×
Shan，Wei（魏珊）

基于卡尔曼滤波方程的三维空间图像优化设计。 （英语） 兹比尔1481.94030

高级数学。物理学。 2021年，文章ID 7262871，11 p.（2021）.
小结：本文利用卡尔曼滤波方程的优势能力，共同实现三维空间信息的准确可靠提取，并从多源遥感光学立体图像对中提取三维空间位置信息展开研究工作，三维空间结构信息的恢复，以及具有最优拓扑结构约束的三维空间信息的联合提取。利用维纳恢复的影响能力较强和卡尔曼滤波恢复的计算时间较短的优点，将维纳恢复与卡尔曼滤波复原相结合（简称维纳-卡尔曼滤波重建方法），该方法恢复图像的均方误差和峰值信噪比与维纳恢复相当，但主观评价得出结论，维纳-卡尔曼滤波恢复方法得到的恢复图像更清晰。针对卡尔曼滤波恢复方法计算时间短，但恢复效果不如维纳恢复方法的问题，提出了一种改进的卡尔曼滤波器恢复算法，它克服了卡尔曼滤波恢复仅针对图像矩阵的行和列进行降噪，不能利用相邻行和列之间的像素点信息的事实。该算法将矩阵图像的第一行作为卡尔曼滤波预测方程的初始参数，然后将恢复图像的第一列作为第二个卡尔曼滤波器预测方程的起始参数。该算法不需要基于退化图像来估计退化系统的退化函数，并且恢复的图像更清晰地呈现了图像边缘细节信息，而恢复效果与维纳恢复和维纳卡尔曼滤波器恢复方法相当，与卡尔曼滤波恢复方法相比，改进的卡尔曼滤波器恢复方法具有更强的降噪能力。解决了在提取三维空间结构信息时，遥感光学图像受到阴影和复杂环境细节信息的严重影响，数据提取特征边缘不够精确，结构信息提取不够稳定的问题。提出了一种分级能量最小化的全局最优平面分割方法，该方法可以结合遥感光学图像的边缘信息，实现对顶面拓扑结构的准确、稳定提取，确保最终提取的三维空间信息的准确性和稳定性。

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）
93E11号机组 随机控制理论中的滤波

关键词：

卡尔曼滤波器恢复方法;维纳恢复;卡尔曼滤波预测方程
PDF格式BibTeX公司 XML格式引用
\textit{W.Shan}，高级数学。物理。2021年，文章ID 7262871，11 p.（2021年；Zbl 1481.94030）
全文： 内政部
OA许可证

