大氣能見度是一個和人類生活息息相關(guān)的物理量,低大氣能見度現(xiàn)象不僅嚴(yán)重影響人們的出行安全,而且在一定程度上反映出空氣的受污染程度,間接對人們的身體健康造成影響。傳統(tǒng)的能見度測量方法存在觀測規(guī)范性差、設(shè)備價格高昂、不能實現(xiàn)自動化監(jiān)測等局限性,基于圖像的能見度測量方法又存在公式參數(shù)誤差修正困難等問題。本文旨在尋找能夠較好實現(xiàn)圖像能見度反演的方法,以解決上述存在的問題。稀疏低秩表示在計算機(jī)視覺領(lǐng)域的突破性進(jìn)展使其成為一種有效的數(shù)據(jù)表示方式,卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域表現(xiàn)出色,因此本文基于這兩種方法展開了圖像能見度反演的研究。本文的主要研究工作有以下三部分:（1）對能見度值進(jìn)行min-max標(biāo)準(zhǔn)化處理,對能見度圖像的目標(biāo)區(qū)域進(jìn)行檢索并用尺度不變特征（SIFT）算法配準(zhǔn),將配準(zhǔn)后的圖像存入數(shù)據(jù)庫備用。（2）本文將稀疏低秩表示方法應(yīng)用到圖像能見度反演方面。學(xué)習(xí)了信號的稀疏低秩表示原理后,依據(jù)訓(xùn)練樣本的特征向量集構(gòu)建過完備字典,通過學(xué)習(xí)得出圖像特征的新表示,再用回歸方法得出能見度估計值。討論了不同因素對能見度測量準(zhǔn)確率的影響,確認(rèn)最佳方案。最后將本文稀疏低秩表示法和其他幾個典型的模型進(jìn)行對比實驗,實驗... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１信號的稀疏表示模型??

目前該技術(shù)己經(jīng)在視頻恢復(fù)，人臉識別，低秩紋理，圖像目標(biāo)識別和對齊等領(lǐng)域??廣泛使用，并獲得了較好的成績。假定待處理的數(shù)據(jù)矩陣可以分解為低秩矩陣??Ｊ和稀疏誤差矩陣￡，即＋五，其中Ａ?Ｅｅ?［４３］。分解的模型用圖２－２來表示。??＾■１??Ｊ?■??圖２－２低秩矩陣的分解模型??可將該問題看作是一個最優(yōu)化問題，在保證最小化Ｊ的秩和盡量減小｜￡｜｜（）的同時，??完成Ｘ的分解，數(shù)學(xué)模型可以用式（２－１８）來描述：??ｍｉｎｒａ？Ａ：（＾）?＋?／ｌ｜｜￡，｜｜〇?ｓ．ｔ．?Ｘ?＝Ａ?＋?Ｅ?（２－１８）??其中表示矩陣的秩，ＩＩ表示矩陣的＆范數(shù)，Ａ是折中因子，控制稀疏誤差??矩陣￡的噪聲權(quán)重大小，并且該參數(shù)由行列數(shù)求得；ｌ?＝?ｃ／＾ｍａｘ（Ｗ，／７），?Ｃ是常數(shù)，通??常設(shè)為１，／？、《是矩陣的行列數(shù)。對于上式中／＾范數(shù)的求解包含ＮＰ－Ｈａｒｄ問題，Ｃａｎｄｅｓ??等人［４３］研究證明

