一、数码相机的“未来世界”（论文文献综述）
钱童心[1]（2022）在《数码相机巨头的十年转身》文中认为根据CIPA公布的报告，2020年全球数码相机出货量为888.6万台，较2019年下降41.6%。2022年1月19日，是美国胶片巨头伊士曼柯达公司申请破产保护的十周年。柯达在1975年就发明出首个数码相机，但公司在商业化方面犹豫了，把数码时代的发展机遇拱手让给竞争对手，2012年宣告破
高宝昌[2]（2021）在《高画质无反相机如何选》文中提出引子摄影是一种现代工业技术产物,一种具体的工业技术应用。照相机和光学镜头均为高科技技术密集型的现代工业产品,一种把可见物通过光学镜头实现影像记录的工业产品。无论如何拔高摄影的艺术性,都无法回避拍摄过程中的技术应用和把控能力对于最终影像效果的决定性作用。扎实过硬的拍摄技巧包括对曝光准确、聚焦精准、影像清晰、
樊强[3]（2021）在《从建筑影像学到影像建筑学 ——影像视角下的建筑思维研究》文中指出本研究梳理了建筑作为“实物”和影像同构的事实,从建筑的认知、建筑影像与建筑实体之间的相关过程进行分析。研究认为,建筑实体的原生影像（物像）伴随着建筑过程而产生,与建筑实体同构,不存在独立于原生影像之外的建筑实体。建筑与影像的“同构性”和“共生性”是建筑的重要属性。论文对建筑本体与建筑影像之间创作的产生、互动及其内在联系的分析研判,深入分析了建筑影像的作用、价值、文化属性与媒体属性,以及当建筑物的原生影像被绘画、摄影等方式表达与记录,成为次生影像,并进入科研、教育、传播等领域的文化形态与意义。研究遵循建筑影像史的发展脉络,对建筑的原生影像与次生影像进行辨析,界定了建筑影像的涵盖范围、表达与记录方式。文章从建筑思想的产生、建筑实体的建造、建筑艺术表达入手,剖析了建筑与影像之间的内在联系和共生关系,明确了影像之于建筑的内在属性和外在表征,建筑影像的界定以及二者间的关系。继而认为建筑影像展示出来的样态和结构特征既是其本体形像的表达,也是进行建筑艺术理论研究、建筑设计、审美研究和建筑批评的重要依据。研究同时定义了影像建筑（非实体）的概念及涵盖范围,认为建筑的设计和营造过程是思维的逻辑图像的具体体现和现实投影,研究进一步探讨了建筑从思维到成为实体的形成机制,认为在建筑实体不复存在或“未建成”的情况下,建筑的“思”的过程依然可作为非实体的状态也就是图像的方式持存在和发生。在非实体情况下,建筑影像依托计算机生成图像、VR虚拟现实技术,电影和游戏等方式和途径独立表达,构成虚拟建筑。并成为思想传递、理念传承、美学感受和建筑学习的重要途径,也成为建筑设计的阶段性非实体成果。文章通过研究分析了在影像中表达的建筑,即展示建筑师思想的“未建成”建筑、电影中的建筑及游戏中的建筑,研究认为影像建筑终将成为建筑构思展示的重要部分、建筑设计的重要方法和手段,既可以作为实体建筑之前的影像虚拟建筑,也可以彻底的在游戏电影教学等领域成为纯粹的影像建筑。文章通过类比、推演与例证,就建筑和逻辑思维的关系进行了充分探讨。通过对思维的精神影像、意识之于建筑生成的哲学关系以及思维与影像、超影像的内生关系及其反作用进行了逻辑论证。在此基础上,进一步清晰的重新界定了建筑影像学这一研究方向,并新定义了影像建筑学这个研究方向,对两个方向的研究范围、研究主体、相互联系和延伸进行了探索。论文将建筑影像学的研究主体界定为对于建筑实体的影像及其次生影像及其生成媒介与传播。将影像建筑学研究主体主要定位为建筑命题的提出、思维的产生,从建筑思维到影像呈现的可能,以及影像建筑在建筑设计探索过程中发挥的先导作用。研究认为,建筑影像（包括原生影像和次生影像）是建筑师思想、理念的重要载体和传输的重要方式,特别是在建筑实体的终结期,建筑影像仍能够作为建筑信息的重要和有效载体,继续承载、表达并传承建筑的语汇和信息。而影像建筑学已经在建筑设计、效果图、虚拟现实、影视以及游戏领域成为了事实和现象,并将在一定范围影响和推动建筑理念的发展。
杨仪发[4]（2021）在《数字影像艺术背景下手机摄影的技术变革与应用研究》文中认为在社会、经济、文化发展的今天,数字化时代全面开启,如今越来越多的数字化产品在各项领域得以应用和普及,数字影像技术在今天已经被广泛运用在各个领域之中,在摄影、互联网、电影等领域更是无所不用其极,数字影像技术的每一次变革下,都会带动产业新的发展,在这种变革之中我们的视觉语言也在不断变化,并在不知不觉之中重塑我们对事物的获取手段和观察方式、思考方式及观念。在数字化的时代里,“世界成为了图像”,人们都生活在图像的世界里不能自拔。约翰·伯格在相机时代发问:相机是否已取代了上帝的眼睛?如今数字化浪潮席卷而来,在数字化时代里,影像如何颠覆图像,如何重构世界?我们已经进入了数字影像多元化的图景中,过去式的思考、阅读、谈论及聆听发生了转变,写作方式、摄影方式也不尽相同,在数字技术的发展下,传统摄影的方式和摄影观念被颠覆,并极大推动了摄影行业的发展。本文第一章是绪论,论述了课题研究背景及意义、研究现状和发展趋势以及研究的方法和创新之处;第二章论述了数字影像的发展现状,首先谈及了数字影像艺术的发展历程,而后,在第二小节谈到了数字下的影像发展,其中包括对数字相机的发展分析,然后是影像的多样化应用,最后谈到了手机摄影的兴起与发展。第三章阐述了数字影像与变迁,包括形式、技术以及文化的变化。第四章论述了数字影像艺术中手机摄影的特征;第五章是本文的结论及展望。手机摄影作为数字影像中一种新的表现形式,以其自身的特性丰富了数字影像艺术中的影像表现方式,拓展了全新的数字影像语言和视觉呈现形式。另一方面,影像的便捷获取和高质量呈现,使得艺术家、影像工作者可以不再拘泥于一种媒介或形式来表达自己的思想主张,影像业已成为了屏幕生存之下的“电子包裹”,在这个屏幕生存的时代里,一种全新形式的屏幕美学悄然而生。另外,随着数字技术的快速发展,手机摄影的功能也益发强大,可以满足越来越高的专业需求。这一切都悄然改变着摄影的未来。
