一、基于小波变换和自适应标矢量混合量化的图像压缩（论文文献综述）
黄碧莹[1]（2019）在《高光谱图像目标检测算法的实时处理系统设计》文中进行了进一步梳理高光谱遥感图像图谱合一,包含几百个连续的谱段成像信息,通过利用丰富的图谱信息,能够准确地检测出感兴趣的目标物质。因此,在空间探测领域,面向高光谱图像的目标检测技术受到了广泛的重视和应用。然而,海量的高光谱图像数据与有限的卫星下传信道带宽之间存在矛盾,客观上要求必须在星上完成感兴趣目标信息的实时检测,并将检测到的目标区域图像优先编码下传,以减小信道传输压力。其中的关键问题是如何在兼顾处理速度和资源消耗的前提下,实现高光谱图像目标检测的星上实时处理。为此,本文选择检测性能优异的无监督可递归的正交子空间投影算法（UROSP）作为研究对象,研究分析该算法实时处理所面临的难点问题,并给出相应的解决方案。本文的具体研究工作如下:一、本文提出了一种实时无监督可递归的目标检测算法（RT-UROSP）。针对UROSP算法进行非预期目标提取时,存在图像正交投影耗时较长的问题,RT-UROSP算法提出可以用向量算子投影取代复杂的矩阵算子投影。为了便于硬件实现,经过分析非预期目标提取阶段和预期目标检测阶段的原理,发现二者存在类似的运算步骤,所以RT-UROSP提出类似的运算可以共用一个处理单元。二、为了满足星上实时目标检测系统对于处理速度和资源消耗的要求,本文设计了一个基于RT-UROSP算法的硬件结构。针对串行图像投影运算速度慢的问题,本文所设计的硬件结构利用多个并行处理核完成对向量投影运算的加速。为了降低资源消耗,所设计的硬件结构中的核心运算模块在检测控制模块的调度下,既可以完成非预期目标提取,又可以实现预期目标检测。三、为了完成星上实时高光谱图像目标检测,并减少中继卫星信道传输带宽的压力,本文设计实现了基于Xilinx XC7VX690T FPGA的高光谱目标检测实时处理系统。该系统包含能够实时检测目标物质的RT-UROSP算法子系统,以及基于斜率位移法的快速感兴趣区域压缩子系统。实验结果表明,该系统在TE1数据集上抑制4个非预期目标的检测时间为7.2ms,相比MATLAB上运行UROSP算法的速度提高了44.9倍。该系统在HYDICE Urban数据集上抑制8个非预期目标的检测时间为29.8ms,相比MATLAB上运行UROSP算法的速度提高了46.5倍。本文实现的系统消耗资源较少,LUT约占片内总量的30.99%,BRAM约占56.4%,DSP48E1约占29.34%。实验结果说明,本文实现的高光谱目标检测实时处理系统在满足实时检测要求的同时,可以达到处理速度和资源消耗的平衡。
陈迪[2]（2019）在《树叶图像的显着性区域提取方法研究》文中进行了进一步梳理树叶是维持树木正常生长的重要器官,可以反映出树木的种类、生长状态等许多重要信息。利用计算机图像处理技术对树叶图像进行分割处理,通过分析树叶图像获得树叶的形状、轮廓、纹理等特征信息,对于树木分类识别、资源保护与利用、探索树木间的亲缘关系、阐明进化规律、农业与园艺的实际应用等方面具有现实意义。本文分析国内外当前研究的关于叶片图像分割的方法,针对自然条件下采集到的具有较复杂背景的树叶图像,难以从图像分割中将背景剔除直接获取到用户最可能感兴趣的、完整的目标叶片区域的问题,提出利用显着性目标检测的方法可以直接得到树叶图像的显着目标。在显着性目标检测方法中首先改进了图像预处理中SLIC超像素分割方法需要人为设定超像素数目的缺点,将树叶图像的RGB颜色信息转化为HSV颜色信息,依据人类视觉注意分辨能力,按照色彩的主观颜色感知和不同的范围进行非等间隔量化,自动确定图像所需要的超像素数目,以适应计算机视觉检测应用的自适应性。再将SLIC分割方法获得的超像素作为节点建立吸收马尔科夫链,计算转移节点到吸收节点的被吸收时间作为显着值获得图像的显着图,直接将树叶图像中用户最感兴趣的目标区域从背景中提取出来,有效的提高了显着性目标检测方法的整体检测效率。针对树叶图像显着图中部分显着区域显着值偏低的问题,根据植物叶片具有对称性的植物学特征,提出基于对称性区域过滤的方法对树叶图像显着图进行图像分割。首先对显着图进行对称性检测获取对称轴和质心,然后利用对称性质对显着图进行区域过滤,从而获得轮廓清晰完整的目标图像分割区域。实验结果表明,该方法对图像显着目标区域的提取更为完整。
张昊然[3]（2014）在《遥感影像压缩的前沿技术》文中研究说明概要介绍了遥感影像压缩技术的作用和重要性,以及当前主流技术的种类、原理、特点和优越性。
