一、基于多分辨率分析的相关算法在信号滤波中的应用（论文文献综述）
石平霞[1]（2021）在《基于多尺度形态学梯度的医学图像融合算法研究》文中提出随着科技的快速发展,医学影像技术也在不断的进步,临床诊断中的医学图像处理方式也越来越多样化。但是在目前的医学诊断中,单一模式的医学图像由于存在携带信息比较单一以及病灶定位能力欠佳的缺陷,很难满足现代医疗的需求,于是能够提供更多有效信息继而提高病灶定位能力的医学图像融合技术应运而生。正是因为临床医学中存在这种需求,所以图像处理研究者逐渐将目光聚焦在医学图像融合的研究上。医学融合图像的边缘信息、细节信息以及图像的清晰度在定位不同器官和病症中起到重要作用,能够为病情的诊断提供更充分的依据。但是当前医学融合图像会存在边缘失真、轮廓模糊、信息丢失以及容易产生人造纹理的问题,这样的融合结果并不能为临床诊断提供便利。为了改善医学融合图像存在的问题,本文提出基于多尺度形态学梯度（MSMG）的医学图像融合算法。将非下采样剪切波（NSST）作为图像多尺度分解的工具,然后利用MSMG对分解后的高低频信息进行处理。对低频信息处理采用基于MSMG改进的引导滤波融合规则。由于图像进行NSST分解时,低频信息容易产生人造纹理,通过MSMG来获得低频信息在分解过程中产生的梯度变化,根据这个变化来修正引导滤波中的正则化参数,再利用引导滤波来平滑低频信息,抑制人造纹理的产生。对高频信息的处理是充分利用MSMG能够获取梯度信息的能力,提取图像的边界细节信息,并将这些信息保留到融合图像中,使得融合图像的边界更加清晰,细节更加丰富。本文对CT/MR-T2灰度图像和MR-T2/SPECT-Tc彩色图像进行融合实验,并与已有的几种融合算法进行实验对比,通过主观评价和客观评价对融合图像进行评价。实验结果表明,本文提出的算法融合图像的整体视觉效果良好,边缘轮廓清晰、细节信息保存较好。同时本文算法的EN、AG、EIN和FD指标达到最优,STD和SF指标良好。综合来看,本文算法的融合图像信息丰富、边缘和细节信息清晰,可以为临床诊断提供较为可靠的依据。
杨凯[2]（2021）在《激光雷达点云高程数据滤波算法研究》文中认为激光雷达（Light Detection and Ranging,Li DAR）是一种能够获取大面积区域精确点云信息的遥感技术,其被广泛地应用于地形测绘,高度估计,电力线监测等诸多方面。然而,在用于获取地表信息的激光雷达点云高程数据中,位于地面和地物（如树冠）上的点混杂在一起,因此在构建地形之前,需要将其分为地面点和非地面点,这一过程被称为滤波。虽然当前已有许多点云滤波算法被提出,但这些算法普遍在具有陡坡或不连续特征的复杂地形处表现不佳,因此本文的研究目的在于改进已有滤波算法,以提升算法在这些复杂地形下的滤波性能,为后续点云数据的应用提供支持。本文的主要工作包括两个部分:（1）为了提升经典渐进不规则三角网加密（Progressive Triangulated Irregular Network Densification,PTD）滤波算法在陡峭或不连续的复杂地形处的滤波性能,本文提出一种基于多级虚拟网格和形态学运算的渐进不规则三角网加密滤波算法,该算法使用多级虚拟网格来获取更多的地面种子点,并使用形态学开运算在迭代加密步骤中对地面点进行重筛选。为了评价改进算法的滤波效果,本文使用国际摄影测量与遥感学会（ISPRS）提供的四组包含有大量不连续地形的标准测试数据进行滤波测试。结果表明,相较于经典算法,改进算法很好地保留了地形特征,并且在所有数据上均产生了更小的第一（Ⅰ）类误差和总误差,定量分析显示这两种误差指标在四组测试数据上的最大值分别是3.05%和4.22%,均小于经典算法产生的相应误差结果的五分之一。（2）在改善了经典PTD算法对复杂地形处理能力不足的问题之后,为解决该算法对全局统一的经验参数敏感的问题,提出一种基于分割和地形自适应参数的渐进不规则三角网加密算法,该算法实现了根据局部地形自适应设置的阈值参数,并使用区域生长技术将原始点云进行分割以获取更充足的地面种子点。在使用ISPRS提供的标准测试数据进行滤波测试时,改进算法较好地保留了地形特征,在定量测试中,改进算法产生的第一（Ⅰ）类误差和总误差均保持在7%以下,第二（Ⅱ）类误差均小于20%。同时,在后续的参数测试中改进算法也表现出较好的鲁棒性。
刘雨菡[3]（2021）在《对地观测红外成像虚警源检测方法研究》文中提出随着现代空间探测技术的发展,人们已经可以获得不同种类的卫星遥感图像并对其进行分析处理。其中,对地观测红外成像技术由于其成像机理及其多功能性,近年来在军民生活中有着广泛的应用,而对红外图像中的目标进行检测更是在现代战争如空间制导、地区安防、预警等领域有着重要的作用。由于对地观测红外成像存在成像距离远、成像环境复杂及图像特征有限等问题,使得红外图像中的目标检测十分困难。同时,红外成像采用的是红外传感器,通过该传感器接收对象的热辐射并将接收的红外热辐射转换成电信号,由此将不可见的红外辐射转变成图像信号。而地球表面存在大量具有高辐射的区域,如雪山、结冰河流、卷云等,使得该类区域会和目标同时成像,对目标的检测产生干扰从而产生虚警。为了提高对地观测红外成像系统的性能及目标检测精度,本文研究了可能会产生虚警的自然场景即虚警源场景,并对虚警源进行分析与检测,从而辅助目标检测以降低其虚警率。本文结合了不同红外遥感图像中的场景检测方法,集中研究了包括虚警源及目标的特性分析与提取、典型虚警源场景的检测以及虚警源检测理论在对地观测红外成像系统中的应用,研究内容主要包括:（1）结合对地观测红外成像系统的成像机理,分析了可能会产生高辐射的场景及其检测的难点。结合虚警源的成像特性,研究并分析了典型虚警源场景的较为普适的特征,如纹理特征、灰度特征、形状特征、视觉显着性特征、分形特征等。同时,分析了不同虚警源背景下的目标特性。通过研究虚警源及目标的不同特征及其成像特性,为后续设计检测算法打下基础。（2）基于河流区域的灰度特征及纹理特征与其他区域不同,研究并提出了基于局部二值模式特征及形态学的河流检测方法。传统以2为半径,8邻域的局部二值模式特征会忽略最近邻的像素信息,而本方法在计算特征时,改变计算半径并利用插值重新计算8邻域的像素值,从而考虑到更多的局部信息,避免了信息被忽略的问题。通过对河流的纹理特征进行分析和提取,再利用合适的阈值并结合形态学理论,实现了快速且简便的河流检测。（3）基于河流的形状特性及方向性,研究并提出了基于Frangi滤波及剪切波变换的河流检测方法。Frangi滤波可以增强图像中的条状物体,而河流由于其形状特性,可以在Frangi滤波后得到增强。同时,不同于其他场景如建筑物、湖泊等,河流在图像中具有一定的方向特性。因此,本文采用了可以在不同方向下提取图像特征的剪切波变换对滤波后的图像进行分析。河流由于其方向特性,在某个分析方向的表现会比图像中的其他区域更加明显。由此,将方向特征较为明显的特征图像进行重建后,可以凸显河流而削弱其他背景区域,再结合活动轮廓模型方法可以实现对河流的有效检测。除此之外,为了提升检测的精度,设计了一种基于每个检测区域椭圆长轴和短轴比的筛选方法,并结合面积筛选策略剔除了检测出的非河流区域,使算法的检测精度有了进一步提升。（4）基于对地观测红外成像的显着性特征,研究并提出了基于多视觉显着性特征融合的卷云检测方法。卷云在对地观测红外成像系统中属于较为显着的区域,其灰度特性与其他背景区域有所不同。除此之外,单一视觉显着性特征并不能全方面地表现物体特性,而不同尺度下或不同种类的特征可以很好地表现对象的多个特性。