刘问秋[5]（2021）在《中国锂离子电池系统金属动态物质流分析》文中研究说明经过近二十年的发展,中国已形成了世界最大规模的锂离子电池产业体系。本论文以锂离子电池系统中锂、钴、镍等金属元素为研究对象,运用物质流分析方法,研究2000—2018年中国锂离子电池从原材料生产、电池生产、电池使用到废旧电池回收处理过程中金属元素代谢的动态演化,核算电池系统内金属元素的流量和存量,分析金属代谢过程中资源利用效率,识别锂离子电池系统金属资源代谢的关键节点及动态演化的驱动力。在情景分析环节,采用存量驱动模型对2019—2050年中国锂离子电池产业发展和相关资源代谢进行了情景分析,探讨锂离子电池系统金属资源效率提升的可行性措施,可以为我国锂离子电池产业的可持续发展提供科学参考。中国锂离子电池系统金属的动态物质流分析结果表明,从2000年到2014年,手机和笔记本电脑的普及促进了中国锂离子电池系统中锂、钴等金属的消费。在2015年后,电动汽车逐渐成为锂、钴等金属消费增长的主要驱动力。2000—2018年,中国锂离子电池的消费量从1400 t增加到54.7万t,金属锂、钴、镍、锰、铜、铝和铁的累积消费量分别为6.2万t、24.8万t、39.7万t、42.9万t、173.2万 t、220.0 万 t 和 129.2 万 t,使用存量分别从 30.0t、200.0t、0.0t、0.0t、107.1 t、38.5 t、和 216.7 t 增加到 1.8 万 t、3.1 万 t、2.9 万 t、3.2 万 t、11.6 万 t、15.1万t和8.0万t。同时,锂离子电池的报废量迅速增加,从每年100 t增加到11.1万t。2018年从报废的锂离子电池中回收了 400 t的锂和3100 t的钴,分别为锂离子电池的生产提供了 4.2%的锂和12.8%的钴。另外,有1100 t报废的磷酸铁锂（LFP）电池进行了梯次利用。中国锂离子电池系统金属的动态物质流情景分析结果表明,中国锂离子电池系统对金属的需求量会继续增加。三种使用存量情景下,2050年锂、钴、镍、锰、铜、铝、铁需求量分别为的53～83万t、117～182万t、163～253万t、163～253万t、286～446万t、364～564万t和60～92万t。锂离子电池技术改进将会减少60%的金属钴需求量,而金属镍需求量则增加了 71%。中国未来会面临大量报废锂离子电池亟待处理的局面,但是另一方面也说明报废锂离子电池中的金属资源回收潜力巨大。2050年报废锂离子电池可以为生产新的锂离子电池分别提供35～63万 t 锂,76～136 万 t 钴,105～189 万 t 镍,105～189 万 t 锰,188～341 万 t 铜,239～433万t铝,41～76万t铁,占当年需求量的65.1%～82.7%。提高锂离子电池的回收率可以极大的促进金属的回收。在三种不同的电池回收处置情景下,高回收率情景下比低回收率情景下多回收50%锂（15万t）、53%钴（35万t）、53%镍（49 万 t）、53%锰（49 万 t）、54%铜（85 万 t）、54%铝（108 万 t）和 54%铁（16 万 t）。
武威[6]（2021）在《基于机器视觉技术的稻麦籽粒外观品质评测研究》文中提出水稻和小麦是我国主要的粮食作物和重要的商品粮、储备粮,在粮食的生产、流通和消费等环节中,外观品质检测对产品的定等定级具有重要作用。传统低效率、高误差的粮食质量安全检测技术方法已经不能满足现有需求。近年来,新的检测技术迅速发展,正不断取代传统方法。机器视觉技术已被证明在粮食种类识别、籽粒外部特征检测、不完善籽粒分级等方面具有较大优势,不但方便快捷,而且准确度高。本文首先从图像获取设备展开研究,分析了不同设备在谷物籽粒图像获取中的优劣,总结出适宜的籽粒外观图像获取方法;然后利用传统图像分析技术与深度学习算法对籽粒图像进行预处理,解决籽粒的分割与计数问题;在此基础上,研究了稻麦籽粒形态通用检测方法、水稻籽粒外观评测方法、小麦籽粒外观分类方法,实现了基于机器视觉技术的稻麦籽粒形态外观品质评测研究,并讨论了小麦加工品质的估测方法。主要研究结果如下:（1）传统图像分析技术在单一背景条件下具有较好的预处理结果,其中水稻籽粒分割精度高于小麦,籽粒数量增大会增加分割难度,误检率和漏检率均未超过3.5%,运行时间控制在1s以内。深度学习算法在处理复杂背景图像时效果显着,Faster R-CNN模型效果最好,精度高达91%,运行时间在2s以内。对同一目标任务进行测试,结果显示,基于图像特征参数的线性模型准确率可达96%,深度学习模型准确率高达99%,但是在时间成本、训练成本方面,传统图像法优于深度学习法。（2）在稻麦谷物形态特征检测研究中,最小外接矩形法是精度最高的方法,粒长、粒宽和长宽比的测量均值偏差分别在0.15mm、0.10mm和0.08以内,标准误均在0.03 mm以内。基于双目视觉技术的籽粒三维检测结果显示,粒高和粒体积的均值偏差分别在0.10 mm和1.00 mm3以内,可以作为一种有效的籽粒三维形态指标检测方法。（3）对不同饱满程度籽粒成影图像进行处理,计算外切矩形面积的比率（AR）和距离比率（DR）。填充颗粒的AR值通常在4以上,但是未填充颗粒的AR值通常在4以下,填充颗粒的DR值在1.8以上,未填充颗粒的DR值在1.8以下。使用支持向量机（SVM）检测未填充的谷物比使用AR和DR固定的阈值更准确,其中,AR的使用比DR更好。籼稻品种（Indica）的误报率略低于粳稻（Japonica）品种,但籼稻的漏报率略高,漏报率和误报率均未超过5%。利用19个常规水稻品种对神经网络进行训练,识别结果比水漂法高2.08%。在破碎米粒分割上,边缘中心模板比例法（ECMP）不受粒型的影响,对复杂的米粒粘连情况具有同样的分割效果。