郭艳菊[4]（2014）在《基于仿生智能优化的图像处理算法研究》文中研究表明随着数字图像处理技术的迅速发展，数字图像处理在军事、医学、工业生产、遥测遥控等领域的应用也越来越广泛。图像信息特征的复杂性和多样性越来越明显，对图像信息的处理也变得越来越困难。图像信息的不确定性以及建模困难等问题，使传统的优化方法在解决复杂的图像处理问题时变得无能为力。仿生智能优化算法是模拟生物体生存发展行为方式的目标优化算法，可以有效地求解复杂的优化问题。将仿生智能优化算法应用于解决复杂的图像处理问题具有很好的发展前景。本文围绕细菌优化算法、人工蜂群优化算法和搜寻者优化算法三种仿生智能优化算法分别应用于图像处理的理论和方法展开研究，提出了一些图像处理的新方法和新思路，所做的主要工作如下：1．提出了一种基于人工蜂群优化的矢量量化图像压缩算法。将均方误差作为衡量码书质量的目标函数，采用人工蜂群优化算法对矢量量化图像压缩中的码书进行优化设计。为了进一步提高算法的性能，采用基于混沌映射和反向学习的群体初始化方法生成初始码书，减小了初始码书对优化结果的影响；将差分进化中的变异操作引入到基本人工蜂群算法的搜索策略中，加快了算法的收敛速度；并且在适应度函数的计算过程中引入了基于和值的快速码字搜索算法的思想，大大减少了算法的计算量。实验结果表明，算法收敛精度高，计算时间短，生成的码书不仅质量高，而且通用性好。2．提出了一种基于细菌趋药性的盲图像分离算法。算法将规范四阶累积量的绝对值作为盲图像分离的目标函数，采用细菌趋药性算法对这一目标函数进行优化求解，对原图像的分离过程采用逐次提取的分离模型，每次提取后从混合图像中消去已分离出的源图像成分，最终实现对所有源图像的盲分离。实验结果表明，本方法能够有效实现对多幅混合自然图像的盲分离，并由分离图像与源图像之间的PSNR值和相关系数值可知，该方法具有较好的分离效果。3．提出了一种基于搜索者优化的运动目标检测算法。算法将运动目标检测问题转化为盲图像分离问题，采用独立成分分析的方法进行解决。将负熵作为盲图像分离的目标函数，利用搜索者优化算法优良的优化求解能力对目标函数进行求解，从而得到某一独立成分的分离图像，再通过重复分离与去相关计算实现多幅图像的成功分离，最终得到运动目标清晰的运动轨迹。
李佳[5]（2009）在《基于VQ的自适应视频压缩算法及FPGA实现》文中研究指明图像压缩技术在多媒体技术领域中占有重要的位置。随着多媒体技术和网络的发展,人们对于图像压缩的要求也不断提高。图像分为静止图像和运动图像,运动图像又称为视频。本文提出了一种基于矢量量化的帧内帧间自适应视频压缩算法。将镜头切换或场景突变明显处设为参考帧,使帧间编码严格控制在帧间相关性强的同一组镜头或场景内,以达到自适应的目的。对于帧内编码,也就是静止图像编码,采用矢量量化与像素编码相结合的分类编码技术；帧间编码,即运动图像编码,借鉴运动估计中提取帧间差异的方法,在编码前通过图像块运动性测度将图像块初步分成静止块和运动块,对运动块进行分类编码,对静止块直接进行静止块大区域压缩,以此减少大量的运算成本和提高压缩比。在静止图像编码方面,首先利用旋转取反压缩原理将1024尺寸码书压缩为128尺寸,并设计了与之匹配的码字快速搜索算法,相较于典型的矢量量化算法减少了87.5%的存储空间和87.5%的输入带宽,而图像质量损失很小。其次,针对旋转压缩方法的缺点和平滑图像块的特点,设计了不包含平滑码字的128尺寸码书——NS128码书,和与之匹配的分类编码快速实现算法,大大提高图像的处理速度和视觉效果。在运动图像编码方面,针对运动估计的突出缺点提出了改进算法。首先设计了矢量量化和运动估计相结合的,动态提取运动区域并进行运动估计的帧内帧间自适应编码算法；然后在此算法之上继续改进,设计了基于矢量量化的自适应视频编码算法,并进行了硬件结构设计。该系统在提高计算速度的同时极大的减少了输入数据带宽,在提高压缩率的同时保持了图像的编码质量。通过不同层次的仿真和测试验证,本论文提出的基于矢量量化的视频编码算法的各关键部分的硬件电路设计完全可以满足对视频的实时编码传输,而且有着良好的编码效果。关键字：视频压缩；矢量量化；旋转取反压缩码书；分类编码；硬件实现
沈江峰[6]（2007）在《8kbit/s低延迟语音编码算法研究》文中指出低码率、低复杂度的LD-CELP算法在通信领域具有十分重要的意义。G.728是目前低延迟码激励语音编码算法中唯一的16kbit／s的国际标准。本研究以降低码率为目的对G.728算法进行改进，提出了三个延迟为2.5ms的8kbit／s的语音编码算法。实验表明，提出的改进算法在主客观质量上均接近于G.728的水平。低延迟的语音编码算法必须采用实时基音检测，到目前为止基音检测都是基于帧长20ms以上的长延迟算法，不满足实时性要求。因此G.728算法无法采用基音检测。所谓实时基音检测，是指连续监测每帧采样信号，当采样的一帧样点里存在一个基音脉冲时，立刻将它检测出来并计算基音周期。利用小波变换，本研究设计了帧长2.5ms的实时基音检测算法。依据小波变换的多分辨率能力发现第4阶小波系数极值与信号突变点之间存在强相关。以此为基础设计了基于小波变换的语音基音周期实时检测算法。该算法对语音信号分帧处理，通过结合小波域波形和时域波形，采取自适应基准、多特征参数提取小波系数极大值来确定基音周期。该算法在准确检测信号峰值点的基础上，精确提取基音周期，可以同时检测到基音周期的值和起止点，是本文后向基音预测8kbit／s低延迟编码算法的基础。本研究在G.728中引入自适应码书结构，自适应码书由最近的历史激励构成。算法采用归一化的固定码书。训练固定码书时，根据其使用频率对固定码书进行优化设计，通过迭代求出最佳固定码书。增益量化时对自适应码书采用固定量化方案，固定码书采用自适应量化。本文比较了三种延迟为2.5ms的8kbit／s编码方案：方案一采用全搜索模式，对128个自适应码矢、8个增益值和128个固定码矢、8个增益值的全部组合进行搜索，获得最佳的码矢标号和增益；方案二在连续的两帧里对自适应码书采用不同搜索模式：偶数帧的搜索与方案一相同；奇数帧的搜索仅在偶数帧得到的自适应码矢标号前后的小范围内进行；方案三在方案一的基础上增加了后向基音预测，在自适应码书中依据基音预测值确定64个码矢作为搜索对象，并将节省的1个比特用于扩大固定码书尺寸，从而进一步改善编码算法的主客观质量。
