一、图像压缩标准研究的发展与前景（论文文献综述）
赵冬[1]（2021）在《基于无监督深度模型的特征表达和图像压缩》文中提出近年来,深度学习在计算机视觉领域取得了前所未有的成功。目前绝大多数的应用都深度依赖于大量的标签数据,这极大限制了深度神经网络的适用性。与主流的神经网络训练方法不同,一个普遍的共识是人脑的学习主要以无监督的方式进行,而监督信息则通过反馈的方式强化神经学习。尽管我们并不完全理解人脑的工作机制,但我们的目的是探索像人脑一样无监督学习的方式,它可以从大量无标签视觉内容中自动提取丰富的抽象特征,提升智能视觉机器的自我学习能力。这种无监督特征与各类视觉任务结合可以提升学习的质量,从另一方面也帮助我们更好的理解人脑和人工智能。本文提出了一种基于视频中目标实例稀疏分解的无监督学习模型,并将此模型应用于目标发现和图像分类任务中。此外,本文还提出了一种无监督对抗学习的可变长图像压缩算法。本文的主要工作与创新总结如下:1.提出了一种基于视频中目标实例稀疏分解的无监督特征学习模型Un-supV。目前绝大多数的无监督特征表达模型以静态图片作为训练数据,而视频中目标在时间维度上的形态或者空间变化包含了更为丰富的训练信息。另一方面,我们假设大多数的目标实例可以在某个特征空间中稀疏表示,从而可以实现实例到图片级别的重构和多层级的非监督特征学习。本文利用视频作为无监督学习的数据源,使用神经网络学习视频的稀疏性表示,在没有任何标签的情况下模型可以将视频中的目标实例进行稀疏分解,学会区分不同实例并提取实例特征。这种方法从视频中进行学习训练,可以直接对单独的图片进行无监督特征提取。在验证实验中,本文采用了一个相对简单的场景,其中每个图像大致由前景和背景组成。基于编码器-解码器的网络结构分别稀疏表示前景、背景和分割掩码,通过重建原始图像对模型进行端到端的训练。在大规模视频数据集YouTube Objects的实验结果表明,模型UnsupV可以在完全无监督的情况下将视频帧的前后背景分离,并准确定位和分割前景中感兴趣的目标,验证了模型UnsupV提取高级视觉特征的能力。2.无监督模型UnsupV强化目标发现和图像分类任务。模型UnsupV应用于目标发现任务中,只需将单一图像一次性送入前馈网络即可快速得到感兴趣目标的分割图,较传统算法缩短了计算时间。在数据集Object Discovery、MSRC和iCoseg的实验结果表明,模型UnsupV在训练数据不可见类别的图像中仍然可以获得高质量的分割图,解决了传统算法对同类目标图像序列的依赖,验证了无监督模型UnsupV的泛化能力和特征表达能力。在图像分类任务中,本文提出了原始图像与分割图融合、特征表示的分类性能和训练标签受限情况的三种方式来评估模型UnsupV对分类任务的强化能力。在Cifar10数据集的实验结果表明模型UnsupV可以辅助分类任务提升分类准确率,减少对标签数据的依赖。3.提出了一种基于无监督对抗学习的可变长图像压缩算法。目前基于神经网络的压缩算法主要采用固定输入长度和固定输出长度的方式,这导致一些低信息量的图片无法充分压缩,而一些高信息量的图片在解压缩后会出现明显的失真。针对这个问题,本文提出一种只需训练单个网络便可实现自适应可变长编码的压缩算法。首先,算法使用自动编码器和生成对抗网络的融合框架,通过指数加权结合L2损失和对抗损失,使得解压缩图像在像素距离接近原始图像的同时保证视觉感知的语义真实性。其次,提出一种噪音干扰机制实现编码层节点的可控学习,使得网络训练结束后编码层节点按照其特征表达的重要性从上到下依次分布。基于这种重要性分布,当输入测试图像时,网络可以自适应的丢弃相对不重要的节点来满足压缩要求,实现可变长压缩。在数据集UT Zappos50K和CelebA-HQ的实验结果表明,提出的算法只需一次性训练单个网络便可实现可变长压缩,并且在极端低比特率的情况下,网络仍能恢复视觉真实的高质量解压缩图,压缩性能高于传统的JPEG和JPEG2000算法。
张旭帆[2]（2021）在《面向水环境监测的传感器网络视觉感知方法研究》文中研究说明随着社会工业化的不断加深、城镇化的不断发展,我国许多水资源遭到污染。虽然国家近几年大力开展水环境保护的相关工作,取得一定成果,但是水环境污染防控形势依旧十分严峻,还需要继续提高对水环境监测的重视程度。以无线视频传感器网络技术为基础的视觉感知作为一种新型、实时有效的监控手段,在越来越多的监测领域中得到了广泛的应用。大量先前学者和研究人员的工作已表明,基于该技术的水环境监测是重要的研究方向。该网络首先通过合理的传感器节点部署方式实现在传感器节点相对少、无监测盲点的条件下,实现对待检测区域的全覆盖。当目标物体出现后,传感器节点自适应地调节感知方向,获取最佳监测视角。随后,对节点采集到的监测数据进行目标检测处理,提取出其中的显着性区域,完成监控识别过程。最后,将检测结果通过先压缩再无线传输的方式传输到监测基站,完成对水面污染情况的实时、直观监测。其中主要包含以下三个研究内容:传感器节点的部署及动态调节、图像的显着性识别和图像的压缩传输。本文对上述三个问题开展研究,论文的主要研究内容和创新点如下:（1）提出一种基于人工鱼群算法的传感器节点动态调节策略。该策略采用固定位置部署的方式来完成监测区域内传感器节点的部署,在覆盖冗余相对较低的情况下,实现监测区域的完整覆盖。完成节点的部署后,该策略利用基于人工鱼群算法的传感器监测方向初步调节策略,先对传感器节点的监测方向进行整体调节,通过寻找局部每个节点的最大覆盖面积,来实现整个监测网络覆盖面积的最大化。然后,当监测区域内有目标物体出现后,传感器节点再进行优化调节,实现目标区域被监测的面积最大,获取最佳的监测视觉效果。最后,在所有参与目标监测的节点中,依据节点的剩余能量和检测效果选择出最佳节点用于对目标区域进行监测。实验结果表明提出的策略不仅可以获取更大的覆盖率,更好的监测效果,而且还能平衡节点能耗、延长网络寿命。（2）提出一种基于图像稀疏表示和颜色系数组合的显着性识别算法。该算法首先通过背景模板优化选取策略从图中提取出合适的背景模板。在其基础上,再利用图像的稀疏表示策略得到初级显着图。在该初级显着图中,背景区域可以被很好地抑制,但显着物区域很难被完整提取且与背景的区分度不大。因此,本算法在初级显着图的基础上,加入了多维颜色系数线性组合策略来得到改进显着图。在改进显着图中,显着物能够被完整地凸显出来,但却包含较多背景误检区域。最后,该算法通过贝叶斯融合框架将初级显着图和改进显着图合并,得到检测效果最好的最终显着图。实验结果表明该算法可有效将显着物区域从可见光水面图像背景中提取出来。（3）提出一种基于压缩重构和特征系数线性组合的显着性识别算法。该算法可以综合处理可见光和红外水面图像,更符合实际监测应用的需要。该算法能根据输入图像的类别不同而自适应的选取合适特征,从背景中有效提取出显着区域。