一、基于分类的小波—分形混合编码(论文文献综述)
房晓鑫[1](2021)在《基于纹理特征学习的带钢表面图像高效表示》文中进行了进一步梳理带钢作为一类重要的钢铁产品,其广泛应用于汽车制造、桥梁建筑、航空航天等支柱行业,保证其最终产品质量对于社会的发展和生活的改善具有重要意义。带钢表面损坏区域的数量、程度和分布是决定带钢质量的重要因素,基于计算机视觉的表面缺陷检测和分类方法能够很好地实现带钢表面缺陷的定位和识别,发现造成缺陷的起因,从而有效的保证带钢产品质量。带钢表面缺陷检测和分类的准确率及高速率主要依赖于其表面图像的高效表示,该文将针对带钢表面图像的高效表示展开研究,并将其应用于缺陷分类。本文主要研究内容如下:首先,整理归纳了近三十年国内外在带钢表面缺陷检测和分类的研究方法,根据这些方法的原理将它们分为了几种典型的类别,并进行总结、分析和对比。从中发现,局部二值模式(Local Binary Patterns,LBP)方法是一种轻量级纹理描述算子,可以同时应用于缺陷检测和分类,对于带钢表面图像的高效表示具有重要意义。然后,针对带钢表面图像的高效表示,本文提出了一种简单、快速而又稳健的纹理描述符,即选择式显性局部二值模式(Selectively Dominant Local Binary Patterns,SDLBP)。该方法建立了一种具有定量阈值机制的智能搜索算法,以挖掘显性的非等价模式(Dominant Non-uniform Patterns,DNUPs),并开发了两种根据输入图像质量可转换的模式码映射方案,对所有等价模式和DNUPs进行二进制混合编码,进一步提高SDLBP对于纹理描述的刻画精度和泛化能力,并且获得了抑制噪声的有益效果。最后,设计了一种自适应区域加权(Adaptive Region Weighting,ARW)方法,用于在缺陷分类任务中的特征匹配阶段进一步增强原始最近邻分类器(Nearest Neighbor Classifier,NNC),克服了传统NNC因缺乏先验知识导致分类效果退化的问题。在开放的纹理数据库(Outex)和实际的带钢表面缺陷数据库(Dragon)上进行的全面的实验,实验结果证明了所提出的SDLBP在分类精度和时间效率上都具有良好的表现,所设计的ARW方法有效地辅佐基础分类器提高了分类精度,有利于带钢表面图像的高效表示。
赵蓉[2](2019)在《基于小波变换的分形图像编码压缩算法》文中认为分形图像压缩编码方法以压缩比高,解码快速等优点成为图像压缩领域的一大热点。但传统的分形编码使用全局搜索,占用了大量时间,同时,编码易造成“方块效应”,从而影响重构图像的清晰度。因此,改善重构图像质量,缩短编码时间,是本文的主要研究的方向,具体工作内容如下:首先,在充分研究后,文中提出了一种新的分类方法,将父块预先分为三类,对于任一块,在其对应的类里选用适合的特征,搜索其最佳匹配块。实验结果表明,该算法是有效的。其次,在研究特征向量法快速分形编码的基础上,提出一种新特征———九块和特征,并给出其可行性分析。该算法将全局搜索变为局部搜索,从而缩短了编码时间。实验结果表明,该算法在保证图片质量的同时,还能实现加速。最后,在研究小波变换的原理和优点的基础上,提出将小波变换和九块和特征相结合的编码算法,进一步提高重构图像质量,缩短图像编码的时间。实验仿真验证,该算法在改善重构图像质量的同时,还能实现加速。
赖宇[3](2018)在《融合压缩感知技术和分形理论的图像编码方法研究》文中提出随着我国科技的飞速发展,越来越多的数据需要存储,因此研究高效的图像编码方法显得尤其重要。作为目前最有潜力的图像压缩编码方法之一,分形图像编码方法在近年受到了研究人员的广泛关注。然而经典的分形图像编码方法压缩比虽高,但是其对图像的恢复效果有待提高。因此,本文提出了滤波预处理融合压缩感知技术和分形理论的图像编码方法来提高图像的恢复效果。此外,经典的分形图像编码方法的编码时间也有待缩短。针对该问题,本文也研究了小波预处理融合压缩感知技术和分形理论的图像编码方法来缩短该方法的时间。滤波预处理融合压缩感知技术和分形理论的图像编码的方法是:首先使用巴特沃斯低通滤波器将图像分成高频信号和低频信号,再使用压缩感知编码方法处理高频信号,分形图像编码方法处理低频信号,最后将两者有机的融合起来恢复图像。本文提出的这种混合编码方法基本保持了经典分形图像编码方法的高压缩比指标,该方法在获得高压缩比的同时可以获得好的恢复效果。本文的实验结果显示滤波预处理融合压缩感知技术和分形理论的图像编码方法可以获得比单独使用压缩感知编码方法稍低的峰值信躁比,但是该方法的压缩比是压缩感知编码方法917倍。这种混合的图像编码方法相对于经典的分形图像编码方法在峰值信躁比上可以高出2.27.5 dB。滤波预处理融合压缩感知技术和分形理论的图像编码方法在获得比单独使用分形图像编码略低的压缩比的同时还能获得好的恢复效果。小波预处理融合压缩感知技术和分形理论的图像编码的方法是:首先通过小波变换将图像分成高频和低频信号,包括离散一级、二级、三级小波变换。再利用压缩感知技术对图像的高频信号进行恢复,并利用分形图像编码方法对低频信号进行编解码,从而将两者有机地融合得到恢复图像。实验结果表明,随着小波变换的次数增加,压缩比下降,同时恢复图像的PSNR仅有轻微下降,但是编码时间可以较大地缩短。小波预处理融合压缩感知技术和分形理论的图像编码方法有效的缩短了分形图像编码时间。本文研究的这两种方法可广泛应用于图像和视频编码。