因此本文提出了基于多特征融合的方法,设计了基于主成分分析理论的特征融合策略,从而结合了不同的视觉显着性特征以更全面地突出卷云,并结合活动轮廓模型方法对卷云实现了精确检测。（5）基于卷云固有的自相似性,研究并提出了基于随机分形模型及稀疏表示的卷云检测方法。遥感图像尤其是红外遥感图像存在着数据样本少、标签难以获取等问题,而利用机器学习的检测方法需要大量的数据及相对应的标签,算法成本较高。因此,基于卷云固有的分形特性,本文设计了一种利用随机分形图像作为模型,根据模型与遥感图像中卷云的相似程度,筛选出合适的图像块作为原子,训练学习出可以表达卷云的字典,再利用稀疏表示方法对图像进行表示的卷云检测方法。由此,可以有效地表示出卷云区域。该方法可有效实现单幅图像中的卷云检测,同时降低了一般机器学习类方法对图像样本数据与标签的需求,在保证检测精度的同时降低了算法成本。（6）基于对地观测红外图像中的虚警源的研究基础,本文提出将虚警源检测方法应用于对地观测红外目标的检测中,将虚警源检测结果作为辅助信息应用于红外目标检测,建立了以检测出的虚警源为先验信息的目标检测理论,分析了其未来应用的合理性及有效性。除此之外,本文还分析了虚警源检测方法在其他对地观测红外成像系统中的应用。不同测试实验表明,上述提出的方法可较为有效地检测出两类典型的虚警源,并建立了虚警源检测应用于目标检测的理论,讨论了一定程度上能够降低红外目标检测虚警率以及提升对地红外目标检测精度的可能性。此外,本文所构建的虚警源检测理论也为对地观测红外成像系统未来的相关研究与应用打下了基础。
白家铭[4]（2020）在《多光谱图像融合系统的设计与实现》文中指出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。
李胜杰[5]（2020）在《面向实时鲁棒目标跟踪的深度粒子相关滤波算法研究》文中研究指明视觉目标跟踪是计算机视觉领域的核心问题之一,其在实际生活中具有广泛的应用,包括姿势估计、机器人技术、人机交互、无人驾驶等。给定被跟踪目标在视频序列第一帧中的初始边界框,视觉目标跟踪的任务就是如何鲁棒地估计出目标在后续视频帧中的状态。尽管在过去的几年中已经提出了许多有效的跟踪器,但是在具有挑战性的场景中,如平面内旋转、平面外旋转、遮挡、形状变化、快速运动、运动模糊、光照变化、背景杂波、大尺度变化以及实际应用需求等,面向实时鲁棒目标跟踪的算法研究仍是一项艰巨的任务。本文在对现有视觉跟踪领域的粒子滤波框架,相关滤波理论和深度学习技术深入分析的基础上,针对开放环境中各种挑战因素以及实时应用需求,重点从尺度估计、特征描述、采样策略和运行速度四个方面开展面向高性能目标跟踪的深度粒子相关滤波算法研究。本文的主要贡献如下:1)基于决策层融合的加速型粒子滤波实时视觉跟踪算法。相关滤波由于将当前帧预测区域作为训练数据,不正确的预测结果和错误累计将严重干扰相关滤波的训练,从而造成模型漂移。粒子滤波利用丰富的预测候选区域估计目标状态,但是当环境在整个图像序列中很复杂时跟踪效果往往欠佳。针对以上问题,我们提出一种新颖的加速型粒子滤波实时视觉跟踪算法。我们将多个相关滤波作为观测模型集成到粒子滤波框架当中,相关滤波的密集采样策略能够减少粒子滤波所要抽样的粒子数目,粒子滤波的丰富候选区域能够缓解相关滤波的不正确预测。另外,我们提出决策层融合策略来集成多种不同类型的图像特征。粒子滤波和多特征决策层融合能够缓解相关滤波的模型漂移问题,从而产生更精确的预测结果。实验表明,与先进的视觉跟踪器相比,本文所提出的加速型粒子滤波跟踪器在跟踪性能方面具有很强的竞争力,并且能够保持在89帧每秒的处理速度。2)基于轻量级粒子滤波的精确尺度估计鲁棒视觉跟踪算法。针对大尺度变化挑战场景下基于深度卷积特征的鲁棒目标跟踪和粒子滤波框架中深度卷积网络的重复抽取特征所导致的高计算量问题,我们在深入分析粒子相关滤波算法的基础上首先提出轻量级粒子滤波算法,不仅实现快速精确的目标尺度估计,而且能够将其集成到无尺度估计的视觉跟踪器上。进而我们提出一种有效的通用型并行框架,不仅避免深度粒子采样的高复杂度问题,而且利用深度特征的鲁棒性优势,同时兼顾轻量级粒子滤波快速准确的尺度估计。与多个先进跟踪器的对比实验表明,轻量级粒子滤波不仅在跟踪性能上优于它们,并且能够保持在60帧每秒的尺度估计速度。另外与基线跟踪算法相比,基于通用型并行框架的跟踪算法在各种挑战性场景上获得性能提升,进一步验证精确尺度估计研究的重要性。最后基于深度卷积特征的通用型并行框架视觉跟踪算法同样优越于当前先进的跟踪算法。3)联合分层粒子滤波与异网深度特征的鲁棒视觉跟踪算法。粒子滤波需要抽样大量的样本来确保目标状态估计的准确性,其跟踪效率往往受到限制,尤其是将深度卷积特征应用于样本抽样的时候。深度卷积特征已经被引入到视觉跟踪领域,但其对目标外观表示的能力并没有被完全挖掘。针对以上问题,我们提出了新颖的分层粒子滤波利用少量的抽样样本提取深度卷积特征,并将标准的粒子滤波分为粒子平移层和粒子尺度层。粒子平移层联合具有语义的深度特征专注于目标位置的估计,而粒子尺度层集成具有空间细节的手工设计特征聚焦在目标尺度的估计。最后我们基于不同的卷积神经网络提出一个有效的异网集成策略用于探索粒子平移层中具有更多语义的更深层卷积特征。在大范围公共跟踪数据集的实验表明,我们所提出的深度分层粒子滤波算法在跟踪性能上优于大部分先进的跟踪算法,并在OTB-2013数据集上获得93.4%的精确度得分和69.3%的成功率得分。4)基于相关算子的粒子尺度空间实时鲁棒视觉跟踪算法。针对大多数尺度估计方法所采用手工设计尺度空间的固定尺度步长和时域尺度信息缺失问题,我们提出基于相关算子的粒子尺度空间,其利用时域尺度信息生成自适应的尺度步长,不仅能够鲁棒地应对目标外观的大尺度变化,而且具备较低的运算复杂度应对实时场景。另外我们所提出的粒子尺度空间是通用的,能够拓展到许多基于手工设计尺度空间和相关算子的孪生网络和相关滤波跟踪器上。最后为了验证所提方法的通用性和有效性,我们提出一系列粒子尺度空间跟踪器并且在大范围公共数据集上进行测试。实验结果表明所提出的基于粒子尺度空间跟踪器不仅优于基于手工设计尺度空间的基线跟踪器,而且相比较于最新的跟踪方法也表现出色。
李亮亮[6]（2019）在《基于非下采样剪切波变换的图像增强算法研究》文中提出近年来,随着科学技术的快速发展,基于计算机辅助系统的图像处理算法也不断更新,其应用领域在人们的生活中逐渐增多,尤其是在医学图像、遥感图像和多聚焦图像处理方面。医学图像的获取可以提供患者疾病部位的有用信息,使得医生可以对患者的疾病进行快速有效的诊断和治疗,但是由于图像采集设备的限制和拍摄过程中受外界因素（如光照强度、温度等）的干扰,所获取的图像质量通常较低,这严重影响了对图像中重要信息的提取和图像的后续处理。遥感图像作为记录地貌特征的特殊图像,其广泛应用到军事、国防、民生等领域,例如对自然灾害的监控、城市规划与建设和土地利用动态监测等;但由于受大气环境和传感器设备等因素的影响,获取的遥感图像通常会出现清晰度低和亮度不均等缺点。因此对这些获取的低质量的医学图像和遥感图像进行有效的增强处理是非常有必要的,而且增强后的图像更能反映真实的信息。由于光学镜头的景深有限,使得人们在摄影时很难获取一幅全景清晰的图像,又因聚焦点不同,所以多聚焦图像中包含有不同的清晰区域和模糊区域,这将不利于对图像中信息的提取;图像融合技术作为图像增强的一个分支,将其应用到多聚焦图像的处理中,可以使得图像得到有效的增强。