基于图像的能见度反演方法研究
发布时间：2022-01-23 12:54
大气能见度是一个和人类生活息息相关的物理量,低大气能见度现象不仅严重影响人们的出行安全,而且在一定程度上反映出空气的受污染程度,间接对人们的身体健康造成影响。传统的能见度测量方法存在观测规范性差、设备价格高昂、不能实现自动化监测等局限性,基于图像的能见度测量方法又存在公式参数误差修正困难等问题。本文旨在寻找能够较好实现图像能见度反演的方法,以解决上述存在的问题。稀疏低秩表示在计算机视觉领域的突破性进展使其成为一种有效的数据表示方式,卷积神经网络在图像处理领域表现出色,因此本文基于这两种方法展开了图像能见度反演的研究。本文的主要研究工作有以下三部分:（1）对能见度值进行min-max标准化处理,对能见度图像的目标区域进行检索并用尺度不变特征（SIFT）算法配准,将配准后的图像存入数据库备用。（2）本文将稀疏低秩表示方法应用到图像能见度反演方面。学习了信号的稀疏低秩表示原理后,依据训练样本的特征向量集构建过完备字典,通过学习得出图像特征的新表示,再用回归方法得出能见度估计值。讨论了不同因素对能见度测量准确率的影响,确认最佳方案。最后将本文稀疏低秩表示法和其他几个典型的模型进行对比实验,实验...
【文章来源】：南京信息工程大学江苏省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２－１信号的稀疏表示模型??
目前该技术己经在视频恢复，人脸识别，低秩纹理，图像目标识别和对齐等领域??广泛使用，并获得了较好的成绩。假定待处理的数据矩阵可以分解为低秩矩阵??Ｊ和稀疏误差矩阵￡，即＋五，其中Ａ?Ｅｅ?［４３］。分解的模型用图２－２来表示。??＾■１??Ｊ?■??图２－２低秩矩阵的分解模型??可将该问题看作是一个最优化问题，在保证最小化Ｊ的秩和尽量减小｜￡｜｜（）的同时，??完成Ｘ的分解，数学模型可以用式（２－１８）来描述：??ｍｉｎｒａ？Ａ：（＾）?＋?／ｌ｜｜￡，｜｜〇?ｓ．ｔ．?Ｘ?＝Ａ?＋?Ｅ?（２－１８）??其中表示矩阵的秩，ＩＩ表示矩阵的＆范数，Ａ是折中因子，控制稀疏误差??矩阵￡的噪声权重大小，并且该参数由行列数求得；ｌ?＝?ｃ／＾ｍａｘ（Ｗ，／７），?Ｃ是常数，通??常设为１，／？、《是矩阵的行列数。对于上式中／＾范数的求解包含ＮＰ－Ｈａｒｄ问題，Ｃａｎｄｅｓ??等人［４３］研究证明
Ａ＾＇?＝?ｆ?（ｄｏＭ＇ｎ（Ａ＾）?＋?）?（２－２６）??池化的过程可以用图２－４表示。假设如图左边是卷积层产生的一个４ｘ４的特征图，??而肩（．）计算２ｘ２邻域内的值，则生成２ｘ２的池化后的特征图。池化操作使特征提取的??鲁棒性得到提高。??（???：???Ｉ?２，５?２．５?Ａｖｇ－Ｐ〇。丨??：４?７?７?Ｓ?ＭＭ??ｉｒ：２Ｔｗ??－ｒｒｒ＋ｖ?了?７?８??ｊ?４?４?Ｍａｘ－ｐｏｏｌ??ｍ??图２－４平均池化和最大池化过程??２．３．２全连接层??如果当前所在层的每一个神经元和前面一层的每个输出单元一一连接，则将这种连??接称为全连接。全连接层的作用是将提取到的特征综合起来用于分类或回归。当卷积核??大小和输入特征图的大小相同时，全连接层能够转化成卷积层。前面的卷积核池化操作??减少了参数的数量，而全连接相反，大大增加了网络中参数的数量。卷积神经网络常用??来解决图片的分类问题，因此在卷积层和池化层学习图片特征之后，通常接一个全连接??层，将特征从隐层空间映射到样
【参考文献】：
期刊论文