刘立京[4](2013)在《快速分形图像压缩编码的算法研究》文中进行了进一步梳理随着信息化网络的发展,数字图像信息作为重要的信息之一,广泛被使用。如何有效的压缩和存储大量的图像信息已经成为研究的热点问题。分形图像编码是非常有前途和应用价值的新型压缩技术,分形图像压缩以其新颖的思想、潜在的高压缩比、解码图像与分辨率无关等优点受到广泛学者关注。虽然分形图像编码具有良好的视觉效果,但是,在无人干预的情况下固有的编码非常耗时,这极大的限制了它的发展。针对这个问题,本文深入研究分形图像编码的快速算法,在保证解码图像质量同时如何减少编码时间方面做了一些研究工作,主要研究内容概括如下:(1)分析非搜索快速分形图像编码算法,根据值域块与定义域块的匹配关系,将非搜索快速分形图像编码算法思想融入到四叉树分割编码算法中,提出改进四叉树分割算法。分析图像块中像素间的关系,定义差量分析,提出D-R匹配准则,只搜索那些符合差量分析匹配准则的定义域块,从而降低了搜索过程的复杂度。以此提出了差量分析和四叉树结合的分形图像编码算法。本文提出的算法较方差算法和改进四叉树分割算法速度分别提高了5.87倍和7.84倍,解码图像的峰值信噪比基本不变。(2)本文还研究了小波和分形图像编码,在基于小波系数零树结构的分形预测图像编码算法基础上,充分利用不同层上小波系数的权重差异,将D-R匹配准则运用其中。充分考虑小波系数的特点,将小波系数绝对值化处理,避免由简单计算而引起的误差。并对绝对值足够小的小波系数采用了零树编码,提出了基于小波系数零树结构的分形预测图像压缩算法的改进算法。仿真实验表明,改进算法较原算法的编码速度提高了近19倍,同时解码图像的峰值信噪比和压缩比也有所提升。(3)将搜索匹配块的最佳匹配原则进行转换,提出了减少分形编码时间的一种新特征方法,即邻位差值和。阐述了邻位差值的概念,并证明了最小均方误差与邻位差值和的关系。充分分析值域块标准差和定义域块标准差对解码图像的影响,定义匹配搜索半径,提出基于邻位差值和的快速分形图像编码算法。仿真结果表明,本文提出的算法较叉迹算法和方差算法的编码速度分别提高了3.13倍和5.52倍,同时解码图像的峰值信噪比和压缩比略有提高。
刘会斌[5](2012)在《分形图像压缩的快速算法研究》文中指出图像蕴含着丰富的信息,是人们相互交流的重要载体,其重要性不言而喻。数字图像的数据量非常庞大,图像压缩技术已成为解决海量图像数据存储和传输难题的不二之选。在图像压缩编码领域,分形图像压缩以其新颖的思想、潜在的高压缩比、解码图像与分辨率无关等优点受到广泛关注。自Jacquin提出能由计算机自动实现的分形图像压缩算法以来,在其基础上的改进算法不断被提出。发展至今,这一技术仍然不够成熟,主要表现在无人干预的情况下压缩比不高、编码时间长、在当前图像压缩算法中尚未占据主导地位。因此,提高编码速度和压缩比是解决分形图像压缩不能实用化的重要途径。本文在讨论了分形相关理论和基本分形图像压缩算法的基础上,对分形图像压缩算法进行如下改进工作:(1)研究了满足匹配条件的定义域块的整体特征和互相匹配的值域块与定义域块的局部特征,发现仅使用标准差较大的定义域块就能满足分形图像压缩的需求和互相匹配的值域块与定义域块有相似或相反的亮暗分布的规律,提出了基于标准差和亮暗分布排序的快速分形图像压缩算法。仿真实验表明,该算法比基于方差的快速分形图像压缩算法和基于正负跳变的快速分形图像压缩算法的编码速度分别提高了9倍和5倍,解码图像的峰值信噪比(PSNR)和压缩比也略有提升。(2)在基于标准差和亮暗分布排序的快速分形图像压缩算法的基础上,结合编码速度更快的非搜索分形图像压缩算法,将原算法中固定标准差阈值和固定亮暗分布函数邻域阂值修改为固定标准差较大的定义域块数量和固定亮暗分布函数邻域定义域块数量,提出了基于标准差和亮暗分布排序的快速分形图像压缩算法的改进算法。仿真实验表明,改进算法的解码图像峰值信噪比比非搜索分形图像压缩算法提高了4dB,满足了人眼视觉的需求,编码速度较原算法提高了近10倍。(3)在基于小波系数零树结构的分形预测图像压缩算法的基础上,对绝对值较小的小波系数采用零树编码,利用图像小波分解后小波系数相似性的方向选择性将8种空间变换简化为4种,将不同层上的小波系数权重差异应用在值域树和定义域树的匹配准则中,提出了基于小波系数零树结构的分形预测图像压缩算法的改进算法。仿真实验表明,改进算法较原算法的编码速度提高了近10倍,解码图像的压缩比也有较大提升。