籼稻和粳稻检测准确率都随着籽粒数量的减少而增加,200粒比100粒下降了 2.71%,总体准确率均在95%以上。采用最小外接矩形法识别整精米精度最高,误报率和漏报率均未超过5%,随着检测米粒数量的增加,籼稻和粳稻品种的检测精度有所下降,平均相对误差在3.21%以内。在垩白识别研究中,利用米粒中垩白部分与其他部分透光能力不同,垩白区的灰度值与其他部分差别较大,可以准确分割垩白区域,但未去完全的胚芽会影响识别的准确率。利用SVM可实现胚芽、背白、腹白、心白的精确区分,对籼米和粳米垩白进行分类,准确率分别为98.5%和97.6%。（4）在小麦外观分类研究中,首先分析不同籽粒在红值（r）、绿值（g）、蓝值（b）、麦粒色（w）、色调（Hu）、饱和度（Sa）、亮度（V）、长（L）、宽（W）、高（H）、体积（Vol）、周长（P）、面积（S）、离心率（C）、能量（ASM）、相关（COR）、熵（ENT）、对比度（CON）、一阶矩（u1）、二阶矩（u2）、三阶矩（u3）等21个图像特征上的差异初步确定适宜参数,利用散点图进一步确认最佳参数,以最佳特征及全参数作为模型输入参数,对7种机器学习算法建模精度进行比较。结果表明,破碎粒与正常粒在纹理特征和形态特征上存在较大差异,最优特征参数为u1、u2、C、L、H、Vol,最优分类模型为全参数构建的逻辑回归（Logistic）模型,准确率均为100%,漏报率均为0%,AUC均为1。空秕粒与正常粒在纹理特征和形态特征上存在较大差异,最优特征参数为ASM、COR、ENT、CON、S、W、H和Vol,最优分类模型为单参数W构建的Logistic模型,准确率均为100%,漏报率均为0%,AUC均为1。杂质与正常粒在颜色、纹理和形态特征上均存在较大差异,最优特征参数为w、Sa、u2和C,最优分类模型为单参数w构建的Logistic模型,准确率分别为98%和100%,漏报率分别为2%和0%,AUC均为1。当混合识别4种类别籽粒时,最优分类模型为全参数构建的SVM模型,空秕粒、杂质、正常粒、破碎粒的准确率分别为100%、98%、98%、94%,漏报率分别为0%、2%、2%、6%,召回率分别为96%、98%、98%、98%,误报率分别为4%、2%、2%、2%,AUC值分别为1、1、1、0.99,说明模型较为可靠。
张金[7]（2021）在《目标识别数据集原始图像恢复算法多线程并行研究》文中认为近年来,随着机器学习浪潮的出现,基于机器学习的目标识别算法也得以蓬勃发展。目标识别算法当中,数据集与算法是两大关键因素。合适的数据集和良好的目标识别算法能够极大的提高目标识别的速度以及准确率。现阶段使用的数据集,都是基于数码相机生成的sRGB图像。图像经过图像信号处理器（Image Signal Processor,ISP）流程从原始图像转换成sRGB图像。但ISP流程各步骤对于目标识别准确率的影响不尽相同。为了明确ISP流程具体哪些步骤对于目标识别准确率影响较大,我们需要从原始图像出发,重新配置ISP各步骤进行实验。因此,提出一种能够将s RGB图像转换为原始图像的相关算法显得尤其重要。当前,关于如何将sRGB图像恢复成原始图像的研究方向可以分为传统的相机模型方法和基于机器学习的方法两大类。本文基于传统的相机模型方法,通过逆转图像信号处理器的各个步骤,来最终实现逆转整个ISP流程,将图像从sRGB图像恢复成原始图像。本文提出的InvISP（Invert Image Signal Processor,InvISP）模型,相较于传统的相机模型,根据图像传感器滤色器阵列的基本原理而产生的带有马赛克的原始图像,加入了逆向马赛克这一步骤。使得InvISP模型产生的原始图像能够恢复出马赛克信息。图像处理由于其运算复杂度大,往往需要耗费大量的计算时间。因此,为了加速图像处理,本文提出基于OpenMP的并行优化算法。能够节省计算时间,加快图像处理的过程。实验结果表明,相较于以往的基于相机模型的算法,InvISP模型可以在保证原始图像恢复的基础上,恢复出原始图像的马赛克信息,恢复出的原始图像峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）可以达到28.75dB,结构相似性（Structural Similarity,SSIM）能够达到0.86。本文利用OpenMP加速了图像处理的过程。2线程的情况下加速比能够达到1.6,4线程的情况下加速比能够达到2.1。通过本文所提出来的InvISP模型,可以有效的保障图像恢复的质量,加快图像的处理。
岳文鹏[8]（2021）在《基于附加参数光束改进算法的非量测数码相机检校研究》文中研究指明近年来,随着现代制造工艺的不断发展,普通数码相机的机械结构愈加稳定,继而逐步成为近景摄影测量采集数据的主要设备,近景摄影测量也因此焕发了新的活力。普通数码相机属于非量测相机,不具备记录内方位元素的功能,必须进行相机检校以准确测定内方位元素、光学畸变等参数,否则会直接影响摄影测量成果的精度。因此,数码相机的检校方法已成为近景摄影测量和计算机视觉领域的研究热点之一。本文以数码相机检校为研究对象,首先对附加参数的光束法进行了研究和实现,并分析了该方法的特点。其次,论文针对该方法的不足提出了附加参数的光束检校改进算法。该算法利用三维直接线性变换解法为其提供初始值,满足了光束法对初始值高精度的需求,并将控制点坐标视为真值,相机内参数和外方位元素视作带权观测值,减少了未知数的个数,优化了附加参数的平差模型,解决了法方程系数阵易秩亏导致无法解算的问题。同时,顾及到数码相机存在相对较大的比例尺不一致误差与不垂直误差,将这两类误差参数引入到附加参数模型,提高了检校精度。最后,本文以武汉大学室内三维控制场为例,进行了相机检校实验,并对检校成果进行了精度评定。为验证本文算法的可靠性,使用常规算法与本文算法进行了对比实验,三维直接线性变换法的精度为0.802mm,附加参数的光束法的精度为0.724mm,本文算法的精度为0.648mm。实验结果表明,本文方法适用性强、检校精度高,可以满足摄影测量的应用需求。
