發(fā)布時間：2018-05-27 02:25

  本文選題：深度層次特征(DHF) + 卷積神經(jīng)網(wǎng)絡(luò)(CNN)��； 參考：《模式識別與人工智能》2017年02期

【摘要】：完成眾多視覺任務(wù)的關(guān)鍵是提取具有較強表達(dá)能力的圖像特征,傳統(tǒng)的圖像特征僅描述圖像某一方面的信息,表達(dá)能力受到很大限制.文中基于卷積神經(jīng)網(wǎng)絡(luò)提出圖像深度層次特征(DHF)提取算法,通過對圖像的層層抽象表達(dá),可以有效挖掘隱藏在圖像內(nèi)部的本質(zhì)信息.首先基于卷積神經(jīng)網(wǎng)絡(luò)產(chǎn)生圖像特征圖,選取卷積輸出層的特征圖構(gòu)建圖像階層結(jié)構(gòu).然后基于匹配實驗選擇最佳的層級組合,采用信息熵描述低層級特征圖,采用區(qū)域平均的方法描述高層級特征圖,最終構(gòu)建具有較強表達(dá)能力的DHF特征.實驗表明,相比已有特征,DHF特征優(yōu)勢明顯,可以高效準(zhǔn)確地完成圖像匹配任務(wù).
[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.
【作者單位】： 鄭州測繪學(xué)院地理信息工程系;
【基金】：國家自然科學(xué)基金項目(No.41201390) 河南省科技創(chuàng)新(中原學(xué)者)項目(No.142101510005)資助~~
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 李欽;游雄;李科;張彥喜;;PCA-SIFT特征匹配算法研究[J];測繪工程;2016年04期

2 徐天陽;吳小俊;;基于Gabor變換的快速跟蹤算法[J];計算機工程與應(yīng)用;2016年06期

相關(guān)博士學(xué)位論文 前1條

1 夏瑜;基于結(jié)構(gòu)的紋理特征及應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2014年

【共引文獻(xiàn)】

相關(guān)期刊論文 前1條

1 林川;李亞;曹以雋;;考慮微動機制與感受野特性的輪廓檢測模型[J];計算機工程與應(yīng)用;2016年24期

相關(guān)博士學(xué)位論文 前3條

1 劉懷鵬;基于WorldView-2數(shù)據(jù)的城市典型綠化樹種分類[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

2 劉濤;基于圖像分析技術(shù)的小麥群體農(nóng)學(xué)參數(shù)獲取與群體質(zhì)量評價研究[D];揚州大學(xué);2016年

3 趙貞貞;基于光吸收傳感的電子鼻氣體圖譜處理方法研究[D];重慶大學(xué);2016年

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 鄭守住;程朋根;陳曉勇;陳紹杰;;結(jié)合改進(jìn)特征算法和狄洛尼三角網(wǎng)的圖像匹配方法[J];測繪科學(xué);2015年02期

2 郭文靜;李軍;;基于改進(jìn)SIFT的圖像拼接算法[J];工業(yè)控制計算機;2014年11期

3 浮丹丹;周紹光;徐洋;陳超;;基于主成分分析的點云平面擬合技術(shù)研究[J];測繪工程;2014年04期

4 �？�;郝向陽;劉松林;;一種改進(jìn)的SIFT特征提取算法[J];測繪科學(xué)技術(shù)學(xué)報;2014年02期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李樂;張茂軍;熊志輝;徐瑋;;基于內(nèi)容理解的單幅靜態(tài)街景圖像深度估計[J];機器人;2011年02期

2 廖均梅;龍建忠;張小琴;;基于頻域特征的圖像深度信息提取方法[J];自動化與儀器儀表;2012年06期

3 張蓓蕾;劉洪瑋;;基于馬爾可夫隨機場的單目圖像深度估計[J];微型電腦應(yīng)用;2010年11期

4 牛連丁;趙志杰;金雪松;孫華東;王海濤;;基于支持向量機的圖像深度提取方法[J];哈爾濱商業(yè)大學(xué)學(xué)報(自然科學(xué)版);2012年05期

5 王平;安平;王奎;張兆楊;;基于區(qū)域融合的單視點圖像深度信息提取[J];電視技術(shù);2011年19期

6 袁紅星;吳少群;朱仁祥;胡勁松;安鵬;;利用深度傳感器大數(shù)據(jù)的單目圖像深度估計[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2013年12期

7 張蓓蕾;孫韶媛;武江偉;谷小婧;;基于DRF-MAP模型的單目圖像深度估計的改進(jìn)算法[J];紅外技術(shù);2009年12期

8 鄧小玲;倪江群;代芬;李震;;基于LLOM的單目圖像深度圖估計算法[J];計算機應(yīng)用研究;2012年11期

9 李國平;劉華冠;李長春;張?zhí)旌?;基于機器視覺的物料袋圖像深度信息的提取[J];濟(jì)南大學(xué)學(xué)報(自然科學(xué)版);2010年02期

10 陳朝陽,尹智科;井下圖像深度信息提取方法[J];艦船電子工程;2004年02期

相關(guān)碩士學(xué)位論文 前3條

1 Grigorev Aleksei;基于深度學(xué)習(xí)的單目圖像深度估計[D];哈爾濱工業(yè)大學(xué);2016年

2 張蓓蕾;基于馬爾可夫場理論的單目圖像深度估計研究[D];東華大學(xué);2010年

3 陳婷婷;基于紋理特征概率模型的圖像深度信息提取方法[D];哈爾濱商業(yè)大學(xué);2015年

，

本文編號：1940025