余惠[6](2010)在《基于分形图像压缩技术的研究》文中认为近些年来,分形理论作为新兴的数学理论正在快速地发展。以它为理论基础的分形图像压缩编码技术,由于具有高压缩比,压缩图像与图像分辨率无关和解码时间快速等方面的优点,越来越受到研究人员的青睐。传统的分形压缩技术是将图像分成大小不同的父块和子块,将子块进行不同的仿射变换后,在整个区域内搜索匹配出最合适的父块。由于子块一般要有8种变换,所以在匹配的过程中会消耗大量的时间,编码时间多长这一缺点直接阻碍该技术向高效率发展的速度。本文是基于研究分形压缩技术为目的,在详细的介绍了分形理论和分形压缩编码的思路以后,有针对性地学习了小波变换在图像压缩方面的应用,将两者的优点结合起来,提出了混合编码的改进算法。这样在很大程度上减少了图像编码的时间,提高了压缩效率。
邹毅[7](2009)在《基于三维小波变换和分形编码的高光谱图像压缩》文中提出高光谱图像是一种三维图像,在二维图像的基础上又增加了光谱维的信息,数据量巨大。高光谱数据同时具有很强的谱内相似性和谱间相似性,因此可以通过削减空间冗余和谱间冗余的方法来压缩数据。目前主要的高光谱图像压缩方法都是无损或近似无损的,压缩比都不是很高。事实上,有很多高光谱的应用研究并不需要用到高光谱图像的全部信息。因此,本文的研究目的是提出一种在获得高压缩比的同时将信息损失限制在可接受的范围之内的高光谱图像压缩方法。作者提出了一种基于四叉树编码的无链表新型小波变换编码,该编码的压缩效率优于其他无链表小波变换编码算法。作者将二维分形压缩编码的8种经典仿射变换推广到三维空间中的19种变换,实现了三维空间中的八叉树分形编码算法。本文中,上述关于分形和小波压缩的新方法形成一种新的混合编码,用于高光谱遥感图像数据压缩,这是无链表的三维小波变换编码和三维八叉树分形编码的一种结合。高光谱图像数据立方体先经过三维小波变换,然后把三维八叉树分形压缩编码应用于低频带,剩下的高频部分用无链表三维小波变换新型编码处理。本文用Matlab7.1进行实验仿真,结果表明,本方法可以得到高压缩比和较小的信息损失。
邓曼[8](2009)在《基于小波与分形的混合图像编码算法的研究》文中认为近年来,伴随着新理论、新方法的不断涌现,产生了一大批新的图像压缩编码方法。其中基于小波分析的压缩算法在静态和动态图像压缩领域得到广泛的应用,并且已经成为某些图像压缩国际标准(如JPEG2000)的重要环节。然而,采用何种策略对小波变换后的数据进行处理仍是图像压缩领域的一个研究热点。分形图像编码是近几年发展起来的,用于图像压缩的新技术,它是基于分形学和迭代函数系统理论的一种全新的图像编码思路,与以往的正交变换编码有着本质的区别。由于分形编码思路新颖,具有高压缩比的优点,获得了广泛注视,是目前最有前途的图像编码方法之一。本文的研究工作,主要包括以下内容:本文对图像压缩编码原理及现有的编码方法进行了简单的介绍。对小波图像压缩编码算法及分形图像压缩编码算法进行了研究,对其特性进行了分析,并对现有的基于小波变换的图像压缩方法——SPIHT算法,及Jacquin分形压缩编码算法进行了仿真实验。在分析了小波图像压缩编码及分形图像压缩编码后,对这两种方法的特点进行了讨论,找到二者的结合点,得到了小波及分形混合编码算法的总体思路,提出了一种小波及分形混合编码算法的改进算法,即同等压缩比下,对小波分解后的低频分量进行分形图像压缩,余出部分比特数用于传输经SPIHT算法编码的高频分量,以获得更好的重构图像质量。最后将混合编码算法与单一的SPIHT算法和Jacquin分形算法在编、解码时间、峰值信噪比(PSNR)上进行仿真实验比较和结果分析,得到满意的效果。
李娜[9](2009)在《小波变换与分形理论在图像压缩编码中的研究与应用》文中进行了进一步梳理随着数字化信息技术的不断发展,如何有效的存储和传输大量的图像和多媒体信息成为了研究的热点问题。图像压缩编码方法很多,发展速度也很迅速,目前已制定了JPEG、MPEG、JPEG2000、H.26X等国际标准。但在压缩比以及编解码时间方面还远远没有达到实际应用的需求。经典信源编码算法始于Shannon的信息论的率失真理论,它主要利用图像本身固有的统计特性,没有充分利用人类视觉系统的某些特性,其压缩比饱和于10:1左右[19]。小波变换(Wavelet Transform)的本质是通过多分辨率或者多尺度的方式分解信号,将其应用在图像分解领域,非常适合人眼视觉系统对频率感知的对数特性。