余永义[9]（2021）在《SRGB及拜耳阵列图像光流配准算法研究》文中指出图像配准,旨在对齐两张或多张存在相对位移的图像,在智能手机、数码相机、自动驾驶等工业领域以及卫星影像等航天遥感领域有着广泛应用。光流,描述了图像间的逐像素相对位移,光流类配准算法能够实现图像间的逐像素配准,相较于特征点类算法拥有更高精度。在总结归纳现有算法优缺点的基础上,本文从数据、模型、后处理3个角度出发,致力于设计高效能高精度的图像光流配准算法。在数据方面,本文致力于构建大规模、高质量的光流配准训练与测试数据集。针对sRGB（标准RGB）域图像,本文整合多元前后景素材,通过为前景物体与背景物体独立随机地添加变换矩阵并获取光流真值标签,构建了拥有1000+类前景物体的大规模sRGB域光流配准训练集,其场景丰富程度显着优于现有数据集。拜耳阵列raw域图像是最为常用的数字相机原始采集的图像形式,本文对数字相机图像处理流程（ISP流程）与raw域噪声形态进行建模,结合sRGB域数据素材与逆ISP流程仿真,构建了当前规模最大、场景最全的拜耳阵列图像光流配准数据集。在模型方面,本文整合了特征金字塔、特征的光流映射、损失体的构建、多尺度光流精修等理念构建了基于卷积神经网络的sRGB域双帧图像光流配准基础模型,并根据拜耳阵列图像的特点将其改造为了 4种拜耳阵列图像配准基础模型。为能更高效充分地利用多帧图像的信息,本文设计了分支注意力模块与点乘注意力模块,它们能自适应地设置融合权重将从附加帧图像提取的特征融入到主干光流网络中。以此为核心模块,提出了基于分支注意力机制的多帧图像光流配准模型,该模型能整合多图信息并在一次推理过程中配准多张图像。为实现更为高效精准灵活的拜耳阵列图像配准,本文设计了8通道4分组的拜耳光流排布形式,并提出了拜耳光流引导的可重复图像特征相关搜索模块以完成待配准图像间的相似特征搜索,最后使用循环神经网络模仿变分光流中的优化迭代过程,在单特征分辨率尺度上实现了迭代次数可调的逐像素光流配准。在后处理方面,本文详细分析了光流映射配准时在图像遮挡区域和光流错误扭曲区域处鬼影现象的成因,并从鬼影的定义出发设计了基于光流后向映射重复区域检测的鬼影检测算法和基于光流前向映射空洞与重叠区域检测的鬼影检测算法,它们能在光流映射的同时完成配准结果的鬼影检测消除,不增加配准算法的总体时间复杂度。本文通过测试验证了构建的大规模sRGB域与拜耳阵列raw域训练集的有效性。一系列实验与鲁棒性测试表明,本文设计的光流配准基础模型能够较为准确地实现sRGB域与拜耳阵列raw域图像的像素级配准;和主流双帧模型相比,本文提出的多帧配准模型能够更为精确、鲁棒、高效地配准多帧图像;提出的基于递归神经网络与相关搜索模块的拜耳阵列配准模型在客观评测指标、主观细节测试、多场景测试中都取得了较为出色的结果;设计的两种鬼影检测算法也取得了优于经典比较算法的效果。本文将图像配准模型整合进了图像/视频复原模型,验证了本文提出的配准与鬼影检测算法在图像去噪、图像/视频超分辨任务上相比于当前主流配准算法的优越性。
刘志鹏[10]（2020）在《基于数字摄影测量技术的桥梁动态变形监测研究》文中认为由于桥梁在其使用过程中受到车辆等外力动荷载的影响而产生瞬间大幅度的动态变形,破坏了桥梁结构的稳定性,最后引发坍塌事故的发生,给人民群众的生命财产安全造成了巨大的损失。因此,对桥梁进行动态变形监测具有十分重要的意义。导师课题组已有的摄影测量动态变形监测系统,以时间基线视差法为解算模型进行了工程动态变形监测,取得了良好的效果。然而,在监测桥梁的动态变形时,关于桥梁平面与相机光轴不垂直时的桥梁动态变形监测缺乏系统的研究。因此,本文以摄影测量动态变形监测系统为基础,重点研究了基于光轴与控制平面协同变化的时间基线视差法解算方法,推导了变形点像素-真实位移空间转换表达式。该方法在保持光轴与控制平面垂直的情况下,可以在桥梁平面与相机光轴不垂直时,甚至在小锐角的情况下,求得变形点的变形值。为验证该方法的可行性,本文首先在校内进行了多次验证试验,然后进行了实际桥梁动态变形监测的探索实验,并对桥梁变形进行了分析与拟合预测,得到以下主要研究成果:（1）研究了非量测数码相机进行动态变形监测以及数据处理的理论基础,并进行不同摄影距离的变形实验,利用摄影测量动态变形监测系统解算数据,并分析了相机的测量误差以及测量误差随摄影距离变化的演化规律。（2）建立了基于光轴与控制平面协同变化的时间基线视差法解算模型,通过实验发现,该方法解算的变形值在竖直方向上平均相对误差为1.22%,在水平方向上平均相对误差为1.32%,并且该方法对于动态变形的解算结果与时间基线视差法的解算结果基本一致。（3）进行了多座桥梁的动态变形监测实验,对桥梁变形进行分析及拟合预测,实验验证了利用基于光轴与控制平面协同变化的时间基线视差法在桥梁平面与相机光轴不垂直甚至小锐角情况下监测桥梁动态变形的可行性。本文研究拓展了摄影测量动态变形监测系统的应用范围,进一步丰富了时间基线视差法的解算方法,为其在摄影机光轴与桥梁非垂直状态下的变形监测应用提供了一整套可参考的实验与解算方法。
二、数码相机的“未来世界”（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数码相机的“未来世界”（论文提纲范文）
（1）数码相机巨头的十年转身（论文提纲范文）
| 曾几何时风光无限 |
| 疫情加速行业落幕 |
| 重塑产业链 |
| 加速驶入医疗影像的蓝海 |
（2）高画质无反相机如何选（论文提纲范文）
| 引子 |
| 单反和无反的结构比较 |
| 评判一款相机好坏的依据 |
| 无反相机系统如何选 |
| 背照式还是双像素 |
