协同创新机制下_遥感数字图像处理_课程教学探索_张斌

合集下载

基于“互联网+”多平台互动的《数字图像处理》课程教学方法探讨

基于“互联网+”多平台互动的《数字图像处理》课程教学方法探讨1. 引言1.1 背景介绍随着移动互联网的普及，多平台互动已经成为一种趋势。

在数字图像处理课程中，多平台互动可以通过手机应用、在线平台和虚拟实验室等方式实现课程内容的互动教学。

通过多平台互动，学生可以更加便捷地接触到实际的数字图像处理技术，提升他们的实践能力和创新意识。

本文旨在探讨基于“互联网+”多平台互动的《数字图像处理》课程教学方法，分析多平台互动在课程中的应用情况，探讨数字图像处理课程教学方法的改进与创新，并通过案例分析展示多平台互动的优势。

本文还将就“互联网+”多平台互动教学模式的可行性进行评估，并展望未来数字图像处理课程教学的发展方向。

1.2 研究意义数字图像处理是计算机视觉领域的重要分支，随着互联网和信息技术的快速发展，基于“互联网+”多平台互动的教学模式在数字图像处理课程中得到了广泛应用。

本文旨在探讨这种教学模式在数字图像处理课程中的应用和优势，并通过案例分析评估其效果。

研究意义主要表现在以下几个方面：1.促进学生的主动学习：基于“互联网+”多平台互动的教学模式可以激发学生学习的兴趣，提高学习积极性和参与度。

通过多种互动方式，如在线讨论、课堂互动等，可以帮助学生更好地理解数字图像处理的基本概念和算法。

2.优化教学资源：基于互联网的多平台互动教学模式可以有效整合教学资源，提高资源利用率。

教师可以通过网络平台发布教学资料、布置作业、进行在线答疑等，实现教学资源的共享和互动。

基于“互联网+”多平台互动的教学模式在数字图像处理课程中具有重要的研究意义，对提高教学质量和学生成绩具有积极的促进作用。

2. 正文2.1 基于“互联网+”的教学模式探讨随着信息技术的飞速发展和互联网普及，传统的课堂教学模式已经无法满足当前学生对知识获取和互动交流的需求。

基于“互联网+”的教学模式以其强大的互动性和便捷性，逐渐成为教育领域的热门话题。

在数字图像处理课程中，基于“互联网+”的教学模式可以为学生提供更加个性化的学习体验。

“遥感数字图像处理”教学改革初探＊

系列改革。教学结果表明，这些措施可以有效促进学生的学习兴趣，并加深他们对知识的理解。文献标志码：Ａ文章编号：１００６ — ８２２８（２０１３）０６ — ６７ — ０２
现状，从优化教学内容、完善教学手段、激发学生兴趣、注重实验教学、提高学生动手能力等方面对该课程的教学进行了
关键信息系统
中图分类号：ＴＮ９１１－７２
Ｐｒｅｌｉｍｉｎａｒｙｄｉｓｃｕｓｓｉｏｎｏｎｔｅａｃｈｉｎｇｒｅｆｏｒｍｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ
Ａｂｓｔｒａｃｔ：Ｒｅｍｏｔｅｓｅｎｓｉｎｇｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｉｓｏｎｅｏｆｔｈｅｃｏｒｅｃｏｕｒｓｅｓｏｆｇｅｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎｓｙｓｔｅｍｓｐｅｃｉａｌｔｙ．Ｃｏｎｓｉｄｅｒｉｎｇｉｔｓｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｔｅａｃｈｉｎｇｓｔａｔｕｓ，ａｓｅｒｉｅｓｏｆｒｅｆｏｒｍｍｅａｓｕｒｅｓａｒｅｐｒｅｓｅｎｔｅｄｉｎｏｒｄｅｒｔｏｐｒｏｍｏｔｅｔｈｅｓｔｕｄｅｎｔｓ ’ ｉｎｔｅｒｅｓｔｉｎｌｅａｎｉｒｎｇａｎｄｄｅｅｐｅｎｔｈｅｉｒｕｎｄｅｒｓｔａｎｄｉｎｇｏｆｋｎｏｗｌｅｄｇｅ．Ｔｈｅｍｅａｓｕｒｅｓａｒｅｏｐｔｉｍｉｚｉｎｇｔｅａｃｈｉｎｇｃｏｎｔｅｎｔｓ，ｉｍｐｒｏｖｉｎｇｔｅａｃｈｉｎｇｍｅｔｈｏｄ，ｓｔｉｍｕｌａｔｉｎｇｓｕｄｔｙｉｎｔｅｒｅｓｔ，ａｎｄｅｎｈａｎｃｉｎｇｅｘｐｅｒｉｍｅｎｔａｌｔｅａｃｈｉｎｇ．Ｋｅｙｗｏｒｄｓ：ｔｅａｃｈｉｎｇｒｅｆｏｍ；ｒｒｅｍｏｔｅｓｅｎｓｉｎｇｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｇｅｏｇｒａｐｈｉｃｉｎｆｏｍａｒｔｉｏｎｓｙｓｔｅｍ