[1]前向散射能见度仪的工作原理及维护维修[J]. 张毅,刘小容,钟运新,余东柏. 气象水文海洋仪器. 2015(01)
[2]基于图像饱和度的海上能见度探测[J]. 战勇强,周立佳,徐冠雷,陈捷. 海洋技术学报. 2014(05)
[3]压缩感知理论与非凸优化方法研究[J]. 罗纯哲,陈金杰,王蔚东. 无线电工程. 2014(05)
[4]改进的基于图像边缘的能见度反演方法[J]. 吕艳芬,杨玲,甄小琼. 计算机工程与应用. 2015(10)
[5]基于图像理解的能见度测量方法[J]. 许茜,殷绪成,李岩,郝红卫,曹晓钟. 模式识别与人工智能. 2013(06)
[6]从压缩传感到低秩矩阵恢复:理论与应用[J]. 彭义刚,索津莉,戴琼海,徐文立. 自动化学报. 2013(07)
[7]用于压缩感知信号重建的正则化自适应匹配追踪算法[J]. 刘亚新,赵瑞珍,胡绍海,姜春晖. 电子与信息学报. 2010(11)
[8]基于压缩感知的变步长自适应匹配追踪重建算法[J]. 高睿,赵瑞珍,胡绍海. 光学学报. 2010(06)
[9]内陆地区近地面大气消光系数统计特征及气象要素影响分析[J]. 吕炜煜,朱文越,苑克娥,郝磊,封双连,姚东升,饶瑞中. 光子学报. 2009(09)
[10]半导体激光雷达的斜程能见度测量方法[J]. 岳斌,董晶晶,孙东松,沈法华,董吉辉,舒志峰. 红外与激光工程. 2009(01)
博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[2]基于稀疏表示的光学遥感影像超分辨率重建算法研究[D]. 钟九生.南京师范大学 2013
硕士论文
[1]卷积神经网络图像分类应用研究[D]. 柯小龙.深圳大学 2017
[2]基于卷积神经网络的人脸年龄估计算法[D]. 周旺.南京大学 2017
[3]基于视频图像的高速公路能见度检测技术研究[D]. 韩明敏.北京交通大学 2016
[4]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[5]大气能见度测量若干关键技术研究[D]. 卢家亮.合肥工业大学 2014
[6]基于DSP高速公路能见度测量系统的研究[D]. 梁佳.长安大学 2007
本文编号：3604393
【文章来源】：南京信息工程大学江苏省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２－１信号的稀疏表示模型??
目前该技术己经在视频恢复，人脸识别，低秩纹理，图像目标识别和对齐等领域??广泛使用，并获得了较好的成绩。假定待处理的数据矩阵可以分解为低秩矩阵??Ｊ和稀疏误差矩阵￡，即＋五，其中Ａ?Ｅｅ?［４３］。分解的模型用图２－２来表示。??＾■１??Ｊ?■??图２－２低秩矩阵的分解模型??可将该问题看作是一个最优化问题，在保证最小化Ｊ的秩和尽量减小｜￡｜｜（）的同时，??完成Ｘ的分解，数学模型可以用式（２－１８）来描述：??ｍｉｎｒａ？Ａ：（＾）?＋?／ｌ｜｜￡，｜｜〇?ｓ．ｔ．?Ｘ?＝Ａ?＋?Ｅ?（２－１８）??其中表示矩阵的秩，ＩＩ表示矩阵的＆范数，Ａ是折中因子，控制稀疏误差??矩阵￡的噪声权重大小，并且该参数由行列数求得；ｌ?＝?ｃ／＾ｍａｘ（Ｗ，／７），?Ｃ是常数，通??常设为１，／？、《是矩阵的行列数。对于上式中／＾范数的求解包含ＮＰ－Ｈａｒｄ问題，Ｃａｎｄｅｓ??等人［４３］研究证明