其首先利用基于块的压缩感知重构技术对输入图像进行处理,缩小图像的尺寸。然后,该算法利用特征对比度原则对输入图像进行初级检测。该初级检测策略只对背景单调简单的图像特别有效,对背景信息复杂的图像,其只能检测出部分显着性区域。于是在初级显着图的基础上,提出的算法利用特征系数的最佳线性组合策略来得到更为准确的检测结果。实验结果表明,该算法对复杂多变的水面图像非常有效,且对可见光和红外水面图像都有非常好的检测效果。（4）提出一种基于压缩感知理论面向传感器节点的自适应图像压缩算法。该算法首先将传感器节点采集到的图片先进行分块处理,用以减小算法的复杂度和数据的存储空间。然后,再对每一个图像块进行离散小波分解,用于后续的压缩采样。然而,此时每个图像块的系数矩阵依旧由于尺寸过大而不适合压缩采样。为此,本算法引入系数重排策略来缩小系数矩阵和测量矩阵的尺寸。随后,本算法对每个图像块采用自适应压缩采样策略进行压缩。该策略可以根据各图像块信息量的大小,传感器节点剩余能量和网络链路质量而自适应给每个图像块分配合适的采样率。通过该策略,可有效控制图像整体采样率的大小,起到平衡节点能耗、维持压缩图像质量的效果。最后,本算法将压缩好的数据无线传输至上位机。上位机通过恢复算法处理、小波逆变换等操作将数据恢复成图像,实现监测图像数据在无线传感器网络中的压缩传输。通过研究传感器节点的部署及动态调节、图像显着性识别和图像压缩传输等问题,为提升基于无线传感器网络的水环境监测技术的性能提供了理论支撑和技术方案,为推广该监测技术的应用增添助力。
刘晗兴[3]（2020）在《基于目标区域提取的野生动物监测图像压缩传输方法研究》文中提出加强野生动物监测有利于防止偷猎行为,全面贯彻禁止食用野生动物法律法规。无线多媒体传感器网络作为野生动物监测的主要方式之一,可以获取监测动物的图像信息,能够对物种多样性、种群数量进行准确的估计,并实现长期实时监测,从而为野生动物资源保护提供科学依据。监测图像分辨率高、数据量大的特点与监测载体传感器网络功耗受限的矛盾日益突出。为了更加高效的对野生动物图像进行压缩的同时,满足数据分析对图像质量的要求,本文提出了一种野生动物监测图像压缩传输方法,并分别从目标区域提取、压缩传输策略研究和压缩图像恢复三个方面进行了深入的研究。主要工作内容如下:1.提出了一种适用于野生动物监测图像的目标区域提取方法。本文基于自适应mean-shift算法,结合颜色空间重构与Hermite滤波器搭建,提出了一种适用于野生动物监测图像的目标区域提取方法,实现了野生动物监测图像目标区域提取的优化,提高了目标区域提取的准确率。2.优化了野生动物监测图像的压缩传输策略。本文在实现野生动物监测图像目标区域提取的基础上,结合野生动物监测图像二值掩模具有区域性的特点,改进了掩模编码方法,节省了编码码流;同时对位平面传输方式和多级树集合分裂方法进行了深入分析,通过设置不重要位平面和加入集合判断,在确保目标区域图像重构质量的基础上,实现了目标区域的优先传输,降低了数据冗余。3.改进了野生动物压缩图像恢复算法。为了提高网络性能,本文以生成对抗网络作为框架,将改进SE模块分别嵌入到生成器与鉴别器中,并使用VGG19作为特征提取器,结合均方误差MSE、对抗损失,对损失函数进行优化,实现了野生动物监测图像从压缩图像到高分辨率图像的恢复,使生成的图像具有较高峰值信噪比的同时,高频信息、纹理信息也得到恢复。
朱志强[4]（2020）在《隧道视觉检测中的图像高压缩比算法研究》文中提出传统的隧道检修方法主要依靠经验丰富的检修工人搭载云梯车去完成,这种检修方法效率不高。随着智能制造技术的不断发展成熟,基于视觉的隧道检修方法逐渐成为一种新的趋势,并逐渐代替传统的人工检修方法。但是基于视觉的隧道检测系统往往会产生数以万计的隧道图像,导致巨大的图像存储空间开销。通用图像压缩方法未考虑隧道表面图像的特性,其压缩比还不够显着减少隧道图像存储开销。因此,本文针对此问题研究高压缩比的隧道图像压缩方法。论文的主要工作和创新点如下:（1）提出了一种基于稀疏编码方法的隧道图像高压缩比方法。分析了隧道图像一致性强和同质性高的特点,同时考虑隧道图像内容中不同图像块之间的差异性,设计了一种基于图像内容差异性的自适应编码算法,即对于包含图像内容丰富的纹理区域分配较多的编码系数,相反对于类似背景等区域则分配较少的编码系数。此外,针对稀疏编码系数本身设计了一种简单高效的非均匀量化方法,进一步提高编码效率。通过和现有的压缩方法相比,本文提出的隧道图像压缩方法实现了更好的压缩比以及更好的重构图像质量,尤其是在比特率低于0.05bpp时,本文提出的基于稀疏编码的隧道图像压缩方法获得了较JPEG和JPEG2000相比更高的峰值信噪比和更好的图像质量。（2）提出了一种基于变分自编码器的隧道图像压缩方法。该方法应用深度学习技术,首先,在编码阶段,将待压缩的隧道图像输入编码网络,然后经过一系列的卷积神经网络进行特征提取,不断的降低输入隧道图像的空间分辨率,得到隧道图像在隐空间的特征表示,最后利用量化技术得到压缩之后的数据。在解码阶段,首先将量化之后的数据进行反量化操作,然后将反量化之后的数据输入到解码网络,利用解码网络对特征图进行上采样操作,得到重构之后的图像。在实验阶段,通过将提出的基于变分自编码网络的隧道图像压缩方法和其他的图像压缩方法进行比较,验证提出方法的有效性。
任静[5]（2020）在《图像压缩编解码的FPGA设计与实现》文中认为随着计算机和信息科学技术的不断发展,图像处理在航空航天、生物医学、遥感监测、信息安全等领域都发挥着重要作用,尤其是高分辨率图像的实时处理对相关领域的发展尤为关键。鉴于仅仅使用纯软件的方式来实现图像的处理需要耗费大量的时间,并不能达到快速和实时性的要求,而采用FPGA（现场可编程门阵列）与高效率硬件描述语言Verilog HDL相结合的方法,可以充分发挥其流水线的并行处理能力,进而大大加速系统的设计进程,提供了硬件支持和软件保障。目前,图像压缩算法的优化及其硬件实现,仍有很大的研究和发展空间。论文以Cyclone II系列FPGA作为中央处理器,选用DE2开发平台,并在Quartus II中采用硬件描述语言进行编程,最终设计了一种基于FPGA的图像压缩编解码系统。系统集图像采集、JPEG图像压缩以及数据传输功能为一体。其中,图像采集模块选用以CMOS传感器MT9P001芯片为核心的D5M开发套件,实现图像捕获并实时地将Bayer格式转换成便于操作的RGB格式。图像压缩模块完成了基于FPGA的JPEG编码器的实现。为此,先对图像进行预处理,将RGB格式转换为YCbCr格式。然后在Chen算法基础上,通过二分频信号控制器对加减运算符号做出选择,减少了加法器的调用,从而实现二维离散余弦变换（DCT）的优化。其次将量化与Zigzag扫描相结合,对DCT系数和量化步长同时完成扫描重排,进一步节约了功能实现所需时间。最后,采用查找表的形式进行DC系数和AC系数的Huffman编码,并完成了码流组装。图像传输模块通过RS＿232串口与PC机进行通信,将完成压缩后的图像数据传输至PC端,并通过MATLAB进行解压缩,显示并保存图像。论文主要包括图像采集系统的硬件电路、JPEG压缩处理系统的硬件电路及软件设计,实现了系统各个模块功能,并对其进行测试,验证了整个系统的可行性。测试表明,本设计实现了预期的功能,达到设计目标,实现了图像的采集、JPEG编码器以及传输的要求。最终在PC机上显示出来的图像,质量良好,验证了本系统的可行性。