| 镜头，最容易被忽视的关键点 |
| 比全画幅略大一点却更专业的画质选择 |
| 综述 |
（3）从建筑影像学到影像建筑学 ——影像视角下的建筑思维研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 引言 |
| 1.2 研究内容与方法 |
| 1.3 相关研究 |
| 1.3.1 哲学层面的研究 |
| 1.3.2 电影建筑与建筑影像传播的研究 |
| 1.3.3 思维、影像与建筑间联系的探索 |
| 2.语言、建筑与影像记录 |
| 2.1 “影像”及“建筑影像”的涵盖 |
| 2.2 建筑的原生影像与次生影像 |
| 2.3 被记录和转译的建筑 |
| 3.建筑影像与机械复制 |
| 3.1 机械复制时代的开启 |
| 3.2 动态影像——“这一段”的影像呈现 |
| 3.3 声音记录及“超文本”影像 |
| 3.4 建筑影像是维系建筑记忆的重要途径 |
| 3.5 建筑影像的标志性意义及其纪念碑性 |
| 4.哲学思维与建筑影像 |
| 4.1 建筑影像、想象与空指谓建筑 |
| 4.2 以影像思维创作的逻辑图像 |
| 4.3 思维的摄影机机制与思维投影 |
| 4.4 建筑的共时性影像和历时性影像 |
| 5.建筑影像空间与影像呈现 |
| 5.1 建筑空间及其影像空间 |
| 5.2 建筑影像的表皮与影像特性 |
| 5.3 在影像中“视为等同” |
| 5.4 影像技术的演进与影像修改 |
| 6.“未建成”与影像建筑 |
| 6.1 建筑之“未建成”——机械生成作为原生影像 |
| 6.2 影视领域的影像建筑实践 |
| 6.3 影视城与影像建筑 |
| 6.4 电子游戏与影像建筑 |
| 6.5 线性与非线性——从影像建筑到建筑实体 |
| 7.建筑影像及影像建筑实践 |
| 7.1 建筑影像的拟仿 |
| 7.2 “被动给予”与“主动获取”的建筑影像 |
| 7.3 方兴未艾的影像建筑 |
| 8.建筑影像学与影像建筑学的提出——结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 作者在读期间研究成果 |
（4）数字影像艺术背景下手机摄影的技术变革与应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 研究现状 |
| 1.3 研究方法 |
| 2 数字影像的发展现状 |
| 2.1 数字影像艺术的发展历程 |
| 2.2 多元化的影像发展 |
| 2.2.1 数字下的影像发展 |
| 2.2.2 影像的多样化应用 |
| 2.3 手机摄影的兴起与发展 |
| 2.3.1 手机摄影的发展历程 |
| 2.3.2 手机摄影的优势和不足 |
| 2.3.3 大众摄影生态 |
| 2.3.4 每个人都是策展人 |
| 3 数字影像与变迁 |
| 3.1 形式变化 |
| 3.1.1 影像获取形式的变化 |
| 3.1.2 影像呈现形式的变化 |
| 3.1.3 影像艺术形式的变化 |
| 3.2 技术变化 |
| 3.2.1 成像技术的变化 |
| 3.2.2 后期处理的变化 |
| 3.3 文化变化 |
| 4 数字影像艺术的发展与应用 |
| 4.1 复制解构 |
| 4.2 时空跨越 |
| 4.3 全息影像 |
| 4.4 智能影像 |
| 4.5 云端影展 |
| 4.6 网络影像实验室 |
| 5 结论与展望 |
| 参考文献 |
| 附录A 手机发展年表 |
| 附录B 各类与手机摄影有关APP资料 |
| 附录C 全球手机摄影大赛资料 |
| 附录D 全息影像技术发展年表 |
| 作者攻读学位期间取得的研究成果 |
（5）中国锂离子电池系统金属动态物质流分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 锂离子电池系统物质流分析研究进展 |
| 1.2.1 物质流分析方法概述 |
| 1.2.2 国内外研究进展 |
| 1.3 研究目的及意义 |
| 1.4 研究内容、方法及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 第2章 中国锂离子电池系统金属的物质流分析模型 |
| 2.1 中国锂离子电池系统金属动态物质流分析模型 |
| 2.1.1 系统范围 |
| 2.1.2 物质流分析框架 |
| 2.1.3 流量和存量计算方法 |
| 2.1.4 数据来源 |
| 2.2 中国锂离子电池系统金属代谢情景分析模型 |
| 2.3 小结 |
| 第3章 2000—2018年中国锂离子电池系统金属流量和存量 |
| 3.1 中国锂离子电池系统金属物质流分析概况 |
| 3.2 锂离子电池及金属资源生产量和消费量 |
| 3.2.1 锂离子电池生产量 |
| 3.2.2 原材料进出口量 |
| 3.2.3 锂离子电池消费量 |
| 3.2.4 金属消费量 |
| 3.3 锂离子电池及金属资源使用存量 |
| 3.3.1 锂离子电池使用存量 |
| 3.3.2 金属使用存量 |
| 3.4 锂离子电池及金属资源报废量和回收量 |
| 3.4.1 锂离子电池报废流量 |
| 3.4.2 金属回收量 |
| 3.5 敏感性分析 |
| 3.6 小结 |
| 第4章 2019—2050年中国锂离子电池系统金属资源代谢情景分析 |
| 4.1 锂离子电池保有量 |
| 4.1.1 数码电池 |
| 4.1.2 动力电池 |
| 4.1.3 UPS电池 |
| 4.1.4 储能电池 |
| 4.1.5 相关产品及电池的进出口 |
| 4.2 锂离子电池及金属使用存量 |
| 4.2.1 锂离子电池使用存量 |
| 4.2.2 金属使用存量 |
