一、小波变换在图像处理中的应用（论文文献综述）
牛晓星[1]（2020）在《基于边缘特征检测的遥感影像角点提取的研究及其应用》文中认为近几年我国对新兴高科技产业的重视,使得我国遥感科学技术的发展更是日新月异。在国家民用空间基础设施的开发中,卫星体系建设逐渐完善,遥感数据的获取及其质量不断提升,但仍避免不了遥感影像在其成像过程中受大气、传输介质、地物特征、相机成像等复杂环境的干扰。因此,在提取遥感影像信息时,通过对目标影像进行相对应的处理,可以达到进一步加强遥感影像信息表达的能力。针对上述问题,在遥感影像特征提取研究中,本文提出基于边缘特征的遥感影像角点提取的方法,并将该方法应用在了基于JGraph的图像处理平台中,实现了图像处理过程可视化。具体研究工作及成果如下:（1）实现基于小波变换的遥感影像边缘特征检测在对比了几种常见的微分边缘检测算子实现遥感影像边缘检测后,发现效果并不理想,不是影像中噪声影响太大,就是检测算子运算使得边缘太过于平滑,针对此问题提出基于小波变换的遥感影像边缘特征检测。根据小波算法特性先对目标影像进行分解,获取目标影像的高频和低频分量,再利用改进的阈值函数进行影像的噪声处理,达到图像边缘特征提取的目的。通过对比实验说明,使用改进的小波变换提取目标影像的高频分量,改善了细微纹理以及噪声对边缘特征提取的负面影响,更好地实现了遥感影像边缘特征提取。（2）实现基于边缘特征的遥感影像角点提取由于角点是图像边缘曲线上的局部极值,在提取中对图像中的噪声非常敏感,导致角点提取误差大。在清晰的边缘信息上进行遥感影像的角点检测,可以提高遥感影像信息提取的质量。因此在基于小波变换的遥感影像边缘特征基础上,提出基于边缘特征提取的Harris角点检测。通过对比实验,在提取目标影像的边缘特征基础上进行角点检测,降低了目标影像中噪声对角点提取的干扰,更好的实现了影像的角点提取。（3）基于JGraph的图像处理过程可视化为了更直观的表达边缘特征检测算法与角点检测同类算法的对比实验,更快速的组合应用小波变换和Harris角点检测算法,在JGraph图像处理平台中,将图像处理算法封装成其特有的组件,在平台中实现图像处理过程的可视化。通过JGraph图像处理平台,使得图像处理过程得以更直观的描述、更便捷的选择实验算法以及更快速的实现算法组合应用。由实验结果表明,使用改进的小波变换提取目标影像的边缘特征,改善了细微纹理以及噪声对边缘特征提取的负面影响;在提取目标影像的边缘特征后进行角点检测,使得角点提取在一定程度上不受目标影像中噪声的干扰,更好地完成了遥感影像的角点提取;最后利用JGraph图像处理平台实现本文图像处理过程的可视化,不仅可以描绘出图像处理过程的具体流程,也可以更好地选择合适的算法达到实验目的。
杨进[2]（2020）在《基于多尺度下结构组稀疏表示的图像融合方法研究》文中研究说明在人工智能及信息技术大力发展的背景下,各技术领域对图像融合有较大的需求,因此图像融合在各技术领域的地位越来越重要。在图像融合技术中,人们开始采用多尺度方式来分解源图像,这样图像融合就可以在离散的变换域中进行,其中多尺度小波变换在进行图像融合时取得了显着的效果。于是本文对具有多尺度性质的小波变换图像融合方法以及根据结构组稀疏表示图像融合方法进行分析研究。针对小波变换图像融合方法中存在的问题,本文提出了一种基于结构相似度融合规则的图像融合方法。然后本文根据结构组稀疏表示图像融合中的发展和应用,又提出一种改进的双树复小波变换（DT-CWT）与结构组稀疏表示相结合的图像融合方法。具体内容如下:本文首先对图像融合理论背景及其意义进行分析说明,了解图像融合理论在国内外的状况以及发展趋势。接下来本文介绍了图像融合基本理论和传统融合方法,同时也介绍图像融合质量好坏的评价标准。在分析研究多尺度变换理论时,本文对常用的小波变换进行理论分析,发现小波变换不足之处是不具有平移不变性和有效的方向选择性。针对小波变换存在的缺点,本文提出了一种改进的DT-CWT变换的图像融合方法,这方法是基于结构相似度（SSIM）对DT-CWT变换产生的分量进行有效选取,很好的解决了小波变换存在的问题,从而提高图像融合效果。通过实验结果和客观评价标准可以说明改进的DT-CWT变换改善了图像的融合效果。通过文献查阅,本文分析了稀疏表示方法的发展过程和在图像融合中的应用,发现传统的稀疏表示存在字典学习计算难和稀疏表示图像分块关联性两个问题。针对传统的稀疏表示存在的两个问题,对结构组稀疏表示有关文献分析,发现结构组稀疏表示方法可以解决上述问题,同时本文介绍了结构组理论和结构组稀疏模型的构造。根据图像结构组稀疏表示的优点和DT-CWT变换的优点,提出一种具有多尺度性的DT-CWT变换的结构组图像融合方法,本文分别介绍了这种方法的融合流程,其中包括源图像低、高频分量改进的融合规则。最后将常用的图像融合方法的仿真实验结果同本文方法的仿真实验结果进行对比,可以得出本文方法有效改善了图像的融合效果,提高了图像清晰度和保留了图像细节信息。
冯小雨[3]（2020）在《矿石粒度图像的研究与分析》文中研究表明随着计算机视觉技术的不断发展,图像处理技术也越来越广泛的应用到生产制造的各个领域,图像处理技术可以改善传统工业的生产方式,实现工业智能化的发展,是“中国制造2025”的重要突破点。矿石粒度是衡量矿石破碎程度的重要依据,同时也是影响选矿方法以及工艺流程选择的重要参数,传统的矿石粒度的检测都是由人工来完成的,这个方法不仅耗时耗力,而且效率较低。利用图像处理技术,可以做到对矿石粒度的实时检测,大大降低了人工成本,同时提高了检测的效率和准确度。因此,基于图像处理技术的矿石粒度检测具有很大的发展前景和研究意义。为了实现矿石粒度的在线自动化检测,本文使用图像处理的方法,在图像处理过程中需要解决两个难点:矿石图像的去噪和分割。本文通过提出了一种新的提升小波构造方法:基于三次B样条函数的提升小波,实现了对矿石图像的去噪,同时还不破坏矿石图像的颗粒信息。对于矿石图像的分割,本文提出了改进的分水岭算法。矿石粒度检测的具体步骤是:首先对矿石图像进行灰度变换,减少运算量,在灰度图像的基础上使用基于三次B样条函数的提升小波变换,把矿石图像分解为四个子图,再分别对四个子图进行阈值去噪处理,最后进行提升小波的重构,从而得到去噪后的矿石图像;再利用改进的分水岭算法对矿石图像进行分割,改进的分水岭算法的步骤是利用形态学重构,标记出矿石图像的前景和背景,把梯度图像中的无关极值进行剔除,再使用分水岭算法,得到矿石图像的脊线图;接下来利用图像的连通域性质,统计出矿石图像的连通域的个数和每个连通域所占的像素个数,再利用像素个数与实际矿石尺寸的转换关系,最终得到矿石粒度的信息。为了验证图像处理检测矿石粒度的准确度,需要对矿石颗粒进行人工筛分,统计出实际矿石的粒度大小,并和图像处理结果进行对比,对比结果为二者的最大误差为3%,从而验证了图像处理检测矿石粒度的可行性。