孙远强[7]（2007）在《遥感图像压缩技术——小波变换》文中研究表明根据当前国内外遥感图像数据压缩技术的现状及发展趋势,重点介绍小波压缩特点、算法及其关键问题,结合遥感影像方面的知识,提出了新的方法和见解。
高辉[8]（2006）在《基于GPU的大规模地形快速渲染技术研究》文中研究指明随着卫星与遥感技术的发展,地形数据的分辨率越来越高,导致地形数据规模越来越大,海量数据的存储、传输、调度以及处理都为实时渲染带来了困难,基于CPU的地形渲染已经不能满足应用的要求。本文研究一种基于GPU的大规模地形快速渲染技术。该技术主要从纹理图像的调度与渲染、三维网格模型的构建两方面入手,适当地把原来CPU的工作转移到GPU中去,充分利用了GPU这一强大的计算工具。在纹理图像的调度与渲染方面提出了基于GPU的大规模地形纹理调度与渲染机制。并在分析GPU并行计算的优缺点的基础上,提出了一套基于小波变换和矢量量化的图像压缩算法,然后通过GPU直接编程单独完成了该压缩方法的解压部分,这是基于GPU的大规模地形纹理调度与渲染的核心。实验结果表明基于GPU的大规模地形纹理调度与渲染技术应用于大面积三维地形仿真中,可以有效提高实时渲染效果。在三维网格模型的构建中,主要解决的问题集中在数字高程数据的简化方面。首先提出了基于小波分析的高程数据的简化与多分辨率表示方法,然后通过GPU直接编程来实现小波变换与反变换。实验证明在变换速度上,GPU比CPU具有明显优势,保证了基于小波分析的高程数据的简化方法能够付诸实施,并且得到了比较满意的效果。最后实现了一个基于GPU的大规模地形快速渲染原型系统,并完成了两个实验。实验结果证明了基于GPU的大规模地形渲染技术可以有效提高渲染速度,效果良好。
潘志刚[9]（2006）在《低比特率合成孔径雷达数据压缩算法研究》文中研究说明论文深入研究了低比特率传输时SAR原始和图像数据压缩算法。对于SAR原始数据，主要研究了基于变换域的压缩算法，如基于提升小波变换和基于离散余弦变换的量化与编码算法等；对于SAR图像有损压缩，主要研究以提升小波变换和集合分裂树量化相结合的算法，而对于无损压缩，则主要研究基于位平面的编码算法。 论文对SAR原始数据和图像数据信源模型做了较深入的理论分析，并对量化和编码的基本理论做了详细的讨论；系统地阐述了二进制小波的基本理论，包括：多分辨率分析、快速小波变换及提升小波变换理论。在基本原理论述的基础上，对已有的算法进行改进并提出新的SAR原始和图像数据压缩算法。 论文的主要贡献归纳如下： 1．提出了一种基于分块提升小波变换的SAR原始数据压缩算法。在该算法中，详细讨论了小波基函数的选择、边界处理和小波分解阶数的选择等问题，并对小波分解系数的统计特征作了深入分析。针对SAR原始数据特点，提出一种有效的小波子带比特分配策略。通过对SAR原始数据的压缩实验结果表明，在相同压缩比下，该算法所取得的图像域信噪比增益比BAQ算法提高约1.5～3.3dB。 2．提出一种基于DCT和分块自适应量化相结合的算法。该算法首先对SAR原始数据做快速DCT变换，之后针对原始数据特点，按照DCT系数能量衰减的顺序对其进行重排，并对各重排矩阵按照率失真准则进行最优比特分配，而后再使用BAQ量化器对重排系数进行量化；在该算法中，还讨论了不同分块大小以及不同比特分配方式对数据压缩性能的影响。数值实验的结果表明，在相同压缩比下，该算法所取得的图像域信噪比增益比BAQ算法提高约2.5～4.0dB。 3．讨论了SAR原始数据压缩算法的性能评估问题。给出了数据域及图像域的评估参数选择标准。从原始数据域、图像域以及实现复杂度等三个方面对目前存在的六种SAR原始数据压缩算法的性能做了详细的评估，建立了一个较完整的原始数据压缩算法性能评估体系。 4．对于SAR图像有损压缩，在对原始SPIHT算法进行深入分析的基础上，提出一
杜相文[10]（2005）在《面向对象的彩色视频四维矩阵DCT编码》文中研究指明为了实现对彩色视频的高效编码,本文提出了一种面向对象的四维矩阵DCT（4D-MDCT）压缩编码方法。本文对已有的多维矩阵理论进行了扩展和完善,定义了多维矩阵点乘法、阵乘法和阵除法等新的运算法则,并给出了零平面的定义。首先用四维矩阵模型对彩色视频序列进行建模,然后对四维矩阵进行划分、4D-MDCT 和量化,得到量化系数子矩阵,再运用省略零平面编码对量化系数子矩阵进行编码。为了去除子矩阵间的相关性,提出了一种基于预测和补偿的4D-MDCT 编码方法,该方法在获得高压缩性能的同时,也保持了高的信噪比,其性能要优于MPEG-4。为了进一步提高编码效率,对视频进行了分割。在分割过程中采用了时-空联合的分割方法。提出了一种自适应确定阈值的方法来提取变化检测模板,并用分水岭变换对模板进行填充。在空间域分割时,采用基于多级形态学梯度的分水岭算法来进行。在分水岭变换前对主梯度分量的梯度进行归一化,有效地减轻了过分割。最后用时空融合的模板来提取视频对象。对视频对象采用4D-MDCT 编码,对背景采用基于三维矩阵变换的编码技术,并且只对新露出的背景区域进行更新编码。面向对象的4D-MDCT 编码可进一步降低视频的比特率,并有着令人满意的视觉效果。