王忆泽[6]（2020）在《基于图像处理的结构三维模型快速重建研究》文中研究指明地震是一种有着巨大破坏力的自然灾害。地震发生后,对震区建筑物在预定功能下的安全性和可居住性的评估是地震现场紧急工作的重点之一。传统的评估方法是专家或者有培训经验的专业人员进行实地的走访。但是传统的评估方法存在各种各样的问题:数据获取难度大;费时费力;对专家依赖性强;过程存在安全隐患等。针对传统评估方法中出现的问题和图像处理技术的发展,基于数字图像处理的三维（3D）模型重建技术逐渐在震损建筑物评估中引起重视。但是,目前的图像三维重建法在土木领域的研究处于初级阶段,虽然该方法在土木中的可行性得到了验证,但是大尺寸结构模型重建的时间过长仍然是制约该技术应用于建筑物快速评估的主要因素之一。为了解决这些问题,本文提出首先利用图像压缩和图像分割技术对二维数字图像进行前处理的方法,达到减少结构三维模型重建的时间的目的。主要的研究工作和创新成果如下所示:（1）为了减少建筑结构三维模型重建的时间,本文使用主成分分析算法（Principal Component Analysis,PCA）对结构目标物图片进行压缩预处理。该方法基本思路为:（1）根据实际工程要求围绕目标物进行图片采集,摄像机位置大约保持在同一水平面上;（2）利用主成分分析算法对采集到的目标物图像进行压缩的预处理;（3）提取图像的特征点,并且通过对图像特征点的匹配来标定相机位置,以此来确定平面图像与实际空间的对应位置关系,生成稀疏三维点云;（4）运用多视图立体视觉算法对点云进行稠密化,得到密集三维点云;（5）利用泊松重建算法,将密集三维点云重建为三维表面;（6）将纹理映射到模型的表面上,生成与实际结构对应的三维模型。通过对实际结构的图像进行压缩和三维建模来对该方法的可行性和准确性进行验证。通过实验可以得出结论:在不影响模型精度的前提下,将压缩预处理的图像引入到三维模型重建的技术中可以极大的减少模型的重建时间,同时也满足实际工程中的应用要求。（2）当对实际结构进行图像采集时,因为实际结构周围情况的复杂性,所以采集到的图像中包含大量除目标物外的无用信息。当利用图像对目标物进行模型重建时,图像中的大量无用信息也会被重建出来,这极大的浪费了建模时间,同时也会使得建出来的模型十分复杂。图像分割技术可以很好对图像中的目标物进行提取,以此来去除无用信息。但是目前没有一种通用的分割技术适用与所有目标物的分割。基于以上问题的存在,本文提出了一种改进的图像分割算法,通过对几张图像的简单人工交互完成对目标物数据的提取,利用得到的数据完成对剩余上百张图像前景和背景的分割,最后将分割后得到的新图像进行建模。通过对大连理工大学彩虹桥进行建模实验来验证该方法的可行性。由实验结果可知:不影响模型精度的条件下,图像分割技术可以极大的减少建模时间,同时可以满足在实际工程中的应用。（3）为了进一步的减少建模时间,本文将图像分割技术和图像压缩技术进行融合。首先利用图像分割技术对图像进行分割,然后将分割后的图像进行压缩。通过对大连理工大学彩虹桥进行建模实验来验证该方法的可行性。根据实验结果可知,在满足实际工程要求的基础上,该方法可以极大的减少建模时间。
干红平[7]（2020）在《基于混沌感知矩阵的图像压缩采样及其应用研究》文中提出图像采样技术是进行图像压缩、传输与存储等基本处理以及实现图像理解、分类与推理等人类高级认知行为的先决要素。但传统的香农—奈奎斯特采样定理在应对图像分辨率要求日益增长的大数据时代捉襟见肘,而且它不能有效地契合硬件设备的资源配置。因此,人们始终期望能够寻求一种“硬件压缩”的全新图像采样理论,以便能突破传统采样定理的限制,并且可以更合理地利用有限的资源。近年来,新兴的图像压缩采样框架正在逐步地向着这一目标前进,而如何能够更好地实现它自然就成为了研究热点。本文依托于压缩采样理论的三部曲,以混沌感知算子的构建为核心研究点和高效实现图像压缩成像为研究目标,旨在设计出高效、低复杂度且硬件可行的基于混沌感知矩阵的图像压缩采样技术。为此,本文分别从理论与应用这两个维度做出了原创性和探索性的工作。首先,系统且详细地回顾了信号的稀疏表示模型、信息感知算子的构造与欠定恢复算法的选择等基础知识,并诠释了混沌理论和压缩采样技术的相关联系,实现了非线性系统、图像处理和信息论等领域的交叉融合。其次,从不同的角度从发,提出了三种高效率的基于混沌感知矩阵的图像压缩采样算法,它们能够克服同类图像压缩采样框架中使用传统信息感知算子的核心缺陷。最后,依托于提出的混沌压缩采样算法,构建了两种典型的混沌压缩成像应用,为实现图像压缩采样与成像迈出了坚实的一步。主要的创新点如下所述:·考虑到现有的很多混沌系统存在退化现象,导致这些系统迭代出的混沌序列构造的感知矩阵的性能不理想。为此,提出了利用拓扑共轭混沌系统生成的混沌流来构造混沌感知算子,其核心思想是先根据连续可逆函数将拓扑共轭混沌系统中的一个子系统划分为多个子区域,然后,通过匹配子区域而非直接采用迭代的实值从而构造出无穷长的混沌流。该工作克服了因电子设备精度有限引起的混沌退化现象,解决了随机感知矩阵在软、硬件上难以实现的困难,并且能有效地保证对应的图像压缩采样算法的感知效率。·针对传统的二值化感知矩阵具有行或列数的限制而实值混沌感知矩阵存在较高稠密性的缺点,构造了可以任意大小的双极性混沌感知算子,随后将其用于图像压缩采样框架中,并从理论上分析了该算法的采样性能。最后,通过数值模拟实验表明了,相比于同类算法,提出的基于双极性混沌感知矩阵的图像压缩采样算法在采样效率、内存开销、计算复杂度和硬件实现等方面均具有相当大的优势。·出于加速数据采样过程、缩短恢复时间和降低算法复杂度的目的,设计了一种能够兼顾了结构性随机感知矩阵和实值混沌感知算子两者优点的结构性混沌感知矩阵。随后,依托于该信息感知算子,开发了基于结构性混沌感知矩阵的图像压缩采样算法。实验结果表明,该算法能够有效地缩短图像恢复的运行时间,显着地降低图像获取与重建的复杂度,并且在性能上超越了传统的基于结构性感知矩阵的图像压缩采样算法。·构建了混沌单像素相机和混沌压缩采样磁共振成像两种典型的压缩成像应用。该工作直接解决了传统模式在这两种压缩成像应用中存在硬件难以预设且内存需求巨大的问题,展示了基于混沌感知矩阵的图像采样算法在压缩成像中的应用前景与潜在价值。