白家铭[4]（2020）在《多光谱图像融合系统的设计与实现》文中研究表明图像融合作为图像处理领域的重要分支,是指将同一场景下不同类型的传感器获取到的多光谱图像融合到一幅图像中,使之在不失真的情况下包含多光谱图像中的大部分数据信息。多光谱图像融合技术一经问世便在卫星遥感、军事和医疗等领域取得了广泛的应用。本文将以设计和实现一种功能完善,人机交互体验良好的多光谱图像融合系统为课题目标,最后基于本文实现的融合系统提出了一种基于NSCT的图像融合方法,取得较好的融合效果。本文的研究内容如下:（1）详细概述了图像融合基本理论,包括图像融合的基本定义、层次和工作流程,基于此,分析和确定了系统的开发环境及工具,实现了系统核心模块的划分,最终应用Open CV机器视觉库及图形用户界面开发框架QT,设计和实现了多光谱图像融合系统的总体框架。随后介绍了图像预处理、图像融合和图像融合质量评价,并对具有代表性的算法进行研究。根据对以上算法的研究,设计多光谱图像融合系统各个核心模块中的算法的基本框架,最后调用Open CV机器视觉库编码实现各核心模块的算法,并进行实验展示,完善了软件系统的整体功能并初步验证了系统的可行性;（2）基于变换域的图像融合方法是目前图像融合领域的研究热点之一,其关键在于多尺度分析工具选取和高低频融合策略的选择。首先对基于变换域的多尺度变换分析工具和融合策略进行详细介绍,介绍了几种多尺度变换工具的基本理论及其在图像融合领域的应用,包括拉普拉斯金字塔融合算法、小波变换融合算法和非下采样轮廓波变换融合算法。基于以上的研究,设计和实现了基于变换域的图像融合算法,完善了本文的多光谱图像融合系统,基于上述研究对所研究算法进行融合实验,通过融合结果的分析比较,综合考虑主客观评价,非下采样轮廓波变换融合算法具有更好的性能,通过多组融合实验验证了图像融合系统的稳定性;（3）使用非下采样轮廓波变换（NSCT）作为多尺度变换方法,采用改进的自适应脉冲耦合神经网络（PCNN）作为高频子带的融合策略,使用加权PCA变换作为低频融合策略,提出一种基于NSCT的多光谱图像融合方法。将本文提出的融合系统作为实验平台,通过多光谱图像融合系统的融合实验和结果分析,综合考虑主客观评价后,本文提出算法的融合结果与拉普拉斯金字塔变换、离散小波变换和非下采样轮廓波变换等图像融合算法相比,本文提出的算法具有更好的融合性能,并且通过多组融合实验进一步验证了图像融合系统的稳定性。
吴江月[5]（2019）在《基于去噪功能的压缩感知算法在图像处理中的应用》文中研究说明互联网从兴起至今,文字、图片、视频等成为人们在互联网上获取信息的重要手段。其中图片是最直观的获取信息的方式,关于图像处理方面的技术发展十分迅速,并发展出许多分支,图像复原就是其中一个。图像复原技术已趋近成熟,但是复原的效果在精确度上还有提升的空间;在遇到大量图像数据时,如果使用传统算法对图像进行压缩处理,那么压缩后的数据会占据大量的内存;传统的图像复原算法不能很好的去除图像存在的噪声污染,而压缩感知理论可以很好的弥补这些不足。2004年由美国一些着名学者提出压缩感知理论,并开展一系列研究,无论在国内外数学领域还是工程应用领域,国内外的知名大学和跨国公司都对压缩感知开展了相应地研究工作,并取得初步成绩。其理论优点是:只需采集少量的数据,就可以根据重构算法将原始信息完整重构。因此,对于传统图像复原算法的不足,压缩感知理论可以很好的解决。压缩感知发展至今,其在图像复原中的应用取得很多研究成果,如基追踪（BP）重构算法、正交匹配追踪（OMP）重构算法等。根据研究可知:OMP算法没有去噪的功能实现,以至于在图像受到高斯随机噪音污染的情况下,对图像的重构效果不是很好。本文的主要研究内容如下:（1）采用离散小波变换对图像进行稀疏表示。先对信号进行分解,将近似信号连续分解,可以将信号分解成许多低分辨率成分,一直分解到细节（高频）只包含单个样本为止。然后对连续小波变换的尺度、位移按照2的幂次进行离散化。其优点是:用少量数据进行存储,就可以包含原始图像完整信息。该应用克服了在遇到大量数据时图像压缩占据大量内存的困难。（2）对OMP重构算法进行改进。虽然小波变换能够在稀疏过程中去除一些噪声,但是小波变换对高斯随机噪声不敏感,且OMP算法没有去噪的功能实现,针对这一缺点,本文对OMP算法进行改进:在OMP算法中添加一个去噪的算法步骤,也就是筛选观测向量之前,先进行去噪处理。首先对信号初始化,并给图像添加高斯随机噪声;其次找到观测向量并进行去噪;然后对观测向量求解,得到信号估计;最后重构原始信息,得到重构图像。（3）对其改进后的算法,通过实验进行实现。使用维纳滤波算法、OMP算法分别对图像进行重构处理,再跟改进的算法实验结果进行对比。通过对比不同算法的实验效果以及误差、分析数据,得出结论。实验结果表明,压缩感知可以提高传统图像复原算法的效率,改善它的缺点;对OMP算法的去噪改进可以使之有效的重构含有高斯随机噪声的图像,噪声越大其效果越好。本文的研究对OMP算法在重构图像中应用的效率有一定提高,较大程度提高该算法重构图像的精确率,为图像复原算法奠定一定的理论基础,同时提供一些经验。图[29]表[1]参[53]。