针对医学图像、遥感图像和多聚焦图像的特点,探索有效的图像增强算法,以获取视觉效果良好的图像,具有十分重要的意义。本论文主要针对医学图像、遥感图像以及多聚焦图像在获取中出现的模糊和对比度低等问题进行了深入的研究,提出了相应的解决方法,并给出了实验数据和讨论分析以验证所提出方法的有效性和可行性。本论文的主要研究内容和创新性如下:1.基于非下采样剪切波变换和引导滤波的医学图像增强方法。为了解决所获取的医学图像存在清晰度偏低的问题,提出了一种新的医学图像增强模型。首先,将原始图像进行非下采样剪切波变换分解,得到了一个低频子带和多个高频子带,由于图像的低频部分包含了图像的大量背景信息,这些信息将直接影响图像的对比度。引导滤波是一个快速且有效的对比度增强方法,采用该方法对低频部分进行处理,以提高图像的整体对比度;图像的高频部分包含了噪声和细节信息,采用自适应阈值的方法对高频部分进行处理,以降低噪声的干扰,同时使得图像的细节信息得到很好保持。最后利用非下采样剪切波变换的反变换对有效处理后的所有子带进行重构,得到最终的增强图像。实验结果表明,提出的算法在医学图像增强方面有明显的优势,在客观评价指标方面也取得了很好的效果。2.在非下采样剪切波变换域基于梯度引导滤波和模糊对比度的医学图像增强方法。大脑图像作为医学图像的一个重要分支,对于人体脑部组织的分析有非常重要的作用,为了提高大脑图像的清晰度和对比度,以及抑制噪声的干扰,一种基于非下采样剪切波变换的医学图像增强方法被提出。首先,将输入的大脑图像进行非下采样剪切波变换分解,得到低频子带和高频子带;梯度域引导滤波是一个有效的图像增强方法,且计算复杂度较低,将其用来对图像的低频部分进行处理,以改善图像的对比度;改进的模糊对比度方法用来对图像的高频部分进行有效的处理,以降低噪声的干扰。最后采用非下采样剪切波变换的反变换进行重构得到最终的增强图像。实验结果表明,该算法在大脑图像的细节保持和对比度增加方面具有很好的效果,且在客观评价指标数据方面具有一定的优势。3.基于非下采样剪切波变换和局部拉普拉斯滤波的遥感图像增强算法。由于获取的遥感图像存在视觉对比度和空间分辨率不能完全满足应用需求的缺点,对遥感图像进行分析和解译之前进行有效的增强处理是有必要的,因此提出了一种新的遥感图像增强方法。首先,将初始的低质量遥感图像进行NSST分解,分别得到低频部分和高频部分;然后将初始图像的低频部分进行局部拉普拉斯滤波算法处理,以提高图像的对比度并抑制低频中少量的噪声,将改进后的阈值算法应用到高频部分,以消除噪声的干扰;最后采用非下采样剪切波变换的逆变换对所有的子带进行重构,得到增强后的遥感图像。实验结果表明,与一些最新提出的图像增强算法相比较,该方法在遥感图像增强的主观和客观评价方面都具有明显的优势。4.基于非下采样剪切波变换和SF-PAPCNN的多聚焦图像融合与增强算法。针对图像融合方法中出现的模糊、伪影等问题,提出了一种基于非下采样剪切波变换的图像融合模型。首先将两个多源图像进行非下采样剪切波变换分解,分别得到相应的低频部分和高频部分;然后对于低频部分采用SF-PAPCNN模型进行融合,高频部分采用ISML模型进行融合;最后采用非下采样剪切波变换的逆变换对融合后的低频和高频部分进行重构,得到最终的融合图像。实验结果表明,相比于经典的和最新提出的融合方法,该算法在多聚焦图像融合中可以获得更清晰的融合图像和更多的图像细节信息。
赵爽[7]（2019）在《基于机器视觉的PCB焊点缺陷检测研究》文中研究表明随着电子工业的迅速发展,电子产品已经十分普及,其印刷电路板（Printed Circuit Board,PCB）焊点质量直接影响电子产品的质量。为了提高电子产品的合格率,对其PCB板焊点进行缺陷检测也变得十分重要。为了提高检测准确率和检测效率,利用机器视觉实现自动检测,具有重要的理论研究和实际应用价值。本文基于机器视觉的焊点缺陷检测研究开展工作,检测的焊点类型为:多锡、少锡、焊锡合适和漏焊。通过搭建机器视觉系统,设计焊点缺陷检测总体方案,利用图像处理,详细研究了多曝光图像融合方法和PCB焊点缺陷的检测分类方法,论文主要工作如下:（1）机器视觉系统的整体设计。首先确定焊点类型的评估标准,设计焊点缺陷检测系统的总体方案。针对本文实验对象银行收纳所用的平板电路板,通过分析其形状和尺寸大小,对工业相机和光学镜头进行选型。然后分析了四种照明方式的特点和其适用场合,选择合适的光源,设计较好的照明方式。最后对运动控制系统中的运动控制器、步进电机以及电机驱动器进行选型,完成PCB焊点检测机器视觉系统的整体设计。（2）对多曝光图像融合方法进行研究。在图像采集过程中,针对其曝光不均匀的现象,提出基于细节保留的多曝光图像融合算法,对焊点图像进行融合。与常用的5种图像融合算法进行比较,通过主观方面和客观方面:信息熵和平均结构相似度两种图像融合质量评价指标,进行分析。结果表明,提出的方法能较好地保留原图像的细节信息。（3）对融合后的图像进行预处理与特征提取。图像预处理为对图像进行去噪、增强、阈值分割、形态学处理以及边缘轮廓提取。提出相关预处理方法,与多种常用方法进行对比,其处理效果较好。然后提取焊点图像的形状特征、纹理特征以及方向梯度直方图（Histogram of Oriented Gradient,HOG）特征参数,以进行后续的图像检测分类。（4）对PCB焊点缺陷检测分类方法进行研究。提出基于多特征的支持向量机（Support Vector Machine,SVM）多分类算法,首先对提取到的形状特征和纹理特征,比较不同核函数效果,采用最优核函数进行SVM分类,对PCB焊点的多锡、少锡、焊锡合适以及漏焊四种类型进行检测分类。针对误检的焊点,再利用基于HOG特征的SVM多分类算法对其进行二次检测分类,得到最终分类准确率。与常用的焊点缺陷检测分类算法进行比较,实验结果表明,本文提出的算法相比于其他分类方法,有更高的检测准确率,检测分类效果较好。（5）对PCB焊点缺陷检测系统进行软件设计。首先阐述了本系统软件的开发环境和实现功能,然后对系统软件进行整体设计以及说明本系统软件的操作步骤,最后进行分块测试。主要是对多曝光图像融合、图像预处理、图像分割、特征提取和PCB焊点缺陷检测分类等模块进行系统测试并分析实验结果。
刘娟花[8]（2019）在《多尺度数据融合算法及其应用研究》文中指出分别在多个尺度上对多个传感器的信息进行融合,不仅可获得比单个传感器更优的性能,而且与单尺度上的融合相比,多尺度数据融合能更好地刻画出目标的本质特性。MEMS陀螺是一种可以测量角速度的传感器,具有很多吸引人的优点。但噪声大,准确度不高也是不争的事实。于是如何去除MEMS陀螺仪中的噪声,并提高其精度就成为近年来的研究热点。对多MEMS陀螺应用多尺度数据融合算法,可以显着提高系统的精度及可靠性。本文证明了前人提出的多尺度数据融合算法的有效性,设计了 一种新的多尺度融合算法,讨论了多尺度数据融合中的重要技术问题,并通过对多个MEMS陀螺的融合应用,经仿真和硬件实验验证了本文多尺度融合算法的优越性。主要创新点和工作如下:1.从小波分析理论出发,证明了平稳和非平稳情况下的数据融合定理。从数学上解释了多尺度数据融合算法优于经典加权算法的原理,为该算法的推广应用奠定了数学基础。2.结合小波域多尺度数据融合算法的原理、具体步骤及存在问题等,设计了基于小波包的多尺度数据融合算法,并用实测数据通过仿真实验,比较了小波多尺度数据融合和小波包多尺度数据融合。3.分析了多MEMS陀螺数据融合中的小波基、分解层数、加权因子等的选择方法,通过仿真实验验证了其可行性。4.比较了基于时间序列分析、基于小波去噪和基于小波变换的多尺度融合这三种融合方法不同方面的性能。另外,还比较了多尺度融合和前向线性预测（Forward Linear Prediction,FLP）融合方法,结果均表明本文所提出的多尺度融合方法的独特性和有效性。将上述研究成果应用于我们设计并制作的一套多MEMS陀螺仪数据融合实时处理系统平台中,对4个MEMS陀螺仪所采集的原始数据进行实时处理。分别在静态和动态环境下对该集成系统进行了测试,实验结果表明:该系统运行稳定可靠,将MEMS陀螺的精度提高了 1个量级。本文的研究工作不仅为有关多尺度融合系统的分析奠定了理论基础,还为算法的推广应用提供了实验依据。