遥感类核心课程体系建设及教学改革实践

一、引言随着遥感技术的迅猛发展和广泛应用，遥感已经成为地球科学、环境科学、资源科学等多个学科领域的重要工具和手段。

在高校教育中，遥感已经成为各类相关专业的核心课程之一。

然而，随着时代的变迁和科技进步，遥感课程体系与教学方法也需要不断更新和改革，以满足学生的学习需求和社会的发展需要。

二、遥感课程体系建设1. 遥感基础知识的系统学习遥感课程体系建设的核心是将遥感的基础知识进行系统化、层次化的学习。

从遥感的基本原理、遥感技术的发展历程到遥感在各个领域的应用实践，都需要学生系统掌握和理解。

2. 遥感数据处理与分析技术随着遥感数据的快速增加和多样化，学生需要掌握遥感数据处理与分析技术。

包括遥感数据获取、遥感图像处理、遥感信息提取等方面的知识和技能。

3. 遥感应用案例分析在课程体系中，应该加入大量的遥感应用案例分析。

通过真实的案例分析，学生可以更好地理解遥感在不同领域的应用方式和效果。

4. 遥感技术与社会发展遥感技术与社会发展是遥感课程中不可忽视的一部分。

学生需要深入了解遥感在城市规划、环境保护、资源管理等方面的作用，以及未来的发展趋势。

三、教学改革实践1. 多媒介教学手段在遥感课程的教学中，可以引入多媒介教学手段，如PPT、视频、实物模型等，以增强学生的学习兴趣和理解效果。

2. 实践教学环节遥感课程的实践教学具有重要意义。

可以组织学生进行遥感数据的采集和处理实践，或者安排实地考察，让学生亲身体验遥感技术的应用。

3. 创新教学方法在教学改革实践中，可以探索和引入新的教学方法，如问题驱动式教学、合作学习等，激发学生的学习热情和创新思维。

四、总结遥感课程体系建设及教学改革实践是一个不断探索和完善的过程。

随着社会对遥感技术的需求不断增长，我们需要不断更新课程内容，改进教学方法，培养更多高素质的遥感人才，为社会发展做出更大的贡献。

希望通过不懈的努力，遥感课程可以更好地适应时代发展的需要，为学生提供更为优质的教学体验。

遥感科学与技术专业本科培养方案-中南大学教务网络管理系统

遥感科学与技术专业 >>> 遥感科学与技术专业本科培养方案一、专业简介遥感科学与技术为2011年教育部正式新增测绘类本科专业，我校2012年增设该专业。

测绘学科是我校传统学科，2003年获测绘科学与技术一级学科博士点；同年建立测绘科学与技术博士后流动站。

我校测量与遥感实验室占地面积约为650平方米，有GPS、激光扫描仪、数字摄影测量工作站、多基线数字近景摄影测量系统、遥感图像处理系统等主要设备总价值约为840万元。

测绘系现有专任教学及实验人员38人，教授12人，副教授8人，讲师17人，博士生导师8人。

本专业瞄准国家的重大需求，注重与数学、物理、计算机、资源、环境等学科交叉融合，在微波遥感、环境遥感、遥感地质等领域优势突出，特色显著。

二、培养目标为我国国防建设、城市发展与规划、环境监测、土地利用、资源调查、灾害控制等领域企事业单位输送高级遥感技术人才和后备管理人才，培养具有德、智、体全面发展的，掌握遥感数据处理、目标参数反演与特征提取、遥感信息分析、遥感信息管理与应用的基本原理、基本方法和基本技能。

具备坚实的数学、英语、计算机基础以及良好的政治、业务和人文素质，并具有从事各种遥感信息处理与分析工作能力、知识更新与自我完善能力、良好沟通与组织管理能力的遥感技术专业优秀人才。

按照本标准培养的遥感科学与技术专业本科的学生，具备助理工程师基本能力，本专业毕业生可从事遥感科学与技术基础理论研究、国防建设、城市发展与规划、环境监测、土地利用、资源调查、灾害控制等领域的遥感科技工作。

三、培养要求知识方面：1．具有扎实的自然科学基本理论知识，并了解当代科技发展的主要方面和应用前景。

2．具有扎实的遥感科学与技术专业理论与技术知识。

包括：遥感数据处理、目标参数反演与特征提取、遥感信息分析、遥感信息管理、遥感信息的集成与应用等相关理论与技术。

3．深入了解测绘法及相关法规，熟悉遥感专业的行业技术标准与规范。

遥感数字图像处理实验教程(第二版)(韦玉春,秦福莹,程春梅著)PPT模板

12 实验九变化检测
实验九变化检测
一、目的和要求二、实验内容三、图像处理实验四、课后思考练习五、程序设计
13 附录1实验报告要求
附录1实验报告要求
14 附录2实验报告模板
附录2实验报告模板
15
附录3遥感数字图像处理实验的相关软件
附录3遥感数字图像处理实验的相关软件
16 附录4随书光盘内容说明
四、课后思考练习
05
五、程序设计
ቤተ መጻሕፍቲ ባይዱ06
六、拓展实验
单击此处添加标题
单击此处添加文本具体内容，简明扼要的阐述您的观点。根据需要可酌情增减文字，以便观者准确的理解您传达的思想。
实验六图像滤波
七、课外阅读
10 实验七图像分割
实验七图像分割
01
一、目的和要求
02
二、实验内容
03
三、图像处理实验
遥感数字图像处理实验教程（第二版）(韦玉春,秦福莹,程春梅著)
演讲人 2 0 2 X - 11 - 11
REPORT
01 第二版前言
第二版前言
02 第一版前言
第一版前言
03 实验内容和实验安排
实验内容和实验安排
04 实验一实验准备
实验一实验准备
一、目的和要求
六、查看
01
软件的帮
单击此处添加标题
单击此处添加文本具体内容，简明扼要的阐述您的观点。根据需要可酌情增减文字，以便观者准确的理解您传达的思想。
07 实验四遥感图像的校正
实验四遥感图像的校正
一、目的和要求二、辐射校正实验三、几何精纠正实验
08 实验五图像变换
实验五图像变换