段延超[6]（2019）在《基于SIFT和小波变换的遥感影像配准融合算法研究》文中研究说明遥感影像数据源源不断地被送回地面接收站,面对如此海量的遥感影像,影像配准和融合技术起了关键性的作用。遥感影像的配准是有效地进行数据融合的必要前提,不同几何特性和不同分辨率的影像之间必须进行严格地配准。遥感影像的融合是通过整合优势互补的遥感影像来提高数据的可用度,融合后的遥感影像要比源影像所包含的信息要丰富,从而为后续处理做好了准备。本文重点研究了遥感影像的配准和多光谱与全色影像的融合,针对配准和融合过程中出现的问题提出了相应的改进方法,并对其进行验证、评价、分析。本文主要工作分为以下三个方面:（1）研究常用的遥感影像配准和融合算法的理论和方法,分别对遥感影像配准和融合算法进行比较,并对各个算法的优缺点进行客观分析。相较于其它配准算法,SIFT配准算法有着明显的优势,在不同尺度、旋转、光照等条件下均能检测到稳定的特征点进行配准,其缺点是运算时间长、出现边缘效应;相较于其它融合算法,小波变换融合算法可以进行多尺度融合,进而改善融合后影像的细节,其缺点是出现分块、光谱扭曲、边缘模糊等现象。（2）提出一种基于Canny和PCA改进SIFT遥感影像配准算法。对基准影像和待配准影像分别进行Canny算法检测边缘特征、SIFT算法检测特征点,通过剔除在边缘特征上的特征点减少边缘效应,然后利用PCA进行主成分分析特征点描述符进行降维,最后通过RANSAC剔除误匹配对的方法完成配准,从而剔除大量的边缘响应点,提高算法的运算效率。（3）提出一种基于PCNN的小波变换多光谱与全色遥感影像融合算法。对多光谱影像分别进行IHS变换和PCA变换,IHS变换后得到强度I、色度H、饱和度S三个分量,PCA变换得后到多光谱影像的第一主成分PC1,将全色影像与第一主成分PC1进行直方图匹配得到PAN’,对I和PAN’进行小波变换得到低频分量和高频分量,对低频分量使用加权平均融合规则、高频分量使用改进PCNN的融合规则,然后生成I’,最后通过IHS逆变换生成融合结果。本算法有效地减少了光谱失真的现象也改善了融合的细节。通过大量实验,根据常见的客观评价指标做出比较,可以看出本文改进的算法可以有效地对遥感影像进行配准和融合。
朱莉娟[7]（2019）在《基于声呐图像斑点噪声的降噪算法研究》文中进行了进一步梳理水下环境复杂多变,在这样的环境下生成的图像受到很多干扰,这些干扰是影响声呐图像质量的主要因素,它使声呐图像模糊、分辨率低、噪声严重等特点。这也使得声呐图像与光学图像有着不同的特征。为了更好的利用声呐图像,对声呐图像进行降噪预处理是非常重要的。又由于声呐图像与光学图像有着不同特征,光学图像的噪声处理算法不能直接应用到声呐图像降噪中,因此,构建针对声呐图像的降噪算法是非常有意义的。根据声呐图像的特征,本文主要研究了以下内容:（1）本文首先对声呐图像的噪声类型进行总结分析,并确定对声呐图像影响较为严重的噪声类型进行建模,经过研究得到,噪声类型为幅值服从瑞利分布的乘性斑点噪声对声呐图像的影响较为严重,根据现有噪声模型构建方法相结合,得到更简化的乘性斑点噪声模型构建方法。（2）针对声呐图像的特征,本文把三维块匹配图像降噪算法（BM3D）应用到声呐图像的降噪处理中,并利用全变分降噪算法对BM3D算法中滤波处理部分进行改进,通过实验验证,改进算法对声呐图像中的乘性斑点噪声有很好的降噪能力。同时,它能够保留更多的图像纹理信息以及边缘信息。（3）基于全变分以及小波变换在图像处理中的良好性能,本文提出把对信号降噪效果较好的非凸正则化全变分-小波降噪算法应用到声呐图像中乘性斑点噪声的降噪处理中,并将对图像中奇异点的处理效果较好的双树复小波变换对原算法中的小波进行改进,得到改进算法更适用于声呐图像的降噪处理;其次,为了得到改进后的算法对声呐图像有更好的降噪能力,对其参数函数进行改进。通过仿真验证,改进的算法能更好的适应声呐图像的降噪处理,本算法除了有较好的降噪能力,还有较好的纹理信息和边缘保持能力。
胡光宝[8]（2019）在《基于纹理分析的皮革划痕检测方法研究》文中进行了进一步梳理随着人们生活质量不断提升,皮革产品越来越多地进入到人们生活中。皮革划痕不仅影响了皮革产品的美观,减少皮革产品的使用寿命,还会存在一定的安全隐患,所以对皮革产品表面划痕检测意义重大。近年来机器视觉技术在各个领域被广泛应用,使得用机器代替传统的人工质量检测得到广泛的青睐。本文主要利用计算机图像处理技术对荔枝纹皮革表面的划痕进行检测。针对传统的高斯-拉普拉斯算法处理图像边缘时存在各向同性特点的问题,提出一种各向异性的高斯-拉普拉斯算法,在图像增强中能自适应地处理各个角度的边缘。首先基于传统的算子,在不同方向上取不同高斯标准差将尺度参数引入函数中,然后结合几何学,将角度参数引入带有尺度参数的算子中,最后根据每个像素点的梯度值来确定尺度参数和角度参数的值,得到各向异性的算子。仿真结果表明,各向异性的算子更符合人眼视觉特性,且在峰值信噪比、结构相似性和均方误差方面均优于各向同性的算子及其他图像预处理算法。各向异性的高斯-拉普拉斯算子对噪声的抑制效果更好,图像边缘细节保留的更多。针对当前单一的纹理分析方法处理图像无法准确提取图像纹理基元信息的问题,将多种纹理分析方法结合起来,使每种方法在纹理分析时都发挥各自的特点,最大化提取纹理基元信息从而提高检测结果的准确率。首先使用小波分解得到图像的低低频部分,将含有更多纹理信息的低低频提取出来。通过实验对比,选取用于荔枝纹皮革划痕检测的最优特征参数。然后通过选取的特征,经过实验分析,确定灰度共生矩阵的三个最优构造因子,生成相应的灰度共生矩阵。在最优参数下的灰度共生矩阵中提取相应特征,并使用支持向量机对皮革表面划痕进行检测。根据荔枝纹皮革表面纹理特性,搭建相应的机器视觉检测平台,通过对比实验,得出多种方法结合的检测精度高于小波变换法11.93%,高于灰度共生矩阵法1.33%,且兼顾实时性。结果证明将多种纹理分析方法结合应用于荔枝纹皮革表面划痕检测是有效的,最终检测精度为95.2%,单幅图像检测时间为372ms。
文国权[9]（2019）在《基于Michelson通道及递归卷积神经网络的图像盲复原》文中指出数字图像作为信息获取、表达以及传播的一个主要媒介,在计算机视觉领域具有相当实用的价值,然而由于图像形成过程中受到各种因素的影响,导致拍摄形成的图像的质量较差,当低质量图像不能满足日常生产生活的需求时,就要求人们能够对低质量图像进行有效复原,随着数字图像处理领域基础知识的不断完善和深度学习的兴起,图像去模糊作为提高图像质量的一种有效方式,成为了数字图像处理领域的一个研究热点。本文针对基于数字图像基础理论及半监督学习的方法对图像去模糊展开研究。为了有效的复原低质量的模糊图像,本文从两点分别提出了一种能够有效地进行图像去模糊的方法:第一点,介绍了图像暗通道和亮通道理论以及基于暗通道先验（DCP）和亮通道先验（BCP）的图像去模糊算法。然后,针对单纯采用DCP和BCP进行图像去模糊的缺点即会在复原图像中引起一些明显的振铃效应以及图像通道缺乏对比度,结合暗通道和亮通道提出了 一种新的图像通道:Michelson通道,随后基于Michelson通道提出了Michelson通道先验,并结合Michelson通道的梯度信息来构建图像去模糊算法框架。