王洋[9]（2019）在《基于深度学习的视频编码技术研究》文中指出随着通信技术、互联网技术的发展和移动终端、智能设备的普及,数字广播电视、互联网视频、视频会议、远程医疗、远程教育等传统多媒体应用以及3D视频、虚拟现实视频、短视频等新兴多媒体应用丰富着人们的日常生活,但同时也使得视频数据呈爆炸式增长,给数据存储和网络传输带来巨大挑战,如何稳定高效的存储和传输海量的视频数据成为目前亟待解决的问题。数字视频压缩技术在视频数据压缩处理中扮演关键角色,数字视频压缩技术在通信、计算机、广播电视等领域的广泛应用促进了数字视频编码标准的产生和发展。目前,已经发布的最新的数字视频编码标准HEVC和AVS2虽然能够满足高清和超高清数字视频的压缩性能需求,但是,随着人工智能的发展和5G时代的到来,更加庞大的视频数据量对视频编码标准提出了更高的要求,因此,在现有数字视频编码标准的基础上进一步提升压缩性能十分必要。近年来,随着深度学习的发展,以卷积神经网络为代表的深度神经网络在计算机视觉、语音识别、自然语言处理等计算机领域都取得了令人瞩目的成果,利用深度学习提升视频编码的压缩性能不仅能够为未来的数字视频编码标准提供技术储备,而且是目前视频编码领域的前沿问题和研究热点。本文从利用深度学习提升视频编码技术的压缩性能角度展开深入研究,涵盖了数字视频编码标准框架中的帧内预测、帧间预测以及环路滤波三个主要模块。具体的研究内容分为以下三个部分:第一,本文提出了基于多尺度卷积神经网络的帧内预测算法,用来提高视频编码中帧内预测的准确性。基于方向插值的帧内预测方法广泛应用在现有的数字视频编码标准中,这种方法能够很好的预测具有主方向纹理的图像块,但是对于复杂纹理的图像块或者方向性较弱的图像块不能获得较好的预测效果。为了提高现有视频编码标准中的帧内预测的准确性和为下一代视频编码标准的制定做技术储备,本文提出了基于多尺度卷积神经网络的帧内预测方法。具体来讲,本文提出的算法由两个子网络组成:多尺度特征提取网络和复原网络。将基于方向插值的帧内预测生成的预测块与其相邻的L型重构像素组合为更大的图像块输入到多尺度特征提取网络,然后将输入图像块进行下采样并提取不同尺度的特征图,最后对特征图进行上采样恢复到原始尺度。复原网络用来聚合不同尺度的特征图,并利用卷积操作生成最终更准确的预测块。实验结果表明,与HEVC参考软件HM 16.9相比,本文提出的帧内预测算法能够获得3.4%的BD-rate节省。第二,本文提出了基于深度神经网络的帧间预测算法,用于提高数字视频编码中帧间预测的准确性。现有的数字视频编码标准中的帧间预测是通过运动估计和运动补偿技术从参考帧获取当前预测块,基于平移运动的运动估计技术不能处理自然视频中的更复杂的变化,如非线性亮度变化、模糊、缩放等。为了提高视频编码中帧间预测的准确性,本文提出了基于深度神经网络的视频编码帧间预测算法,旨在利用当前块邻近的L型重构像素、参考块邻近的L型重构像素提高帧间预测的准确性。具体来讲,本文提出的方法包括三个子网络:关系估计网络、组合网络、深度提纯网络。关系估计网络用于学习当前块与其参考块之间的关系。组合网络用于提取学习到的关系和参考块的特征图,然后将这些特征图连接在一起。深度提纯网络用于生成最终更准确的预测块。实验结果表明,与HEVC参考软件HM 16.9相比,本文提出的帧间预测算法能够获得4.4%的BD-rate节省。第三,本文提出了基于卷积神经网络的环路滤波算法以及基于GPU的环路滤波并行优化算法,前者旨在利用卷积神经网络提升环路滤波的编码性能;后者旨在降低环路滤波的编码复杂度。环路滤波在现有的数字视频编码标准中扮演十分重要的角色,不仅能够去除编码过程中产生的块效应、振铃效应,提高重构视频的主观质量,而且能够提高视频编码的压缩性能。本文从两个方面对环路滤波展开深入的研究。一方面,从提高环路滤波的编码性能入手,本文提出了基于卷积神经网络的环路滤波算法。具体来讲,本文提出了一个全新的卷积神经网络结构,利用编码过程中产生的边信息（如块划分、残差以及运动矢量）结合重构视频本身来提高环路滤波的性能。实验结果表明,与HEVC参考软件HM 16.9相比,本文提出的帧间预测算法能够获得4.6%的BD-rate节省。另一方面,环路滤波的较高复杂度是HEVC在实时编码应用场景中的瓶颈,为了降低环路滤波的编码复杂度以及考虑基于深度学习的视频编码架构使用CPU+GPU的多设备协同编码,本文提出了基于GPU的环路滤波并行优化算法。具体来讲,本文提出了使用CPU+GPU的多设备协同的并行编码方案,通过将HEVC编码端Deblocking和SAO联合在GPU端并行处理来降低环路滤波的编码复杂度。实验结果表明,与HEVC的开源编码器x265相比,本文提出的环路滤波并行算法能够获得47%的编码加速。
宋明辉[10]（2019）在《面向UAV的可见光与红外图像融合算法及其并行优化研究》文中指出提高UAV的环境感知能力成为进一步提高UAV智能化、自主化的必然要求。在许多场景下,仅凭单一传感器很难完成复杂环境下对目标的感知与识别任务,而多传感器数据融合成为解决途径之一。本文研究了面向UAV平台的可见光与红外图像融合算法,以改进UAV在目标被烟雾遮挡以及光照较弱等场景下对目标的感知能力,并基于CPU-GPU异构计算平台对融合算法进行并行优化以提高其实时性。本文主要研究工作以及创新点如下。1.提出了基于冗余方向提升小波（RDL Wavelet）以及混合显着性检测算法的新型可见光与红外灰度图像融合算法。RDL Wavelet在时域对输入图像进行非下采样多尺度分解,分解过程中借助Sinc插值算法计算图像的Subpixels灰度值;混合显着性检测算法结合了全局、局部显着性检测算法的计算结果,并以此为基础计算用于分解系数加权平均的权重系数。与其它同类融合算法相比,提出的融合算法在主观评价方面具有更优的视觉效果;在客观评价方面,QG指标提高48.7%以上,QY提高19.3%以上。2.基于CPU-GPU平台实现了上述改进型融合算法的并行优化。优化过程主要包含两个方面:（1）分析算法计算过程,将并行程度高、耗时大的部分在GPU端计算,而将剩余的部分在CPU端计算,并进行多线程优化;（2）对GPU端代码进行存储优化,体现在充分发挥GPU的存储层次结构特点,提高临时数据的读写效率,同时通过借助In-Place与Memory Sharing等技巧降低GPU端的存储开销。在PC平台上的实验结果表明,对于分辨率为480 × 640的灰度图像,GPU端运行的CUDA融合程序可以实现6.6倍的计算性能提升,融合速度为每秒34.4帧以上,同时GPU显存开销减少1半。3.最后,实现了彩色图像融合算法并在UAV搭载的嵌入式CPU-GPU异构平台上验证。可见光图像在HSI色彩空间内的I分量与灰度红外图像利用上文提出的算法完成融合,然后将结果转换回RGB色彩空间。实验结果表明,可见光与红外图像融合提高了 UAV在目标被烟雾遮挡、光照较弱的夜晚等场景下对目标的感知能力。对于分辨率为265 × 320的彩色图像,嵌入式GPU端运行的CUDA融合程序实时性提高55.1%,融合速度为每秒17.9帧。
