發(fā)布時(shí)間：2021-01-23 14:02

　　隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,產(chǎn)生了海量的圖像視頻等視覺信息數(shù)據(jù)。如何實(shí)現(xiàn)對(duì)這些數(shù)據(jù)的有效分析是當(dāng)前計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)領(lǐng)域中的熱點(diǎn)研究問題。圖像的特征匹配與識(shí)別是計(jì)算機(jī)視覺中的基本問題。圖像匹配能夠?yàn)樽R(shí)別提供重要基礎(chǔ)。此外,匹配問題本身也具有十分重要的理論和應(yīng)用價(jià)值。本文圍繞基于圖理論與稀疏模型的圖像匹配與識(shí)別問題展開討論,在分析傳統(tǒng)模型缺乏對(duì)圖像結(jié)構(gòu)信息的有效利用等問題以及匹配問題具有非負(fù)稀疏性質(zhì)等特點(diǎn)的基礎(chǔ)上,研究了基于圖理論與稀疏約束模型的圖像結(jié)構(gòu)信息表示、匹配與識(shí)別方法。在圖像特征匹配問題中,利用圖模型實(shí)現(xiàn)圖像特征之間結(jié)構(gòu)信息的穩(wěn)健表示對(duì)解決匹配這一問題具有十分重要的作用,而結(jié)構(gòu)的穩(wěn)健表示離不開魯棒圖模型的構(gòu)建。不完善的成像過程和圖像內(nèi)容的多樣性使得圖像的結(jié)構(gòu)信息表征存在一定的不確定性。因此,傳統(tǒng)確定性結(jié)構(gòu)圖模型往往無法精確地描述這類含有不確定性的數(shù)據(jù)。鑒于此,本文提出了一種利用隨機(jī)圖模型來實(shí)現(xiàn)圖像結(jié)構(gòu)信息的表示方法,稱為幾何-邊隨機(jī)圖模型。幾何-邊隨機(jī)圖模型具有結(jié)構(gòu)不確定性及演化性等特點(diǎn),因此適合對(duì)不確定性結(jié)構(gòu)信息的表達(dá)和提取。研究了幾何-邊隨機(jī)圖模型的建立,模型的代數(shù)表示、匹... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：119 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景與意義
    1.2 主要研究內(nèi)容及創(chuàng)新之處
    1.3 本文的組織結(jié)構(gòu)
第二章 圖像表示與識(shí)別中的圖理論模型
    2.1 圖像的結(jié)構(gòu)化表示
    2.2 圖匹配與圖像特征匹配
    2.3 基于圖理論的圖像低維嵌入
    2.4 本章小結(jié)
第三章 幾何-邊隨機(jī)圖及其在圖像結(jié)構(gòu)表示中的應(yīng)用
    3.1 引言
    3.2 相關(guān)工作
        3.2.1 幾何圖與隨機(jī)幾何圖
        3.2.2 廣義邊隨機(jī)圖
    3.3 幾何-邊隨機(jī)圖模型與分析
        3.3.1 G-E隨機(jī)圖模型構(gòu)建
        3.3.2 G-E隨機(jī)圖的匹配
        3.3.3 G-E隨機(jī)圖的譜嵌入
    3.4 基于G-E隨機(jī)圖模型的圖像表示
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 圖像特征匹配
        3.5.2 圖像低維嵌入
    3.6 本章小結(jié)
p范數(shù)稀疏約束模型的圖匹配算法">第四章 基于l_p范數(shù)稀疏約束模型的圖匹配算法
    4.1 引言
    4.2 問題描述
p范數(shù)稀疏約束圖匹配">    4.3 l_p范數(shù)稀疏約束圖匹配
        4.3.1 一般問題形式
        4.3.2 稀疏約束匹配松弛模型
        4.3.3 匹配算法
    4.4 稀疏正交性分析
        4.4.1 稀疏正交性的度量
        4.4.2 稀疏與正交性的關(guān)系
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 模擬圖匹配
        4.5.2 序列圖像特征匹配
        4.5.3 真實(shí)場(chǎng)景圖像特征匹配
    4.6 本章小結(jié)
1,2范數(shù)局部稀疏約束模型的特征匹配算法">第五章 基于l_1,2范數(shù)局部稀疏約束模型的特征匹配算法
    5.1 引言
    5.2 問題描述與相關(guān)工作
    5.3 局部稀疏約束匹配
        5.3.1 局部稀疏匹配模型
        5.3.2 求解算法與理論分析
    5.4 局部稀疏性分析
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 模擬點(diǎn)集匹配
        5.5.2 序列圖像特征匹配
        5.5.3 自然場(chǎng)景圖像特征匹配
    5.6 本章小結(jié)
第六章 圖正則化主成分分析及其在圖像識(shí)別中的應(yīng)用
    6.1 引言
    6.2 相關(guān)理論
        6.2.1 主成分分析
        6.2.2 圖拉普拉斯嵌入
    6.3 圖正則化主成分分析模型與算法
        6.3.1 gLPCA模型表示
        6.3.2 模型求解與分析
    6.4 魯棒圖正則化主成分分析模型與算法
        6.4.1 RgLPCA模型表示
        6.4.2 模型求解與分析
    6.5 實(shí)驗(yàn)結(jié)果與分析
        6.5.1 圖像重構(gòu)與逼近
        6.5.2 圖像數(shù)據(jù)嵌入
        6.5.3 數(shù)據(jù)聚類與分類
    6.6 本章小結(jié)
第七章 總結(jié)與展望
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文
攻讀博士學(xué)位期間參加的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于有向復(fù)雜網(wǎng)絡(luò)模型的形狀描述與識(shí)別[J]. 湯進(jìn),郅大鵬,江波,羅斌.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2014(11)
[2]迭代的圖變換匹配算法[J]. 李婷婷,湯進(jìn),江波,羅斌,徐立祥.  中國圖象圖形學(xué)報(bào). 2014(05)
[3]多模復(fù)雜網(wǎng)絡(luò)模型的形狀特征提取方法[J]. 郅大鵬,湯進(jìn),江波,羅斌.  計(jì)算機(jī)科學(xué)與探索. 2013(06)
[4]基于復(fù)雜網(wǎng)絡(luò)和最優(yōu)子序列雙射的形狀描述與匹配[J]. 湯進(jìn),陳展展,羅斌,孫登第.  電子學(xué)報(bào). 2011(08)
[5]圖象角點(diǎn)檢測(cè)的矢量場(chǎng)方法[J]. 羅斌,Ｅ．Ｒ．Ｈａｎｃｏｃｋ.  中國圖象圖形學(xué)報(bào). 1998(10)

博士論文
[1]基于圖理論的圖像描述與檢索方法研究[D]. 湯進(jìn).安徽大學(xué) 2007
[2]關(guān)聯(lián)圖的譜分析及譜聚類方法研究[D]. 孔敏.安徽大學(xué) 2006
[3]基于圖的形狀描述方法研究[D]. 趙海峰.安徽大學(xué) 2006



本文編號(hào)：2995348