在该算法中,通过增强和保持图像的暗和亮通道像素以及突出Michelson通道像素,基于Michelson通道先验的图像去模糊算法捕获到了更清晰的图像细节并进一步消除复原图像中的振铃效应。大量实验结果表明,所提出的方法更加稳健,并且在合成模糊图像和自然模糊图像上的去模糊性能都优于现有的图像去模糊方法。第二点,本文根据面向图像去模糊的卷积神经网络的优缺点,构建了基于小波变换和递归卷积神经网络的图像去模糊神经网络R-DbCNN。在R-DbCNN的模型训练中,本文利用小波变换分解和提取模糊图像的低频和高频信息,作为本文提出的去模糊方法的第一步。但是,当该过程突出显示图像特征的大致部分时,模糊图像将被过度平滑,从而使复原图像失真。同时,整体的小波变换将导致图像数据冗余度较高。因此,在第二步中,基于递归卷积神经网络,设计了一种面向图像去模糊的深度递归卷积神经网络（R-DbCNN）,它可以消除或削弱由小波变换引起的高数据冗余度和图像平滑特性,进一步复原由于模糊导致的低质量图像。与传统的递归卷积神经网络相比,R-DbCNN在去模糊方面具有更快的训练速度。此后,建立了一种新的损失函数,平衡小波变换和递归卷积神经网络的去模糊特性,以获得所提方法的最佳去模糊效果。实验结果表明,该方法能够实现不同模糊类型的图像复原,如运动模糊,高斯模糊和散焦模糊。
邱甲军[10]（2019）在《基于纹理分析的医学图像辅助诊断关键技术研究》文中指出随着医学影像技术的发展,医学图像数量大规模增加,大量医学图像在辅助医师进行疾病诊断的同时,也增加了医师的工作量。传统的影像医疗诊断中,医师主要通过观察一组二维切片图像以发现病变,这往往依赖于医师的经验,至于准确发现病灶内部的机理改变、与周围生物组织的关系等,仅仅通过观察二维切片图像是很难实现的。纹理作为数学上的一种描述属性,可以很容易地提供病灶特征的定量测量,基于纹理分析的医学图像辅助诊断是一种定量数据分析的计算机辅助诊断系统,是影像组学（或称放射组学）的主要研究内容。近年来,基于纹理特征的影像组学研究成为医学图像辅助诊断的主要方向。医学图像感兴趣区存在空间分辨率低、病灶内部结构复杂、成像有容积效应或伪影干扰等难点,因此传统的纹理分析方法对医学图像感兴趣区的定量解释是比较困难的。本文系统地分析了基于纹理分析的医学图像辅助诊断涉及的纹理增强、纹理特征提取、纹理分类等关键技术,归纳了现有相关技术在医学图像辅助诊断中的优点与不足,并结合医学图像特点提出了一些解决方法,取得了较好的成果,主要包括:1提出了一种应用于医学图像感兴趣区纹理增强的基于小波变换的分数阶微分算法。纹理增强的目标是突出灰度变化较多、较快的高频轮廓信息,并保留低频平滑信息。该算法利用小波变换分离感兴趣区的高频与低频分量,基于Grumwald-Letnikov定义构造一个带补偿参数的多方向对称增强的分数阶微分掩膜对高频分量进行卷积,小波逆变换的完美重构特性使得对变换系数（即分量）的修正能够在重组后的图像中显着表现。实验表明,该算法在增强高频轮廓信息的同时,较好地保留了低频平滑纹理信息,使感兴趣区的纹理信息更丰富、内部细节更清晰,通过对增强前后的感兴趣区进行分类实验,表明该算法对基于纹理特征分类的辅助诊断也是有益的。2提出了一种多分辨率分析和统计分析融合的多层次纹理分析理论框架,设计并实现了三种应用于医学图像感兴趣区的纹理特征提取算法。纹理特征提取的主要目标是寻找在同类样本间具有相近性质的、稳定的描述符,并且这些描述符在不同类样本间应具有显着差异。首先,利用多分辨率分析法捕获医学图像感兴趣区中的高频细节分量（医学图像中难以在视觉上区分的病灶特征很可能蕴含于高频细节分量中,一个细节分量即一个系数矩阵）;其次,对于一个细节分量,分析训练样本中该细节分量对应的系数矩阵的规则,离散化新样本中该细节分量对应的系数矩阵;最后,利用统计分析方法提取被离散化的系数矩阵中的数学描述符。本文设计并实现了三种纹理特征提取算法:（1）一种基于线性归一化取整的多分辨率统计分析算法。该算法将系数矩阵值划分为N个等宽区间以将系数离散化。（2）一种基于最小值与最大值的多分辨率统计分析算法。该算法对于多分辨率分析中的一个特定尺度与方向的细节分量,计算训练样本中该细节分量对应的系数矩阵的最小值与最大值,基于最小值与最大值之间的N个等宽区间将系数离散化。（3）一种基于最小值均值与最大值均值的多分辨率统计分析算法。该算法对于多分辨率分析中的一个特定尺度与方向的细节分量,统计训练样本中该细节分量对应的系数矩阵的最小值均值与最大值均值,基于最小值均值将一个样本中该细节分量对应的系数矩阵进行平移,再基于最小值均值与最大值均值划分N个等宽区间以将系数离散化,并对落入N个等宽区间之外的系数进行约束。上述三种算法均采用统计方法提取已被离散化的系数矩阵的数学描述符作为纹理特征。实验表明,所提取的纹理特征在基于纹理分析的医学图像辅助诊断中具有比传统纹理分析方法更好的性能,这些纹理特征可以潜在地增强放射科医师们的视觉诊断能力,这可能与诊断问题有关,但不一定在视觉上可见。3.提出了一种基于类别统计的多组纹理特征复合分类模型。该模型基于多分辨率分析中各个分量的统计学特点计算新样本的类别属性概率。首先,将训练样本按类别分成多组,在每组中统计各分量的系数。其次,一个新样本的系数矩阵依次按照每组统计结果执行离散化,提取已被离散化的系数矩阵的纹理特征,从而获得多组特征。对于一个新样本的多组特征,计算每组特征属于各个类别的概率,然后决策。实验表明,该模型相比于传统纹理分类模型提高了分类性能。
二、小波变换在图像处理中的应用（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、小波变换在图像处理中的应用（论文提纲范文）
（1）基于边缘特征检测的遥感影像角点提取的研究及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 小波降噪的研究现状 |
| 1.2.2 边缘检测的研究现状 |
| 1.2.3 角点检测的研究现状 |
| 1.2.4 JGraph研究现状 |
| 1.3 研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 相关理论基础 |
| 2.1 小波算法简介 |
| 2.1.1 小波函数 |
| 2.1.2 小波去噪 |