参考文献：

[1] 刘，D。；Smyl，D。；Du，J.，使用基于参数水平集的扩展卡尔曼滤波方法进行电阻抗断层成像中的非平稳形状估计，IEEE仪器与测量学报，69，5，1894-1907（2020）·doi:10.1109/TIM.2019.2921441
[2] Unal，G.，《基于卡尔曼滤波器的视觉目标检测和跟踪》，《航空航天技术杂志》，第14、2、251-259页（2021年）
[3] Narasingam，A。；Siddhamshetty，P。；Kwon，J.S.I.，使用基于适当正交分解的集成卡尔曼滤波器处理储层参数的空间非均匀性，用于水力压裂的基于模型的反馈控制，工业与工程化学研究，57，11，3977-3989（2018）·doi:10.1021/acs.iecr.7b04927
[4] 李，J。；卢·W。；Wang，H。；Fan，Y.，使用基于改进卡尔曼滤波和模拟优化的统计算法识别地下水污染源，《水文地质学杂志》，27，8，2919-2931（2019）·doi:10.1007/s10040-019-02030-y
[5] Wen，W。；Pfeifer，T。；Bai，X。；Hsu，L.T.，《GNSS/INS集成的因子图优化：与扩展卡尔曼滤波器的比较》，导航，导航学会杂志，68，2，315-331（2021）·doi:10.1002/navi.421
[6] Rondao，D。；奥夫，北。；理查森，文学硕士。；Dubanchet，V.，《单摄像机非合作空间相对导航的鲁棒流形优化》，《制导、控制和动力学杂志》，44，6，1157-1182（2021）·网址：10.2514/1.G004794
[7] 马，C。；王，A。；陈，G。；Xu，C.，使用LSTM网络的嵌套区间无迹卡尔曼滤波器对噪声数据集进行基于手势识别，可视化计算机，34，6-8，1053-1063（2018）·doi:10.1007/s00371-018-1556-0
[8] Heo，S。；Cha，J。；Park，C.G.，使用滑动窗口非线性优化的基于EKF的视觉惯性导航，IEEE智能交通系统汇刊，20，7，2470-2479（2019）·doi:10.1109/TITS.2018.2866637
[9] 阮，美国。；Rottensteiner，F。；Heipke，C.，使用立体摄像头进行自信感知行人跟踪。ISPRS摄影测量、遥感和空间信息科学年鉴，453-60（2019）
[10] Emami，A。；萨维，M。；Asadi Bagloee，S.，《使用卡尔曼滤波算法预测连接车辆环境中的短期交通流》，《现代交通杂志》，27，3，222-232（2019）·doi:10.1007/s40534-019-0193-2
[11] Bae，J.P。；Yoon，S。；瓦尼亚，M。；Lee，D.，使用基于学习的系统进行三维微机器人跟踪，国际控制、自动化和系统杂志，18，1，21-28（2020）·doi:10.1007/s12555-019-0241-z
[12] Raiesdana，S.，用神经网络优化的滑模控制控制四转子轨迹跟踪，机械工程师学会学报，第一部分：系统与控制工程杂志，234，10，1101-1119（2020）·doi:10.1177/0959651820932716
[13] 彭杰。；徐，W。；梁，B。；Wu，A.G.，基于激光雷达和立体视觉融合的空间非合作目标姿态测量和运动估计，IEEE传感器杂志，19，8，3008-3019（2019）·doi:10.1109/JSEN.2018.2889469
[14] 黄，R。；Sun，M.，用于增强现实的网络算法实时深度图像3D人类识别，实时图像处理杂志，18，2，307-319（2021）·doi:10.1007/s11554-020-01045-z
[15] 邓，Z。；他，C。；文，X。；Liu，Y.，从局部量测量中恢复湍流流场：基于集合-卡尔曼滤波的数据同化湍流建模，可视化杂志，21，6，1043-1063（2018）·doi:10.1007/s12650-018-0508-0
[16] Patra，A.K.，用于倒立摆稳定和轨迹跟踪的自适应卡尔曼滤波模型预测控制器设计，印度工程师学会杂志：B辑，101，6，677-688（2020）·doi:10.1007/s40031-020-00490-5
[17] 小陈，Q.I.U。；张，H。；文兴，F.U.，带封闭式零速度更新的轻型混合视觉惯性里程计，中国航空杂志，33，12，3344-3359（2020）·doi:10.1016/j.cja.2020.03.008
[18] 陈，P。；Wei，L。；孟，F。；郑，N.，《信号交叉口车辆轨迹重建：一种结合卡尔曼滤波和变分理论的混合方法》，《交通计量学B：交通动力学》，9，1，22-41（2021）·doi:10.1080/21680566.2020.1781707
[19] 刘，Y。；王，B。；Ye，W。；宁，X。；Gu，B.，基于时空卡尔曼滤波的DPOS全局估计方法，IEEE传感器杂志，21，3，3748-3756（2021）·doi:10.1109/JSEN.2020.3027582
[20] 李，C。；Yu，L。；Fei，S.，使用视觉和IMU传感器进行大规模实时3D场景重建，IEEE sensors Journal，20，10，5597-5605（2020）·doi:10.1109/JSEN.2020.2971521
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。