Ａ＾＇?＝?ｆ?（ｄｏＭ＇ｎ（Ａ＾）?＋?）?（２－２６）??池化的过程可以用图２－４表示。假设如图左边是卷积层产生的一个４ｘ４的特征图，??而肩（．）计算２ｘ２邻域内的值，则生成２ｘ２的池化后的特征图。池化操作使特征提取的??鲁棒性得到提高。??（???：???Ｉ?２，５?２．５?Ａｖｇ－Ｐ〇。丨??：４?７?７?Ｓ?ＭＭ??ｉｒ：２Ｔｗ??－ｒｒｒ＋ｖ?了?７?８??ｊ?４?４?Ｍａｘ－ｐｏｏｌ??ｍ??图２－４平均池化和最大池化过程??２．３．２全连接层??如果当前所在层的每一个神经元和前面一层的每个输出单元一一连接，则将这种连??接称为全连接。全连接层的作用是将提取到的特征综合起来用于分类或回归。当卷积核??大小和输入特征图的大小相同时，全连接层能够转化成卷积层。前面的卷积核池化操作??减少了参数的数量，而全连接相反，大大增加了网络中参数的数量。卷积神经网络常用??来解决图片的分类问题，因此在卷积层和池化层学习图片特征之后，通常接一个全连接??层，将特征从隐层空间映射到样
【参考文献】：
期刊论文
[1]前向散射能见度仪的工作原理及维护维修[J]. 张毅,刘小容,钟运新,余东柏. 气象水文海洋仪器. 2015(01)
[2]基于图像饱和度的海上能见度探测[J]. 战勇强,周立佳,徐冠雷,陈捷. 海洋技术学报. 2014(05)
[3]压缩感知理论与非凸优化方法研究[J]. 罗纯哲,陈金杰,王蔚东. 无线电工程. 2014(05)
[4]改进的基于图像边缘的能见度反演方法[J]. 吕艳芬,杨玲,甄小琼. 计算机工程与应用. 2015(10)
[5]基于图像理解的能见度测量方法[J]. 许茜,殷绪成,李岩,郝红卫,曹晓钟. 模式识别与人工智能. 2013(06)
[6]从压缩传感到低秩矩阵恢复:理论与应用[J]. 彭义刚,索津莉,戴琼海,徐文立. 自动化学报. 2013(07)
[7]用于压缩感知信号重建的正则化自适应匹配追踪算法[J]. 刘亚新,赵瑞珍,胡绍海,姜春晖. 电子与信息学报. 2010(11)
[8]基于压缩感知的变步长自适应匹配追踪重建算法[J]. 高睿,赵瑞珍,胡绍海. 光学学报. 2010(06)
[9]内陆地区近地面大气消光系数统计特征及气象要素影响分析[J]. 吕炜煜,朱文越,苑克娥,郝磊,封双连,姚东升,饶瑞中. 光子学报. 2009(09)
[10]半导体激光雷达的斜程能见度测量方法[J]. 岳斌,董晶晶,孙东松,沈法华,董吉辉,舒志峰. 红外与激光工程. 2009(01)
博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[2]基于稀疏表示的光学遥感影像超分辨率重建算法研究[D]. 钟九生.南京师范大学 2013
硕士论文
[1]卷积神经网络图像分类应用研究[D]. 柯小龙.深圳大学 2017
[2]基于卷积神经网络的人脸年龄估计算法[D]. 周旺.南京大学 2017
[3]基于视频图像的高速公路能见度检测技术研究[D]. 韩明敏.北京交通大学 2016
[4]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[5]大气能见度测量若干关键技术研究[D]. 卢家亮.合肥工业大学 2014
[6]基于DSP高速公路能见度测量系统的研究[D]. 梁佳.长安大学 2007
本文编号：3604393
本文链接：https://www.wllwen.com/projectlw/qxxlw/3604393.html
