基于深度學習的航拍圖像場景解析算法是目前無人機應用技術領域及深度學習領域的熱點研究課題,同時部分技術已經廣泛應用于無人機偵查、交通監(jiān)管、土地勘測、野生動物追蹤、災害觀察等領域。無人機航拍圖像屬于高分辨率圖像,航拍場景中的目標及小目標的細節(jié)信息保留完整,但是易受惡劣天氣的影響,導致航拍圖像模糊,對比度、顏色保真度及清晰度都下降,因此需要對航拍圖像進行圖像去霧同時增強圖像,為后續(xù)的目標檢測提供高質量的航拍圖像�，F有的基于深度學習的目標檢測網絡模型通常是針對300*300到500*500的分辨率的圖像,可以達到實時檢測,檢測精度也遠超基于機器學習的目標檢測方法。直接對高分辨率航拍圖像進行壓縮,會損失小目標的許多細節(jié)信息,并且網絡模型中的特征圖分辨率低,保留的關于小目標的細節(jié)信息很少,不利于小目標檢測。目前,圖像去霧算法及基于深度學習的目標檢測方法并不適用于高分辨率的航拍圖像,存在一些問題,例如圖像去霧算法不能很好處理航拍圖像中的天空區(qū)域,針對高分辨率的航拍圖像,目標檢測網絡模型對小目標定位精度差,檢測時間達不到實時性要求等。本文在詳細介紹了基于暗影通道的圖像去霧算法及經典的基于深度卷積神經網... 

【文章頁數】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 航拍圖像場景解析的研究背景及意義
    1.2 研究現狀
        1.2.1 航拍圖像增強預處理方法研究現狀
        1.2.2 航拍圖像中的目標檢測研究現狀
    1.3 論文概況
第二章 航拍圖像增強預處理方法研究
    2.1 引言
    2.2 基于暗影通道的圖像去霧算法
    2.3 基于導向濾波的快速圖像去霧算法
        2.3.1 算法原理
        2.3.2 計算大氣幕函數
        2.3.3 導向濾波原理
        2.3.4 計算殘差圖像及復原圖像
    2.4 實驗結果分析
    2.5 本章小結
第三章 基于預分割的深度卷積神經網絡航拍圖像目標檢測
    3.1 引言
    3.2 相關理論背景
        3.2.1 卷積神經網絡CNN簡介
        3.2.2 特征金字塔網絡
        3.2.3 R-CNN系列網絡簡介
    3.3 Quad-SSD網絡模型簡介
        3.3.1 基于四叉樹的預分割算法介紹
        3.3.2 多尺度目標檢測網絡（SSD）介紹
        3.3.3 Quad-SSD網絡介紹
    3.4 實驗結果分析
    3.5 本章小結
第四章 基于特征融合的深度學習的航拍圖像目標檢測
    4.1 提高特征圖分辨率的方法
        4.1.1 殘差網絡（Residual Network）
        4.1.2 上采樣方法
    4.2 特征融合
        4.2.1 同層特征圖之間的特征融合
        4.2.2 不同層特征圖之間的特征融合
    4.3 基于特征融合的深度學習的目標檢測方法
        4.3.1 網絡模型結構
        4.3.2 網絡模型訓練
    4.4 實驗結果分析
        4.4.1 Pascal VOC2007數據集實驗
        4.4.2 航拍圖像實驗
    4.5 本章小結
第五章 總結與展望
    5.1 研究工作總結
    5.2 研究展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于雙線性插值的圖像縮放算法的研究與實現[J]. 王森,楊克儉.  自動化技術與應用. 2008(07)



本文編號：3713632