分形编码(Fractal Coding)是近十几年发展起来的一种新型图像压缩算法,主要利用图像的自相似性特点,把表面上具有复杂视觉特性的图像,利用迭代函数系统,采用几条简单的迭代规则,用有限的系数就可以实现一幅图像的编码。解码端利用这几条规则就能实现原图像的迭代解码,因此分形图像压缩算法可以达到其它图像压缩算法不可能达到的高压缩比。目前小波与分形结合的图像编码算法很多,主要方法有:将图像在小波域进行多级分解,对图像低频部分采用分形压缩编码[15][16];对高频部分采用分形编码;在整个频率域对图像进行分形编码[7][10]以及其它一些角度结合[17]等等。小波变换编码和分形编码是现在研究的热点问题,并已有不少研究成果,能否突破目前国际标准所实现的压缩比,是图像压缩编码领域正在研究和关注的问题。本文在学习了小波变换原理、分形理论及它们在图像编码压缩应用,做了更进一步的分析和研究,并提出一种改进的基于小波变换的分形图像压缩算法。首先,将图形基于Daubechies9/7小波进行4级分解,然后对低频部分采用自适应算术编码,高频部分采用基于零树的分形预测编码,在求分形预测树的相似树时,引入比较方差的方法。最后基于MATLAB7.0平台下给出实验结果,证明该算法的合理性。
李爱霞[10](2008)在《数字图像混合压缩编码算法的研究》文中进行了进一步梳理图像压缩编码技术是现代多媒体及通信领域中的关键技术之一。目前图像编码方法的种类繁多,每一种编码方法都存在着各自的优缺点。为了取得更好的编码效果,将不同的方法相结合的数字图像混合压缩编码算法成为近几年研究的重点。本文综述了当前主流的混合压缩编码算法的原理以及实现方法。深入剖析了两类混合图像编码算法:基于DCT系数小波重组的图像编码算法和基于形态学的新型图像编码方法。强调指出,重组后的DCT系数具有小波系数多分辨率特性。前一类混合算法综合了DCT和零树编码的各自优点,具有很高的实用价值。后一类混合算法应用形态学方法,直接对小波子带的重要系数进行编码,能进一步降低计算复杂度。论文提出了基于形态学的DCT系数重组的图像编码(MR-DCT)的改进算法。改进之处主要包括:针对DCT重组系数各子带的不同特点,对最低频子带进行了单独编码,采用了失真较小的DPCM方法,而对其它子带则采用了不同的结构元素进行形态学膨胀操作,这样能更好地利用不同子带系数分布的特点。实验结果表明,本文提出的改进算法不仅优于JPEG和EZ-DCT,而且重建后的Lena和Goldhill图像的峰值信噪比分别高出MR-DCT算法0.15-0.30dB和0.18-0.40dB。且本文算法对于纹理较复杂的图像更为有效。
二、基于分类的小波—分形混合编码(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、基于分类的小波—分形混合编码(论文提纲范文)
(1)基于纹理特征学习的带钢表面图像高效表示(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 课题背景及研究意义 |
1.2 带钢表面常见缺陷 |
1.3 本文的主要研究内容以及结构安排 |
1.3.1 本文的主要研究内容 |
1.3.2 本文的结构安排 |
1.4 本章小结 |
第二章 带钢表面缺陷检测与分类方法研究进展 |
2.1 带钢表面缺陷自动视觉检测方法研究综述 |
2.1.1 基于统计的方法 |
2.1.2 基于谱的方法 |
2.1.3 基于模型的方法 |
2.1.4 基于机器学习的方法 |
2.1.5 总结 |
2.2 带钢表面缺陷分类方法研究综述 |
2.2.1 特征提取 |
2.2.2 分类器 |
2.2.3 总结 |
2.3 本章小结 |
第三章 基于选择式显性局部二值模式的高效纹理描述方法 |
3.1 局部二值模式综述 |
3.1.1 局部二值模式 |
3.1.2 显性模式阈值σ分析 |
3.1.3 启发与动机 |
3.2 选择式显性局部二值模式 |
3.2.1 显性非等价模式特征获取 |
3.2.2 可选择式模式编码映射机制 |
3.2.3 特征提取方案 |
3.3 本章小结 |
第四章 基于多区域直方图加权最近邻分类器的分类评估 |
4.1 多区域直方图与特征匹配 |
4.1.1 最近邻分类器 |
4.1.2 自适应区域加权最近邻 |
4.2 实验与讨论 |
4.2.1 在Outex数据库上的实验结果 |
4.2.2 在Dragon数据库上的实验结果 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
(2)基于小波变换的分形图像编码压缩算法(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 图像压缩的背景知识 |
1.2.1 图像压缩编码的原理 |
1.2.2 图像压缩质量评价 |
1.3 分形图像压缩编码综述 |