遥感图像处理与分析技术改进与创新

遥感图像处理与分析技术改进与创新现代遥感技术的快速发展使得遥感图像处理与分析成为现如今信息获取和地球观测的重要手段。

在大数据时代，遥感图像处理与分析技术的改进与创新是非常重要的，它们可用于环境监测、农业管理、城市规划和自然资源管理等领域。

本文将探讨遥感图像处理与分析技术的改进与创新，并介绍其中一些最新的进展。

首先，遥感图像处理的改进与创新主要集中在图像增强、特征提取和分类识别等方面。

图像增强是改善图像质量和对比度以更好地观察和分析图像的过程。

传统的图像增强方法包括直方图均衡化和滤波器处理，但它们往往导致图像细节的损失。

最近，基于深度学习的图像增强方法受到了广泛关注。

这些方法利用卷积神经网络(CNN)和生成对抗网络(GAN)等技术，可以有效地增强图像的细节和对比度。

另外，特征提取和分类识别是遥感图像处理与分析的重要组成部分。

传统的特征提取方法主要依赖于手工设计的特征，但这些方法在复杂的遥感图像中往往效果不佳。

近年来，深度学习技术的应用使得自动学习特征成为可能，它能够从原始图像中学习到更具有判别能力的特征表示。

这种改进与创新使得遥感图像的分类识别性能得到了显著提升。

其次，遥感图像处理与分析技术的改进与创新还包括多源数据融合和高性能计算等方面。

多源数据融合是指将来自不同传感器或平台的多个遥感图像融合起来，以获取更全面、准确的地理信息。

传统的多源数据融合方法主要基于像素级或特征级的融合，但这些方法忽略了不同数据源之间的相互关系。

最近，基于深度学习的多源数据融合方法得到了广泛应用。

这些方法利用卷积神经网络和生成对抗网络等技术，可以从多个数据源中学习到更具有一致性和互补性的地理信息。

此外，高性能计算是支撑遥感图像处理与分析的关键技术。

随着遥感图像数据的快速增长，传统的图像处理算法往往无法满足实时处理的需求。

因此，利用并行计算和分布式计算等技术，提高遥感图像的处理效率成为了改进与创新的重要方向。

然后，遥感图像处理与分析技术的改进与创新还涉及到时空数据分析和模型推理等方面。

OBE理念引导下“数字图像处理”课程教学改革探索

OBE理念引导下“数字图像处理”课程教学改革探索作者：上官宏张雄乔建华武晓嘉宁爱平来源：《科技风》2022年第24期摘要：新工科建设和工程教育认证对课程建设提出了更高的要求，倡导以成果产出为导向（OBE）作为课程目标，强调对学生的综合能力进行培养。

传统的“数字图像处理”课程采用教材导向的课程目标，教学内容强调方法讲解忽略学生兴趣培养，强调孤立算法实现忽略完整项目的开发，强调知识讲解忽略实践技能培养。

本文针对“数字图像处理”课程教学过程中存在的问题，将OBE理念引入该课程教学的各个方面，围绕课程教学目标设计、课程教学内容更新、课程教学方式改革、课程考核方式改革四個方面构建“数字图像处理”课程的教学体系。

教学实践的成果表明，OBE理念引导下的“数字图像处理”课程教学方案可以有效避免传统教学方案存在的弊端，提升学生的综合能力和综合素质。

关键词：数字图像处理;教学改革;OBE理念1 “数字图像处理”课程教学现状及存在的问题数字图像是一种在计算机中以数字格式存储的图像数据。

目前，国内各大高校所开设的针对本科生的“数字图像处理”课程主要介绍利用计算机实现对图像的采集、增强、变换、编码、恢复、分割、分析和识别等的理论、方法和技术，该课程涉及传感器、计算机、信号处理和模式识别等技术领域，是一门多学科交叉的课程。

随着我国创新驱动发展战略的实施，培养更多具有创新创业能力的技术型人才成为当前高等教育的使命。

可广泛应用于医学诊疗、工业无损检测、自动驾驶、目标跟踪、地形勘探等领域的“数字图像处理”课程已成为信息类学科的重要专业基础课程，通过研究数字图像的采集、显示和处理的基本概念、算法和系统，学生们可获取毕业后从事模式识别、计算机视觉、信息技术及其工程应用等工作所需的机器视觉基础知识[1]。

“数字图像处理”课程涉及较为高深的基本理论（如傅里叶变换、聚类分析、霍夫变换、形态学分析、数字信号滤波），具备较强的应用实践背景（例如人脸、指纹、静脉等生物特征识别，图像去雨、去雾、去摩尔纹，以及智能视频监控等），要求学生具备较强编程动手能力。

遥感数字图像处理课程研究型教学模式的建构

遥感数字图像处理课程研究型教学模式的建构作者：吴静，李纯斌，付彩菊，闫培洁来源：《吉林省教育学院学报·上旬刊》 2015年第4期吴静，李纯斌，付彩菊，闫培洁（甘肃农业大学资源与环境学院，甘肃兰州730070）摘要：大学研究型教学思想已成为重要的教学理念之一。

本文针对课程特点和学生特征，以研究型教学思想为指导，在遥感数字图像处理课程中，强调开放意识、问题意识、探究意识和能力培养意识，建构了研究型教学模式，在实践中取得了较好的教学效果，能够激发学生学习和研究的兴趣，提高学生的动手、动脑能力。

关键词：研究型教学；遥感数字图像处理；教学模式；建构DOI：10.16083/ki.22-1296/g4.2015.04.024中图分类号：G642.0文献标识码：A文章编号：1671—1580（2015）04—0052—02基金项目：甘肃省自然基金（编号145RJZA163）；甘肃农业大学重点课程建设项目（遥感数字图像处理）；甘肃农业大学教学研究项目“地理信息科学专业实践教学模式的改革与实践”资助。

