检索结果-南通市图书馆

机器人 2019年第6期41卷 751-760页

作者：姚二亮张合新宋海涛张国良火箭军工程大学控制工程系陕西西安710025 成都信息工程大学控制工程学院四川成都610225

为解决动态环境中视觉定位精度下降、鲁棒性不足的问题,并改善构建的环境地图,提出一种基于语义信息和边缘一致性的鲁棒同时定位与地图创建(SLAM)算法.首先使用YOLOv3算法获取环境语义信息,得到初步的图像语义动静态分割.而后使用基于... 详细信息

为解决动态环境中视觉定位精度下降、鲁棒性不足的问题,并改善构建的环境地图,提出一种基于语义信息和边缘一致性的鲁棒同时定位与地图创建(SLAM)算法.首先使用YOLOv3算法获取环境语义信息,得到初步的图像语义动静态分割.而后使用基于图像中边缘的距离变换误差和光度误差的一致性评估,进一步对图像的动静态区域进行细分,并利用连通区域分析和漏洞修补算法修正动态区域.使用图像非动态区域的特征点进行特征匹配,利用非线性优化算法最小化特征点的重投影误差,得到优化的相机位姿.利用特征点共视性和动静态区域面积进行绘图关键帧的选取,从而构建不包含动态物体信息的静态环境地图.公开数据集中高动态环境的实验表明,本文算法能够准确地区分图像中的动静态信息,完成动态环境下的精确定位与地图构建任务.并且本文算法在纯静态环境下不存在定位精度下降的情况.

关键词：同时定位与地图创建语义信息动态环境距离变换边缘一致性

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法

引用

遥感信息 2021年第5期36卷 74-80页

作者：陈佳旺王征强于庆和西安科技大学测绘科学与技术学院西安710000 宝鸡市勘察测绘院陕西宝鸡721000 黑龙江省林业设计研究院哈尔滨150080

针对高分辨率遥感影像中传统超像素分割方法存在过分割和边缘分割一致性的问题,选取五景高分辨率遥感影像,提出了一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法。首先,采用熵率超像素进行过分割,生成超像素过分割区域;然后,... 详细信息

针对高分辨率遥感影像中传统超像素分割方法存在过分割和边缘分割一致性的问题,选取五景高分辨率遥感影像,提出了一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法。首先,采用熵率超像素进行过分割,生成超像素过分割区域;然后,分析影像地物的空间信息,对比区域相似性;最后,采用空间约束模糊聚类和光谱差异进行区域合并,获取最终分割影像。定性和定量分析结果表明,该方法改善了过分割问题,能有效提高分割精度,使得分割影像的地物边缘一致性较优。

关键词：过分割熵率超像素空间约束模糊聚类光谱差异边缘一致性

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于显著信息约束的图像平滑算法研究

基于显著信息约束的图像平滑算法研究

引用

作者：张臣重庆理工大学

学位级别：硕士

在大数据信息时代,自然图像往往蕴含着丰富的数据信息。然而,图像本身或在传输过程中往往会受到各种噪声或纹理的影响,导致图像模糊、特征细节丢失等问题,进而给后续的图像处理任务带来不便。因此,能够保留图像显著结构信息并滤除纹理... 详细信息