1.3.1 分形理论提出与发展 |
1.3.2 分形图像压缩研究现状 |
1.4 本文结构安排 |
第二章 相关背景知识介绍 |
2.1 分形编码理论 |
2.1.1 仿射变换 |
2.1.2 不动点及压缩映射 |
2.1.3 拼贴定理 |
2.1.4 局部迭代函数系统 |
2.2 分形编码的算法描述 |
2.2.1 分形编码的基本原理 |
2.2.2 分形编码的算法描述及实现 |
2.3 本章小结 |
第三章 基于分类方法的快速分形算法 |
3.1 算法理论依据 |
3.1.1 D块的分类 |
3.1.2 各类特征的选取 |
3.1.3 结构比定义及可行性分析 |
3.2 算法的分析与实现 |
3.2.1 算法的分析 |
3.2.2 算法的实现 |
3.3 实验仿真结果 |
3.4 小结 |
第四章 九块和特征的快速分形图像编码 |
4.1 基本分形算法 |
4.2 算法的理论依据 |
4.3 算法分析与实现 |
4.4 实验结果分析 |
4.5 本章小结 |
第五章 基于小波变换的分形图像编码压缩算法 |
5.1 算法理论依据 |
5.1.1 小波定义和连续小波变换 |
5.1.2 小波基的性质 |
5.1.3 二级小波分解 |
5.1.4 小波发展和小波分解特点 |
5.2 算法分析与实现 |
5.3 实验结果分析 |
5.4 结束语 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录1 程序清单 |
附录2 攻读硕士学位期间撰写的论文 |
致谢 |
(3)融合压缩感知技术和分形理论的图像编码方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景与意义 |
1.2 分形图像编码方法研究的现状 |
1.3 压缩感知编码方法简介 |
1.4 其他主流的图像编码方法 |
1.5 本文提出的改进方法 |
1.6 论文工作安排 |
第二章 分形图像编码指标分析及其实验仿真 |
2.1 引言 |
2.2 分形图像的维数及特性 |
2.3 图像编码评价指标分析 |
2.4 经典的分形图像编码方法实验仿真 |
2.5 本章小结 |
第三章 滤波预处理融合压缩感知技术和分形理论的图像编码方法研究 |
3.1 引言 |
3.2 压缩感知编码技术与采样率的关系研究 |
3.3 滤波预处理融合压缩感知技术和分形理论的图像编码方法 |
3.4 本章小结 |
第四章 小波预处理融合压缩感知技术和分形理论的图像编码方法研究 |
4.1 引言 |
4.2 小波变换分析 |
4.3 小波预处理融合压缩感知技术和分形理论的图像编码实验仿真 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 本文新颖之处 |
5.3 展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
(4)快速分形图像压缩编码的算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 图像压缩研究背景及意义 |
1.2 图像编码的概述 |
1.2.1 理论基础 |
1.2.2 系统模型 |
1.2.3 技术分类 |
1.2.4 性能评价 |
1.3 分形图像压缩编码的研究现状 |
1.3.1 提高分形图像压缩编解码速度 |
1.3.2 提高分形编码的解码质量 |
1.4 本文的主要工作及内容安排 |
第2章 分形及分形图像压缩编码的技术分析 |
2.1 分形学的概述 |
2.2 分形理论的数学基础 |
2.2.1 度量空间及分形空间 |
2.2.2 分形维数 |
2.3 分形图像压缩理论 |
2.3.1 仿射变换 |
2.3.2 不动点及压缩映射定理 |
2.3.3 迭代函数系统定理 |
2.3.4 拼贴定理 |
2.4 本章小结 |
第3章 分形图像压缩编码算法研究 |
3.1 Jacquin分形图像压缩编码 |
3.1.1 Jacquin算法的编码过程 |
3.1.2 Jacquin算法的解码过程 |
3.1.3 算法实现及仿真结果 |
3.2 算法改进方法 |
3.2.1 图像分类方法 |
3.2.2 图像分割方式 |
3.2.3 分形技术与其他编码相结合的混合编码 |
3.3 差量分析和四叉树结合的分形图像编码算法 |
3.3.1 理论分析 |
3.3.2 算法流程 |
3.3.3 实验仿真 |
3.4 基于小波系数零树结构的分形预测图像压缩算法的改进算法 |
3.4.1 小波分析理论 |
3.4.2 二维图像小波分解 |
3.4.3 零树结构分析 |
3.4.4 改进算法分析 |
3.4.5 改进算法参数选取及结果分析 |
3.5 本章小结 |
第4章 基于邻位差值和的快速分形图像编码算法 |
4.1 特征向量法 |
