2015-04-17 22:23:17 u010367533 阅读数 970

说明 :1、以下表述都是从各论文收集而来,并非原创;

            2、由于引文较多,不一一列出,在此对所有作者表示感谢;如有侵权,请联

                  系,核实后删除!

           3、 由于是持续更新,所以每部分的内容没有排序,可能会有些乱,各位请见

                 谅!

***************************************************************************************************************************************************************************************

摘要:


算法描述:


实验设置说明:

1、说明参数如何设置:

 For the sake of simplicity we consider here a linear function of the initial noise level, from a= 0  for  b= 0  to a= 0.9  for  b= 50.


2、客观评价参数说明(PSNR和SSIM):

     We evaluate our denoising results with two image quality measures: the popular Peak Signal to Noise Ratio (PSNR)and the Structural Similarity Index (SSIM) . While simple and practical, the PSNR relies only on the absolute difference pixel by pixel, and does not provide a good signal fidelity measure . As such, its ability to compare images from a human perception point of view is poor. The SSIM is somehow a more complete image quality measure, which builds upon the idea that human perception is highly adaptive to structural information from images and visual scenes 。


实验结果说明:

1、说明自己的算法整体要优于比较算法,但是不是所有的情况:

   in all cases, significant improvements have been made in this objective measure, and the proposed algorithm generally (but nExperimental results justify the performance of the proposed learning-based up-sampling scheme, which significantly outperforms the state-of-the-art up-sampling algorithms in
terms of PSNR (more than 1 dB improvement), M-SSIM and subjective quality. ot always) provides superior PSNR results 
relative to the other two algorithms.

2、说明自己算法在客观指标以及主观效果都要好

      Experimental results justify the performance of the proposed learning-based up-sampling scheme, which significantlyoutperforms the state-of-the-art up-sampling algorithms in terms of PSNR (more than 1 dB improvement), M-SSIM and subjective quality. 

总结:

*************************************************************************************************************************************************************************************

       作者简介: 在读研究生,专注于图像处理技术研究

**********************************************************************************************************************************************************************************

2016-04-15 13:36:30 j_study 阅读数 2007

计算机视觉、图像处理方面的论文阅读笔记,

推荐大家看一下http://zhangliliang.com/,作者:在路上

方便吐舌头懒人偷笑了解计算机视觉,图像处理方面的进展。

感谢作者的无私贡献。

2008-04-02 18:23:00 shimenkeji 阅读数 389

我要一篇图像处理中的图像分割的论文。
要求用PDE。能在一般杂志上发表就可以了。
我还要给导师看,要进行适当的修改,当然如果好多好就不用修改。
可以吗?
那什么时候能搞好?
一共多少钱?

联系QQ 450814688 写明“论文”,有效期7天
更多请看:包毕业毕业设计网 www.baobiye.com 

2018-08-29 17:11:36 qq_36396749 阅读数 503

    《图像物体分类与检测算法综述》——黄凯奇、任伟强、谭铁牛的阅读笔记。

    一、目的

    以此论文建立数字图像处理的总体概念,其中“数字图像处理”的概念有待确认。

    二、简述

在摘即使你的话要部分指出图像物体这个主体的两个基本问题就是分类与检测,其次才有分割、跟踪、行为分析等后续操作(在此部分,由于查阅过纺织服装的智能检测的两篇论文,在图像分割后的操作有所差异——为聚类、提取)。

    截取文章摘要中所述的整体逻辑为:

  1. 从实例、类别、语义三个层次对物体分类与检测研究中存在的困难与挑战进行了阐述。
  2. 该文以物体检测和分类方面的典型数据库和国际视觉算法竞赛PASCAL VOC竞赛为主线对近年来物体分类与检测的发展脉络进行了梳理与总结,指出表达学习和结构学习在于物体分类与检测中占有重要的地位。
  3. 最后文中对物体分类与检测的发展方向进行了思考和讨论,探讨了图像物体识别中下一步研究可能的方向。