二、基于多分辨率分析的相关算法在信号滤波中的应用（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、基于多分辨率分析的相关算法在信号滤波中的应用（论文提纲范文）
（1）基于多尺度形态学梯度的医学图像融合算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容与章节安排 |
| 2 医学图像融合及数学基础 |
| 2.1 医学图像融合概述 |
| 2.1.1 医学图像融合层次 |
| 2.1.2 图像融合算法 |
| 2.1.3 医学图像融合评价 |
| 2.2 相关医学图像介绍 |
| 2.2.1 CT图像 |
| 2.2.2 MRI图像 |
| 2.2.3 SPECT图像 |
| 2.3 相关数学理论 |
| 2.3.1 非下采样剪切波(NSST) |
| 2.3.2 引导滤波(GF) |
| 2.3.3 多尺度形态学梯度(MSMG) |
| 2.4 本章小结 |
| 3 基于多尺度形态学梯度的医学图像融合算法 |
| 3.1 融合框架 |
| 3.1.1 图像分解 |
| 3.1.2 图像融合 |
| 3.1.3 图像重构 |
| 3.2 高低频融合 |
| 3.2.1 多尺度形态学梯度特点 |
| 3.2.2 基于改进引导滤波的低频融合算法 |
| 3.2.3 基于多尺度形态学梯度的高频融合算法 |
| 3.3 本章小结 |
| 4 实验 |
| 4.1 实验条件 |
| 4.2 图像选取 |
| 4.3 CT/MR-T2灰度图像融合实验 |
| 4.3.1 增强 |
| 4.3.2 融合 |
| 4.3.3 融合结果分析 |
| 4.4 MR-T2/SPECT-Tc彩色图像融合实验 |
| 4.4.1 增强 |
| 4.4.2 融合 |
| 4.4.3 融合结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 研究内容总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
（2）激光雷达点云高程数据滤波算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究历史及现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 第二章 LiDAR点云数据及点云滤波算法介绍 |
| 2.1 LiDAR点云数据 |
| 2.1.1 LiDAR点云数据的构成 |
| 2.1.2 LiDAR点云数据的特点 |
| 2.1.3 LiDAR点云数据的组织方式 |
| 2.2 典型点云滤波算法 |
| 2.2.1 渐进不规则三角网加密滤波算法 |
| 2.2.2 简单形态学滤波算法 |
| 2.2.3 基于薄板样条插值的多分辨率分层滤波算法 |
| 2.2.4 滤波算法对比分析 |
| 2.3 本章小结 |
| 第三章 基于多级虚拟网格和形态学运算的渐进不规则三角网加密滤波算法 |
| 3.1 数学形态学相关理论 |
| 3.2 算法流程 |
| 3.3 评价方法 |
| 3.4 数据介绍 |
| 3.5 滤波结果及分析 |
| 3.5.1 定性分析 |
| 3.5.2 定量分析 |
| 3.6 本章小结 |
| 第四章 基于分割与地形自适应参数的渐进不规则三角网加密滤波算法 |
| 4.1 主成分分析法估计点云法向量相关理论 |
| 4.2 算法流程 |
| 4.3 滤波结果及分析 |
| 4.3.1 与经典PTD算法的对比分析 |
| 4.3.2 与MMPTD算法的对比分析 |
| 4.3.3 与其他滤波算法的结果对比 |
| 4.3.4 对算法中使用参数的讨论 |
| 4.3.5 对测试数据中地形分布的讨论 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）对地观测红外成像虚警源检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 对地观测红外成像技术 |
| 1.2.2 虚警源检测技术 |
| 1.2.3 红外目标检测技术 |
| 1.3 主要研究工作及技术路线 |
| 1.4 论文结构安排 |
| 第二章 红外探测成像特性及视觉特征分析 |
| 2.1 概述 |
| 2.2 虚警源与目标的形成 |
| 2.2.1 红外成像原理 |
| 2.2.2 虚警源与目标 |
| 2.3 虚警源特性分析 |
| 2.4 目标特性分析 |
| 2.5 本章小结 |
| 第三章 结合形态特性及纹理分析的河流检测 |
| 3.1 概述 |
| 3.2 局部二值模式特征 |
| 3.3 形态学方法 |
| 3.4 基于LBP特征及形态学理论的河流检测方法 |
| 3.4.1 算法流程 |
| 3.4.2 实验数据 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果及分析 |
| 3.5 Frangi滤波 |
| 3.6 剪切波变换 |
| 3.7 基于Frangi滤波及剪切波变换的河流检测方法 |
| 3.7.1 算法流程 |
| 3.7.2 实验数据 |
| 3.7.3 参数设置 |
| 3.7.4 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于多显着性特征融合的卷云检测方法 |
| 4.1 概述 |
| 4.2 卷云 |
| 4.3 视觉显着性 |
| 4.4 基于视觉显着性特征融合的卷云检测方法 |
| 4.4.1 算法流程 |
| 4.4.2 实验数据 |
| 4.4.3 参数设置 |
| 4.4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 联合分形理论及稀疏表示的卷云检测 |
| 5.1 概述 |
| 5.2 随机分形理论 |
| 5.3 基于稀疏表示的图像分解理论 |
| 5.4 基于随机分形模型及稀疏表示的卷云检测算法 |
| 5.4.1 算法流程 |
| 5.4.2 实验数据 |
| 5.4.3 参数设置 |
| 5.4.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 虚警源检测技术与应用 |
| 6.1 概述 |
| 6.2 基于虚警源检测的对地观测红外目标检测理论 |
| 6.3 虚警源检测理论的其他应用 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 附录 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（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）面向实时鲁棒目标跟踪的深度粒子相关滤波算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 目标跟踪技术研究综述 |
| 1.2.1 目标跟踪基本研究框架和主要挑战 |