Ａ＾＇?＝?ｆ?（ｄｏＭ＇ｎ（Ａ＾）?＋?）?（２－２６）??池化的過程可以用圖２－４表示。假設(shè)如圖左邊是卷積層產(chǎn)生的一個４ｘ４的特征圖，??而肩（．）計算２ｘ２鄰域內(nèi)的值，則生成２ｘ２的池化后的特征圖。池化操作使特征提取的??魯棒性得到提高。??（???：???Ｉ?２，５?２．５?Ａｖｇ－Ｐ〇。丨??：４?７?７?Ｓ?ＭＭ??ｉｒ：２Ｔｗ??－ｒｒｒ＋ｖ?了?７?８??ｊ?４?４?Ｍａｘ－ｐｏｏｌ??ｍ??圖２－４平均池化和最大池化過程??２．３．２全連接層??如果當(dāng)前所在層的每一個神經(jīng)元和前面一層的每個輸出單元一一連接，則將這種連??接稱為全連接。全連接層的作用是將提取到的特征綜合起來用于分類或回歸。當(dāng)卷積核??大小和輸入特征圖的大小相同時，全連接層能夠轉(zhuǎn)化成卷積層。前面的卷積核池化操作??減少了參數(shù)的數(shù)量，而全連接相反，大大增加了網(wǎng)絡(luò)中參數(shù)的數(shù)量。卷積神經(jīng)網(wǎng)絡(luò)常用??來解決圖片的分類問題，因此在卷積層和池化層學(xué)習(xí)圖片特征之后，通常接一個全連接??層，將特征從隱層空間映射到樣

【參考文獻(xiàn)】：
期刊論文
[1]前向散射能見度儀的工作原理及維護(hù)維修[J]. 張毅,劉小容,鐘運(yùn)新,余東柏.  氣象水文海洋儀器. 2015(01)
[2]基于圖像飽和度的海上能見度探測[J]. 戰(zhàn)勇強(qiáng),周立佳,徐冠雷,陳捷.  海洋技術(shù)學(xué)報. 2014(05)
[3]壓縮感知理論與非凸優(yōu)化方法研究[J]. 羅純哲,陳金杰,王蔚東.  無線電工程. 2014(05)
[4]改進(jìn)的基于圖像邊緣的能見度反演方法[J]. 呂艷芬,楊玲,甄小瓊.  計算機(jī)工程與應(yīng)用. 2015(10)
[5]基于圖像理解的能見度測量方法[J]. 許茜,殷緒成,李巖,郝紅衛(wèi),曹曉鐘.  模式識別與人工智能. 2013(06)
[6]從壓縮傳感到低秩矩陣恢復(fù):理論與應(yīng)用[J]. 彭義剛,索津莉,戴瓊海,徐文立.  自動化學(xué)報. 2013(07)
[7]用于壓縮感知信號重建的正則化自適應(yīng)匹配追蹤算法[J]. 劉亞新,趙瑞珍,胡紹海,姜春暉.  電子與信息學(xué)報. 2010(11)
[8]基于壓縮感知的變步長自適應(yīng)匹配追蹤重建算法[J]. 高睿,趙瑞珍,胡紹海.  光學(xué)學(xué)報. 2010(06)
[9]內(nèi)陸地區(qū)近地面大氣消光系數(shù)統(tǒng)計特征及氣象要素影響分析[J]. 呂煒煜,朱文越,苑克娥,郝磊,封雙連,姚東升,饒瑞中.  光子學(xué)報. 2009(09)
[10]半導(dǎo)體激光雷達(dá)的斜程能見度測量方法[J]. 岳斌,董晶晶,孫東松,沈法華,董吉輝,舒志峰.  紅外與激光工程. 2009(01)

博士論文
[1]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017
[2]基于稀疏表示的光學(xué)遙感影像超分辨率重建算法研究[D]. 鐘九生.南京師范大學(xué) 2013

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)圖像分類應(yīng)用研究[D]. 柯小龍.深圳大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉年齡估計算法[D]. 周旺.南京大學(xué) 2017
[3]基于視頻圖像的高速公路能見度檢測技術(shù)研究[D]. 韓明敏.北京交通大學(xué) 2016
[4]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D]. 吳正文.電子科技大學(xué) 2015
[5]大氣能見度測量若干關(guān)鍵技術(shù)研究[D]. 盧家亮.合肥工業(yè)大學(xué) 2014
[6]基于DSP高速公路能見度測量系統(tǒng)的研究[D]. 梁佳.長安大學(xué) 2007



本文編號：3604393