收稿日期：2014—10—19作者简介：吴静（1973—），女，四川道孚人。

甘肃农业大学资源与环境学院，副教授，博士，研究方向：遥感教学。

李纯斌（1972—），男，湖北长阳人。

甘肃农业大学资源与环境学院，副教授，博士，研究方向：3S技术与应用。

付彩菊（1981—），女，甘肃定西人。

甘肃农业大学资源与环境学院，讲师，硕士，研究方向：遥感教学。

闫培洁（1985—），女，甘肃白银人。

甘肃农业大学资源与环境学院，讲师，硕士，研究方向：遥感教学。

大学研究型教学以主体教育思想、素质教育思想、创新教育思想为理论指导，注重培养学生可持续发展的能力，如自主能力、创新能力、交往合作能力等，能够很好地体现现代大学教学的本质，［1］因此，研究型教学思想自美国在20世纪80年代提出以来，得到了包括中国在内的各国教育界的积极响应和发展，取得了瞩目的成就，成为高校推崇的教育理念之一。

研究生遥感处理类课程的创新改革与实践研究

研究生遥感处理类课程的创新改革与实践研究作者：冯婕冯雪亮李阳阳张丹焦李成张向荣来源：《教育教学论坛》2019年第16期摘要：结合遥感处理类课程的特点和我校研究生教学的实际需求，本文基于我校研究生《SAR图像处理与解译》课程建设开展改革探索，从教学内容更新、教学方式改革、教学资源优化等方面出发，有机融合课堂研讨式教学、实践开发式教学、教学资源优化、科研成果分享等多元教学模式，在实践中取得了较好的效果，能够激发学生学习和研究的兴趣，提高学生的主动性和创新能力，充分满足遥感技术的发展及研究型专业人才培养的需要。

关键词：研究生教育；研讨式教学；实践教学；教学资源优化中图分类号：G643 文献标志码：A 文章编号：1674-9324（2019）16-0069-03国务院《国家中长期科学和技术发展规划纲要（2006-2020年）》将“高分辨率对地观测系统”列为16个重大专项之一[1]，遥感技术已经在农业规划、防灾救灾、资源保护、军事侦察、气候变化、公共安全等诸多领域发挥着重要的作用。

随着信息化技术的日益发展，对遥感领域的创新人才具有更加迫切的需求。

高校研究生教育作为培养高层次人才的主要渠道，在国民经济发展中有着不可估量的作用。

本文通过指出研究生教育中遥感处理类课程存在的问题，然后结合研究生教学要求和特点，提出一系列教学改革措施，以资参考。

一、遥感处理类课程研究生教学中存在的问题遥感处理技术集中了近代物理学、光学、电子学、计算机科学、空间科学和地球科学的最新成就[2]，涉及范围广泛，内容众多。

在研究生教学过程中，选取适合研究生教学的课程内容，制定合理的教学方法，目前主要存在以下问题：课程教学体系不够完善，教学内容针对性弱，难以抓住学生各自专业领域的侧重点；随着遥感技术的发展，部分研究内容更新较快，教材内容时效性低，教学内容不够稳定；传统课程教学多采用PPT教学，教学方式单一，致使学生积极性不高；课程教学材料匮乏，网络资源良莠不齐，学生课下学习效率低下。

融入GIS应用的数字图像处理课程教学改革研究

融入GIS应用的数字图像处理课程教学改革研究作者：都娥娥张会影圣文顺来源：《课程教育研究》2022年第08期【摘要】以“数字图像处理”课程为例，探讨当前教学模式中存在的问题与弊端，提出了对教学内容、教学方法及教学体系进行全面改革的研究策略，同时将地理信息系统的实际工程案例引入课堂进行案例教学和实践教学。

改革后的教学实践取得了良好的教学效果，整体教学质量得到大幅度提高，学生的学习积极性和内驱力得到有效激发。

【关键词】数字图像处理 GIS 教学改革【基金项目】2021年度江苏省高校教育信息化研究课题（2021JSETKT058，2021JSETKT027）;2020年度南京工业大学浦江学院教育教学改革课题（2020JG010Y，2021JG003Z）。

【中图分类号】G642 【文献标识码】A 【文章编号】2095-3089（2022）08-0070-031.引言随着计算机技术和数字信号处理技术的日益成熟，数字图像处理技术得到了飞速的发展，应用领域愈加广泛，研究范围从空间也已渗透到微观，逐渐成为多个科学技术领域中不可或缺的一项重要工具，已发展为最主要的现代科学应用技术之一。

数字图像处理课程是通信工程、电子信息、测绘、遥感科学与技术等专业必修的专业基础课之一，主要讲授数字图像处理方面的基本原理和关键技术，既有很强的理论性和系统性，又有很强的工程性和实践性。

学生通过数字图像处理的学习，能掌握图像处理的基本理论、概念、方法和技术，培养和增强学生创新意识和创新思维，提高实际动手能力和创新能力，可以应用数字图像处理相关知识和技术解决自然科学、工程技术和实际生活中遇到的问题。

