面向无人机任务场景三维重建的实时图像处理研究-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

面向无人机任务场景三维重建的实时图像处理研究认领

作者：

程江迈

学位授予单位：

中国电子科技集团公司电子科学研究院

摘要：

随着无人机技术的发展,图像处理技术在该领域的应用日益广泛。然而,在复杂飞行环境中,无人机拍摄的图像易受多种因素影响,导致图像出现各类复杂的退化现象。此外,主流算法对计算资源的高需求,使其难以直接部署在无人机上。为解决这些问题,本文提出了一种通用图像处理方法ClassAIR。 ClassAIR使用卷积神经网络(CNN,Convolutional Neural Network)构建主体架构,并基于U-Net编码-解码框架,结合自适应退出机制,实现高效图像重建。首先,为处理多重退化图像,设计了分类器结构,并引入了提示学习方法,使所有类型的退化图像均可通过单一网络处理,同时利用不同处理过程间的相互促进作用,显著提升训练效率与处理效果。其次,为提高模型训练效率并增强鲁棒性,采用分阶段训练策略:先预训练分类器和编解码模块,随后进行分类器退化程度预测训练,最后完成全网络训练。最后,为了优化模型的处理效率,针对模型结构,并结合各类任务的需求,设计了一种全新的自适应退出策略。在实验阶段,不仅使用了公共数据集如GoPro、Set14,测试验证图像的处理效果,还展示了真实任务场景的三维重建测试情况,尤其是在模糊去除和去雨任务中,经过处理后的图像在渲染结果上分别有约22的PSNR、0.76的SSIM和12的PSNR、0.35的SSIM的优化。采用的加速方法也使得速率从15 FPS优化到了27 FPS。结果表明,ClassAIR在提升了图像处理效率的同时保持了处理质量。总之,ClassAIR为无人机任务中的图像处理提供了一种创新性解决方案。通过优化深度学习模型并引入自适应退出方法,有效地解决了多退化图像的重建和图像处理效率低的问题,为复杂环境下的无人机任务提供了坚实的图像处理技术支持。

摘要译文

关键词：

无人机; 卷积神经网络; 多重退化图像; 提示学习; 自适应退出

学位年度：

2025

学位类型：

硕士

学科专业：

计算机应用技术

导师：

江波

中图分类号：

V279[无人驾驶飞机];TP391.41[图形图像识别]

学科分类号：

081604[导航与位置服务];082503[航空宇航制造工程];1111[军事智能];081104[模式识别与智能系统];081205[人工智能];081206[计算机应用技术];0835[软件工程]

D O I：

10.27728/d.cnki.gdzkx.2025.000042