自然場(chǎng)景識(shí)別作為模式識(shí)別的一個(gè)重要分支,在無(wú)人車及機(jī)器人應(yīng)用方面有著十分重要的研究?jī)r(jià)值。然而圖像成像場(chǎng)景復(fù)雜多變,單一彩色場(chǎng)景圖像信息不夠豐富,使得場(chǎng)景識(shí)別的精度難以提升。而多源圖像融合可以改善實(shí)際應(yīng)用系統(tǒng)的可靠性、魯棒性,提高圖像信息的利用效率,結(jié)合不同傳感器的信息互補(bǔ)優(yōu)勢(shì),可以做到更全面的描述及識(shí)別待測(cè)場(chǎng)景圖像與目標(biāo)。隨著可見(jiàn)光-近紅外共平臺(tái)成像系統(tǒng)的普及,智能化自然場(chǎng)景識(shí)別正在成為當(dāng)前的研究熱點(diǎn)。為此,針對(duì)典型自然場(chǎng)景智能觀測(cè)的需求,本研究課題提出一種將近紅外圖像和可見(jiàn)光圖像融合并應(yīng)用在類字典稀疏場(chǎng)景識(shí)別框架上的方法。首先把待測(cè)場(chǎng)景對(duì)應(yīng)的可見(jiàn)光圖像通過(guò)亮度圖像編碼變換到HSV空間,并將HSV空間中的亮度通道替換為近紅外圖像;之后將替換后的圖片還原到RGB空間,得到融合的彩色圖像;然后進(jìn)行全局GIST特征和局部PHOG特征的提取與融合;最后結(jié)合類字典稀疏識(shí)別得到場(chǎng)景分類結(jié)果。實(shí)驗(yàn)結(jié)果表明,在RGB-NIR數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)識(shí)別精度達(dá)到了74.75%,高于其它相關(guān)方法,通過(guò)數(shù)據(jù)分析可見(jiàn),融合近紅外信息的場(chǎng)景圖像的識(shí)別精度高于未融合時(shí)的識(shí)別精度,換言之,提出的近紅外圖像融合的思路能夠使得場(chǎng)...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

(i)water圖1.1RGB-NIR場(chǎng)景數(shù)據(jù)庫(kù)部分示例如圖1.1所示，每個(gè)類別都有對(duì)應(yīng)的相同數(shù)目的可見(jiàn)光圖像和近紅外圖像。從數(shù)據(jù)庫(kù)的圖像可以看出，有些類別的類間差異很大，而有些類別的類間差異又很小，比如county和indoor這兩種類別大家都很容易區(qū)分，但是....

常見(jiàn)的場(chǎng)景分類的類別有人造、自然、室內(nèi)、室外等，或者劃分再具體一點(diǎn)還能夠分為建筑物、城市、鄉(xiāng)村、街道、河流、山川等，所以由于場(chǎng)景本身的復(fù)雜性和多樣性使得場(chǎng)景識(shí)別精度一直難以得到大幅提高。如圖2.1，Bosch等把場(chǎng)景識(shí)別技術(shù)分成使用低層圖像特征和使用中層語(yǔ)義特征兩種分類方法[29....

便開(kāi)始以人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork地。深度學(xué)習(xí)的目的是通過(guò)分層網(wǎng)絡(luò)獲取分層次機(jī)器學(xué)習(xí)算法解決特征需要人工設(shè)計(jì)的重要難題法的框架，其核心是特征學(xué)習(xí)，從大類上可以歸變化。在場(chǎng)景識(shí)別中也有許多研究學(xué)者使用深度得了許多意想不到的成果。器學(xué)習(xí)和人工神經(jīng)....

電大學(xué)碩士研究生學(xué)位論文第三章可見(jiàn)光—近紅外圖像信息進(jìn)行集成，來(lái)減少單一信息在環(huán)境解釋中可能造成的多義性、不確定性和而最大限度地利用各種信息源，最終提高系統(tǒng)特征提取、分類、目標(biāo)識(shí)別等方。目前大部分的圖像融合都在像素級(jí)進(jìn)行，融合的過(guò)程是挨個(gè)處理圖像中存通過(guò)對(duì)多幅圖像進(jìn)行的像素級(jí)....

本文編號(hào)：3989901