| 4.3 锂离子电池及金属需求量 |
| 4.3.1 锂离子电池需求量 |
| 4.3.2 金属需求量 |
| 4.4 废旧锂离子电池资源再生潜力分析 |
| 4.4.1 金属资源回收潜力 |
| 4.4.2 金属资源的再生量 |
| 4.5 金属流量和存量 |
| 4.6 小结 |
| 第5章 结论与建议 |
| 5.1 结论 |
| 5.2 建议 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
| 学位论文评阅及答辩情况表 |
（6）基于机器视觉技术的稻麦籽粒外观品质评测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 中英文对照和符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 水稻籽粒外观品质研究进展 |
| 1.2.1 粒形 |
| 1.2.2 透明度 |
| 1.2.3 垩白 |
| 1.2.4 整精米 |
| 1.3 小麦籽粒外观品质研究进展 |
| 1.3.1 粒形 |
| 1.3.2 不完善粒 |
| 1.4 图像分析技术研究进展 |
| 1.4.1 图像分析技术概况 |
| 1.4.2 图像分析技术在农业上的应用 |
| 1.5 深度学习技术及其在农业上的应用 |
| 1.5.1 数据集介绍 |
| 1.5.2 骨干网络 |
| 1.5.3 检测器 |
| 1.5.4 深度学习框架 |
| 1.5.5 深度学习在农业上的应用 |
| 1.6 机器学习技术及其在农业上的应用 |
| 1.6.1 朴素的贝叶斯 |
| 1.6.2 判别分析 |
| 1.6.3 K最近邻 |
| 1.6.4 支持向量机 |
| 1.6.5 其他机器学习算法 |
| 1.7 籽粒外观快速检测研究进展 |
| 1.7.1 分类分级 |
| 1.7.2 杂质鉴别 |
| 1.7.3 病虫害鉴别 |
| 1.8 研究目的与技术路线 |
| 1.8.1 研究目的与意义 |
| 1.8.2 技术路线 |
| 第二章 图像获取设备及方法 |
| 2.1 基于数码相机的图像获取设备及方法 |
| 2.2 基于扫描仪的图像获取技术 |
| 2.3 基于智能手机的图像获取技术 |
| 2.4 基于双目视觉的图像获取技术 |
| 2.5 小结 |
| 第三章 图像预处理及分割技术 |
| 3.1 基于图像分析技术的籽粒图像处理 |
| 3.1.1 试验材料 |
| 3.1.2 图像处理 |
| 3.1.3 评测方法 |
| 3.1.4 籽粒分割准确率 |
| 3.1.5 程序运行效率 |
| 3.2 基于深度学习算法的籽粒图像处理 |
| 3.2.1 材料与方法 |
| 3.2.2 网络模型 |
| 3.2.3 评估方法 |
| 3.2.4 模型训练与验证结果 |
| 3.2.5 籽粒计数精度 |
| 3.2.6 运行效率 |
| 3.3 图像分析技术与深度学习算法的比较 |
| 3.3.1 试验设计及图像获取 |
| 3.3.2 图像处理 |
| 3.3.3 评估方法 |
| 3.3.4 不同处理人工校验比较 |
| 3.3.5 线性模型分析 |
| 3.3.6 深度学习模型精度 |
| 3.3.7 讨论 |
| 3.4 小结 |
| 第四章 稻麦籽粒形态特征快速检测 |
| 4.1 材料与方法 |
| 4.1.1 试验地点与材料 |
| 4.1.2 图像获取 |
| 4.1.3 测定项目 |
| 4.1.4 图像预处理 |
| 4.1.5 形态特征检测方法 |
| 4.1.6 统计作图软件 |
| 4.2 不同算法检测效果 |
| 4.3 二维形态特征检测精度 |
| 4.3.1 长度检测精度 |
| 4.3.2 宽 |
| 4.3.3 长宽比 |
| 4.4 三维形态特征检测精度 |
| 4.5 扬麦系列品种在形态特征上的发展概况 |
| 4.5.1 在粒长上的发展方向 |
| 4.5.2 在粒宽上的发展方向 |
| 4.5.3 在粒高上的发展方向 |
| 4.5.4 在粒形上的发展方向 |
| 4.5.5 在粒体积上的发展方向 |
| 4.6 小结 |
| 第五章 水稻籽粒外观品质评测研究 |
| 5.1 水稻空秕粒检测方法 |
| 5.1.1 材料准备 |
| 5.1.2 图像处理 |
| 5.1.3 籽粒及影子特征计算 |
| 5.1.4 籽粒及其阴影的特征分析 |
| 5.1.5 籽粒分类 |
| 5.1.6 特征值比较 |
| 5.1.7 单个特征值的测量结果 |
| 5.1.8 SVM测量结果 |
| 5.1.9 测量效率 |
| 5.2 水稻整精米率检测方法 |
| 5.2.1 实验设备及流程 |
| 5.2.2 图像预处理 |
| 5.2.3 凹点检测 |
| 5.2.4 凹点匹配 |
| 5.2.5 计算粒长 |
| 5.2.6 计算整精米率 |
| 5.2.7 设备精度 |
| 5.2.8 分割结果 |
| 5.2.9 整精米识别 |
| 5.2.10 整精米率精度 |
| 5.3 水稻垩白检测方法 |
| 5.3.1 试验设备及材料 |
| 5.3.2 粘连米粒分割 |
| 5.3.3 垩白信息检测 |
| 5.3.4 垩白位置确定 |
| 5.3.5 垩白分类结果 |
| 5.4 小结 |
| 第六章 小麦籽粒外观品质评测研究 |
| 6.1 材料与方法 |
| 6.1.1 试验材料 |
| 6.1.2 籽粒图像获取方法 |
| 6.1.3 图像特征参数提取 |
| 6.1.4 机器学习模型算法 |
| 6.1.5 数据处理及作图软件 |
| 6.2 特征差异性分析 |
| 6.3 破碎粒识别 |
| 6.3.1 特征值比较 |
| 6.3.2 精度比较 |
| 6.3.3 最优模型评估 |
| 6.4 空秕粒识别 |
