一、基于二维小波的粒型图像边缘检测（论文文献综述）
梅康[1]（2020）在《单幅图像去雾算法的研究及应用》文中研究说明雾霾下,大量气溶胶颗粒悬浮在大气中,场景光在传输途中与其发生散射,能量衰减,导致采集到的图像质量受损,严重影响图像特征提取,对交通、军事、航空等依赖图像处理技术的领域产生严重影响。因此,如何通过去雾恢复有雾图像的原貌,提升图像质量,是一个极具实际意义的研究课题。本文重点研究以大气散射模型为基础的去雾算法,首先介绍大气散射模型,从从本质上分析雾天图像的退化机制。之后引出在图像去雾算法中占据重要地位的暗原色先验去雾算法,深入分析该算法原理以及有待改进的不足之处。针对其中不足,本文所作的改进分为两部分——算法精度和算法效率。前者细分为以下四步:一是对最小值滤波进行阈值限制,得到受限暗通道图,以解决原算法在图像景深突变区域出现的白色光晕现象;二是采用四叉树子空间分层次搜索法求取大气光学值,避免错误地取值到图像中的白色物体;三是构建明亮区域隶属度函数,修正明亮区域的大气透射率,避免颜色失真现象;四是对复原图像进行伽马变换,提高图像的整体亮度,增强视觉效果。后者是通过研究基于边缘保持的图像滤波算法,提出两种快速保边滤波算法——基于方差的快速保边滤波和自适应指数加权移动平均滤波,替换原算法中的软抠图算法,提高去雾算法效率。最后,为验证本文去雾算法是否有效,通过实验,利用本文算法和其它四种典型的图像去雾算法对五幅不同场景下的有雾图像进行去雾处理,并从主观评价、客观评价和时间效率三个方面对实验结果进行综合比较。实验结果表明,本文去雾算法更具鲁棒性,去雾效果良好,算法效率大幅提升。此外,本文将去雾算法应用到有雾霾下的车牌识别中,成功提高了车牌识别准确率。
张奇臣[2]（2020）在《基于Directionlet变换的图像超分辨率重建算法研究》文中指出在图像图像处理领域,超分辨率重构一直都是难度很大且极富挑战性的研究课题。随着互联网的高速发展,手机、Pad和电脑等显示设备的屏幕不断增大,人们对图像的分辨率要求越来越高。以增加拍摄设备感光器件面积来获得更高分辨率的图像的解决方案因成本过高,且受制于器件工艺的发展,而不可能被广泛采用。因此大量的科研人员从事于从低分辨率图像重构高分辨率图像的算法研究,试图在图像显示端用软件实现图像尺寸的放大,从而规避拍摄设备发展的制约因素。图像的超分辨率重构算法依据参考图像的数量可分为基于多幅低分辨率参考图像的重构与基于单幅低分辨率参考图像的重构两种,其中基于单幅低分辨率参考图像的超分辨率重构算法的难度更大,应用范围更广。本课题从小波域入手提出了一种基于单幅低分辨率参考图像的超分辨率重构算法,获得了较理想的重构质量。本文首先分析对比了常见的超分辨率图像重建技术的基本理论与各种算法的优缺点。接着,根据小波变换在图像的稀疏性表示的优势,详细分析了在小波域进行的超分辨率图像重建原理,对比了两种小波域重建超分辨图像的算法框架:边缘指导型和边缘修正型,并在边缘修正型重构框架下提出了一种融合了稀疏插值和小波变换的基于稀疏插值的小波域边缘修正型超分辨率图像重建算法。实验仿真结果证明该算法计算复杂度低,图像重构质量较原始算法框架好。最后,针对小波变换在图像处理技术领域的不足,即小波分析变换会在图像轮廓的表示上产生大量幅值较大的系数,本文深入地研究了Directionlet理论,用实验对比了Directionlet变换相对小波变换的优势。最后将Directionlet系数与隐马尔科夫树（HMT）模型结合,提出了一种基于Directionlet域HMT模型的超分辨率图像重建算法。该方法在性能上和计算复杂度上达到了预期效果,重构图像质量较基于稀疏插值的小波域边缘修正型超分辨图像重构算法和原始边缘修正型超分辨重构算法有较大提高。
丁奕宁[3]（2019）在《基于二维小波的花朵图像识别》文中研究表明小波变换的基石是傅里叶变换,而傅立叶变换主要受到不确定性原理的影响,或者说傅立叶变换在频域和时域之间是缺乏分辨率的。将信号分解成小波比分解成频率,能够得到域中更好的分辨率。然而当使用小波变换时,信号是被转换成小波域的,通过这种转换方式,小波变换可以运用到机器学习和图像识别中。机器学习、图像识别等技术广泛运用于各领域,国内外研究中,有将小波应用于图象识别,人脸识别,自然语言识别等识别领域的,一般有如下几种方法:使用小波对图像进行分层或切割再对部分图像进行指标分析;使用几种尺度函数在不同方向上提取一维小波系数进行研究;将图片降到超小维度,再使用二维小波进行识别。在将二维小波应用于图像识别领域的研究中,大多数方案使用的是图片库,但是一旦出现非图库中的图片,识别率就非常低,针对图像识别面临的这个难题,研究出一套适用更多图片的算法就显得具有广阔前景和应用价值。本文在小波分析过程中不使用图片库,选取单个花朵图片,利用提取二维小波分层尺度系数,结合主成分分析降维,选取可以识别出花朵种类的特征值,最后使用决策树进行花朵种类识别和模型评估。本文的主要研究工作如下:基于图像的基本处理,提取图像的灰度矩阵,提取图像的分层近似小波系数。基于主成分分析,对提出的小波系数进行降维。基于决策树,对系数进行训练和预测,将决策树迭代10000次,得到该模型的花朵图像识别正确率。