| 2.1.3 小波变换 |
| 2.2 角点检测算法简介 |
| 2.2.1 角点的意义 |
| 2.2.2 角点检测算法 |
| 2.3 JGraph技术简介 |
| 2.4 本章小结 |
| 3 遥感影像边缘特征的提取 |
| 3.1 边缘检测算子 |
| 3.1.1 一阶微分边缘检测 |
| 3.1.2 二阶微分边缘检测 |
| 3.2 小波变换原理 |
| 3.3 基于小波变换的遥感影像边缘检测 |
| 3.3.1 小波分解 |
| 3.3.2 小波去噪及边缘特征提取 |
| 3.3.3 实验验证与分析 |
| 3.4 本章小结 |
| 4 基于边缘特征的遥感影像角点提取 |
| 4.1 Harris角点检测 |
| 4.1.1 Harris角点检测原理 |
| 4.1.2 Harris角点检测在遥感影像中的应用 |
| 4.2 基于边缘特征的角点检测 |
| 4.2.1 方法概述 |
| 4.2.2 实验验证与分析 |
| 4.3 本章小结 |
| 5 基于JGraph的图像处理过程可视化 |
| 5.1 基于JGraph的图像处理平台简述 |
| 5.2 JGraph中组件的封装与调度 |
| 5.2.1 可视化组件的封装 |
| 5.2.2 可视化组件的调度 |
| 5.2.3 可视化过程的合法性检查 |
| 5.3 实验验证与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文与参加的项目 |
（2）基于多尺度下结构组稀疏表示的图像融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 图像融合的研究背景及其意义 |
| 1.2 图像融合的发展现状 |
| 1.2.1 图像融合的发展概况 |
| 1.2.2 图像融合普遍存在的问题 |
| 1.3 本文研究内容及创新点 |
| 1.4 本文各章节布局 |
| 第二章 图像融合基本理论 |
| 2.1 图像融合的简单概述 |
| 2.2 图像融合的层次分类 |
| 2.3 传统的图像融合方法 |
| 2.4 图像融合质量好坏评价 |
| 2.5 本章小结 |
| 第三章 基于多尺度的图像融合方法研究 |
| 3.1 多尺度分析的基本简介 |
| 3.2 小波的理论基础 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.3 小波变换的图像融合方法 |
| 3.3.1 小波在图像中的变换 |
| 3.3.2 小波在图像中的分解算法 |
| 3.3.3 基于小波变换的图像融合方法 |
| 3.4 复小波的理论基础 |
| 3.4.1 复小波变换理论基础 |
| 3.4.2 一维DT-CWT变换 |
| 3.4.3 二维DT-CWT变换 |
| 3.5 改进的DT-CWT变换的图像融合方法 |
| 3.5.1 改进的DT-CWT变换图像融合规则 |
| 3.5.2 改进的DT-CWT变换的低频分量融合规则 |
| 3.5.3 改进的DT-CWT变换的高频分量融合规则 |
| 3.6 实验结果及分析 |
| 3.7 本章小结 |
| 第四章 基于多尺度下结构组稀疏表示的图像融合方法研究 |
| 4.1 稀疏表示的理论基础 |
| 4.1.1 传统图像稀疏表示 |
| 4.1.2 图像稀疏表示系数的求解算法 |
| 4.1.3 图像稀疏表示过完备字典的构造 |
| 4.2 图像结构组稀疏表示理论 |
| 4.2.1 图像结构组的模型 |
| 4.2.2 图像结构组稀疏表示模型 |
| 4.3 基于DT-CWT与结构组稀疏表示的图像融合 |
| 4.3.1 DT-CWT—SGSR图像融合的方法 |
| 4.3.2 DT-CWT—SGSR图像融合规则 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结及展望 |
| 5.1 本文总结 |
| 5.2 下一步的工作 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间学术成果 |
（3）矿石粒度图像的研究与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 研究现状 |
| 1.2.1 图像去噪的研究现状 |
| 1.2.2 图像分割的研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本章小结 |
| 2 矿石图像的预处理 |
| 2.1 矿石图像的灰度变换 |
| 2.1.1 灰度图像的线性增强 |
| 2.1.2 灰度图像的分段线性增强 |
| 2.1.3 灰度图像的非线性增强 |
| 2.2 矿石图像的特征及噪声分析 |
| 2.2.1 矿石图像的特征 |
| 2.2.2 噪声分析 |
| 2.3 常见的图像去噪方法 |
| 2.3.1 空间域去噪 |
| 2.3.2 频域去噪 |
| 2.4 本章小结 |
| 3 基于提升小波变换的图像去噪 |
| 3.1 引言 |
| 3.2 小波变换的基本理论 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.2.3 二维图像的小波变换 |
| 3.2.4 多分辨率分析 |
| 3.2.5 Mallat算法 |
| 3.3 提升小波的实现 |
| 3.3.1 提升小波的原理 |
| 3.3.2 小波基的选择 |
| 3.3.3 阈值函数的选择 |
| 3.3.4 阈值的确定 |
| 3.3.5 本文矿石图像去噪结果 |
| 3.4 本章小结 |
| 4 基于改进分水岭算法的图像分割 |
| 4.1 数学形态学的基本原理 |
| 4.1.1 二值形态学的基本运算 |
| 4.1.2 灰度形态学的基本运算 |
| 4.1.3 数字形态学在图像处理中的应用 |
| 4.2 分水岭算法 |
| 4.2.1 分水岭算法的基本原理 |
| 4.2.2 分水岭算法的数学表达 |
| 4.2.3 分水岭算法在图像处理中的应用 |
| 4.3 改进的分水岭算法 |
| 4.4 连通域标记 |
| 4.5 本章小结 |
| 5 矿石颗粒的统计与分析 |
| 5.1 矿石颗粒信息的统计 |
| 5.1.1 矿石颗粒的分级 |
| 5.1.2 矿石粒度人工的统计方法 |