| 1.2.2 目标跟踪研究现状 |
| 1.2.3 目标跟踪数据库与评价标准 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 基于决策层融合的加速型粒子滤波实时视觉跟踪 |
| 2.1 引言 |
| 2.2 基于决策层融合的加速型粒子滤波跟踪算法 |
| 2.2.1 粒子滤波 |
| 2.2.2 相关滤波 |
| 2.2.3 决策层融合 |
| 2.2.4 加速型粒子滤波 |
| 2.2.5 整体跟踪算法框架 |
| 2.3 实验结果与分析 |
| 2.3.1 实验环境和参数设置 |
| 2.3.2 APFT跟踪算法的成分分析 |
| 2.3.3 APFT跟踪器的效率和粒子数目分析 |
| 2.3.4 仿射参数和融合参数分析 |
| 2.3.5 与先进的跟踪器做对比 |
| 2.4 本章小结 |
| 第三章 基于轻量级粒子滤波的精确尺度估计鲁棒视觉跟踪 |
| 3.1 引言 |
| 3.2 基于轻量级粒子滤波的精确尺度估计跟踪算法 |
| 3.2.1 轻量级粒子滤波 |
| 3.2.2 跟踪与模型更新 |
| 3.2.3 通用型并行框架 |
| 3.3 实验结果与分析 |
| 3.3.1 实验环境和参数设置 |
| 3.3.2 LPFT跟踪算法的成分分析 |
| 3.3.3 LPFT跟踪器的效率和粒子数目分析 |
| 3.3.4 轻量级粒子滤波的鲁棒快速尺度估计 |
| 3.3.5 与先进的跟踪器做对比 |
| 3.4 本章小结 |
| 第四章 联合分层粒子滤波与异网深度特征的鲁棒视觉跟踪 |
| 4.1 引言 |
| 4.2 联合分层粒子滤波与异网深度特征的跟踪算法 |
| 4.2.1 分层粒子滤波 |
| 4.2.2 异网深度特征 |
| 4.2.3 跟踪与模型更新 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境和参数设置 |
| 4.3.2 DeepHPFT跟踪算法的成分分析 |
| 4.3.3 与先进的跟踪器做对比 |
| 4.3.4 VOT挑战数据集性能 |
| 4.3.5 与先进跟踪器的定性评估 |
| 4.4 本章小结 |
| 第五章 基于相关算子的粒子尺度空间实时鲁棒视觉跟踪 |
| 5.1 引言 |
| 5.2 基于相关算子的粒子尺度空间跟踪算法 |
| 5.2.1 卷积孪生网络 |
| 5.2.2 粒子尺度空间 |
| 5.2.3 粒子尺度空间跟踪器 |
| 5.3 实验结果与分析 |
| 5.3.1 实验生效细节 |
| 5.3.2 与基线跟踪器做对比 |
| 5.3.3 与先进的跟踪器做对比 |
| 5.3.4 尺度粒子数目分析 |
| 5.3.5 尺度仿射参数分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 主要缩略语 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）基于非下采样剪切波变换的图像增强算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外图像增强算法的研究现状 |
| 1.2.1 基于空间域的图像增强算法 |
| 1.2.2 基于变换域的图像增强算法 |
| 1.2.3 基于深度学习的图像增强算法 |
| 1.2.4 基于融合模型的图像增强算法 |
| 1.3 本文的研究背景 |
| 1.4 论文的结构以及研究内容 |
| 1.5 本章小结 |
| 第2章 非下采样变换的基本理论 |
| 2.1 轮廓波变换 |
| 2.1.1 LP变换 |
| 2.1.2 方向滤波器组 |
| 2.2 非下采样轮廓波变换 |
| 2.2.1 非下采样金字塔分解 |
| 2.2.2 非下采样方向滤波器组分解 |
| 2.3 剪切波变换 |
| 2.4 离散剪切波变换 |
| 2.4.1 频域实现 |
| 2.4.2 时域实现 |
| 2.5 非下采样剪切波变换 |
| 2.6 本章小结 |
| 第3章 在NSST域基于引导滤波的医学图像增强 |
| 3.1 引言 |
| 3.2 引导滤波 |
| 3.3 本章的NSST-GF模型 |
| 3.3.1 低频部分进行引导滤波 |
| 3.3.2 高频部分进行阈值去噪 |
| 3.3.3 算法的实施步骤 |
| 3.4 实验结果和分析 |
| 3.4.1 主观分析 |
| 3.4.2 客观分析 |
| 3.5 本章小结 |
| 第4章 在NSST域基于GDGF和模糊对比度的医学图像增强 |
| 4.1 引言 |
| 4.2 梯度域引导滤波 |
| 4.3 本章的NSST-GDGF算法 |
| 4.3.1 基于梯度引导滤波的低频部分处理 |
| 4.3.2 基于模糊对比度的高频部分处理 |
| 4.3.3 本章算法实施步骤 |
| 4.4 实验结果和分析 |
| 4.4.1 视觉效果比较 |
| 4.4.2 客观指标评价 |
| 4.5 本章小结 |
| 第5章 基于NSST和局部拉普拉斯滤波的遥感图像增强 |
| 5.1 引言 |
| 5.2 局部拉普拉斯滤波 |
| 5.3 本章NSST-FLLF算法 |
| 5.3.1 低频部分处理 |
| 5.3.2 高频部分处理 |
| 5.3.3 算法的实施步骤 |
| 5.4 实验结果和分析 |
| 5.5 本章小结 |
| 第6章 在NSST域基于SF-PAPCNN的多聚焦图像融合与增强 |
| 6.1 引言 |
| 6.2 参数自适应PCNN模型 |
| 6.3 本章提出的算法实施步骤 |
| 6.4 实验结果对比和分析 |
| 6.4.1 实验设置 |
| 6.4.2 对灰度多聚焦图像仿真实验 |
| 6.4.3 对彩色多聚焦图像仿真实验 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简介及在学期间的科研成果和项目经历 |
| 致谢 |
（7）基于机器视觉的PCB焊点缺陷检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 论文研究背景与意义 |
| §1.2 机器视觉研究历史及发展状况 |
| §1.3 焊点缺陷检测的研究现状 |
| §1.4 本文主要研究内容与结构 |
| 第二章 焊点检测系统总体设计 |
| §2.1 焊点的主要缺陷及评估标准 |
| §2.2 机器视觉检测方案总体设计 |
| §2.3 光学系统设计 |
| §2.3.1 工业相机的选型 |
| §2.3.2 光学镜头的选型 |
| §2.3.3 光源的选型 |
| §2.3.4 照明方式的设计 |
| §2.4 运动控制设计 |
| §2.4.1 步进电机选型 |
| §2.4.2 运动控制器与驱动器选型 |
| §2.4.3 步进电机驱动运动 |
| §2.5 本章小结 |
| 第三章 多曝光图像融合方法 |
| §3.1 多曝光图像融合方法 |
| §3.1.1 多曝光融合方法 |
| §3.1.2 图像融合质量评价指标 |
| §3.2 细节保留的多曝光图像融合方法 |
| §3.2.1 细节保留的多曝光图像融合算法设计 |
| §3.2.2 图像融合实验 |
| §3.3 本章小结 |
| 第四章 PCB焊点图像预处理与特征提取 |
| §4.1 图像去噪 |
| §4.1.1 均值滤波法 |
| §4.1.2 中值滤波法 |
| §4.1.3 小波去噪法 |