赵利军[8]（2019）在《基于优化学习的图像编码与增强》文中研究指明利用人工智能技术对图像进行表示、压缩和增强已经成为图像处理、模式识别和计算机视觉等领域的一项非常重要的研究课题。本论文以数字图像的压缩和增强为研究对象,深入地研究面向图像压缩的图像表示、兼容标准的多描述图像编码、基于深度学习的多描述图像编码、图像增强等几个关键技术。研究工作主要包括以下几个部分:（1）提出一种虚拟编码器监督的图像重采样压缩方法,用于解决硬量化函数的不可导问题。还将该方法扩展到多描述图像编码,提出一种兼容JPEG标准的多描述图像编码方法,其中,将生成的多描述图像互相作为对方的图像标签并使用多描述距离损失有效地约束多描述生成网络的学习。大量的实验结果验证了所提方法的有效性。（2）提出一种基于深度学习的多描述图像编码框架,该框架能够很好地避免多描述量化器的复杂索引分配问题。首先,所提的框架构建于自编码器,该框架包含多描述多尺度空洞卷积编码网络和多描述残差卷积解码网络。其次,通过一种端对端的自监督学习得到一对标量量化器及其重要性指示图。在多个通用的标准数据集上进行测试,实验结果表明:所提方法的编码性能优于多个现有的多描述编码方法,特别是在低码率的情况下。（3）由于下采样可以大幅度地减少三维视频的数据传输量,但是需要在解码端对三维视频进行上采样,因此,提出一种以低分辨率彩色图和低分辨率深度图为条件的对抗生成网络来解决三维视频的并行超分辨率问题。除了使用对抗损失,还引入三个辅助损失函数来训练生成网络。实验结果表明:所提的方法能够生成高质量的图像,还能用于解决其它图像处理问题。（4）提出一种局部活动驱动的各向异性扩散模型,并引入两个新的边缘停止函数用以有效地去除压缩深度图的编码伪影。与此同时,提出一种局部活动驱动的相对全变分模型实现图像去噪和图像平滑。由于第二个模型是非凸的,因此,将所提模型的正则化项分解为二次项部分和非线性部分进行求解。大量的实验结果表明:在图像质量增强和图像平滑方面所提方法优于现有的几种方法,并且所提方法有助于提升图像的编码效率。
易翔[9]（2019）在《全向快速IRST系统的信息处理技术》文中研究表明红外搜索和跟踪系统（Infrared Search and Track,IRST）是一种被动的信息获取和处理系统,它通过接收目标及其背景的红外辐射来搜索和跟踪来袭的导弹、飞机等威胁目标。它具备隐匿性强、可全天时工作和不易被反辐射导弹攻击等诸多优点,它与主动探测的雷达搜索跟踪系统正好优势互补,二者结合可以构成大空域、高性能的搜索告警系统,因而它在海、陆、空等高价值军事平台中获得了广泛的应用,并发挥着巨大的军事效能。IRST系统于20世纪70年代开始研究,90年代才研制出能满足战术性能要求的装备,其典型代表是西方海军战舰列装最多的法国研制的“旺皮尔”（VAMPIR）,它采用时间延迟积分（Time Delay Integration,TDI）工作模式的红外线阵器件方位扫描,实现360°全向大视场的红外光图信息采集,其全向信息采集周期约913秒,即数据刷新率为0.080.1Hz。进入21世纪以来,导弹技术获取了快速的发展,其飞行速度从以往的亚音速提升到了几马赫,其作战方式也多样化了,如有单发、多发和多方向攻击等作战方式。因此,为确保军舰、飞机、导弹发射车等高价值军事平台的安全,当今世界各军事强国都在竞相研制全向信息采集速率≥10HZ的基于红外焦平面阵列凝视成像和采集全向红外光图信息的IRST系统,本人参与了我校全向IRST系统科研项目,对系统信号处理等技术进行了深入研究,提出了一套适用于全向IRST系统的高性能图像与信息处理算法。论文主要研究工作及创新点如下:（1）全向图像预处理技术:全向快速IRST系统对红外目标的检测与跟踪性能首先取决于图像的质量。由于全向IRST系统采集的红外图像存在着高背景、低反差和噪声源较多等特点,而且相机输出的是高比特（14bit）图像。因此,在对红外全向图像进行拼接和检测之前,必须对系统所采集的红外图像进行预处理。传统预处理算法往往不加区分地同时对背景区域和目标区域进行增强,这容易放大背景噪声,影响系统性能。据此,本文在分析现行算法优劣的基础上,提出了一种基于区域选择的红外图像快速预处理算法,它依据区域指导的思想首先检测出信息较为丰富的感兴趣区域,然后依据区域检测的结果对感兴趣区域采取自适应地压缩与增强,它既减少了处理的区域,又有效地提升了感兴趣区域的对比度,为全向IRST系统后续的图像快速拼接和检测创造了有利条件;（2）全向图像拼接技术:在高性能的全向IRST系统中,其方位360°的全向图像通常是采用多幅彼此相邻的图像按序拼接而成的。因此,图像拼接技术直接影响着全向图像的质量和告警系统的性能。针对国内外现行红外图像拼接技术多由可见光图像拼接技术移植而来,以致其耗时长,难以适用于全向快速IRST系统的问题,本文提出了一种快速的红外序列图像拼接算法,它通过对序列图像在变换域的初配准和基于图像特征的精确配准等处理,大幅度地减少了拼接过程中的运算量,有效地压缩了红外序列图像拼接的耗时,增强了全向IRST系统的实时性;（3）全向图像中的红外弱小目标检测技术:复杂背景下的红外弱小目标快速检测是全向IRST系统中的高难技术。针对传统的弱小目标检测算法存在着算法过于复杂、计算量大且其结果又依赖于参数选择等不足,本文结合弱小目标在图像中的视觉显着性特性,提出了一种基于目标时空域特征及能量分布等多种特征融合原理和先粗后细分步实施策略的红外弱小目标检测算法,该算法相对于传统目标检测算法,不仅检测性能好,而且耗时较少,实验验证了该算法的正确性和有效性;（4）系统硬件平台:为了实时实现全向IRST系统的图像与信息处理算法,参与研制了一套以FPGA与DSP为核心的图像与信息处理硬件平台,该硬件平台不仅其功能和性能均能达到全向快速IRST系统的指标要求,而且还具有可靠性高和扩展性较强等优点。
张馨[10]（2019）在《基于DCT与DWT的图像渐进压缩算法研究》文中研究说明为解决对图像进行实时处理、传输时,因需要处理、传输数据量过大,造成带宽拥堵、资源量浪费问题,本文从图像分级压缩着手,利用量化可分级来实现图像的渐进压缩。该方法先对原始图像进行预处理,接着对预处理得到的数据进行变换处理,然后对得到的变换系数进行可分级量化,使用Huffman编码方法对量化的图像数据实行编码,对得到的码流进行累进传输,最后终端根据接收到码流进行解码,并渐进显示传输的压缩重建图像,收到的码流逐渐完善,得到的图像逐步清晰,进而满足实时处理与传输。在不影响图像质量的前提下,图像渐进压缩技术不仅实现了对图像的内容进行了压缩,同时利用码流累进传输,解决了传输占用信道宽的瓶颈。本文利用变换技术去除图像的部分冗余信息,再利用可量化分级,对图像进行Huffman编码实现渐进压缩。本文主要采用的变换方法是离散余弦变换（DCT）和离散小波变换（DWT）两种变换算法,实现基于DCT图像渐进压缩算法与基于DWT的图像渐进压缩算法,并对比上述两种算法,相比DCT变换压缩,基于DWT压缩不仅是在频域,它在时域也有体现,通过平移伸缩,可以完全覆盖整个图像,利用基于DWT压缩可以得到更好压缩效果,峰值信噪比（PSNR）值更高,而且可以解决基于DCT图像压缩时出现的“方块效应”。该论文有图30幅,表14个,参考文献45篇。