| 5.1.3 标准矿石颗粒的选取 |
| 5.1.4 人工筛分试验数据统计 |
| 5.2 矿石颗粒的参数信息 |
| 5.2.1 粒度参数 |
| 5.2.2 矿石图像的像素与实际尺寸的转换关系 |
| 5.3 矿石粒度的统计与分析 |
| 5.3.1 粒度的统计方法 |
| 5.3.2 统计结果对比与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文与研究成果 |
| 致谢 |
（4）多光谱图像融合系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的研究内容 |
| 1.4 论文的章节安排 |
| 第二章 图像融合基本理论及系统总体框架的设计和实现 |
| 2.1 图像融合概述 |
| 2.1.1 图像融合的定义 |
| 2.1.2 图像融合的层次 |
| 2.1.3 图像融合的流程 |
| 2.2 多光谱图像融合系统总体框架设计和实现 |
| 2.2.1 需求分析 |
| 2.2.2 系统开发环境及工具 |
| 2.2.3 系统实现条件 |
| 2.2.4 系统总体框架和核心功能模块的设计和划分 |
| 2.2.5 多光谱图像融合系统总体框架的实现 |
| 2.3 本章小结 |
| 第三章 系统核心模块算法的研究和实现 |
| 3.1 图像预处理方法的研究 |
| 3.1.1 图像灰度化 |
| 3.1.2 图像增强 |
| 3.1.3 图像去噪 |
| 3.2 图像融合方法的研究 |
| 3.2.1 变换域图像融合 |
| 3.2.2 空间域图像融合 |
| 3.3 图像融合的质量评价方法的研究 |
| 3.3.1 主观评价 |
| 3.3.2 客观评价 |
| 3.4 图像预处理模块算法的设计和实现 |
| 3.4.1 图像预处理模块的算法设计 |
| 3.4.2 图像预处理模块的算法实现 |
| 3.5 图像融合模块算法的设计和实现 |
| 3.5.1 图像融合模块的算法设计 |
| 3.5.2 图像融合模块的算法实现 |
| 3.6 图像融合质量评价模块算法的设计和实现 |
| 3.6.1 图像融合质量评价模块的评价方法设计 |
| 3.6.2 图像融合质量评价模块的评价方法实现 |
| 3.7 本章小结 |
| 第四章 基于变换域融合算法的设计和实现 |
| 4.1 小波变换 |
| 4.1.1 连续小波变换和离散小波变换 |
| 4.1.2 多分辨率分析 |
| 4.1.3 Mallat算法 |
| 4.1.4 基于小波变换的图像融合 |
| 4.2 轮廓波变换 |
| 4.2.1 拉普拉斯金字塔变换 |
| 4.2.2 方向滤波器组 |
| 4.2.3 Contourlet变换存在的问题 |
| 4.3 非下采样轮廓波变换 |
| 4.3.1 非下采样拉普拉斯金字塔(NSP)变换 |
| 4.3.2 非下采样方向滤波器组(NSDFB) |
| 4.3.3 基于非下采样轮廓波变换(NSCT)的图像融合 |
| 4.4 融合策略的研究 |
| 4.4.1 基于像素的融合规则 |
| 4.4.2 基于区域的融合规则 |
| 4.5 基于变换域融合算法设计和实现以及实验分析 |
| 4.5.1 基于变换域融合的算法设计和实现 |
| 4.5.2 多光谱图像融合实验一 |
| 4.5.3 多光谱图像融合实验二 |
| 4.5.4 多光谱图像融合实验三 |
| 4.5.5 结果分析 |
| 4.6 本章小结 |
| 第五章 基于NSCT的多光谱图像融合方法 |
| 5.1 使用PCNN作为融合规则的研究 |
| 5.1.1 PCNN基本模型 |
| 5.1.2 PCNN简化模型 |
| 5.1.3 PCNN神经元的工作方式 |
| 5.1.4 PCNN在图像处理中的应用 |
| 5.2 基于改进的PCNN融合策略 |
| 5.2.1 神经元的链接强度的选取 |
| 5.2.2 基于改进的自适应PCNN的图像融合策略 |
| 5.3 基于NSCT变换和改进的PCNN的图像融合 |
| 5.3.1 算法框架 |
| 5.3.2 低频子带融合策略 |
| 5.3.3 高频子带融合策略 |
| 5.3.4 融合步骤 |
| 5.4 融合实验以及结果分析 |
| 5.4.1 多光谱图像融合实验一 |
| 5.4.2 多光谱图像融合实验二 |
| 5.4.3 多光谱图像融合实验三 |
| 5.4.4 多光谱图像融合实验四 |
| 5.4.5 结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（5）基于去噪功能的压缩感知算法在图像处理中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.4 论文的组织形式 |
| 2 相关基础知识介绍 |
| 2.1 压缩感知理论 |
| 2.2 压缩感知的约束条件 |
| 2.2.1 稀疏表示 |
| 2.2.2 测量矩阵 |
| 2.2.3 重构算法 |
| 2.2.4 凸松弛算法 |
| 2.2.5 贪婪算法 |
| 2.3 图像复原原理 |
| 2.4 图像复原传统算法 |
| 2.4.1 逆滤波算法 |
| 2.4.2 维纳滤波复原算法 |
| 2.4.3 盲去卷积复原算法 |
| 2.5 本章小结 |
| 3 压缩感知在图像处理中的应用及其改进 |
| 3.1 压缩感知与图像处理的联系 |
| 3.2 压缩感知在图像处理中的应用 |
| 3.3 非局部均值去噪算法 |
| 3.4 离散小波变换 |
| 3.5 OMP算法及其改进 |
| 3.6 本章小结 |
| 4 实验 |
| 4.1 实验环境和数据 |
| 4.2 实验方法和结果 |
| 4.3 实验结果总结 |
| 4.4 本章小结 |
| 5 总结 |
| 参考文献 |
| 致谢 |
| 作者读研期间主要科研成果 |
（6）基于SIFT和小波变换的遥感影像配准融合算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 遥感影像配准融合算法的基础理论及常见方法 |
| 2.1 图像处理中常用的方法 |
| 2.1.1 PCA |
| 2.1.2 小波变换 |
| 2.1.3 NSCT变换 |
| 2.2 遥感影像配准算法的基础理论及常见方法 |
| 2.2.1 遥感影像配准算法的基础理论 |