二、基于小波变换和自适应标矢量混合量化的图像压缩（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、基于小波变换和自适应标矢量混合量化的图像压缩（论文提纲范文）
（1）高光谱图像目标检测算法的实时处理系统设计（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 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱目标检测算法研究现状 |
| 1.2.2 感兴趣目标压缩算法研究现状 |
| 1.3 本文研究内容以及论文安排 |
| 第二章 高光谱目标检测算法 |
| 2.1 OSP算法 |
| 2.2 ROSP算法 |
| 2.3 ATGP算法 |
| 2.4 UROSP算法 |
| 2.5 本章小结 |
| 第三章 RT-UROSP算法及平台介绍 |
| 3.1 高层次综合工具 |
| 3.1.1 FPGA简介 |
| 3.1.2 HLS简介 |
| 3.2 RT-UROSP算法 |
| 3.3 MATLAB算法验证 |
| 3.4 本章小结 |
| 第四章 高光谱实时目标检测系统设计 |
| 4.1 RT-UROSP硬件结构 |
| 4.2 核心运算模块 |
| 4.2.1 内积加速器 |
| 4.2.2 目标投影器 |
| 4.2.3 算子更新器 |
| 4.2.4 向量分配器 |
| 4.3 检测控制模块 |
| 4.4 综合优化策略 |
| 4.5 实时目标检测系统 |
| 4.6 本章小结 |
| 第五章 实验平台与结果分析 |
| 5.1 实验平台及环境 |
| 5.1.1 实验平台 |
| 5.1.2 数据集 |
| 5.1.3 目标提取精度 |
| 5.1.4 压缩性能评价标准 |
| 5.2 实验结果与分析 |
| 5.2.1 非预期目标精度 |
| 5.2.2 目标检测视觉效果 |
| 5.2.3 目标检测系统性能 |
| 5.2.4 解压图像视觉效果 |
| 5.2.5 感兴趣压缩系统性能 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文内容总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）树叶图像的显着性区域提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像分割的方法研究现状 |
| 1.2.2 植物叶片图像分割的国内外研究现状 |
| 1.2.3 显着性目标检测的国内外研究现状 |
| 1.3 本文主要研究内容及结构安排 |
| 2 树叶图像提取的问题分析 |
| 2.1 树叶图像分割方法的比较 |
| 2.1.1 阈值分割方法 |
| 2.1.2 分水岭分割方法 |
| 2.2 显着性检测方法的比较 |
| 2.2.1 先验知识结合特征变换的显着性检测方法 |
| 2.2.2 稀疏表示的显着性目标检测方法 |
| 2.3 显着性检测方法分割树叶图像的优势 |
| 2.4 本章小结 |
| 3 树叶图像显着性区域提取方法 |
| 3.1 树叶图像超像素分割 |
| 3.1.1 超像素分割中的颜色模型 |
| 3.1.2 SLIC超像素分割的方法 |
| 3.2 建立吸收马尔科夫链模型计算显着图 |
| 3.2.1 马尔科夫链基本理论 |
| 3.2.2 背景先验理论 |
| 3.2.3 建立模型计算显着图 |
| 3.3 本章小结 |
| 4 基于对称性区域过滤的树叶图像分割 |
| 4.1 对称性区域检测 |
| 4.2 获取显着图中对称轴的方法 |
| 4.2.1 获取对称轴结果对比分析 |
| 4.3 对称性区域过滤 |
| 4.4 本章小结 |
| 5 实验结果与分析 |
| 5.1 实验环境与数据准备 |
| 5.1.1 实验环境 |
| 5.1.2 实验数据 |
| 5.2 评价指标 |
| 5.3 实验整体流程 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（3）遥感影像压缩的前沿技术（论文提纲范文）
| 1 遥感影像数据压缩分析 |
| 2 遥感影像数据压缩的常用方法和标准 |
| 3 遥感影像数据压缩的有效方法———小波压缩 |
| 4 算法关键问题 |
| 5 结束语 |
（4）基于仿生智能优化的图像处理算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 图像处理技术研究概况 |
| 1.1.1 图像压缩研究现状 |
| 1.1.2 图像分离研究现状 |
| 1.1.3 图像运动目标检测研究现状 |
| 1.2 仿生智能优化算法研究概况 |
| 1.2.1 细菌优化算法研究现状 |
| 1.2.2 人工蜂群优化算法研究现状 |
| 1.2.3 搜索者优化算法研究现状 |
| 1.3 课题研究的意义及方法 |
| 1.3.1 课题研究的意义 |