在大数据信息时代,自然图像往往蕴含着丰富的数据信息。然而,图像本身或在传输过程中往往会受到各种噪声或纹理的影响,导致图像模糊、特征细节丢失等问题,进而给后续的图像处理任务带来不便。因此,能够保留图像显著结构信息并滤除纹理及噪声的图像平滑技术显得尤为重要。然而,现有基于深度学习的图像平滑算法往往忽略了图像中纹理信息的多样性,且对图像边缘特征的利用效率不高,导致平滑效果不佳。此外,当前算法通常对输入图像直接进行处理,未能使网络学习到更高级的特征表示。同时,对于最终结果的约束过于单一固定,影响了模型的平滑效果和边缘保留能力。通过对基于深度学习的图像平滑算法的现有问题进行分析,本文的研究内容如下:针对现有方法对纹理变化处理不充分以及未能高效挖掘和利用图像边缘结构信息的问题,本文提出纹理强度自适应边缘一致性网络模型(TIAEC-Net)。为了提升纹理滤除效果,本文设计纹理自适应模块,该模块通过预测显著结构信息并应用注意力机制对特征进行筛选,更准确地捕捉纹理信息的变化。在平滑过程中,采用提取边缘信息并将其与输入图像、纹理特征进行特征融合的方法,以确保重要边缘结构不被过度平滑。同时,构建边缘一致性模块,通过分析输入图像和输出图像之间的边缘响应一致性关系,以增强模型的边缘保护能力。此外,还进一步采用弱结构增强方法,以增强图像中的边缘细节。经过实验验证,TIAEC-Net模型在保留图像显著边缘结构方面表现卓越,并且在公开数据集上优于当前大多数方法。为了克服现有方法未能发掘输入图像中更高级的语义特征内容,以及对平滑结果的约束过于单一固定的挑战,本文提出边缘一致性区域分片光滑网络模型(ECRPFNet)。在网络传入阶段,该模型充分挖掘输入图像的深层全局特征,使网络逐步学习到更丰富的特征表示,以更有效地捕获图像的结构信息和语义内容。此外,设计区域分片光滑约束策略,通过边缘响应特征的异同将图像划分为不同的区域,再利用不同区域不同范式的方法对平滑结果进行约束,以提高图像平滑质量并抑制边缘伪影的产生。最后,通过边缘一致性关系以及弱结构增强方法,增强模型的边缘保留能力。实验结果表明,ECRPF-Net模型在保留图像显著边缘结构方面表现出色,并且在公开数据集上优于现有的大多数方法。

关键词：高级语义特征图像平滑边缘一致性纹理多样性区域分片光滑

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图像分割指导的单目深度估计算法研究

基于图像分割指导的单目深度估计算法研究

引用

作者：闫虎林电子科技大学

学位级别：硕士

深度估计在自动驾驶、服务机器人等在内的计算机与环境自主交互应用场景中具有不可或缺的应用价值。基于深度学习的单目深度估计,仅需单张RGB图片就可以获取深度信息,受到了广泛关注和研究。近年来,基于深度学习的单目深度估计取得了迅... 详细信息

深度估计在自动驾驶、服务机器人等在内的计算机与环境自主交互应用场景中具有不可或缺的应用价值。基于深度学习的单目深度估计,仅需单张RGB图片就可以获取深度信息,受到了广泛关注和研究。近年来,基于深度学习的单目深度估计取得了迅速发展,却仍有例如深度估计量程、精度、分辨率等技术指标,以及算法的效率与环境适用性不能完全满足不同应用和场景需求等问题依然未得到解决,这些问题始终影响着此项技术在实际场景中的广泛应用。基于时序约束的无监督单目深度估计,仅需要单目相机采集的视频图像序列,更简单普遍,研究门槛更低,而其在理论上却具有更强的泛化性和应用价值。本文工作主要针对连续视频图片序列中,因存在违背光度一致性假设、场景静止假设的数据而造成单目深度估计算法对深度预测缺乏语义信息,边缘深度精确度不高的问题,提出了基于图像分割指导的单目深度估计框架,具体的工作主要有:1.针对因场景和视觉遮挡造成的模型深度预测缺乏语义信息,边缘深度精确度不高的问题,设计了一个边缘一致性模块,提出了边缘一致性约束和形状约束。利用语义分割图片中更精准的分割边缘强制约束深度估计边缘,增强深度估计网络的语义表达能力。实验结果表明,加入了边缘一致性模块的网络在性能指标上相较基线算法具有明显的提升,对深度的预测表达能力进一步提高,在对比的7项指标中,有5项指标得到了提升。2.针对场景中动态物体对深度估计模型的影响,提出了一个基于语义分割动态物体检测算法,构建了基于语义分割动态物体检测的单目深度估计算法框架。对视频序列中相邻帧的语义分割图,利用视觉合成的方法进行分割图的重建,通过计算真实语义分割图与重建语义分割图的交并比,判断动态物体并形成动态掩膜,用其抑制动态物体对光度投影误差的污染。通过实验证明了该方法的有效性,加入动态物体检测模块的网络在深度估计的性能上较基线网络有了明显提升。3.结合提出的两个模块构建了基于图像分割指导的单目深度估计算法框架。通过模块消融实验测试了整体算法框架的工作情况,通过动态掩膜覆盖范围实验,分析了动态掩膜对所提损失函数的影响,将网络损失函数调整到最佳的搭配。经过实验验证,网络对深度的预测表达能力进一步提高,相较于基线网络,性能评价的6项指标均有所提升。

关键词：单目深度估计无监督图像分割边缘一致性深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：