结合学校的应用型人才培养理念，在数字图像处理课程教学中需要将数字图像处理技术与实际应用相结合，并且引入数字图像处理技术在各行业的典型案例来进行授课。

但是通过参与教学实践后，发现该课程在教学中存在一些问题，注重理论输入，实验单一，缺乏应用支撑，学生由于理解困难而缺乏兴趣，这与学校定位的培养目标产生了部分背离。

仿生物视觉的非均匀采样方法及其硬件设计

仿生物视觉的非均匀采样方法及其硬件设计张斌;梅魁志;郭青【摘要】利用生物的选择注意机制可减少计算量的优势,提出了仿生物视觉的非均匀采样方法并实现了硬件设计.利用基于高斯函数的模型模拟了生物视觉的选择性响应特性,由此得到采样层优先和采样密度优先的2种非均匀采样表达式.在视觉处理芯片中,根据人眼特性并利用采样密度优先的方法,将图像分为4层进行非均匀采样和数据传送.实验表明:较之已有的非均匀采样方法,所提方法更具生物视觉特性和物理可实现性,并具有较高的压缩率;当注视点为图像中心时,数据压缩率达到了1/28;利用任意选取注视点得到的非均匀采样数据恢复的图像效果符合人眼视觉特性.【期刊名称】《西安交通大学学报》【年(卷),期】2010(044)006【总页数】5页(P99-103)【关键词】仿生物视觉;视觉处理芯片;非均匀采样【作者】张斌;梅魁志;郭青【作者单位】西安交通大学人工智能与机器人研究所,710049,西安;西安交通大学人工智能与机器人研究所,710049,西安;西安交通大学人工智能与机器人研究所,710049,西安【正文语种】中文【中图分类】TP391到目前为止,人类对视觉认知仍然知之甚少[1-2].理解视觉机理、实现视觉处理系统,是视觉研究的一个主要方向.目前,大多视觉处理系统是基于CPU和多级存储器结构的.随着高精度传感器和大规模集成电路的发展,人们开始研究开发如何将图像传感器、视觉信息获取与计算模型综合的视觉芯片,所以具有选择注意机制的采样方法对视觉芯片的实现意义重大[3].生物视网膜的光感受器是非均匀分布的,这种机制可以解决视觉系统中视场、分辨率和实时性之间的矛盾,其处理方法主要有类视网膜对数极坐标变换(LPT)采样法[4-6]和分层采样法[7],但是它们都存在一定的缺陷.前者经过对数极坐标变换后,物体形状会发生变形和扭曲,这为模式识别带来了困难,此外采样后数据量没有明显减少,还引入了处于图像边界外的无用像素,或者要丢失一部分像素[4];后者采样参数的选择不能很好地符合生物视觉特性,计算复杂,在处理大尺寸图片时丢失的信息过多.本文在对生物视觉进行深入研究的基础上,提出了一种符合生物视觉选择注意机制的非均匀采样方法,并在硬件上得以实现.1 仿生物视觉的非均匀采样方法对生物视觉机理进行研究发现,人和猫的视觉特性是非均匀的[1,8],可以模拟为一个具有选择注意机制的可配置的数据处理过程.根据生物视觉的非均匀敏感性可定义一个注视区,注视区内的图像最为清晰,注视区外的图像逐渐模糊,也就是距离注视点越远,采样间隔越大.这样,在保证实现生物视觉特性的前提下,可以大幅压缩图像数据,减少数据的存储和处理.综上,本文采用高斯函数作为非均匀采样模型的基础,用参数d表示像素点到注视点的距离,用参数ρ表示采样密度(采样密度用相对法计算,如:逐点采样,采样密度为1;2个像素点取1个,采样密度为1/2;依次类推),注视点坐标为(h0,v0),将视频图像以注视点为中心划分为n层,各层边界与注视点距离分别为d1,d2,…,dn,其中第1层就是注视区.与注视点距离为di的层采样密度为ei,1≤i≤n,采样层划分后如图1所示.图1 非均匀采样层划分示意图为了获得具有一般性的模型,对标准正态分布概率密度函数做一些数学变换.标准正态分布概率密度函数变量值扩展到图像大小,则函数最大值扩展为1,由此得到非均匀采样的视觉模型式中:x、y分别表示像素点距注视点的水平和垂直距离,1≤x≤X,1≤y≤Y,X和Y分别为视频图像的水平和垂直大小;H、V为注视点坐标.为方便起见,令各层边界均为矩形且长宽比与所处理视频图像的长宽比相同.实际应用时,根据重要性优先确定采样密度或者采样层边界,再由式(1)计算其余参数.这样,可以得到2种非均匀采样方法.1.1 采样层优先以注视点在图像中心为例,采样层优先方法(方法1)描述如下.(1)构建非均匀采样模型(2)根据视频图像大小,得到X和Y的值.(3)人眼中央凹、黄斑和视网膜中央区的直径比值为1∶2∶6,采样层数为4,各采样层外边界距注视点的水平距离分别为 X/12、X/6、X/2,相应于0、X/12、X/6、X/2的采样密度分别为 1.000 0、0.773 5 、0.358 0 、0.000 1.(4)根据硬件实现的难易程度调整计算所得参数,从而实现非均匀采样.1.2 采样密度优先以注视点在图像中心为例,采样密度优先方法(方法2)描述如下.(1)根据方法1中采样模型的反函数求得采样模型式中分别表示相对于垂直和水平采样密度的采样点距注视点的距离.(2)根据视频图像大小,得到X和Y的值.(3)根据硬件实现的难易程度确定采样层数(本文为4),各层采样密度分别为1、0.5 、0.25、0.125.依据模型计算各层外边界距注视点的水平距离,分别为 0.136 9X 、0.193 6X 、0.237 1X 、0.5X,垂直距离同理可得.2 非均匀采样在视觉芯片中的应用为了对采样数据进行处理并显示效果,本文设计了结构如图2所示的非均匀采样系统,该系统主要由非均匀采样、数据传送处理、图像恢复3个模块组成.图2 非均匀采样系统结构2.1 非均匀采样模块非均匀采样模块由下述2部分组成.(1)采样信号产生模块.根据采样信息来处理采样层边界超出情况,再对水平和垂直2种采样信号求与,得到最终的采样信号.利用水平和垂直坐标计数器(Ch、Cv)分别确定采样信号像素所在列和行,依据行和列求得采样点的采样层.计数的同时会生成采样信号.例如,在采样密度为0.25的区域,水平采样信号h3_ref的计算式为式中:Ch[2]为Ch的第3位;h3_temp为Ch[2]延迟一个时钟得到的信号.(2)采样模块.利用采样信号生成模块产生非均匀采样信号,并进行图像采样.2.2 数据传送处理模块数据传送处理模块由以下2部分组成.(1)数据格式处理模块.如图3所示,注视点坐标和注视区域大小可作为包头信息(如果需要,可以将所有采样信息作为包头)在图像信息前进行传输,并将每4个采样点数据合并成32 b送给FIFO.(2)异步FIFO和总线主设备模块.将输入的数据通过总线写入SDRAM中,当有效信息传送完成后,再传32个字(异步FIFO的深度)的0,以确保所有图像信息被存储到存储器中.2.3 图像恢复模块(1)采样图像恢复模块1.该模块直接用采样模块产生的数据进行图像恢复.当接收到恢复图像使能信号后,读寄存器中采样信息并产生采样信号.用一个H(图像长度)×8(b)的随机存储器(RAM)作为缓存进行图像恢复.恢复图像首行:当采样信号为高时,采样数据写入RAM;当采样信号为低时,写入其前一个有效数据.恢复后续行:当采样信号为低时,不改变RAM 中的数据;当采样信号为高时,改写当前地址值,并将该值写入后续地址,直到下一次采样信号为高.恢复数据经过 LCD控制器,在LCD1上显示.(2)采样图像恢复模块2.从SDRAM中读取采样信息,产生采样信号.其他步骤同模块1.3 系统仿真和硬件实现3.1 仿真结果根据采样方法2计算出采样参数.用6幅大小不同的彩色图像作为输入数据进行了非均匀采样的仿真(注视点为图像中心只对图像亮度信号进行采样),并将采样后输出的数据与原图像数据大小进行了比较(只存储亮度信号采样数据),结果如表1所示.从表1可以看出,注视点在图像中心时,对原始图像的亮度信号进行采样,采样率(采样后数据/原始数据)可达到28.图3 非均匀采样数据传输格式表1 采样后数据与原图像数据的比较图像大小/像素采样率原始图像数据大小/kB 采样后数据大小/kB 720×400 0.036 2 250 80 800×600 0.035 3 750 132 1024×768 0.035 6 144 217 1 280×720 0.040 6 300 254 1 280×1 024 0.035 10 240 361 1 920×1 080 0.035 16 200 5703.2 结果分析表2为文献[7]总结的对数极坐标变换(LPT)方法和变参数对数极坐标变换(VPLPT)方法及本文矩形非均匀采样(RNS)方法的采样率比较.