天際線檢測(cè)在航空、航海、無(wú)人機(jī)視覺(jué)導(dǎo)航、微型飛行器姿態(tài)控制、地理位置標(biāo)記等方面具有重要的作用,因此,高魯棒性、高準(zhǔn)確率的天際線檢測(cè)算法是急需解決的一個(gè)問(wèn)題。本文研究了天際線檢測(cè)的幾種關(guān)鍵算法,其主要的工作概括如下:（1）考慮到天際線起始點(diǎn)是圖像中的邊緣位置,從邊緣檢測(cè)理論出發(fā),提出了一種基于邊緣檢測(cè)與相鄰梯度融合的天際線檢測(cè)算法。首先采用形態(tài)學(xué)對(duì)圖像進(jìn)行預(yù)處理,然后采用Canny檢測(cè)算子獲取圖像中的邊緣信息,接著通過(guò)梯度閾值的設(shè)置確定天際線的位置坐標(biāo),同時(shí)對(duì)邊緣檢測(cè)中缺邊緣的情況,采用了線性擴(kuò)大區(qū)域搜索算法確定天際線的位置坐標(biāo),獲得了較好的天際線檢測(cè)效果。（2）上述提出的天際線檢測(cè)算法由于過(guò)度依賴邊緣檢測(cè)信息,缺少對(duì)圖像整體信息的提取,因此,提出了一種融合圖像整體結(jié)構(gòu)信息的天際線檢測(cè)算法,首先采用RCA（Regional Covariance Algorithm）算法對(duì)圖像整體結(jié)構(gòu)進(jìn)行粗分割,確定可能存在的天際線分割區(qū)域,接著利用分割區(qū)域全局梯度均值與局部梯度均值融合算法確定梯度閾值,以檢測(cè)出天空與非天空區(qū)域的起始點(diǎn),然后采用AGM（Adjacent Gradient Maxima）算... 

【文章來(lái)源】：湖南理工學(xué)院湖南省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 論文的主要內(nèi)容及安排
第2章 邊緣檢測(cè)與相鄰梯度融合算法的天際線檢測(cè)研究
    2.1 數(shù)學(xué)形態(tài)學(xué)理論
        2.1.1 數(shù)學(xué)形態(tài)學(xué)概念
        2.1.2 基本集合定義
        2.1.3 形態(tài)學(xué)的基本運(yùn)算
    2.2 邊緣檢測(cè)理論
        2.2.1 一階微分邊緣檢測(cè)算子
        2.2.2 二階微分邊緣檢測(cè)算子
    2.3 天際線起始點(diǎn)位置檢測(cè)算法
    2.4 邊緣檢測(cè)與相鄰梯度融合的天際線檢測(cè)算法
        2.4.1 實(shí)驗(yàn)步驟
        2.4.2 算法結(jié)果對(duì)比分析
    2.5 本章小結(jié)
第3章 RCA與相鄰梯度融合的天際線檢測(cè)算法研究
    3.1 區(qū)域協(xié)方差算法
        3.1.1 區(qū)域協(xié)方差矩陣
        3.1.2 基于RCA算法的天際線粗分割
    3.2 梯度循環(huán)算法
        3.2.1 梯度計(jì)算
        3.2.2 梯度循環(huán)算法的天際線坐標(biāo)檢測(cè)
    3.3 天際線起始點(diǎn)位置檢測(cè)
    3.4 RCA與相鄰梯度融合的天際線檢測(cè)算法
        3.4.1 實(shí)驗(yàn)步驟
        3.4.2 算法結(jié)果對(duì)比分析
    3.5 本章小結(jié)
第4章 LBP和稀疏表示的天際線檢測(cè)算法研究
    4.1 特征提取算法
        4.1.1 HOG特征
        4.1.2 LBP特征
        4.1.3 LBP特征的天際線坐標(biāo)提取
    4.2 稀疏表示理論
        4.2.1 稀疏表示的基本概念
        4.2.2 稀疏表示的分類算法
    4.3 經(jīng)驗(yàn)閾值實(shí)驗(yàn)分析
    4.4 LBP和稀疏表示的天際線檢測(cè)算法
        4.4.1 實(shí)驗(yàn)步驟
        4.4.2 實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.5 本章小結(jié)
第5章 多特征提取與邊緣校正融合的天際線檢測(cè)算法研究
    5.1 Gabor濾波器支持向量機(jī)算法
        5.1.1 Gabor濾波器
        5.1.2 SVM算法
    5.2 邊緣檢測(cè)
        5.2.1 基于小波變換的邊緣檢測(cè)算法基本步驟
        5.2.2 Canny邊緣檢測(cè)的基本步驟
    5.3 天際線檢測(cè)與校正
        5.3.1 Gabor紋理特征提取
        5.3.2 SVM分類器模型建立
        5.3.3 相鄰五鄰域算法對(duì)天際線初始檢測(cè)位置校正
    5.4 多特征與邊緣校正融合的天際線檢測(cè)算法
        5.4.1 算法流程
        5.4.2 WebSet數(shù)據(jù)集實(shí)驗(yàn)
        5.4.3 BasaltHills數(shù)據(jù)集實(shí)驗(yàn)
    5.5 本章小結(jié)
結(jié)語(yǔ)
    結(jié)論
    展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要研究成果
致謝



本文編號(hào)：3519580