| 2.2.2 遥感影像配准算法的常见方法 |
| 2.3 遥感影像融合算法的基础理论及常见方法 |
| 2.3.1 遥感影像融合的基础理论 |
| 2.3.2 遥感影像融合的常见方法 |
| 2.4 本章小结 |
| 第3章 基于Canny和 PCA改进SIFT的遥感影像配准算法 |
| 3.1 SIFT算法简介 |
| 3.2 SIFT算法原理 |
| 3.2.1 DOG尺度空间构建 |
| 3.2.2 特征点定位 |
| 3.2.3 特征方向赋值 |
| 3.2.4 特征点描述 |
| 3.2.5 特征点匹配 |
| 3.3 存在的问题及分析 |
| 3.3.1 配准时间过长 |
| 3.3.2 边缘响应 |
| 3.4 基于Canny和 PCA改进SIFT的遥感影像配准算法 |
| 3.4.1 剔除SIFT与 Canny相交的边缘响应点 |
| 3.4.2 PCA对描述符进行降维 |
| 3.4.3 本文配准算法的具体步骤和算法流程图 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于PCNN的小波变换多光谱与全色遥感影像融合算法 |
| 4.1 小波变换融合算法简介 |
| 4.2 小波变换融合算法原理 |
| 4.2.1 多分辨率分析 |
| 4.2.2 快速小波变换的实现算法 |
| 4.2.3 二维Mallat算法 |
| 4.2.4 小波变换融合算法 |
| 4.3 存在的问题及分析 |
| 4.4 基于PCNN的小波变换多光谱与全色遥感影像融合算法 |
| 4.4.1 多光谱影像PCA变换对全色影像进行直方图匹配 |
| 4.4.2 多光谱影像IHS变换 |
| 4.4.3 基于加权平均法的低频分量融合规则 |
| 4.4.4 基于改进PCNN的高频分量融合规则 |
| 4.4.5 本文融合算法的具体步骤和算法流程图 |
| 4.5 融合质量的评价标准 |
| 4.6 实验结果与分析 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在学期间参与项目及发表论文情况 |
（7）基于声呐图像斑点噪声的降噪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 常用的声呐图像降噪算法分类 |
| 1.3 图像降噪算法国内外研究现状 |
| 1.3.1 偏微分方程降噪算法国内外研究现状 |
| 1.3.2 基于小波变换的降噪算法研究现状 |
| 1.3.3 混合降噪算法研究 |
| 1.4 本文内容安排 |
| 2 声呐图像特征分析及噪声模型建立 |
| 2.1 声呐图像特征分析 |
| 2.2 混响噪声模型分析 |
| 2.3 声呐图像斑点噪声模型建立 |
| 2.4 声呐图像降噪算法研究方向 |
| 2.5 降噪质量评估标准 |
| 2.6 本章小结 |
| 3 基于全变分的块匹配声呐图像降噪算法研究 |
| 3.1 全变分算法理论 |
| 3.1.1 TV图像降噪模型的分析 |
| 3.1.2 全变分图像降噪模型数值化分析 |
| 3.2 BM3D降噪算法 |
| 3.2.1 BM3D算法简介 |
| 3.2.2 基础估计 |
| 3.2.3 最终估计 |
| 3.3 基于全变分的块匹配声呐图像降噪算法研究 |
| 3.3.1 算法的基本流程 |
| 3.3.2 基于全变分的块匹配声呐图像降噪算法 |
| 3.4 实验仿真结果及分析 |
| 3.4.1 模拟声呐图像降噪仿真结果及分析 |
| 3.4.2 真实声呐图像降噪仿真结果及分析 |
| 3.5 结论 |
| 4 基于非凸正则的全变分-双树复小波声呐图像降噪算法 |
| 4.1 双树复小波变换的相关理论 |
| 4.1.1 一维双树复小波变换 |
| 4.1.2 二维双树复小波变换 |
| 4.2 非凸正则化全变分降噪算法 |
| 4.2.1 非凸正则化全变分降噪算法 |
| 4.2.2 基于小波的非凸稀疏正则化全变分降噪算法 |
| 4.3 基于非凸优化正则项的全变分-双树复小波降噪算法 |
| 4.3.1 基于非凸正则化的全变分-双树复小波降噪算法研究 |
| 4.3.2 参数手动改进 |
| 4.3.3 参数自适应改进 |
| 4.4 实验仿真结果及分析 |
| 4.4.1 模拟声呐图像降噪仿真结果及分析 |
| 4.4.2 真实声呐图像降噪仿真结果及分析 |
| 4.5 本章总结 |
| 5 本文算法对比分析 |
| 5.1 实验仿真及结果分析 |
| 5.1.1 模拟声呐图像降噪仿真结果及分析 |
| 5.1.2 真实声呐图像降噪仿真结果及分析 |
| 5.2 本章小结 |
| 6 总结与展望 |
| 6.1 主要研究工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（8）基于纹理分析的皮革划痕检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 皮革纹理研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文研究重点及创新点说明 |
| 1.5 论文组织结构及安排 |
| 第2章 纹理分析方法及皮革划痕检测步骤 |
| 2.1 纹理特点分析 |
| 2.2 纹理分析方法 |
| 2.2.1 统计分析法 |
| 2.2.2 结构分析法 |
| 2.2.3 模型分析法 |
| 2.2.4 信号分析法 |
| 2.3 皮革纹理分析方法选择 |
| 2.4 皮革划痕检测步骤 |
| 2.4.1 皮革图像预处理 |
| 2.4.2 皮革纹理特征分析 |
| 2.4.3 皮革图像分类识别 |
| 2.5 本章小结 |
| 第3章 基于改进LOG算子的图像预处理算法 |
| 3.1 传统的LOG算子图像预处理算法 |
| 3.1.1 基本概念 |
| 3.1.2 传统LOG算子图像预处理算法缺陷分析 |
| 3.2 改进的LOG算子图像预处理算法 |
| 3.2.1 引入尺度参数和角度参数 |
| 3.2.2 计算角度参数和尺度参数 |
| 3.3 仿真实验及主客观评价 |
| 3.4 本章小结 |
| 第4章 皮革纹理分析及分类识别 |
| 4.1 小波变换与灰度共生矩阵 |
| 4.1.1 小波变换 |
| 4.1.2 灰度共生矩阵 |
