论文部分内容阅读
双稀疏及其在复杂图像边缘检测上的应用
【摘 要】
：
人们周围充斥着各式各样的信号,其中图像信号是十分常见的一类信号。随着计算机可视化的实现以及数字媒体技术的发展,数字图像处理的相关研究越来越受到学者们的关注。图像处理发展出现了许多分支,例如图像压缩、图像修复、图像分割和图像识别等。在图像分割、图像识别等进行特征提取的处理方法中,需要用到边缘检测技术,以便于进行数据精简和信息提纯。在边缘检测过程中,如何剔除非相干因素的影响一直是研究的重点和难点。现有
【机 构】
：
武汉纺织大学
【出 处】
：
武汉纺织大学
【发表日期】
：
2021年01期
【基金项目】
：
其他文献
近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像
学位
传统深度神经网络潜在假设所输入数据处于欧氏空间,但在许多实际应用场景中更多的数据位于非欧氏高维空间中。为探究数据中存在的内在几何结构,几何深度学习从图和流形两个方向着手,将传统深度神经网络从欧氏空间扩展到非欧氏空间。基于图的深度神经网络研究在近些年受到广泛关注,而基于流形的深度神经网络研究相对较少。针对上述问题,本文对深度流形网络的结构进行了探索,并在多个不同的任务上进行了算法验证研究。本文的主要
学位
视觉伺服技术使得机器人拥有了目标识别功能,能够增强产线的智能化和柔性化程度,促进生产效率的不断提高。图像去噪与边缘检测作为视觉伺服技术中的关键点,其算法的优劣直接影响着图像处理的质量和准确度。图像噪声是由于图像在成像过程中受到环境、传输途径、设备等因素的影响而产生的干扰信号,其噪声类型主要是高斯噪声和脉冲噪声。当前大多数图像去噪算法是针对单一类型噪声处理,无法有效处理混合噪声。另一方面,工业应用的
学位
纺织业在国民经济中占据着十分重要的地位,通过织物疵点的自动检测可以发现有质量问题的织物,并进行及时的修复和预防,可以减少因各种原因导致的织物质量下降问题。深度学习算法具有检测速度快、准确率高、鲁棒性强等优点,成为了目前织物疵点检测算法的发展趋势。在使用基于深度学习的卷积神经网络对织物疵点进行检测时,网络却很少重视卷积层中特征图的空间信息和表达能力,该问题会导致网络分类性能不佳。本文对这些问题进行了
学位
成像技术日益发展,应用越来越广泛,图像逐渐成为表达信息的一种重要载体。一方面,目前单一传感器成像模式只能从单个角度对场景成像,无法获得对目标完整的表达,从而影响了图像数据分析效果。另一方面,大量的图像数据的存储与读取时非常占用空间也非常消耗时间。因此,有必要从多模态图像中收集信息并将其整合成为单一图像,以便可以在一幅图像中提取更丰富的信息。将图像融合技术运用到图像处理上可以满足这一需求。不同的传感
学位
在“互联网+”的时代背景下,人体尺寸测量技术在虚拟试衣、远程非接触人体尺寸测量技术和建立人体数据库等各领域中都有着十分关键的作用。其中,随着服装信息化技术的发展,为了满足人们远程服装订制的需求,提出了一种非接触的人体尺寸测量技术,然而传统非接触人体尺寸测量技术尚且无法彻底摆脱三维扫描仪等大型设备,因此无法避免的存在成本昂贵和测量灵活性差等缺点。于是,本文提出了一种基于正交图像的人体尺寸测量技术,通
学位
随着容器技术的不断发展和完善,以Docker和Kubernetes为代表的容器云在业界得到了广泛关注和应用。尽管Kubernetes具有强大的功能和先进的设计,然而还是存在一些不容忽视的问题。其中最为突出的问题是Kubernetes现有的弹性伸缩机制过于简易,不能很好地适用于生产环境中多样的应用场景。因此,本文为了解决此类问题,提出了相应的改进方案,能够有效改善Kubernetes现有的弹性伸缩功
学位
秸秆焚烧会污染空气、破坏土壤结构、引发交通事故、甚至引发火灾。烟雾是秸秆焚烧初期最显著的特征之一,通过对野外场景下的烟雾进行准确的检测,及时发现秸秆焚烧现象并进行预警,能减少秸秆焚烧带来的危害。因此,研究烟雾检测方法具有很重要的现实意义。随着计算机技术和人工智能的发展,基于计算机视觉的烟雾检测技术研究得到了广泛的关注。烟雾的颜色不一,形状多变等性质给烟雾检测带来了巨大的挑战。目前,烟雾检测技术主要
学位