| §4.1.4 中值滤波与小波变换相结合去噪算法 |
| §4.1.5 去噪比较 |
| §4.2 图像增强 |
| §4.2.1 直方图均衡化 |
| §4.2.2 灰度变换法 |
| §4.3 图像分割与形态学处理 |
| §4.3.1 阈值分割 |
| §4.3.2 形态学处理 |
| §4.3.3 图像边缘轮廓提取 |
| §4.4 特征提取 |
| §4.4.1 形状特征提取 |
| §4.4.2 纹理特征提取 |
| §4.4.3 HOG特征提取 |
| §4.5 本章小结 |
| 第五章 PCB焊点缺陷检测与分类算法研究 |
| §5.1 焊点检测分类算法 |
| §5.1.1 BP神经网络算法 |
| §5.1.2 K-近邻算法 |
| §5.1.3 Adaboost算法 |
| §5.2 基于多特征的SVM多分类算法 |
| §5.2.1 形状特征和纹理特征分类 |
| §5.2.2 基于HOG特征的SVM多分类 |
| §5.3 实验结果及分析 |
| §5.4 本章小结 |
| 第六章 PCB焊点缺陷检测系统软件设计 |
| §6.1 系统软件的开发环境和实现功能 |
| §6.1.1 系统软件的开发环境 |
| §6.1.2 系统软件的实现功能 |
| §6.2 检测系统软件设计及测试 |
| §6.2.1 系统软件的流程设计 |
| §6.2.2 软件系统界面操作步骤 |
| §6.2.3 软件系统各模块设计及测试 |
| §6.3 本章小结 |
| 第七章 总结与展望 |
| §7.1 总结 |
| §7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间主要研究成果 |
（8）多尺度数据融合算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的概念和优点 |
| 1.2.2 信息融合的模型 |
| 1.2.3 信息融合的方法 |
| 1.2.4 信息融合技术的研究现状 |
| 1.3 多尺度数据融合有关技术及进展 |
| 1.3.1 多尺度系统估计理论研究概况 |
| 1.3.2 多尺度数据融合的应用及研究现状 |
| 1.3.3 多尺度数据融合概念的演变 |
| 1.4 MEMS陀螺仪中漂移信号处理方法研究现状 |
| 1.5 陀螺仪中的多尺度数据融合及需要解决的问题 |
| 1.6 本文的主要研究内容及结构安排 |
| 2 多尺度数据融合算法及其有效性的证明 |
| 2.1 引言 |
| 2.2 小波分解原子时算法 |
| 2.2.1 常见时间尺度 |
| 2.2.2 原子时算法 |
| 2.2.3 小波分解原子时算法的提出 |
| 2.2.4 小波分解原子时算法有待解决的问题 |
| 2.2.5 小波分解原子时算法的基本原理 |
| 2.3 预备知识 |
| 2.3.1 原子钟的噪声特性 |
| 2.3.2 相关说明 |
| 2.4 随机信号数据融合的理论体系 |
| 2.4.1 平稳单尺度数据融合 |
| 2.4.2 平稳多尺度数据融合 |
| 2.4.3 非平稳单尺度数据融合 |
| 2.4.4 非平稳多尺度数据融合 |
| 2.5 非平稳多尺度数据融合定理的证明 |
| 2.6 分析与讨论 |
| 2.7 本章小结 |
| 3 多尺度数据融合算法的小波包实现 |
| 3.1 引言 |
| 3.2 小波变换和小波包变换 |
| 3.3 小波包的基本理论 |
| 3.3.1 正交小波包的定义与性质 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 小波库及小波包基的定义 |
| 3.3.4 小波包的分解与重构算法 |
| 3.3.5 最优小波包基的概念 |
| 3.3.6 最优基的快速搜索 |
| 3.4 基于小波包的多尺度数据融合方案 |
| 3.4.1 基于小波变换的多尺度数据融合算法 |
| 3.4.2 基于小波包的多尺度数据融合方案 |
| 3.5 基于小波包的多尺度陀螺融合实验研究 |
| 3.5.1 MEMS陀螺概述 |
| 3.5.2 MEMS陀螺随机误差分析 |
| 3.5.3 MEMS陀螺随机误差的Allan方差分析 |
| 3.5.4 MEMS陀螺漂移的数学模型 |
| 3.5.5 MEMS陀螺信号实时小波处理方法 |
| 3.5.6 基于小波包的多尺度陀螺融合算法仿真实验 |
| 3.6 本章小结 |
| 4 小波多尺度数据融合中关键技术 |
| 4.1 MEMS陀螺噪声特性与小波熵 |
| 4.1.1 MEMS陀螺误差及噪声特性 |
| 4.1.2 小波熵 |
| 4.2 常见的小波簇 |
| 4.2.1 小波基的性质 |
| 4.2.2 常用小波基 |
| 4.3 基于小波变换的数据融合中小波基的选取 |
| 4.3.1 小波基选取原则 |
| 4.3.2 小波基的比较 |
| 4.3.3 小波簇的选取 |
| 4.3.4 陀螺数据融合效果评价 |
| 4.3.5 最佳小波基选取实验 |
| 4.4 小波分解层数的设定 |
| 4.5 数据融合加权因子的选择 |
| 4.6 本章小结 |
| 5 多尺度融合与其它MEMS陀螺信号处理方法的比较 |
| 5.1 MEMS陀螺仪噪声抑制方法研究概述 |
| 5.1.1 MEMS陀螺仪噪声抑制方法研究现状 |
| 5.1.2 卡尔曼滤波和小波阈值去噪法的缺点 |
| 5.1.3 多尺度数据融合算法的优点 |
| 5.2 MEMS陀螺数据处理中的多传感器数据融合 |
| 5.2.1 多尺度融合 |
| 5.2.2 卡尔曼滤波融合 |
| 5.2.3 小波阈值融合 |
| 5.3 基于仿真信号对三种融合方法的比较 |
| 5.3.1 仿真信号的产生 |
| 5.3.2 第一组仿真实验(Chirp信号+高斯白噪声) |
| 5.3.3 第二组仿真实验(Chirp信号+有色噪声) |
| 5.4 基于实测信号对三种融合方法的比较 |
| 5.5 三种融合方法比较的结论 |
| 5.6 多尺度数据融合与FLP(前向线性预测)方法的比较 |
| 5.6.1 FLP算法 |
| 5.6.2 基于FLP滤波的多传感器融合方法 |
| 5.6.3 FLP滤波融合结果和分析 |
| 5.7 本章小结 |
| 6 多尺度数据融合系统设计与验证 |
| 6.1 系统的总体设计方案 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统整体框图 |
| 6.1.3 系统中的主要器件选型 |
| 6.2 硬件电路设计 |
| 6.2.1 陀螺仪模块 |
| 6.2.2 协处理器模块 |
| 6.2.3 主处理器模块 |
| 6.2.4 系统实物图 |
| 6.3 系统软件设计 |
| 6.3.1 接口部分 |
| 6.3.2 融合处理部分 |
| 6.4 实验研究 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文的主要研究成果 |
| 7.2 创新研究 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表和收录的论文 |
| 攻读博士学位期间获奖 |
| 攻读博士学位期间参加的科研项目 |
（9）基于深度学习的视频编码技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 数字视频压缩基础 |