| 6.4.1 特征值比较 |
| 6.4.2 精度比较 |
| 6.4.3 最优模型评估 |
| 6.5 杂质识别 |
| 6.5.1 特征值比较 |
| 6.5.2 精度比较 |
| 6.5.3 最优模型评估 |
| 6.6 混合识别 |
| 6.6.1 特征值比较 |
| 6.6.2 精度比较 |
| 6.6.3 最优模型评估 |
| 6.7 小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 讨论 |
| 7.2.1 稻麦籽粒的共性与特性 |
| 7.2.2 谷物外观检测工具的形式 |
| 7.2.3 不同方法准确率的比较 |
| 7.2.4 不同方法运行效率的比较 |
| 7.2.5 深度学习的优势 |
| 7.2.6 外观品质检测 |
| 7.3 本研究创新点 |
| 7.4 存在问题 |
| 7.5 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）目标识别数据集原始图像恢复算法多线程并行研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像恢复算法研究现状 |
| 1.2.2 并行计算研究现状 |
| 1.3 论文研究内容及论文结构 |
| 2 图像信号处理器算法与并行计算基础 |
| 2.1 图像信号处理器算法 |
| 2.1.1 相机响应函数 |
| 2.1.2 白平衡 |
| 2.1.3 颜色空间转换 |
| 2.1.4 色域映射 |
| 2.1.5 色调映射 |
| 2.1.6 去马赛克算法 |
| 2.2 并行计算基础 |
| 2.3 本章小结 |
| 3 InvISP模型 |
| 3.1 可行性分析 |
| 3.2 相机内成像模型 |
| 3.3 InvISP成像模型 |
| 3.4 本章小结 |
| 4 InvISP的逆向流程 |
| 4.1 逆向相机响应函数 |
| 4.2 逆向白平衡和颜色空间转换矩阵 |
| 4.3 逆向色域映射算法 |
| 4.4 逆向去马赛克算法 |
| 4.5 本章小结 |
| 5 基于OpenMP的 InvISP算法优化 |
| 5.1 基于OpenMP的并行化分析 |
| 5.2 基于OpenMP的并行化算法实现 |
| 5.3 本章小结 |
| 6 实验结果及分析 |
| 6.1 实验质量评估标准 |
| 6.1.1 峰值信噪比 |
| 6.1.2 结构相似性 |
| 6.1.3 加速比 |
| 6.2 实验环境 |
| 6.3 实验结果 |
| 6.4 基于OpenMP的优化结果分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（8）基于附加参数光束改进算法的非量测数码相机检校研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第2章 相机检校理论基础 |
| 2.1 常用的摄影测量坐标系 |
| 2.1.1 像方坐标系 |
| 2.1.2 物方空间坐标系 |
| 2.2 共线条件方程式 |
| 2.2.1 共线条件方程式 |
| 2.2.2 像点坐标误差方程式 |
| 2.3 非量测型数码相机 |
| 2.3.1 数码相机的分类 |
| 2.3.2 数码相机的特点 |
| 2.4 本章小结 |
| 第3章 非量测数码相机检校原理 |
| 3.1 非量测相机的检校内容 |
| 3.1.1 内方位元素 |
| 3.1.2 外方位元素 |
| 3.1.3 光学畸变差 |
| 3.1.4 比例尺不一误差和不垂直性误差 |
| 3.2 非量测相机检校方法分类 |
| 3.3 相机检校的技术关键点 |
| 3.4 本章小结 |
| 第4章 实验场检校算法研究与改进 |
| 4.1 常用的实验场检校算法 |
| 4.1.1 基于三维控制场的检校方法 |
| 4.1.2 基于二维控制场的检校方法 |
| 4.1.3 检校算法对比 |
| 4.2 附加参数的光束检校改进算法 |
| 4.2.1 三维直接线性变换解法提供初始值 |
| 4.2.2 改进的附加参数光束法进行整体平差 |
| 4.3 本章小结 |
| 第5章 非量测数码相机检校实验 |
| 5.1 相机检校实验 |
| 5.1.1 实验相机 |
| 5.1.2 室内三维控制场 |
| 5.1.3 实验数据 |
| 5.1.4 相机检校精度评定标准 |
| 5.1.5 编程语言及环境 |
| 5.2 数据处理与分析 |
| 5.2.1 相机检校 |
| 5.2.2 附加参数模型分析 |
| 5.2.3 对比分析 |
| 5.3 实验结论 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）SRGB及拜耳阵列图像光流配准算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 sRGB域图像配准算法研究现状 |
| 1.2.2 光流估计算法研究现状 |
| 1.2.3 拜耳阵列raw域图像建模仿真研究现状 |
| 1.3 光流可视化说明 |
| 1.4 现有配准算法的问题和光流配准的挑战 |
| 1.4.1 基于特征点的全局配准存在的问题 |
| 1.4.2 基于分块特征点匹配的区域配准存在的问题 |
| 1.4.3 传统变分类光流算法存在的挑战 |
| 1.4.4 深度学习类光流算法存在的挑战 |
| 1.5 论文章节安排 |
| 2 光流配准基础理论 |
| 2.1 光流映射配准 |
| 2.2 基于变分的光流估计算法 |
| 2.2.1 变分光流的基础假设 |
| 2.2.2 变分光流的能量泛函 |
| 2.2.3 能量泛函的迭代求解 |