从表2可以看出,VPLPT和RNS方法在图像大小改变后,采样率剧烈变化,而且注视区没有随图像大小变化,这些都不符合生物视觉的特性.LPT方法不仅存在前2种方法的缺点,而且采样率很大.本文提出的采样方法,采样率基本保持在0.1左右(同文献[7]比较,并将表1中采样率乘以3),注视区大小与图像大小比例基本相同,所以本文方法是一种比较好的模拟生物视觉的选择注意机制.表2 文献[7]中3种采样方法的采样率比较图像大小/像素采样率LPT VPLPT RNS 70×70 8.952 1.045 0.881 128×128 3.083 0.359 0.284 256×256 0.888 0.099 0.077 512×512 0.252 0.027 0.0223.3 系统硬件实现基于Altera公司EP2S90 FPGA的验证平台见图4a.系统输入为高清摄像头(SONY公司的EVIHD1)发送的720 P/59.94(图像有效像素为1 280×720,帧频为59.94 Hz)视频信号.图4b为液晶显示器上显示的直接对采样后信号进行恢复的视频,灰色方框标出了注视区域.图4c为对存储的采样信号进行恢复,并在液晶屏(分辨率为800×480像素,对图像进行了裁减)上显示的恢复后图像.图4 非均匀采样硬件系统4 结论本文提出的根据非均匀采样模型对视频图像进行非均匀采样的方法,能够很好地解决在进行视觉处理时,视频图像数据量大造成的硬件存储和计算开销大的问题.在保证实现生物视觉特性的前提下,大幅度压缩视频图像的数据量,可减少硬件系统的运算量和数据存储空间,适合于实时性要求较高的系统.随着视觉算法的发展,如何更好地使用非均匀采样数据,实现生物视觉领域的模式识别和视觉决策,将是一个新的挑战.参考文献:【相关文献】[1]郑南宁.计算机视觉与模式识别[M].北京:国防工业出版社,1998.[2]DAVIES E R.Machine vision:theory,algorithms,practicalities[M].3rded.Singapore:Elsevier,2009.[3]MEI Kuizhi,ZHANG Bing,GE Chenyang.A hierarchical and parallel SoC architecture for vision processor[J].IEICE Electronics Express,2009,6(19):1380-1386.[4]BOLDUC M,LEVINE M D.A review of biologicallymotivated space-variant data reduction models for robotic vision[J].Computer Vision and Image Understanding,1998,69(2):170-184.[5]SANDINI G,QUESTA P,SCHEFFER D,et al.A retina-like CM OS sensor and its applications[C]∥Proceedings of the 2000 IEEE Sensor Array and Multichannel Signal Processing Workshop.Piscataway,NJ,USA:IEEE,2000:514-519.[6]李奇,冯华君,徐之海.自动对焦系统中图像非均匀采样的实验研究[J].光子学报,2003,32(12):1499-1501.LI Qi,FENG Huajun,XU Zhihai.Autofocus system experimentstudyusing variationalimage-sampling[J].Acta Photonica Sinica,2003,32(12):1499-1501.[7]訾方,李言俊,张科,等.矩形非均匀采样算法和对数极坐标变换算法的比较分析[J].计算机应用,2007,27(7):1619-1622.ZI Fang,LI Yanjun,ZHANG Ke,et parative analysis on rectangular non-uniform sampling algorithm and log-polar transformation algorithm of image[J].Computer Applications,2007,27(7):1619-1622.[8]RODIECK R W.Quantitative analysis of cat retinal ganglion cell response to visual stimuli[J].Vision Research,1965,5(11):583-601.[本刊相关文献链接]全局重建和位置块残差补偿的人脸图像超分辨率算法.西安交通大学学报,2010,44(4):9-12.利用粒子群优化的人脸特征提取识别算法.西安交通大学学报,2010,44(4):48-51.面向多源知识融合的扩展主题图相似性算法.西安交通大学学报,2010,44(2):20-24.一维子空间的三维重建方法.西安交通大学学报,2009,43(12):31-34.一种适合漫反射表面从明暗恢复形状的快速算法.西安交通大学学报,2009,43(10):7-11.基于特征层和二代曲波变换的多模生物特征融合识别方法.西安交通大学学报,2009,43(10):32-36. 利用单幅影像的空间目标姿态测定方法.西安交通大学学报,2009,43(9):56-61.一种从明暗恢复形状的快速黏性解算法.西安交通大学学报,2009,43(6):43-47.人眼视觉特性与粗糙集结合的X射线图像增强算法.西安交通大学学报,2009,43(6):48-51.三维子空间约束的遮挡点恢复方法.西安交通大学学报,2009,43(4):10-13.一种Log-Gabor滤波器结合多分辨率分析的虹膜识别方法.西安交通大学学报,2009,43(4):31-33. 利用贫富差距原理进行图像边缘检测.西安交通大学学报,2009,43(4):44-48.透视投影下的镜面反射表面形状恢复新算法.西安交通大学学报,2009,43(2):6-9.求积分卡尔曼粒子滤波算法.西安交通大学学报,2009,43(2):25-28.一种轮廓变化图像小波矩的步态识别.西安交通大学学报,2009,43(1):90-94.一种基于分辨函数的属性约简算法及其应用.西安交通大学学报,2008,42(12):1455-1458.一种无需匹配的多目重构方法.西安交通大学学报,2008,42(12):1476-1480.一种八叉树编码加速的3D纹理体绘制算法.西安交通大学学报,2008,42(12):1490-1494.采用二代曲波变换和反向传播神经网络的人脸识别方法.西安交通大学学报,2008,42(10):1213-1216.一种Roberts自适应边缘检测方法.西安交通大学学报,2008,42(10):1240-1244.带多局部形状参数的三次扩展均匀B样条曲线.西安交通大学学报,2008,42(10):1245-1249.自适应估计模糊参数的最大后验概率超分辨率复原算法.西安交通大学学报,2008,42(10):1254-1258.基于等高线的图像特征表达.西安交通大学学报,2008,42(4):385-388.二阶中心差分粒子滤波算法.西安交通大学学报,2008,42(4):409-413.一种由明暗恢复形状的改进变分算法.西安交通大学学报,2008,42(4):418-422.一种基于虹膜和人脸的多生物特征融合方法.西安交通大学学报,2008,42(2):133-137.质心迭代图像跟踪算法.西安交通大学学报,2007,41(12):1396-1400.基于球体追踪的动态视差遮挡映射算法.西安交通大学学报,2007,41(12):1401-1405.一种有效抑制睫毛干扰的虹膜定位算法.西安交通大学学报,2007,41(10):1175-1178.一种针对非均匀有理B样条曲面的碰撞检测算法.西安交通大学学报,2007,41(4):389-392.基于直方图偏差约束的快速模糊C均值图像分割法.西安交通大学学报,2007,41(4):430-434.基于二维条码的指纹特征信息隐藏方法研究.西安交通大学学报,2007,41(2):145-148.。