二、图像压缩标准研究的发展与前景（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、图像压缩标准研究的发展与前景（论文提纲范文）
（1）基于无监督深度模型的特征表达和图像压缩（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 缩略语简表 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 基于无监督深度模型的特征表达 |
| 1.2.1 研究现状 |
| 1.2.2 存在问题分析 |
| 1.3 无监督深度模型在图像压缩中的应用 |
| 1.3.1 研究现状 |
| 1.3.2 存在问题分析 |
| 1.4 论文主要研究内容 |
| 1.5 论文组织架构 |
| 第二章 相关理论与基础 |
| 2.1 人工神经网络 |
| 2.2 卷积神经网络 |
| 2.3 无监督学习网络 |
| 2.4 几种典型的神经网络 |
| 2.5 本章小结 |
| 第三章 连续视觉的无监督特征学习方法 |
| 3.1 引言 |
| 3.2 基于视频中目标实例稀疏分解的无监督特征学习 |
| 3.2.1 前景背景模型 |
| 3.2.2 分割图模型 |
| 3.2.3 图像重构过程 |
| 3.3 CASIA Gait数据集实验分析 |
| 3.3.1 实验配置 |
| 3.3.2 消融实验 |
| 3.4 YouTube Objects数据集实验分析 |
| 3.4.1 实验配置 |
| 3.4.2 消融实验 |
| 3.4.3 定性分析 |
| 3.4.4 定量分析 |
| 3.5 本章小结 |
| 第四章 无监督特征强化视觉学习任务 |
| 4.1 引言 |
| 4.2 目标发现任务 |
| 4.2.1 实验配置 |
| 4.2.2 训练数据集可见类别图像中的目标发现 |
| 4.2.3 训练数据集不可见类别图像中的目标发现 |
| 4.3 图像分类任务 |
| 4.3.1 实验配置 |
| 4.3.2 评估方式一: 原始图像与分割图融合 |
| 4.3.3 评估方式二: 特征表示的分类性能 |
| 4.3.4 评估方式三: 训练标签受限的情况 |
| 4.4 本章小结 |
| 第五章 无监督对抗学习的可变长图像压缩 |
| 5.1 引言 |
| 5.2 噪音干扰机制 |
| 5.3 可变长图像压缩算法 |
| 5.3.1 网络结构 |
| 5.3.2 训练目标函数 |
| 5.3.3 可变长编码 |
| 5.4 实验结果与分析 |
| 5.4.1 实验配置 |
| 5.4.2 不同比特扫描模式的比较 |
| 5.4.3 不同噪音干扰机制方法的比较 |
| 5.4.4 与其他压缩方法的比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要工作总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的科研成果及参研项目 |
| 外文论文一 |
| 外文论文二 |
| 外文论文三 |
| 学位论文评阅及答辩情况表 |
（2）面向水环境监测的传感器网络视觉感知方法研究（论文提纲范文）
| 作者简历 |
| 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 传感器网络覆盖研究现状 |
| 1.2.2 图像显着性识别研究现状 |
| 1.2.3 图像压缩研究现状 |
| 1.3 论文的研究内容和创新点 |
| 1.4 论文的组织结构 |
| 第二章 基于人工鱼群算法的传感器节点动态调节策略 |
| 2.1 网络覆盖问题描述 |
| 2.2 动态调节策略的整体框架 |
| 2.3 动态调节策略的主要步骤 |
| 2.3.1 传感器节点的部署 |
| 2.3.2 传感器监测方向初步调节策略 |
| 2.3.3 传感器监测方向优化调节策略 |
| 2.3.4 最优节点选择 |
| 2.3.5 运动目标路径预测 |
| 2.4 实验设计与结果分析 |
| 2.4.1 传感器节点感知模型 |
| 2.4.2 初步调节过程测试实验 |
| 2.4.3 优化调节过程测试实验 |
| 2.4.4 静态目标监测实验 |
| 2.4.5 运动目标监测实验 |
| 2.5 本章小结 |
| 第三章 基于图像稀疏表示和颜色系数组合的显着性识别算法 |
| 3.1 图像显着性识别问题描述 |
| 3.2 显着性识别算法的整体框架 |
| 3.3 显着性识别算法的主要步骤 |
| 3.3.1 背景区域的优化选取 |
| 3.3.2 图像的稀疏表示 |
| 3.3.3 多维颜色系数的线性组合 |
| 3.3.4 贝叶斯融合 |
| 3.4 实验设计与结果分析 |
| 3.4.1 水面数据集的显着性识别性能对比 |
| 3.4.2 公共数据集的显着性识别性能对比 |
| 3.5 本章小结 |
| 第四章 基于压缩重构和特征系数线性组合的显着性识别算法 |
| 4.1 显着性识别算法的整体框架 |
| 4.2 显着性识别算法的主要步骤 |
| 4.2.1 原始图像的压缩重构 |
| 4.2.2 初级显着值计算 |
| 4.2.3 最终显着值计算 |
| 4.3 实验设计与结果分析 |
| 4.3.1 可见光水面图像的显着性识别性能对比 |
| 4.3.2 红外水面图像的显着性识别性能对比 |
| 4.3.3 显着性识别算法在实际水面监测中应用 |
| 4.4 本章小结 |
| 第五章 基于压缩感知理论的自适应图像压缩算法 |
| 5.1 图像压缩问题描述 |
| 5.2 图像压缩算法的整体框架 |
| 5.3 图像压缩算法的主要步骤 |
| 5.3.1 Haar小波变换和系数重排策略 |
| 5.3.2 自适应压缩采样策略 |
| 5.3.3 压缩图像质量的控制策略 |
| 5.3.4 压缩数据的传输 |
| 5.4 实验设计与结果分析 |
| 5.4.1 自适应采样率的实验对比 |
| 5.4.2 图像压缩算法性能对比 |
| 5.4.3 压缩图像质量控制策略的测试实验 |
| 5.4.4 压缩算法的实际应用 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（3）基于目标区域提取的野生动物监测图像压缩传输方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标区域提取研究现状 |