| 2.3 基于深度学习的光流估计算法 |
| 2.3.1 深度学习光流估计算法的基本流程 |
| 2.3.2 深度学习光流估计算法的损失函数 |
| 2.4 光流配准的评价指标 |
| 2.5 本章小结 |
| 3 光流配准鬼影现象分析与鬼影检测 |
| 3.1 光流后向映射配准鬼影成因分析与鬼影检测算法设计 |
| 3.1.1 光流后向映射与鬼影成因 |
| 3.1.2 基于光流后向映射重复区域检测的鬼影检测算法 |
| 3.2 光流前向映射配准鬼影成因分析与鬼影检测算法设计 |
| 3.2.1 光流前向映射与鬼影成因 |
| 3.2.2 基于光流前向映射空洞与重叠区域检测的鬼影检测算法与重叠区域像素筛选算法 |
| 3.3 实验结果与分析 |
| 3.3.1 评测数据集 |
| 3.3.2 评测指标 |
| 3.3.3 参与比较的算法 |
| 3.3.4 基于光流后向映射重复区域检测的鬼影检测算法的实验结果 |
| 3.3.5 基于光流前向映射空洞与重叠区域检测的鬼影检测算法的实验结果 |
| 3.4 本章小结 |
| 4 sRGB域图像光流配准算法 |
| 4.1 数据集构建 |
| 4.1.1 现有公开光流数据集 |
| 4.1.2 自建大规模光流数据集 |
| 4.2 基于卷积神经网络的双帧图像配准模型 |
| 4.2.1 符号说明 |
| 4.2.2 关键模块 |
| 4.2.3 网络结构 |
| 4.2.4 网络训练 |
| 4.3 基于分支注意力机制的多帧图像配准模型 |
| 4.3.1 深度学习中的注意力机制 |
| 4.3.2 符号说明 |
| 4.3.3 分支注意力模块与网络结构 |
| 4.3.4 网络训练 |
| 4.4 配准实验结果分析 |
| 4.4.1 评测数据集与评价指标 |
| 4.4.2 实验结果 |
| 4.4.3 鲁棒性分析 |
| 4.5 配准算法在图像/视频复原任务上的应用与比较 |
| 4.5.1 图像/视频复原模型的分类与改造 |
| 4.5.2 图像/视频复原任务的实验结果 |
| 4.6 本章小结 |
| 5 拜耳阵列图像光流配准算法 |
| 5.1 拜耳采样与数字相机图像处理流程(isp流程) |
| 5.2 拜耳阵列raw域图像噪声建模与仿真 |
| 5.3 数据集构建 |
| 5.3.1 仿真数据集 |
| 5.3.2 实拍数据集 |
| 5.4 基于卷积神经网络的拜耳阵列图像配准模型 |
| 5.4.1 拜耳阵列图像配准步骤拆解与分析 |
| 5.4.2 模型设计 |
| 5.4.3 模型训练 |
| 5.5 基于递归与相关搜索模块的拜耳阵列图像配准模型 |
| 5.5.1 模型设计 |
| 5.5.2 模型训练 |
| 5.6 实验结果分析 |
| 5.6.1 评价指标与配准结果展示方式 |
| 5.6.2 训练集有效性及基础模型结果比较 |
| 5.6.3 堆栈曝光拜耳阵列图像序列实验结果 |
| 5.6.4 日景、夜景同曝光拜耳阵列图像实验结果 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 本文完成的主要工作 |
| 6.2 主要创新点 |
| 6.3 未来的展望 |
| 参考文献 |
| 在学期间所取得的科研成果 |
（10）基于数字摄影测量技术的桥梁动态变形监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景意义 |
| 1.2 研究现状及存在问题 |
| 1.3 研究内容与技术路线 |
| 1.4 本章小结 |
| 2 桥梁结构的变形研究 |
| 2.1 桥梁的主要结构 |
| 2.2 桥梁变形的原因与监测内容 |
| 2.3 桥梁的荷载与破坏过程 |
| 2.4 本章小结 |
| 3 非量测数码相机及其解算模型 |
| 3.1 数码相机简介 |
| 3.2 非量测数码相机解算方法 |
| 3.3 不同摄影距离的变形实验 |
| 3.4 本章小结 |
| 4 基于光轴与控制平面协同变化的时间基线视差法 |
| 4.1 研究来源与控制平面 |
| 4.2 数据解算方法 |
| 4.3 不同倾斜角度变形实验 |
| 4.4 不同摄影方式变形监测实验 |
| 4.5 本章小结 |
| 5 桥梁动态变形监测实验 |
| 5.1 凤凰山路桥动态变形监测实验 |
| 5.2 R1线高架桥动态变形监测实验 |
| 5.3 燕山立交桥动态变形监测实验 |
| 5.4 变形值的拟合预测 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
四、数码相机的“未来世界”（论文参考文献）
- [1]数码相机巨头的十年转身[N]. 钱童心. 第一财经日报, 2022
- [2]高画质无反相机如何选[J]. 高宝昌. 照相机, 2021(09)
- [3]从建筑影像学到影像建筑学 ——影像视角下的建筑思维研究[D]. 樊强. 西安建筑科技大学, 2021(01)
- [4]数字影像艺术背景下手机摄影的技术变革与应用研究[D]. 杨仪发. 北京印刷学院, 2021(09)
- [5]中国锂离子电池系统金属动态物质流分析[D]. 刘问秋. 山东大学, 2021(12)
- [6]基于机器视觉技术的稻麦籽粒外观品质评测研究[D]. 武威. 扬州大学, 2021
- [7]目标识别数据集原始图像恢复算法多线程并行研究[D]. 张金. 大连理工大学, 2021(01)
- [8]基于附加参数光束改进算法的非量测数码相机检校研究[D]. 岳文鹏. 合肥工业大学, 2021(02)
- [9]SRGB及拜耳阵列图像光流配准算法研究[D]. 余永义. 浙江大学, 2021(01)
- [10]基于数字摄影测量技术的桥梁动态变形监测研究[D]. 刘志鹏. 山东科技大学, 2020(01)