| 1.3.2 课题研究的方法 |
| 1.4 论文的研究内容及结构安排 |
| 第二章 仿生智能优化算法 |
| 2.1 细菌优化算法 |
| 2.1.1 细菌趋药性算法原理 |
| 2.1.2 细菌趋药性算法流程 |
| 2.1.3 引诱剂环境下细菌群体信息交互模式 |
| 2.1.4 细菌群体趋药性算法流程 |
| 2.2 人工蜂群优化算法 |
| 2.2.1 蜜蜂的群体行为 |
| 2.2.2 人工蜂群优化算法的原理 |
| 2.2.3 人工蜂群优化算法的特点 |
| 2.3 搜索者优化算法 |
| 2.3.1 人类的搜索行为 |
| 2.3.2 搜索者优化算法的原理 |
| 2.3.3 搜索者优化算法的实现 |
| 2.3.4 搜索者优化算法的特点 |
| 2.4 本章小结 |
| 第三章 基于人工蜂群优化的图像压缩算法 |
| 3.1 基于矢量量化的图像压缩的原理 |
| 3.1.1 矢量量化原理 |
| 3.1.2 矢量量化图像压缩的基本方法 |
| 3.1.3 矢量量化图像压缩的关键技术 |
| 3.1.4 矢量量化图像压缩的目标函数 |
| 3.2 基于 LBG 的图像压缩算法 |
| 3.2.1 基于 LBG 的图像压缩算法原理 |
| 3.2.2 仿真实验及结果分析 |
| 3.2.3 LBG 算法的局限性 |
| 3.3 基于基本人工蜂群的图像压缩算法 |
| 3.3.1 算法参数的编码 |
| 3.3.2 目标函数的选取与初始群体的确定 |
| 3.3.3 算法流程 |
| 3.3.4 仿真实验及结果分析 |
| 3.4 基于改进人工蜂群的图像压缩算法 |
| 3.4.1 初始码书设计及搜索策略 |
| 3.4.2 适应度函数计算过程 |
| 3.4.3 算法流程 |
| 3.4.4 仿真实验及结果分析 |
| 3.5 本章小结 |
| 第四章 基于细菌优化的图像分离算法 |
| 4.1 盲图像分离的基本原理 |
| 4.1.1 盲图像分离的的基本概念和数学模型 |
| 4.1.2 盲图像分离的求解过程 |
| 4.1.3 盲图像分离性能的主要评价指标 |
| 4.2 基于细菌趋药性算法的盲图像分离方法 |
| 4.2.1 目标函数以及分离方法的选取 |
| 4.2.2 细菌参数编码 |
| 4.2.3 算法流程 |
| 4.2.4 仿真实验及结果分析 |
| 4.3 本章小结 |
| 第五章 基于搜索者优化的图像运动目标检测算法 |
| 5.1 图像运动目标检测理论基础 |
| 5.1.1 图像运动目标检测需要解决的技术问题 |
| 5.1.2 图像运动目标检测方法分类 |
| 5.2 基于混合高斯模型的图像运动目标检测算法 |
| 5.2.1 算法思想 |
| 5.2.2 背景模型建立及目标检测 |
| 5.2.3 背景模型的更新 |
| 5.3 基于搜索者优化的图像运动目标检测算法 |
| 5.3.1 研究思路 |
| 5.3.2 目标函数的确定 |
| 5.3.3 参数编码及消源过程 |
| 5.3.4 算法流程 |
| 5.3.5 仿真实验及结果分析 |
| 5.4 本章小结 |
| 第六章 结论 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间所取得的相关科研成果 |
（5）基于VQ的自适应视频压缩算法及FPGA实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 数字图像压缩的必要性与可能性 |
| 1.1.2 图像编码算法发展状况 |
| 1.1.3 本文使用算法简介 |
| 1.2 研究内容 |
| 1.3 论文主要内容 |
| 2 图像编码技术——矢量量化 |
| 2.1 矢量量化基本原理 |
| 2.2 矢量量化在图像编码中的应用 |
| 2.3 图像编码质量的评价标准 |
| 2.4 矢量量化的关键技术 |
| 2.4.1 码书 |
| 2.4.2 匹配搜索算法 |
| 2.5 矢量量化的改进方法 |
| 3 静止图像编码研究 |
| 3.1 包含平滑码字的码书设计及快速匹配算法实现 |
| 3.1.1 旋转取反压缩码书原理及生成 |
| 3.1.2 算法流程 |
| 3.1.3 相关参数选定 |
| 3.1.4 结果与分析 |
| 3.2 不包含平滑码字的码书设计及快速匹配算法实现 |
| 3.2.1 不包含平滑码字的旋转取反码书原理 |
| 3.2.2 平滑度阈值TH的选定 |
| 3.2.3 分类编码算法的性能测试 |
| 3.2.4 不包含平滑码字的旋转取反码书生成 |
| 3.2.5 采用NS128码书的分类编码快速匹配算法 |
| 3.3 采用分类编码的快速匹配算法硬件实现 |
| 3.3.1 电路结构 |
| 3.3.2 对电路设计的验证 |
| 3.4 本章小结 |
| 4 运动图像编码研究 |
| 4.1 运动估计简介 |
| 4.1.1 运动估计的原理 |
| 4.1.2 运动估计的常用算法 |
| 4.2 基于矢量量化与运动估计的自适应视频编码算法 |
| 4.2.1 原理 |
| 4.2.2 算法流程 |
| 4.2.3 相关参数选定 |
| 4.2.4 算法仿真结果与分析 |
| 4.3 基于矢量量化的自适应视频编码系统 |