基于云教材建设思维的GIS专业“遥感数字图像处理”课程优化研究

基于云教材建设思维的GIS专业“遥感数字图像处理”课程
优化研究
张欣佳;刘建忠;张寅宝
【期刊名称】《大学（教学与教育）》
【年(卷),期】2024()5
【摘要】遥感课程群是地理信息科学专业的主干内容,“遥感数字图像处理”更是其中最主要的专业核心课程之一。

文章基于云教材建设思维对“遥感数字图像处理”课程展开优化,提出了相应改革方案,提高了前置与后置课程的衔接度、加强了课程
与GIS专业契合度、进一步体现了地理科学学科特色。

改革优化后的课程能切实
提升学生的学习、实践以及探究能力,将为培养优秀GIS本科专业人才做出重要贡献。

【总页数】4页(P59-62)
【作者】张欣佳;刘建忠;张寅宝
【作者单位】郑州大学地球科学与技术学院
【正文语种】中文
【中图分类】G642
【相关文献】
1.测控专业"数字图像处理"课程体系优化研究
2.基于百度AI平台的数字图像处理
与技巧实习课程建设与云教学3.基于O-AMAS有效教学模型的数字图像处理课程
优化策略研究4.GIS专业遥感概论课程虚拟教研室建设研究5.遥感专业《数字图像处理》教材建设有效途径分析
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波变换的全色和多光谱遥感图像融合