4.1.1 特征方法 |
4.1.2 特征向量法改进 |
4.2 分析邻位差值和 |
4.3 理论分析 |
4.3.1 值域块标准差分析 |
4.3.2 定义域块标准差分析 |
4.3.3 搜索法 |
4.4 算法流程 |
4.5 参数选取 |
4.5.1 参数η的选取 |
4.5.2 参数τ的选取 |
4.5.3 参数κ的选取 |
4.6 实验结果 |
4.7 本章小结 |
第5章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
作者攻读硕士学位期间发表的论文及获奖情况 |
(5)分形图像压缩的快速算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 图像压缩研究背景及意义 |
1.2 图像压缩的可行性分析 |
1.3 图像压缩的系统模型与分类 |
1.3.1 图像压缩的系统模型 |
1.3.2 图像压缩算法的分类 |
1.4 图像压缩算法的性能评价 |
1.5 分形图像压缩的研究现状 |
1.6 本文的主要工作及组织结构 |
第2章 分形图像压缩理论 |
2.1 分形概述 |
2.2 分形理论的数学基础 |
2.2.1 度量空间 |
2.2.2 分形维数 |
2.3 分形图像压缩理论 |
2.3.1 仿射变换 |
2.3.2 压缩映射定理 |
2.3.3 迭代函数系 |
2.3.4 拼贴定理 |
2.4 本章小结 |
第3章 分形图像压缩的改进算法 |
3.1 局部迭代函数系 |
3.2 基本分形图像压缩算法 |
3.2.1 局部迭代函数系的实现 |
3.2.2 基本分形图像压缩与解码过程 |
3.2.3 基本分形图像压缩算法仿真 |
3.3 基于标准差和亮暗分布排序的快速分形图像压缩算法 |
3.3.1 理论分析 |
3.3.2 算法流程 |
3.3.3 参数选取 |
3.3.4 实验仿真 |
3.4 基于标准差和亮暗分布排序的分形图像压缩改进算法 |
3.4.1 非搜索快速分形图像压缩算法 |
3.4.2 改进算法分析 |
3.4.3 改进算法流程 |
3.4.4 改进算法参数选取 |
3.4.5 改进算法实验仿真 |
3.5 本章小结 |
第4章 小波分形混合图像压缩的改进算法 |
4.1 小波分析理论 |
4.1.1 连续小波变换 |
4.1.2 离散小波变换与多分辨分析 |
4.2 图像的小波分解 |
4.2.1 小波基的选取 |
4.2.2 二维图像的小波分解 |
4.3 小波分形混合图像压缩算法 |
4.3.1 小波分形混合图像压缩的现状 |
4.3.2 图像小波域下分形压缩算法的简化处理 |
4.3.3 基于小波系数零树结构的分形预测图像压缩算法 |
4.4 基于小波系数零树结构的分形预测图像压缩算法的改进算法 |
4.4.1 改进算法分析 |
4.4.2 改进算法流程 |
4.4.3 改进算法参数选取 |
4.4.4 改进算法实验仿真 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
作者攻读硕士学位期间发表的论文及获奖情况 |
(6)基于分形图像压缩技术的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 图像压缩技术的发展与现状 |
1.3 本文的研究内容 |
第二章 图像压缩技术 |
2.1 图像压缩的概述 |
2.2 图像压缩方法的性能评价 |
2.3 常见的图像压缩编码方法 |
2.4 小波变换 |
2.5 本章小结 |
第三章 分形学和分形图像压缩编码的研究 |
3.1 分形学的概述 |
3.2 分形图像压缩的理论基础 |
3.3 局部迭代函数系统(LIFS) |
3.4 分形图像压缩的思路 |
3.5 本章小结 |
第四章 分形图像压缩编码算法与实现 |
4.1 分形算法设计的思路 |
4.2 基于LIFS编码算法的实现 |
4.3 基于四叉树的分形图像压缩算法的改进 |
4.4 基于混合编码的改进算法 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文的主要工作 |
5.2 论文的展望 |
参考文献 |
致谢 |
(7)基于三维小波变换和分形编码的高光谱图像压缩(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题的研究背景及意义 |
1.1.1 研究的背景 |
1.1.2 课题研究的意义 |
1.2 高光谱遥感图像的数据特点 |
1.3 高光谱遥感图像压缩的研究现状 |
1.4 论文的研究内容和研究结构 |
第二章 分形图像压缩编码的理论及方法 |
2.1 引言 |
2.2 分形压缩的理论基础 |
2.2.1 分形的描述 |