| 4.3.1 算法流程 |
| 4.3.2 相关参数选定 |
| 4.3.3 算法仿真结果与分析 |
| 4.3.4 基于矢量量化的视频编码电路设计 |
| 4.4 本章小结 |
| 5 结论 |
| 致谢 |
| 参考文献 |
| 发表论文 |
| 申请专利 |
（6）8kbit/s低延迟语音编码算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 前言 |
| 0.1 本课题研究的背景与意义 |
| 0.2 语音编码技术的国内外发展状况 |
| 0.3 论文完成工作 |
| 0.4 本论文的组织 |
| 第一章 G.728标准算法 |
| 1.1 原理概述 |
| 1.2 LPC系数的计算 |
| 1.3 感觉加权滤波器 |
| 1.4 综合滤波器 |
| 1.5 对数增益滤波器 |
| 1.6 码书搜索 |
| 1.6.1 目标矢量 |
| 1.6.2 码书结构 |
| 1.6.3 码书搜索算法 |
| 1.7 后滤波器 |
| 1.7.1 长时后滤波器 |
| 1.7.2 短时后滤波器 |
| 1.7.3 输出增益调节单元 |
| 第二章 小波分析理论及其在语音信号处理中的应用 |
| 2.1 概述及特点 |
| 2.2 小波分析的基本理论 |
| 2.3 小波分析在语音处理中的应用 |
| 2.4 基于小波变换的语音信号基音周期实时检测算法 |
| 2.4.1 小波函数的选择 |
| 2.4.2 小波尺度的选择 |
| 2.4.3 基音周期实时检测算法 |
| 2.4.4 实验结果分析 |
| 2.5 小结 |
| 第三章 8kbit/s语音编码算法 |
| 3.1 算法原理 |
| 3.1.1 8kbit/s编码原理 |
| 3.1.2 增益g的精确表达 |
| 3.1.3 码书的形成与更新 |
| 3.2 增益的量化 |
| 3.2.1 增益的固定量化 |
| 3.2.2 增益的自适应量化 |
| 3.3 8kbit/s低延迟语音编码方案 |
| 3.3.1 方案一 自适应码书及固定码书全搜索 |
| 3.3.2 方案二 自适应码书按奇偶帧搜索 |
| 3.3.3 方案三 带有后向基音预测的编码方案 |
| 3.4 小结 |
| 第四章 实验结果及分析 |
| 4.1 实验结果的评价标准 |
| 4.1.1 信噪比SNR的计算 |
| 4.1.2 PESQ |
| 4.2 实验结果分析 |
| 4.3 小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表论文 |
（7）遥感图像压缩技术——小波变换（论文提纲范文）
| 1 小波分析基本理论发展及其应用 |
| 2 小波变换的优点 |
| 2.1 图像恢复质量好 |
| 2.2 压缩率较高 |
| 2.3 速度快 |
| 3 小波变换的具体步骤 |
| 4 算法关键问题 |
| 4.1 小波基的选取 |
| 4.2 阈值的选取 |
| 4.3 算法的实时性问题 |
（8）基于GPU的大规模地形快速渲染技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 问题的提出 |
| 1.2 国内外研究现状 |
| 1.2.1 大规模地形渲染的相关研究现状 |
| 1.2.2 基于GPU的通用计算 |
| 1.3 本文研究的主要内容和本文结构 |
| 1.3.1 本文研究的主要内容 |
| 1.3.2 论文结构 |
| 第二章 基于GPU的大规模地形快速渲染原理与方法 |
| 2.1 GPU直接编程技术 |
| 2.1.1 GPU计算特性 |
| 2.1.2 基于GPU的通用计算 |
| 2.2 基于GPU的大规模地形快速渲染的技术途径 |
| 2.2.1 基于GPU的大规模纹理快速调度与渲染机制 |
| 2.2.2 基于GPU的大规模地形高程数据简化机制 |
| 2.3 基于GPU的大规模地形快速渲染的一般流程 |
| 第三章 基于GPU的大规模纹理快速调度与渲染 |
| 3.1 适合于GPU解压的图像压缩算法 |
| 3.1.1 小波分析 |
| 3.1.2 矢量量化 |
| 3.1.3 压缩过程和压缩效果 |
| 3.2 基于GPU的纹理图像解压方法 |
| 3.2.1 Cg语言 |
| 3.2.2 Cg运行环境 |
| 3.2.3 Cg编程过程 |
| 3.3 基于GPU的纹理快速调度与渲染效果分析 |
| 3.3.1 实验过程 |
| 3.3.2 结论 |
| 第四章 基于GPU的大规模地形多分辨率模型构建 |
| 4.1 大规模地形多分辨率模型构建的相关技术 |
| 4.1.1 DEM数据 |
| 4.1.2 三维网格模型的构建 |
| 4.1.3 地形高程数据的简化和多分辨率模型 |
| 4.2 基于GPU构建地形数据多分辨率模型的方法 |
| 4.2.1 数据准备 |
| 4.2.2 基于小波的DEM数据简化和多分辨率模型表示方法 |
| 4.2.3 大规模地形网格模型构建的一般流程 |
| 4.2.4 基于GPU的地形数据多分辨率表示方法 |
| 4.3 实验分析 |
| 4.3.1 实验过程 |
| 4.3.2 数据压缩实验结果 |
| 4.3.3 网格模型简化实验结果 |