| 1.2.2 图像压缩传输研究现状 |
| 1.2.3 压缩图像恢复研究现状 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 2 目标区域压缩传输相关技术与整体方案介绍 |
| 2.1 目标区域压缩传输相关技术 |
| 2.1.1 变换编码 |
| 2.1.2 位平面传输 |
| 2.1.3 SPIHT编码分析 |
| 2.2 整体方案设计 |
| 2.3 关键技术分析 |
| 2.3.1 目标区域提取 |
| 2.3.2 压缩传输策略 |
| 2.3.3 压缩图像恢复 |
| 2.4 本章小结 |
| 3 野生动物监测图像目标区域提取方法 |
| 3.1 野生动物监测图像目标区域提取定义 |
| 3.2 基于自适应mean-shift的目标区域提取 |
| 3.2.1 颜色空间重构 |
| 3.2.2 纹理参数提取 |
| 3.2.3 自适应mean-shift理论 |
| 3.3 实验结果与分析 |
| 3.3.1 评价指标 |
| 3.3.2 实验与分析 |
| 3.4 本章小结 |
| 4 野生动物监测图像压缩传输策略研究 |
| 4.1 图像掩模编码与位平面传输策略概述 |
| 4.2 基于目标区域的图像压缩传输策略 |
| 4.2.1 掩模编码器设计 |
| 4.2.2 基于不重要位平面的位平面传输 |
| 4.2.3 基于SPIHT算法的目标区域压缩编码 |
| 4.3 实验结果与分析 |
| 4.3.1 掩模编码分析 |
| 4.3.2 位平面传输质量 |
| 4.3.3 编码冗余分析 |
| 4.4 本章小结 |
| 5 野生动物压缩图像恢复算法 |
| 5.1 压缩图像恢复算法概述 |
| 5.2 基于生成对抗网络的图像恢复算法 |
| 5.2.1 生成对抗网络 |
| 5.2.2 网络优化 |
| 5.2.3 损失函数 |
| 5.3 实验结果与分析 |
| 5.3.1 评价指标 |
| 5.3.2 实验与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 成果目录清单 |
| 致谢 |
（4）隧道视觉检测中的图像高压缩比算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统图像压缩技术 |
| 1.2.2 基于稀疏编码的图像压缩技术 |
| 1.2.3 基于深度学习的图像压缩技术 |
| 1.3 本文主要研究工作 |
| 1.3.1 本文研究内容及其创新点 |
| 1.3.2 论文组织结构 |
| 2 相关研究工作综述 |
| 2.1 稀疏编码的基本原理 |
| 2.1.1 稀疏表示的生理基础 |
| 2.1.2 信号的稀疏表示 |
| 2.1.3 字典的构建 |
| 2.1.4 稀疏分解 |
| 2.2 深度学习理论基础 |
| 2.2.1 卷积神经网络 |
| 2.2.2 变分自编码网络 |
| 2.3 图像压缩的评价指标 |
| 2.3.1 图像压缩程度的度量 |
| 2.3.2 图像重构质量的度量 |
| 2.4 本章小结 |
| 3 基于稀疏编码的隧道图像压缩方法 |
| 3.1 引言 |
| 3.2 基于稀疏编码的隧道图像压缩流程 |
| 3.2.1 字典训练 |
| 3.2.2 自适应稀疏编码 |
| 3.2.3 非均匀量化 |
| 3.2.4 稀疏重构 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 实验结果与分析 |
| 3.4 隧道图像压缩系统设计 |
| 3.5 本章小结 |
| 4 基于深度学习的隧道图像压缩方法 |
| 4.1 引言 |
| 4.2 基于变分自编码的隧道图像压缩流程 |
| 4.2.1 网络结构 |
| 4.2.2 损失函数 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 5 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）图像压缩编解码的FPGA设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究目的及意义 |
| 1.2 课题的研究背景及发展现状 |
| 1.2.1 图像压缩技术的研究背景及发展现状 |
| 1.2.2 图像采集与处理系统的研究背景及发展现状 |
| 1.3 论文主要内容与结构安排 |
| 1.4 本章小结 |
| 第二章 图像压缩算法相关理论 |
| 2.1 JPEG图像压缩简介 |
| 2.2 JPEG的压缩编码流程 |
| 2.2.1 图像分块和色彩空间的转换 |
| 2.2.2 离散余弦变换 |
| 2.2.3 量化 |
| 2.2.4 Zigzag扫描 |
| 2.2.5 熵编码 |
| 2.3 JPEG格式表示 |
| 2.4 JPEG解码概述 |
| 2.5 本章小结 |
| 第三章 图像压缩编解码系统整体框架与硬件设计 |
| 3.1 总体设计 |
| 3.1.1 整体框架 |
| 3.1.2 系统流程 |
| 3.2 系统硬件平台的搭建 |
| 3.2.1 核心器件 |
| 3.2.2 摄像头的内部配置 |
| 3.3 本章小结 |
| 第四章 图像压缩编解码系统各模块软件设计与实现 |
| 4.1 开发环境的软件介绍 |
| 4.1.1 Quartus II设计软件简介 |
| 4.1.2 Verilog HDL简介 |
| 4.1.3 DSP Builder系统设计概述 |
| 4.2 图像采集模块 |
| 4.2.1 I2C总线配置模块 |
| 4.2.2 图像格式转换模块 |
| 4.2.3 图像缓存模块 |
| 4.3 JPEG压缩模块 |
| 4.3.1 图像色彩转换预处理 |
| 4.3.2 DCT变换模块的实现 |
| 4.3.3 量化和Zigzag扫描模块的实现 |
| 4.3.4 熵编码模块 |
| 4.3.5 JPEG码流组装模块 |
| 4.4 UART模块 |
| 4.4.1 组件创建添加方法 |
| 4.4.2 UART内核模块 |
| 4.5 本章小结 |
| 第五章 系统调试与分析 |
| 5.1 图像采集与分析 |
| 5.2 串口传输测试 |
| 5.3 MATLAB解压缩恢复图像 |
| 5.4 本章小结 |
| 附录A 实物图 |
| 附录B 攻读学位期间发表的学术论文 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
（6）基于图像处理的结构三维模型快速重建研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 震区建筑物评估的重要性 |