2.2.2 图像压缩分形编码的数学基础 |
2.3 经典的分形图像压缩编码算法 |
2.3.1 Jacquin的全自动分形编码算法 |
2.3.2 Jacquin的全自动分形解码算法 |
2.4 Fisher改进的四叉树分割方法 |
2.5 本章小结 |
第三章 小波变换压缩编码的理论及方法 |
3.1 引言 |
3.2 小波分析的理论基础 |
3.3 小波变换编码应用于图像压缩的原理 |
3.4 应用于小波变换的图像压缩编码算法 |
3.4.1 基于提升算法的整数小波变换 |
3.4.2 基于SPIHT算法的数据压缩 |
3.5 本章小结 |
第四章 新型无链表小波变换编码在图像压缩中的应用 |
4.1 引言 |
4.2 图像质量的判别标准 |
4.3 一种新型的无链表小波变换编码算法 |
4.3.1 新型算法提出的背景 |
4.3.2 新型算法的描述 |
4.4 新型小波编码算法图像压缩实验 |
4.5 本章小结 |
第五章 三维分形小波混合编码在高光谱压缩中的应用 |
5.1 引言 |
5.2 实验方案设计 |
5.2.1 实验总体框架 |
5.2.2 编码过程 |
5.2.3 解码过程 |
5.3 实验仿真及结果分析 |
5.3.1 实验操作 |
5.3.2 实验结果分析 |
5.3.3 实验结论 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
硕士期间发表论文 |
致谢 |
(8)基于小波与分形的混合图像编码算法的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题提出的背景与研究现状 |
1.2 课题研究的意义 |
1.3 本文的主要工作及章节安排 |
第2章 图像压缩的基本原理 |
2.1 图像压缩概述 |
2.1.1 数据压缩概述 |
2.1.2 图像压缩模型 |
2.2 图像压缩分类与质量的判别 |
2.2.1 图像压缩分类 |
2.2.2 图像质量的判别 |
2.3 图像编码方法的介绍 |
2.3.1 传统的图像编码技术 |
2.3.2 新型图像编码技术 |
2.3.3 图像编码的国际标准简介 |
2.4 本章小结 |
第3章 小波变换编码 |
3.1 引言 |
3.2 小波变换简介 |
3.2.1 连续小波变换 |
3.2.2 离散小波变换 |
3.2.3 快速小波变换算法(Mallat算法) |
3.3 小波变换应用于图像编码 |
3.3.1 小波变换应用于图像编码概述 |
3.3.2 零树编码 |
3.4 本章小结 |
第4章 分形图像压缩编码 |
4.1 引言 |
4.1.1 分形定义 |
4.1.2 分形方法能应用于图像压缩的依据 |
4.2 分形图像压缩编码的理论基础 |
4.2.1 图像压缩分形理论的数学基础 |
4.2.2 压缩映射 |
4.2.3 迭代函数系统 |
4.3 拼贴定理 |
4.3.1 拼贴定理 |
4.3.2 局部迭代函数系 |
4.3.3 离散局部迭代函数系 |
4.4 分形编码应用于图像压缩 |
4.4.1 简库恩(A.E.Jacquin)全自动的分形图像压缩方法 |
4.4.2 仿真结果及分析 |
4.5 本章小结 |
第5章 小波与分形混合编码方法研究 |
5.1 基于小波变换的分形图像压缩方法介绍 |
5.1.1 分形编码和小波变换编码的结合 |
5.1.2 对小波与分形混合编码的分析 |
5.2 小波与分形混合编码算法的实现 |
5.2.1 分形与小波相结合的总体思路 |
5.2.2 小波与分形混合编码算法的实现 |
5.2.3 小波与分形混合编码算法描述 |
5.3 小波与分形混合编码算法实验结果及分析 |
5.4 本章小结 |
第6章 总结 |
参考文献 |
致谢 |
(9)小波变换与分形理论在图像压缩编码中的研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 课题提出的背景以及意义 |
1.3 本文结构安排 |
第二章 图像压缩的可能性以及经典算法分类 |
2.1 图像数据压缩的可能性 |
2.2 常用图像编码算法分类 |
2.3 图像质量性能指标及评价 |
2.3.1 编码和解码的速度 |
2.3.2 压缩比 |
2.3.3 图像质量评价方法 |
2.4 图像压缩的国际标准及技术特点 |
第三章 小波分析与图像压缩编码 |
3.1 傅里叶变换及窗口傅里叶变换 |
3.1.1 傅里叶变换的不足 |
3.1.2 Gabor 变换 |
3.2 小波变换 |
3.2.1 Mallat 算法 |
3.3 小波分析在图像压缩中的应用 |
3.3.1 图像信号的二维小波变换 |
3.3.2 嵌入式零树小波编码(EZW)算法 |
3.3.3 多级树集合分裂(SPIHT)算法 |
第四章 分形理论与图像压缩 |