| 4.3.4 多分辨率网格模型构建速度实验结果 |
| 第五章 大规模地形快速渲染原型系统LSTR的设计与实现 |
| 5.1 大规模地形快速渲染原型系统LSTR的体系结构 |
| 5.2 大规模地形快速渲染原型系统LSRR的实现 |
| 5.2.1 纹理数据和数字高程数据的压缩 |
| 5.2.2 基于GPU的纹理数据调度与渲染的设计实现 |
| 5.2.3 基于GPU构建大规模地形网格模型的设计实现 |
| 5.5 综合实现 |
| 5.6 系统性能分析 |
| 5.6.1 实验一 |
| 5.6.2 实验二 |
| 5.6.3 实验结果分析及结论 |
| 第六章 结束语 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）低比特率合成孔径雷达数据压缩算法研究（论文提纲范文）
| 摘要 |
| Abstraet: |
| 第一章 绪论 |
| 1.1 课题研究的背景 |
| 1.2 国内外研究进展 |
| 1.2.1 SAR原始数据压缩研究进展 |
| 1.2.2 SAR图像数据压缩研究进展 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的主要创新点 |
| 第二章 SAR理论基础及信源模型 |
| 2.1 SAR的基本原理 |
| 2.1.1 SAR成像原理 |
| 2.2 SAR原始数据统计模型 |
| 2.2.1 SAR回波信号的统计特性 |
| 2.2.2 SAR回波信号的功率特性 |
| 2.2.3 SAR原始数据的频谱特性 |
| 2.2.4 SAR原始数据的相关性 |
| 2.3 SAR图像数据统计模型 |
| 2.3.1 单视 SAR图像统计模型 |
| 2.3.2 多视 SAR图像统计模型 |
| 2.3.3 相干斑点噪声模型 |
| 2.4 本章小结 |
| 第三章 数据压缩理论基础 |
| 3.1 信息论基础 |
| 3.1.1 熵的定义 |
| 3.1.2 率失真理论 |
| 3.2 量化 |
| 3.2.1 最优均匀量化 |
| 3.2.2 最优非均匀量化 |
| 3.2.3 高分辨率量化 |
| 3.2.4 量化性能分析 |
| 3.3 熵编码 |
| 3.3.1 Huffman编码 |
| 3.3.2 算术编码 |
| 3.4 本章小结 |
| 第四章 基于小波变换的 SAR原始数据压缩算法 |
| 4.1 连续小波变换定义 |
| 4.2 二进制小波变换与多分辨分析 |
| 4.2.1 正交多分辨分析 |
| 4.2.1.1 多分辨分析定义 |
| 4.2.1.2 正交多分辨分析 |
| 4.2.1.3 快速正交小波变换 |
| 4.2.2 双正交多分辨分析 |
| 4.2.2.1 双正交多分辨分析 |
| 4.2.2.2 快速双正交小波变换 |
| 4.3 提升小波变换 |
| 4.3.1 提升方法与传统小波构造 |
| 4.4 基于提升小波变换的 SAR原始数据压缩算法 |
| 4.4.1 数据分块与提升小波变换 |
| 4.4.1.1 小波基的选择 |
| 4.4.1.2 边界处理 |
| 4.4.1.3 小波分解阶数 |
| 4.4.2 小波系数统计特征 |
| 4.4.2.1 数字特征 |
| 4.4.2.2 分布特征 |
| 4.4.3 最优比特分配 |
| 4.4.4 系数量化与编码 |
| 4.4.5 压缩实验 |
| 4.4.5.1 分块尺寸的影响 |
| 4.4.5.2 小波基函数的影响 |
| 4.4.5.3 小波分解阶数的影响 |
| 4.4.5.4 不同编码方式的影响 |
| 4.4.6 数值结果与分析 |
| 4.5 本章小结 |
| 第五章 基于 DCT的 SAR原始数据压缩算法 |
| 5.1 DCT定义 |
| 5.2 快速 OCT变换 |
| 5.3 压缩算法实现原理 |
| 5.3.1 数据分块与快速DCT变换 |
| 5.3.2 DCT系数重排 |
| 5.3.3 比特分配 |
| 5.3.4 量化与编码 |
| 5.4 压缩实验 |
| 5.4.1 分块大小的影响 |
| 5.4.2 不同比特分配方式的影响 |
| 5.5 数值结果与分析 |
| 5.6 本章小结 |
| 第六章 SAR原始数据压缩算法性能评估 |
| 6.1 评估参数选抒 |
| 6.1.1 数据域评估参数 |
| 6.1.2 图像域评估参数 |
| 6.2 评估算法选择 |
| 6.2.1 BFPQ算法 |
| 6.2.2 BAVQ算法 |
| 6.2.3 AP算法 |
| 6.2.3.1 AP算法原理 |
| 6.2.3.2 AP算法实现方案 |
| 6.3 算法性能评估 |
| 6.3.1 数据域的评估结果与分析 |
| 6.3.2 图像域的评估结果与分析 |
| 6.4 算法复杂度分析 |
| 6.5 本章小结 |
| 第七章 SAR图像数据压缩算法 |
| 7.1 直接有损压缩方案 |
| 7.1.1 原始 SPIHT算法 |
| 7.1.2 改进的 SPIHT算法 |
| 7.1.3 数值实验及性能分析 |
| 7.1.3.1 数值实验(一) |
| 7.1.3.2 数值实验(二) |
| 7.1.3.3 数值实验(三) |
