张蓓蕾;刘洪玮;;基于马尔可夫随机场的单目图像深度估计[J];微型电脑应用;2010年11期

4 牛连丁;赵志杰;金雪松;孙华东;王海涛;;基于支持向量机的图像深度提取方法[J];哈尔滨商业大学学报(自然科学版);2012年05期

5 王平;安平;王奎;张兆杨;;基于区域融合的单视点图像深度信息提取[J];电视技术;2011年19期

6 袁红星;吴少群;朱仁祥;胡劲松;安鹏;;利用深度传感器大数据的单目图像深度估计[J];计算机辅助设计与图形学学报;2013年12期

7 张蓓蕾;孙韶媛;武江伟;谷小婧;;基于DRF-MAP模型的单目图像深度估计的改进算法[J];红外技术;2009年12期

8 邓小玲;倪江群;代芬;李震;;基于LLOM的单目图像深度图估计算法[J];计算机应用研究;2012年11期

9 李国平;刘华冠;李长春;张天厚;;基于机器视觉的物料袋图像深度信息的提取[J];济南大学学报(自然科学版);2010年02期

10 陈朝阳,尹智科;井下图像深度信息提取方法[J];舰船电子工程;2004年02期

相关硕士学位论文 前3条

1 Grigorev Aleksei;基于深度学习的单目图像深度估计[D];哈尔滨工业大学;2016年

2 张蓓蕾;基于马尔可夫场理论的单目图像深度估计研究[D];东华大学;2010年

3 陈婷婷;基于纹理特征概率模型的图像深度信息提取方法[D];哈尔滨商业大学;2015年

，

本文编号：1940025