4.1 分形理论 |
4.1.1 分形理论的定义和性质 |
4.1.2 分形图像压缩的数学基础 |
4.1.3 局部迭代函数系统 LIFS |
4.2 基于 LIFS 理论的分形压缩的编解码过程 |
4.2.1 编码过程 |
4.2.2 解码方法 |
4.3 Jacquin 方案的图像编解码实验及结果 |
4.4 分形编码的进一步讨论 |
第五章 小波与分形结合的图像编码 |
5.1 基于小波变换的分形图像压缩方法介绍 |
5.2 一种基于方差的小波与分形混合编码方法 |
5.3 一种新的基于小波系数和方差的分形图像编码算法 |
第六章 实验结果以及分析 |
6.1 实验环境 |
6.2 实验结果与分析一 |
6.3 实验结果与分析二 |
6.3.1 基于 Daubechies9/7 小波分解 |
6.3.2 低频部分二进制自适应算术编、解码结果 |
6.3.3 基于方差和小波零树结构的分形预测编、解码 |
6.3.4 实验结果对比分析 |
结束语 |
参考文献 |
致谢 |
在读硕士研究生期间发表的论文 |
(10)数字图像混合压缩编码算法的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 图像编码技术研究的背景和意义 |
1.2 图像编码算法的概述 |
1.3 图像压缩质量的评价标准 |
1.3.1 主观评价标准 |
1.3.2 客观评价标准 |
1.4 本课题的研究内容及章节安排 |
第二章 混合图像压缩算法 |
2.1 基于DCT变换的混合图像编码 |
2.1.1 基于DCT变换的分形图像编码 |
2.1.2 基于预测编码和DCT相结合的图像编码 |
2.2 基于小波域的混合图像编码 |
2.2.1 基于小波域的分形图像编码 |
2.2.2 小波变换和神经网络相结合的混合编码 |
2.3 其它类型的混合图像编码方法 |
2.3.1 基于遗传算法的图像分形压缩编码 |
2.3.2 基于神经网络的图像分形压缩编码 |
2.4 混合编码在视频图像编码中的应用 |
第三章 DCT系数小波重组 |
3.1 传统的DCT变换编码 |
3.1.1 离散余弦变换DCT |
3.1.2 传统的DCT图像编码方法 |
3.2 基于小波变换的图像编码 |
3.2.1 离散小波变换DWT |
3.2.2 基于小波变换的图像编码方法研究 |
3.3 DCT系数小波重组 |
3.3.1 DCT与小波系数的特点 |
3.3.2 DCT系数小波重组的方法 |
3.4 基于DCT系数小波重组的图像编码方法 |
3.4.1 基于DCT的图像层次编码 |
3.4.2 基于DCT的图像可分级编码 |
3.5 本章小结 |
第四章 基于形态学的图像编码算法 |
4.1 数学形态学与图像处理 |
4.1.1 形态学的基本概念与运算 |
4.1.2 形态学在图像处理中的应用 |
4.2 基于形态学的小波变换编码 |
4.2.1 基于形态学的小波编码结构 |
4.2.2 基于形态学的小波编码方法 |
4.3 基于形态学的DCT系数小波重组图像编码 |
4.3.1 基于DCT的形态学 |
4.3.2 基于形态学的DCT系数编码方法分析 |
4.3.3 基于形态学的DCT系数图像编码方法 |
4.4 基于形态学的DCT系数小波重组图像编码的改进算法 |
4.5 实验结果与分析 |
4.5.1 混合图像编码方法的实验结果与分析 |
4.5.2 基于形态学的图像编码方法的实验结果与分析 |
4.6 本章小结 |
第五章 结束语 |
5.1 本文的总结 |
5.2 未来的展望 |
致谢 |
参考文献 |
在读期间研究成果 |
四、基于分类的小波—分形混合编码(论文参考文献)
- [1]基于纹理特征学习的带钢表面图像高效表示[D]. 房晓鑫. 合肥工业大学, 2021(02)
- [2]基于小波变换的分形图像编码压缩算法[D]. 赵蓉. 南京邮电大学, 2019(02)
- [3]融合压缩感知技术和分形理论的图像编码方法研究[D]. 赖宇. 暨南大学, 2018(05)
- [4]快速分形图像压缩编码的算法研究[D]. 刘立京. 东北大学, 2013(03)
- [5]分形图像压缩的快速算法研究[D]. 刘会斌. 东北大学, 2012(05)
- [6]基于分形图像压缩技术的研究[D]. 余惠. 长春理工大学, 2010(08)
- [7]基于三维小波变换和分形编码的高光谱图像压缩[D]. 邹毅. 厦门大学, 2009(12)
- [8]基于小波与分形的混合图像编码算法的研究[D]. 邓曼. 东北大学, 2009(06)
- [9]小波变换与分形理论在图像压缩编码中的研究与应用[D]. 李娜. 延安大学, 2009(05)
- [10]数字图像混合压缩编码算法的研究[D]. 李爱霞. 西安电子科技大学, 2008(01)