| 7.2 结合相干斑去噪的有损压缩方案 |
| 7.2.1 小波软阈值算法 |
| 7.2.2 SAR图像去噪 |
| 7.2.3 结合去噪的 SAR图像压缩方案 |
| 7.2.4 数值实验 |
| 7.3 SAR图像无损压缩 |
| 7.3.1 SAR图像统计特征分析 |
| 7.3.2 SAR图像位平面编码 |
| 7.3.3 阈值的计算 |
| 7.3.4 实验结果与分析 |
| 7.4 本章小结 |
| 第八章 结束语 |
| 附录A 改进SPIHT算法—比特分配 |
| 附录B 解压缩数据成像 |
| 参考文献 |
| 作者攻读博士学位期间发表的论文 |
| 致谢 |
（10）面向对象的彩色视频四维矩阵DCT编码（论文提纲范文）
| 第一章 绪论 |
| 1.1 视频信号压缩的必要性 |
| 1.2 视频信号压缩的可行性 |
| 1.3 视频压缩的基本技术 |
| 1.3.1 统计编码 |
| 1.3.2 预测编码 |
| 1.3.3 变换编码 |
| 1.3.4 基于模型的编码 |
| 1.4 视频压缩的国际标准 |
| 1.4.1 H.261 |
| 1.4.2 H.263 |
| 1.4.3 MPEG-1 |
| 1.4.4 MPEG-2 |
| 1.4.5 MPEG-4 |
| 1.4.6 H.264(MPEG-4 第10部分) |
| 1.5 多维变换视频编码的发展动态 |
| 1.6 本论文的内容安排 |
| 第二章 多维矩阵理论简介及多维矩阵DCT |
| 2.1 多维矩阵理论 |
| 2.1.1 多维矩阵的定义 |
| 2.1.2 多维矩阵的运算准则 |
| 2.1.3 多维矩阵的初等变换 |
| 2.2 多光谱图像的三维矩阵模型及变换 |
| 2.2.1 多光谱图像的三维矩阵模型 |
| 2.2.2 三维矩阵DCT(3D-MDCT) |
| 2.3 彩色视频序列的四维矩阵模型及变换 |
| 2.3.1 彩色视频序列的四维矩阵模型 |
| 2.3.2 四维矩阵DCT(4D-MDCT) |
| 2.4 四维矩阵DCT 的硬件实现 |
| 2.5 本章小结 |
| 第三章 视频对象分割技术 |
| 3.1 前言 |
| 3.2 基于空间信息的分割 |
| 3.2.1 区域生成法 |
| 3.2.2 基于形态学的图像分割 |
| 3.3 基于时域信息的分割 |
| 3.3.1 全局运动估计 |
| 3.3.2 基于变化检测的分割 |
| 3.3.3 基于光流法的分割 |
| 3.4 时空联合的分割方法 |
| 3.4.1 无监督的时空分割法 |
| 3.4.2 有监督的时空分割法 |
| 3.5 分割质量评价 |
| 3.6 本章小结 |
| 第四章 彩色视频序列的4D-MDCT 编码 |
| 4.1 彩色视频序列的四维矩阵表达 |
| 4.2 四维矩阵划分 |
| 4.2.1 矩阵划分的必要性 |
| 4.2.2 子矩阵大小的确定 |
| 4.3 正向四维矩阵DCT(4D-MDCT) |
| 4.4 四维矩阵量化 |
| 4.5 编码 |
| 4.5.1 预测与补偿编码 |
| 4.5.2 综合编码 |
| 4.6 实验结果与性能评价 |
| 4.6.1 性能评价指标 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 第五章 面向对象的4D-MDCT 编码 |
| 5.1 彩色视频对象的分割 |
| 5.1.1 基于变化检测模板的视频对象分割 |
| 5.1.2 彩色视频序列的空间分割 |
| 5.1.3 时空联合的彩色视频对象提取 |
| 5.2 面向对象的彩色视频编码 |
| 5.2.1 视频对象模板的编码 |
| 5.2.2 视频对象编码 |
| 5.2.3 背景编码 |
| 5.3 实验结果与性能评价 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间所发表的文章及参加的课题 |
| 摘要 |
四、基于小波变换和自适应标矢量混合量化的图像压缩（论文参考文献）
- [1]高光谱图像目标检测算法的实时处理系统设计[D]. 黄碧莹. 西安电子科技大学, 2019(02)
- [2]树叶图像的显着性区域提取方法研究[D]. 陈迪. 东北林业大学, 2019(01)
- [3]遥感影像压缩的前沿技术[J]. 张昊然. 测绘与空间地理信息, 2014(03)
- [4]基于仿生智能优化的图像处理算法研究[D]. 郭艳菊. 河北工业大学, 2014(03)
- [5]基于VQ的自适应视频压缩算法及FPGA实现[D]. 李佳. 西安理工大学, 2009(S1)
- [6]8kbit/s低延迟语音编码算法研究[D]. 沈江峰. 太原理工大学, 2007(04)
- [7]遥感图像压缩技术——小波变换[J]. 孙远强. 安徽农业科学, 2007(04)
- [8]基于GPU的大规模地形快速渲染技术研究[D]. 高辉. 国防科学技术大学, 2006(07)
- [9]低比特率合成孔径雷达数据压缩算法研究[D]. 潘志刚. 中国科学院研究生院（电子学研究所）, 2006(02)
- [10]面向对象的彩色视频四维矩阵DCT编码[D]. 杜相文. 吉林大学, 2005(06)