| 4.2 纹理分析方法的最优参数确定 |
| 4.2.1 灰度共生矩阵最优特征选取 |
| 4.2.2 灰度共生矩阵最优构造因子分析 |
| 4.3 基于支持向量机的皮革划痕分类识别 |
| 4.3.1 支持向量机理论 |
| 4.3.2 训练及测试 |
| 4.4 本章小结 |
| 第5章 实验验证与结果分析 |
| 5.1 实验平台设计 |
| 5.1.1 实验平台设计概述 |
| 5.1.2 实验设备选型 |
| 5.1.3 实验平台搭建 |
| 5.2 皮革划痕检测实验 |
| 5.2.1 皮革图片预处理实验 |
| 5.2.2 皮革特征提取与分类识别实验 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）基于Michelson通道及递归卷积神经网络的图像盲复原（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的图像去模糊算法 |
| 1.2.2 基于机器学习的图像去模糊算法 |
| 1.3 本文主要研究内容 |
| 1.4 论文的基本结构 |
| 第2章 预备知识 |
| 2.1 模糊图像的理论知识 |
| 2.1.1 图像退化模型 |
| 2.1.2 模糊图像类型 |
| 2.1.3 图像去模糊模型 |
| 2.2 常见的图像去模糊方法 |
| 2.2.1 基于逆滤波的图像去模糊模型 |
| 2.2.2 基于全变差的图像去模糊模型 |
| 2.2.3 基于概率模型的图像去模糊方法 |
| 2.2.4 面向图像去模糊的卷积神经网络 |
| 2.3 本章小结 |
| 第3章 基于Michelson通道的图像去模糊 |
| 3.1 图像暗通道和亮通道 |
| 3.2 Michelson通道 |
| 3.3 基于Michelson通道的图像去模糊 |
| 3.3.1 基于Michelson通道的图像去模糊模型 |
| 3.3.2 实验设计与结果分析 |
| 3.4 本章小结 |
| 第4章 基于小波变换和递归卷积神经网络的图像去模糊 |
| 4.1 小波变换对模糊图像的图像预处理 |
| 4.1.1 图像小波变换的基本数学原理 |
| 4.1.2 基于小波变换的图像复原 |
| 4.2 基于R-DbCNN的图像去模糊 |
| 4.2.1 R-DbCNN的主体结构 |
| 4.2.2 基于小波变换和R-DbCNN的图像去模糊 |
| 4.3 实验设计与结果分析 |
| 4.3.1 实验设计 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文的工作总结 |
| 5.2 今后的研究方向 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表论文 |
（10）基于纹理分析的医学图像辅助诊断关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 医学图像纹理分析的起源 |
| 1.2.2 医学图像纹理分析技术的发展与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 基于纹理分析的医学图像辅助诊断概述 |
| 2.1 医学图像 |
| 2.2 纹理分析 |
| 2.2.1 统计分析法 |
| 2.2.2 结构分析法 |
| 2.2.3 模型分析法 |
| 2.2.4 频谱分析法 |
| 2.3 基于纹理分析的医学图像辅助诊断与影像组学 |
| 2.4 本章小结 |
| 第三章 基于小波变换的分数阶微分增强方法 |
| 3.1 纹理增强技术概述 |
| 3.1.1 空间域方法 |
| 3.1.2 变换域方法 |
| 3.2 基于小波变换的分数阶微分增强方法 |
| 3.3 实验与讨论 |
| 3.3.1 多种纹理增强方法的对比实验 |
| 3.3.2 评估分类性能的纹理增强实验 |
| 3.4 本章小结 |
| 第四章 多分辨率统计分析的纹理特征提取方法 |
| 4.1 医学图像纹理分析概述 |
| 4.1.1 统计分析 |
| 4.1.2 多分辨率分析 |
| 4.2 基于多分辨率分析与统计分析融合的多层次纹理分析理论框架 |
| 4.2.1 基于线性归一化取整的多分辨率统计分析 |
| 4.2.2 基于最小值与最大值的多分辨率统计分析 |
| 4.2.3 基于最小值均值与最大值均值的统计分析 |
| 4.3 实验与讨论 |
| 4.3.1 基于线性归一化取整的多分辨率统计分析实验 |
| 4.3.2 基于最小值与最大值的多分辨率统计分析实验 |
| 4.3.3 基于最小值均值与最大值均值的多分辨率统计分析实验 |
| 4.4 本章小结 |
| 第五章 基于类别统计的多组纹理特征复合分类模型 |
| 5.1 影像组学中的常规纹理分类模型 |
| 5.2 复合纹理分类模型 |
| 5.3 实验与讨论 |
| 5.4 本章小结 |
| 第六章 全文总结 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
四、小波变换在图像处理中的应用（论文参考文献）
- [1]基于边缘特征检测的遥感影像角点提取的研究及其应用[D]. 牛晓星. 河南大学, 2020(02)
- [2]基于多尺度下结构组稀疏表示的图像融合方法研究[D]. 杨进. 昆明理工大学, 2020(04)
- [3]矿石粒度图像的研究与分析[D]. 冯小雨. 郑州大学, 2020(02)
- [4]多光谱图像融合系统的设计与实现[D]. 白家铭. 电子科技大学, 2020(07)
- [5]基于去噪功能的压缩感知算法在图像处理中的应用[D]. 吴江月. 安徽理工大学, 2019(01)
- [6]基于SIFT和小波变换的遥感影像配准融合算法研究[D]. 段延超. 河南大学, 2019(01)
- [7]基于声呐图像斑点噪声的降噪算法研究[D]. 朱莉娟. 大连海事大学, 2019(06)
- [8]基于纹理分析的皮革划痕检测方法研究[D]. 胡光宝. 重庆邮电大学, 2019(02)
- [9]基于Michelson通道及递归卷积神经网络的图像盲复原[D]. 文国权. 西南石油大学, 2019(06)
- [10]基于纹理分析的医学图像辅助诊断关键技术研究[D]. 邱甲军. 电子科技大学, 2019(01)