基于深度学习的航拍图像场景解析方法研究

发布时间：2022-12-08 05:21

　　基于深度学习的航拍图像场景解析算法是目前无人机应用技术领域及深度学习领域的热点研究课题,同时部分技术已经广泛应用于无人机侦查、交通监管、土地勘测、野生动物追踪、灾害观察等领域。无人机航拍图像属于高分辨率图像,航拍场景中的目标及小目标的细节信息保留完整,但是易受恶劣天气的影响,导致航拍图像模糊,对比度、颜色保真度及清晰度都下降,因此需要对航拍图像进行图像去雾同时增强图像,为后续的目标检测提供高质量的航拍图像。现有的基于深度学习的目标检测网络模型通常是针对300*300到500*500的分辨率的图像,可以达到实时检测,检测精度也远超基于机器学习的目标检测方法。直接对高分辨率航拍图像进行压缩,会损失小目标的许多细节信息,并且网络模型中的特征图分辨率低,保留的关于小目标的细节信息很少,不利于小目标检测。目前,图像去雾算法及基于深度学习的目标检测方法并不适用于高分辨率的航拍图像,存在一些问题,例如图像去雾算法不能很好处理航拍图像中的天空区域,针对高分辨率的航拍图像,目标检测网络模型对小目标定位精度差,检测时间达不到实时性要求等。本文在详细介绍了基于暗影通道的图像去雾算法及经典的基于深度卷积神经网... 

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 航拍图像场景解析的研究背景及意义
    1.2 研究现状
        1.2.1 航拍图像增强预处理方法研究现状
        1.2.2 航拍图像中的目标检测研究现状
    1.3 论文概况
第二章 航拍图像增强预处理方法研究
    2.1 引言
    2.2 基于暗影通道的图像去雾算法
    2.3 基于导向滤波的快速图像去雾算法
        2.3.1 算法原理
        2.3.2 计算大气幕函数
        2.3.3 导向滤波原理
        2.3.4 计算残差图像及复原图像
    2.4 实验结果分析
    2.5 本章小结
第三章 基于预分割的深度卷积神经网络航拍图像目标检测
    3.1 引言
    3.2 相关理论背景
        3.2.1 卷积神经网络CNN简介
        3.2.2 特征金字塔网络
        3.2.3 R-CNN系列网络简介
    3.3 Quad-SSD网络模型简介
        3.3.1 基于四叉树的预分割算法介绍
        3.3.2 多尺度目标检测网络（SSD）介绍
        3.3.3 Quad-SSD网络介绍
    3.4 实验结果分析
    3.5 本章小结
第四章 基于特征融合的深度学习的航拍图像目标检测
    4.1 提高特征图分辨率的方法
        4.1.1 残差网络（Residual Network）
        4.1.2 上采样方法
    4.2 特征融合
        4.2.1 同层特征图之间的特征融合
        4.2.2 不同层特征图之间的特征融合
    4.3 基于特征融合的深度学习的目标检测方法
        4.3.1 网络模型结构
        4.3.2 网络模型训练
    4.4 实验结果分析
        4.4.1 Pascal VOC2007数据集实验
        4.4.2 航拍图像实验
    4.5 本章小结
第五章 总结与展望
    5.1 研究工作总结
    5.2 研究展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭.  自动化技术与应用. 2008(07)



本文编号：3713632