[小标题:图像物体分类与检测概述——物体分类与检测的难点与挑战(实例、类别、语义三个层次)——物体分类与检测数据库——物体分类与检测的发展历程(词包模型、深度学习模型、物体检测方法)——对物体分类与检测的思考(物体检测和物体分类的统一性、物体分类与检测的发展方向、结构化学习存在的难点与挑战、层次化学习即深度学习存在的难点与挑战)——结论]

    三、内容和分析

      论文中提到计算机视觉理论要解决的基本问题是“什么东西在什么地方”,即分类和检测,分类为确定图像中存在什么物体,检测为确定图像中什么位置存在什么物体。

      难点与挑战中的三个层次,我理解为三个过程。在素材采集过程中,由于物体实例的物理特性,将其在转换为二维平面时有不确定的变化,这是实例层次。素材获取后要对物体的聚类的标准时模糊的,以及背景干扰也是影响的较大因素,这是类别层次。在素材提取时,定义解释是主观性的,这是语义层次(这里理解得比较牵强,如果是三个过程的逻辑结构,在提取时的难点可能是技术性的客观难题而不是主观性的理解问题,所里难点和挑战的结构是只在素材采集时的并行结构?指出的是这一阶段的三个问题?)。

       形成分类算法后的验证问题也是同样值得关注的(仿真实验?),论文列举了多主题体不同的数据库,以图像数目、类别数目、每类样本数目、图像大小、分类检测任务难度这几个因素来进行比较。

如图所示:(截自论文表1)

数据库内容暂定。

       物体分类及检测的发展历程在论文中以PASCAL VOC竞赛的进展为主线,文中阐述了三种方法和其过程。分类和检测之间的最大不同为是否表达物体结构,物体的分类方法侧重于学习特征表达,典型的有词包模型和深度学习模型,物体的检测则侧重于结构学习,如形变检测模型。

  1. 词包模型,由4部分组成标准物分类框架步骤:
  • 底层特征提取:方式有基于趣点检测算法和采用密集提取两种。兴趣点检测算法是特征和定义明确的像素点、边缘、角点、区块等(典型的兴趣点算子有:Harris角点检测子、FAST算子、DoG等)。密集提取方法较多的被采用,是指在图像中按固定的步长、尺度提取大量的局部特征描述。优势是能获取更多的信息(典型局部特征包括:SIFT、HOG、LBP)
  • 特征编码:使用特征变换对底层特征进行编码,获取更明显的特征。(重要算法有:向量量化编码、核词典编码、稀疏编码、局部线性约束编码、显著性编码、Fisher向量编码、超向量编码等)
  • 特征汇聚:即特征集整合(空间金字塔匹配)
  • 使用支持向量机等分类器:学习一个分类器对图像进行分类(支持向量机(支持向量机中也有分类,主要为线性支持向量机?)、K近邻、神经网络、随机森林等)
  1. 深度学习模型,主流的深度学习模型包括:自动编码器y(由编码器和解码器组成,是一种特征重组)、受限玻尔兹曼机(是一种无向的二分图模型,采用对比散度算法进行模型学习(算法与模型学习如何承接,方法与模型呢?))、深度信念网络(是一种层次化的无向模型)、卷积神经网络(是ANN中的一种前馈人工神经网络,最初应用于数字手写识别,包括卷积层和汇聚层(池化层?)。个人理解为多层的不同部分识别)、生物启发式模型等。
  2. 物体检测方法如图:(截自论文表3)

维基百科鲁棒性个人的理解是在有阻碍因素下功能正常使用的特性

 物体分类和检测的区别:

物体检测定义物体所在位置,物体分类判断物体种类。物体分类是物体检测的精进步骤。

结构化学习的难点和挑战:

模型表达、模型学习问题、模型推断问题

层次化学习的难点和挑战:

解释性差、模型复杂度高、计算强度高、模型缺少强度约束。

图像处理入门教程

阅读数 30203

图像处理技术介绍

阅读数 172

图像处理网址收集

阅读数 561

没有更多推荐了,返回首页