| 1.2 现有的评估方法研究现状 |
| 1.3 震损结构二维图片预处理算法 |
| 1.4 论文结构 |
| 2.基于PCA图像压缩预处理的结构三维模型重建 |
| 2.1 三维重建技术 |
| 2.1.1 由运动恢复结构SFM |
| 2.1.2 多视图立体视觉 |
| 2.1.3 泊松表面重建 |
| 2.1.4 纹理映射 |
| 2.2 主成分分析(PCA)算法原理 |
| 2.3 基于主成分分析的图像压缩算法 |
| 2.3.1 实例应用 |
| 2.3.2 方法验证 |
| 2.4 本章小结 |
| 3.基于前景提取(Grab-Cut)图像预处理的三维模型快速重建 |
| 3.1 Grab-Cut算法的原理 |
| 3.1.1 颜色模型 |
| 3.1.2 迭代能量最小割算法 |
| 3.1.3 用户交互和不完全标记 |
| 3.1.4 Border Matting边界处理 |
| 3.2 Grab-Cut在大型结构图像分割中的应用 |
| 3.2.1 实例应用 |
| 3.2.2 方法验证 |
| 3.3 压缩与分割融合算法的验证 |
| 3.4 本章小结 |
| 4.总结与展望 |
| 4.1 论文总结 |
| 4.2 论文展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（7）基于混沌感知矩阵的图像压缩采样及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题背景阐述 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩采样的诞生、发展与现状 |
| 1.2.2 图像压缩采样的研究现状和面临的挑战 |
| 1.2.3 混沌感知矩阵的国内外进展与发展趋势 |
| 1.3 课题意义与核心问题 |
| 1.4 研究内容与结构安排 |
| 第二章 压缩采样理论与混沌感知矩阵 |
| 2.1 压缩采样理论 |
| 2.1.1 信息感知算子 |
| 2.1.2 信号的稀疏表示模型 |
| 2.1.3 欠定恢复算法 |
| 2.2 混沌感知矩阵 |
| 2.2.1 混沌系统的简介 |
| 2.2.2 混沌感知算子的构造 |
| 2.3 本章小结 |
| 第三章 基于拓扑共轭混沌感知矩阵的图像压缩采样算法 |
| 3.1 引言 |
| 3.2 拓扑共轭混沌感知矩阵 |
| 3.2.1 拓扑共轭混沌系统 |
| 3.2.2 拓扑共轭混沌流的产生与统计特性 |
| 3.2.3 拓扑共轭混沌感知算子的构造 |
| 3.3 TCsM-ICS算法的性能与优势 |
| 3.3.1 TCsM的性能分析 |
| 3.3.2 TCsM-ICS算法的优势 |
| 3.4 仿真实验与讨论 |
| 3.4.1 TCsM对稀疏信号的信息感知能力 |
| 3.4.2 TCsM-ICS算法与基于传统感知矩阵的ICS算法的性能比较 |
| 3.5 本章小结 |
| 第四章 基于双极性混沌感知矩阵的图像压缩采样算法 |
| 4.1 引言 |
| 4.2 双极性混沌感知矩阵 |
| 4.2.1 双极性混沌序列的产生 |
| 4.2.2 双极性混沌序列的统计特性 |
| 4.2.3 双极性混沌感知算子的构造 |
| 4.3 CbM-ICS算法的性能与优势 |
| 4.3.1 CbM的性能分析 |
| 4.3.2 CbM-ICS算法的优势 |
| 4.4 仿真实验与讨论 |
| 4.4.1 CbM的约束等距现象 |
| 4.4.2 CbM对稀疏信号的信息感知能力 |
| 4.4.3 CbM-ICS算法与同类图像压缩采样算法的性能比较 |
| 4.5 本章小结 |
| 第五章 基于结构性混沌感知矩阵的图像压缩采样算法 |
| 5.1 引言 |
| 5.2 结构性混沌感知矩阵 |
| 5.2.1 Chebyshev混沌序列的统计特性 |
| 5.2.2 结构性混沌感知算子的构造 |
| 5.3 ScSM-ICS算法的性能与优势 |
| 5.3.1 ScSM的性能分析 |
| 5.3.2 ScSM-ICS算法的优势 |
| 5.4 仿真实验与讨论 |
| 5.4.1 ScSM对稀疏信号的信息感知能力 |
| 5.4.2 ScSM-ICS算法与同类图像压缩采样算法的性能比较 |
| 5.5 本章小结 |
| 第六章 典型混沌压缩成像应用 |
| 6.1 混沌单像素相机 |
| 6.1.1 引言 |
| 6.1.2 单像素相机 |
| 6.1.3 混沌单像素相机的整体框架 |
| 6.1.4 仿真实验与讨论 |
| 6.2 混沌压缩采样磁共振成像 |
| 6.2.1 引言 |
| 6.2.2 压缩采样磁共振成像 |
| 6.2.3 CCS-MRI的基本原理 |
| 6.2.4 仿真实验与讨论 |
| 6.2.5 实验验证与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于优化学习的图像编码与增强（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 图像编码的研究现状 |
| 1.2.1 图像压缩标准的研究进展 |
| 1.2.2 基于深度学习的图像压缩的研究进展 |
| 1.3 多描述编码的研究现状 |
| 1.3.1 基于量化的多描述编码方法 |
| 1.3.2 基于相关变换的多描述编码方法 |
| 1.3.3 基于抽样的多描述编码方法 |
| 1.3.4 兼容标准的多描述编码方法 |
| 1.4 图像增强技术的研究现状 |
| 1.4.1 图像分辨率增强 |
| 1.4.2 图像质量增强 |
| 1.4.3 图像细节增强 |
| 1.5 本论文的研究内容及贡献 |
| 1.6 论文组织结构 |
| 2 图像编码和增强的基本理论 |
| 2.1 最优化基本原理 |
| 2.1.1 最优化问题 |
| 2.1.2 面向机器学习的最优化算法 |
| 2.2 率失真优化理论 |
| 2.2.1 单描述编码的率失真优化理论 |
| 2.2.2 多描述编码的率失真优化理论 |
| 2.3 基于深度学习的图像编码理论 |
| 2.3.1 基本概念 |
| 2.3.2 编码框架 |
| 2.3.3 面向深度学习的优化算法 |
| 2.4 小结 |
| 3 基于卷积神经网络的图像编码方法 |
| 3.1 引言 |
| 3.2 虚拟编码器监督的图像重采样压缩方法 |
| 3.2.1 图像编码器硬量化的不可导问题 |
| 3.2.2 图像重采样压缩框架 |
| 3.2.3 学习算法 |
| 3.3 兼容标准的多描述编码方法 |
| 3.3.1 多描述编码框架 |
| 3.3.2 目标函数 |
| 3.3.3 网络结构 |
| 3.3.4 学习算法 |
| 3.4 实验结果与分析 |