| 1.2.1 视频压缩的基本原理 |
| 1.2.2 视频编码标准的基本框架 |
| 1.2.3 数字视频编码标准的发展历程 |
| 1.3 HEVC标准的关键技术 |
| 1.3.1 块划分方式 |
| 1.3.2 帧内预测 |
| 1.3.3 帧间预测 |
| 1.3.4 环路滤波 |
| 1.4 基于深度学习的视频编码 |
| 1.5 本文课题的提出及其主要贡献 |
| 第2章 基于深度学习的视频编码技术的研究现状 |
| 2.1 帧内预测技术的研究现状 |
| 2.2 帧间预测技术的研究现状 |
| 2.3 环路滤波技术的研究现状 |
| 2.3.1 基于深度学习的环路滤波技术的研究现状 |
| 2.3.2 环路滤波并行优化的研究现状 |
| 2.4 本章小结 |
| 第3章 基于多尺度卷积神经网络的帧内预测 |
| 3.1 问题的提出 |
| 3.2 模式依赖的帧内平滑滤波 |
| 3.2.1 MDISF原理及分析 |
| 3.2.2 MDISF的滤波器设计 |
| 3.2.3 MDISF集成到HEVC |
| 3.2.4 MDISF的实验结果 |
| 3.3 基于多尺度卷积神经网络的帧内预测 |
| 3.3.1 MSCNN的网络结构 |
| 3.3.2 MSCNN的训练策略 |
| 3.3.3 MSCNN集成到HEVC |
| 3.4 实验结果与分析 |
| 3.4.1 实验配置 |
| 3.4.2 与HEVC的性能比较 |
| 3.4.3 与其他方法的性能比较 |
| 3.4.4 网络深度分析 |
| 3.4.5 编解码时间分析 |
| 3.5 本章小结 |
| 第4章 基于深度神经网络的帧间预测 |
| 4.1 问题的提出 |
| 4.2 NNIP的网络结构 |
| 4.2.1 关系估计网络 |
| 4.2.2 组合网络 |
| 4.2.3 深度提纯网络 |
| 4.3 NNIP的训练策略 |
| 4.4 NNIP集成到HEVC |
| 4.5 实验结果与分析 |
| 4.5.1 实验配置 |
| 4.5.2 与HEVC的性能比较 |
| 4.5.3 与其他方法的性能比较 |
| 4.5.4 编解码时间分析 |
| 4.6 本章小结 |
| 第5章 基于卷积神经网络的环路滤波及其并行优化 |
| 5.1 基于卷积神经网络的环路滤波 |
| 5.1.1 CNNF的网络结构 |
| 5.1.2 CNNF的训练策略 |
| 5.1.3 CNNF集成到HEVC |
| 5.1.4 实验结果与分析 |
| 5.2 基于GPU的环路滤波并行优化 |
| 5.2.1 问题的提出以及算法的整体框架 |
| 5.2.2 GPU端 Deblocking的并行结构 |
| 5.2.3 GPU端 SAO的并行结构 |
| 5.2.4 内存优化管理 |
| 5.2.5 实验结果与分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文及研究成果 |
| 致谢 |
| 个人简历 |
（10）面向UAV的可见光与红外图像融合算法及其并行优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于图像融合的感知应用 |
| 1.2.2 可见光与红外图像融合算法 |
| 1.2.3 基于异构平台的算法优化 |
| 1.3 本文主要内容及章节安排 |
| 第二章 可见光与红外图像融合相关算法研究 |
| 2.1 图像融合中的预处理及总体框架 |
| 2.1.1 可见光传感器成像原理 |
| 2.1.2 红外传感器成像特点 |
| 2.1.3 可见光与红外图像配准 |
| 2.1.4 可见光与红外图像融合算法总体框架 |
| 2.2 融合框架中的多尺度分解算法 |
| 2.2.1 基于小波分解算法的融合 |
| 2.2.2 基于非下采样多尺度分解算法的图像融合 |
| 2.2.3 基于边缘保持滤波的图像融合 |
| 2.3 融合框架中的融合规则 |
| 2.3.1 低频分量的融合规则 |
| 2.3.2 高频分量的融合规则 |
| 2.4 融合效果评价 |
| 2.5 本章小结 |
| 第三章 基于RDL Wavelet以及混合显着性检测算法的图像融合算法 |
| 3.1 面向UAV的可见光与红外图像融合系统面临的挑战 |
| 3.2 冗余不可分离提升小波分解算法 |
| 3.3 改进型冗余方向提升小波算法 |
| 3.4 显着性检测算法原理及其改进 |
| 3.4.1 局部类显着性检测算法 |
| 3.4.2 全局类显着性检测算法 |
| 3.4.3 改进型混合显着性检测算法 |
| 3.5 基于改进型冗余方向提升小波分解算法以及显着性目标检测的图像融合 |
| 3.5.1 形态学闭操作 |
| 3.5.2 基于引导滤波的权重图谱 |
| 3.5.3 基于显着性图谱的融合规则 |
| 3.5.4 融合系统的总体框架 |
| 3.6 融合效果对比实验及分析 |
| 3.6.1 实验设置 |
| 3.6.2 融合效果的主观评价 |
| 3.6.3 融合效果的客观评价 |
| 3.7 本章小结 |
| 第四章 基于CPU-GPU异构结构的算法优化 |
| 4.1 GPU硬件结构与CUDA简介 |
| 4.1.1 CPU与 GPU硬件结构对比 |
| 4.1.2 CUDA简介 |
| 4.2 融合算法并行化及其CUDA优化 |
| 4.2.1 耗时分析 |
| 4.2.2 融合算法的CUDA实现及其优化 |
| 4.3 融合算法的存储优化 |
| 4.3.1 存储层次优化 |
| 4.3.2 存储开销优化 |
| 4.4 计算性能对比实验及分析 |
| 4.5 本章小结 |
| 第五章 多旋翼无人机平台及算法验证 |
| 5.1 多旋翼无人机平台系统方案 |
| 5.2 可见光、红外图像融合算法的部署 |
| 5.2.1 HSI色彩模型 |
| 5.2.2 彩色图像融合 |
| 5.2.3 机载图像融合实验 |
| 5.2.4 算法耗时 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文研究工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、基于多分辨率分析的相关算法在信号滤波中的应用（论文参考文献）
- [1]基于多尺度形态学梯度的医学图像融合算法研究[D]. 石平霞. 贵州师范大学, 2021(09)
- [2]激光雷达点云高程数据滤波算法研究[D]. 杨凯. 电子科技大学, 2021(01)
- [3]对地观测红外成像虚警源检测方法研究[D]. 刘雨菡. 电子科技大学, 2021
- [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]面向实时鲁棒目标跟踪的深度粒子相关滤波算法研究[D]. 李胜杰. 北京邮电大学, 2020(01)
- [6]基于非下采样剪切波变换的图像增强算法研究[D]. 李亮亮. 吉林大学, 2019(02)
- [7]基于机器视觉的PCB焊点缺陷检测研究[D]. 赵爽. 桂林电子科技大学, 2019(02)
- [8]多尺度数据融合算法及其应用研究[D]. 刘娟花. 西安理工大学, 2019
- [9]基于深度学习的视频编码技术研究[D]. 王洋. 哈尔滨工业大学, 2019(01)
- [10]面向UAV的可见光与红外图像融合算法及其并行优化研究[D]. 宋明辉. 国防科技大学, 2019(01)