基于小波变换的全色和多光谱遥感图像融合
张大明;李璐;符茂胜;罗斌
【期刊名称】《国土资源遥感》
【年(卷),期】2008(000)001
【摘要】基于多分辨率小波变换,针对高分辨率全色图像和多光谱图像的融合,提出了一种基于方向可调滤波器的区域能量测量的小波变换融合算法.将此方法与HIS 和传统小波的融合方法比较,结果表明,该方法在保留多光谱图像光谱信息的同时,能够更好地保留高分辨率图像的空间信息,融合效果有较大改善.
【总页数】2页(P50-54彩插2)
【作者】张大明;李璐;符茂胜;罗斌
【作者单位】安徽建筑工业学院数理系,合肥,230022;安徽大学计算智能与信号处理教育部重点实验室,合肥,230039;安徽建筑工业学院数理系,合肥,230022;安徽大学计算智能与信号处理教育部重点实验室,合肥,230039;安徽大学计算智能与信号处理教育部重点实验室,合肥,230039
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于波段背景清晰度的小波变换高光谱遥感图像融合 [J], 程传阳;王忠华
2.基于稀疏表示的多光谱与全色遥感图像融合新方法 [J], 高瑞超;雷力军;张存柱
3.基于二维不可分形态小波变换的多光谱图像全色锐化方法 [J], 石岩
4.基于高阶奇异值分解的多光谱和全色遥感图像融合 [J], 张翠英;高瑞超
5.基于卷积神经网络的多光谱与全色遥感图像融合算法 [J], 韩文军;孙小虎;吉根林;苏晓云;谢非;吴冰;陈红
因版权原因，仅展示原文概要，查看原文内容请购买。

基于光谱复原的NMF遥感图像融合改进算法

基于光谱复原的NMF遥感图像融合改进算法
马一薇;冯伍法;祝鹏飞;张斌
【期刊名称】《海洋测绘》
【年(卷),期】2010(030)001
【摘要】在研究了非负矩阵分解(NMF)用于遥感图像融合技术的基础上,改进了一种基于光谱复原的NMF遥感图像融合算法,首先利用矩阵非负性分解求取图像的基向量矩阵,然后综合考虑图像融合后的光谱特性和波形变化情况,对基向量矩阵进行直方图规则化处理,最后得到融合后的图像.实验结果表明,该方法具有较好保持原始图像的光谱信息和空间信息的优点.
【总页数】3页(P41-43)
【作者】马一薇;冯伍法;祝鹏飞;张斌
【作者单位】解放军信息工程大学,测绘学院,河南,郑州,450052;61512部队,北京,100088;解放军信息工程大学,测绘学院,河南,郑州,450052;解放军信息工程大学,测绘学院,河南,郑州,450052;解放军信息工程大学,测绘学院,河南,郑
州,450052;96633部队,北京,100096
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于改进切趾函数的Fourier 光谱仪光谱复原效果的提高 [J], 江峰;盛文;蒋伟
2.基于BEMD与NMF的多源遥感图像融合 [J], 崇元;徐晓刚
3.改进的MVC-NMF算法在高光谱图像解混中的应用 [J], 李二森;张振华;赵国青;宋丽华
4.基于多通道空间光谱全变差的衍射光谱图像复原算法 [J], 王旭; 陈强; 孙权森
5.基于改进梯度投影NMF和复Contourlet变换的遥感图像融合 [J], 吴一全;沈毅;殷骏
因版权原因，仅展示原文概要，查看原文内容请购买。

面向小目标提取的改进DeepLabV3+模型遥感图像分割

面向小目标提取的改进DeepLabV3+模型遥感图像分割郭新;张斌;程坤【期刊名称】《遥感信息》【年(卷),期】2022(37)2【摘要】针对DeepLabV3+模型在遥感影像语义分割中呈现出小尺度地物语义信息丢失、数据类别不均衡引起误差等缺陷,提出了一种面向小目标提取的改进DeepLabV3+语义分割模型。

首先,在模型编码器空间空洞金字塔池化(atrous spatial pyramid pooling,ASPP)中引入多组并行空洞卷积(multiple parallel dilated convolution,MPDC)和感受野融合策略;其次,在模型解码器部分加入特征注意力融合模块(feature attention fusion,FAF);最后,使用加权的Lovasz-softmax loss优化损失函数。

将改进后的模型通过Landcover和CCF2017高分辨率遥感影像数据集进行验证,结果表明,在两个测试数据集上的平均交并比比原始的DeepLabV3+模型分别提高了1.17%~1.24%和0.85%~0.95%,特别地,小目标如建筑物的交并比相比原始模型分别提升了3.51%~3.86%和2.11%~2.38%,改进后的DeepLabV3+模型能更充分表达高分辨率遥感图像细节信息。

【总页数】11页(P34-44)【作者】郭新;张斌;程坤【作者单位】中国地质大学(武汉)地理与信息工程学院;武汉工程大学计算机科学与工程学院【正文语种】中文【中图分类】TP753【相关文献】1.基于改进小波域隐马尔可夫模型的遥感图像分割2.基于DeepLabv3+模型的高分辨率遥感影像建筑物提取3.面向遥感图像小目标检测的改进YOLOv3算法4.基于图像分割的无人机遥感影像目标提取技术5.一种改进DeepLabV3+网络的高分辨率遥感影像道路提取方法因版权原因，仅展示原文概要，查看原文内容请购买。