| 3.4.1 图像压缩方法的性能评估 |
| 3.4.2 多描述图像编码方法的性能评估 |
| 3.5 小结 |
| 4 基于深度学习的多描述编码方法 |
| 4.1 引言 |
| 4.2 基于深度学习的单描述编码方法 |
| 4.3 基于标量量化学习的多描述编码方法 |
| 4.3.1 多描述编码的目标函数 |
| 4.3.2 网络结构 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 性能评估 |
| 4.5 小结 |
| 5 彩色图和深度图的并行超分辨率 |
| 5.1 引言 |
| 5.2 基于条件对抗生成网络的深度图和彩色图并行超分辨率 |
| 5.2.1 网络结构 |
| 5.2.2 目标函数 |
| 5.2.3 对抗损失函数 |
| 5.2.4 辅助损失函数 |
| 5.2.5 高分辨率彩色图引导的深度图超分辨率应用 |
| 5.2.6 其它应用 |
| 5.3 实验结果与分析 |
| 5.3.1 实现细节 |
| 5.3.2 彩色图和深度图的并行超分辨率的性能评估 |
| 5.3.3 高分辨率彩色图像引导的深度图超分辨率的性能评估 |
| 5.3.4 并行的图像平滑和边缘检测的性能评估 |
| 5.4 小结 |
| 6 局部活动驱动的图像滤波方法 |
| 6.1 引言 |
| 6.2 局部活动驱动的各向异性扩散模型 |
| 6.3 局部活动驱动的相对全变分模型 |
| 6.4 实验结果与分析 |
| 6.4.1 模型参数设置 |
| 6.4.2 压缩深度图滤波的性能评估 |
| 6.4.3 图像平滑和图像尺度表示的性能评估 |
| 6.4.4 图像去噪的性能评估 |
| 6.5 小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间发表的学术论文 |
| 学位论文数据集 |
（9）全向快速IRST系统的信息处理技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究状况 |
| 1.2.1 IRST系统概况 |
| 1.2.2 全向快速IRST系统的信息处理技术研究现状 |
| 1.3 论文研究的关键技术 |
| 1.4 本文主要研究内容和结构安排 |
| 第二章 全向快速IRST系统的图像预处理技术 |
| 2.1 引言 |
| 2.2 红外图像动态范围压缩和细节增强算法 |
| 2.2.1 红外图像压缩算法 |
| 2.2.2 红外图像细节增强算法 |
| 2.2.3 局部拉普拉斯滤波 |
| 2.3 基于区域选择的红外图像压缩与细节增强算法 |
| 2.3.1 基于改进流形排序的视觉显着性检测 |
| 2.3.2 基于区域指导的图像压缩及细节增强 |
| 2.3.3 算法复杂度分析 |
| 2.3.4 实验结果及分析 |
| 2.4 本章小结 |
| 第三章 全向快速IRST系统的图像拼接技术 |
| 3.1 引言 |
| 3.2 红外图像拼接技术 |
| 3.2.1 基于灰度信息的图像拼接算法 |
| 3.2.2 基于特征的图像拼接算法 |
| 3.2.3 BRISK特征 |
| 3.3 基于多特征的快速红外图像拼接 |
| 3.3.1 相位相关定位重叠区域 |
| 3.3.2 PCA+BRISK特征检测与描述 |
| 3.3.3 基于汉明距离的特征匹配 |
| 3.3.4 基于改进RANSAC的特征提纯 |
| 3.3.5 基于渐入渐出的拼接缝消除 |
| 3.3.6 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 全向快速IRST系统的红外弱小目标检测技术 |
| 4.1 引言 |
| 4.2 红外弱小目标检测算法 |
| 4.3 基于相位谱和点特征的红外弱小目标检测 |
| 4.3.1 基于改进相位谱的目标粗检测 |
| 4.3.2 基于Harris特征的目标精确检测 |
| 4.3.3 实验结果及分析 |
| 4.4 基于视觉显着性指导的红外弱小目标检测 |
| 4.4.1 基于全局显着性的目标粗检测 |
| 4.4.2 基于局部显着性的目标细检测 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 全向快速IRST系统信息处理算法的硬件实现 |
| 5.1 引言 |
| 5.2 系统硬件平台的结构及工作流程 |
| 5.3 系统测试结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于DCT与DWT的图像渐进压缩算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 主要研究内容及章节构造 |
| 2 图像渐进压缩基本理论 |
| 2.1 图像可压缩理论 |
| 2.2 图像渐进压缩步骤 |
| 2.3 图像渐进压缩关键步骤 |
| 2.4 压缩质量评价方法 |
| 2.5 本章小结 |
| 3 基于DCT与 DWT的图像渐进压缩算法 |
| 3.1 图像渐进压缩与解压缩 |
| 3.2 DCT图像渐进压缩算法 |
| 3.3 DWT图像渐进压缩算法 |
| 3.4 图像渐进压缩与解压具体实现 |
| 3.5 本章小结 |
| 4 实验对比与分析 |
| 4.1 实验环境介绍 |
| 4.2 实验数据 |
| 4.3 DCT与 DWT的对比分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、图像压缩标准研究的发展与前景（论文参考文献）
- [1]基于无监督深度模型的特征表达和图像压缩[D]. 赵冬. 山东大学, 2021(11)
- [2]面向水环境监测的传感器网络视觉感知方法研究[D]. 张旭帆. 中国地质大学, 2021(02)
- [3]基于目标区域提取的野生动物监测图像压缩传输方法研究[D]. 刘晗兴. 北京林业大学, 2020(02)
- [4]隧道视觉检测中的图像高压缩比算法研究[D]. 朱志强. 北京交通大学, 2020(03)
- [5]图像压缩编解码的FPGA设计与实现[D]. 任静. 南京林业大学, 2020(01)
- [6]基于图像处理的结构三维模型快速重建研究[D]. 王忆泽. 大连理工大学, 2020(02)
- [7]基于混沌感知矩阵的图像压缩采样及其应用研究[D]. 干红平. 西安电子科技大学, 2020(05)
- [8]基于优化学习的图像编码与增强[D]. 赵利军. 北京交通大学, 2019(01)
- [9]全向快速IRST系统的信息处理技术[D]. 易翔. 西安电子科技大学, 2019(02)
- [10]基于DCT与DWT的图像渐进压缩算法研究[D]. 张馨. 辽宁工程技术大学, 2019(07)