谌文江[4]（2019）在《基于不可分加性小波的多聚焦图像融合算法》文中进行了进一步梳理多聚焦图像融合（Multi-focus Image Fusion,MFIF）是图像融合领域中的一项重要的研究内容。其定义是使用计算机并结合特定的算法将来自两个或两个以上的传感器对同一场景的不同聚焦点成像的多张图像进行处理,将这些图像中的清晰区域组合起来,从而生成一幅视觉效果更佳的融合图像。因此,MFIF技术可以使同一场景中的所有物体都能清晰地显示在一张图像中,这克服了传统的光学镜头所带来的缺陷,其生成的结果图像能够让研究人员更准确地进行后续图像处理操作,例如边缘特征提取、模式识别等。与此同时,MFIF技术还可以实现多张由于聚焦范围而导致的局部模糊图像中的信息互补,从而能为后续的图像处理操作奠定基础。基于此,MFIF成为越来越多的研究学者们研究的目标,目前在MFIF技术的方法中,应用最为广泛的是使用多尺度变换的融合方法,即基于塔型（Pyramid）分解的方法和基于小波变换的方法。其中,不可分小波（Non-separable Wavelet,NSW）具有各向同性,能有效地提高融合结果图像的空间分辨率,但利用NSW进行Mallat算法分解时引入了大量的卷积操作,导致算法运算量大,图像重构时会损失一部分图像信息,而加性小波在图像重构时只需进行加减运算,弥补了NSW的这一缺陷,因此本文将传统的加性小波分解算法中的卷积因子由张量积小波（Tensor Product Wavelet,TPW）低通滤波器替换为NSW低通滤波器,提出不可分加性小波（Non-separable Additive Wavelet,NSAW）算法,并且利用该方法对多聚焦图像进行融合处理。本文的主要研究工作如下:研究了二维不可分小波变换,通过高维非张量积小波滤波器组的构造方法,构造出二通道（Two-channel）、三通道（Three-channel）、四通道（Four-channel）不可分小波滤波器组（Non-separable Wavelet Filter Banks,2-NSWFB,3-NSWFB,4-NSWFB）。研究了基于B3样条小波的张量积构成的低通滤波器的加性小波算法,由于张量积小波不具有各向同性,而不可分小波在提高图像的分辨率方面有着优越的性能,提出将不可分小波低通滤波器代替张量积小波低通滤波器作为加性小波的卷积因子,即不可分加性小波算法——NSAW。它既具有各向同性,且在图像重构过程中只需进行加减运算,算法简单,运算量小,图像信息无损失。将不可分加性小波NSAW应用于多聚焦图像融合中,提出了基于二通道、三通道、四通道不可分加性小波的多聚焦图像融合算法。该算法首先利用构造出的2-NSWFB、3-NSWFB以及4-NSWFB中的低通滤波器对参与融合的图像分别进行多层加性小波分解,得到对应的低频子图像和各尺度下的小波平面系列图像（高频子图像）;其次,选择合适的融合规则对分解得到的小波平面系列图像以及原图像分别进行图像融合;最后,进行图像重构,得到融合结果图像。通过将本文方法与基于张量积小波TPW变换的方法、基于拉普拉斯塔型（Laplacian Pyramid）分解的方法以及基于三通道不可分对称小波变换（3-NSDWT）方法进行比较,从实验结果中可以看出:本文方法具有最好的视觉效果以及最高的清晰度和空间分辨率。
刘晓曼[5]（2019）在《多正则化罚项的图像复原模型及数值实现》文中进行了进一步梳理数字图像处理是当今热门的交叉学科研究领域之一,涉及计算数学、信息科学、计算机技术及其他应用科学.图像处理涵盖了不同的研究内容,包括图像复原（不完全数据的图像重建、完全数据的图像重建）、图像增强（去噪、去模糊）、图像压缩、图像编码与解码、图像分块、图像修补、彩色图像处理等方向.图像处理技术在介质成像、地理遥感、航空航天成像、目标检测和监控、信息传递等领域有着广泛的应用.描述这类问题的数学模型本质上可以归结于不适定问题的有效的数值求解,涵盖了偏微分方程、最优化理论、正则化方法、数值计算等不同的数学学科方向,是当前应用数学和计算数学的热点研究领域之一.由于成像模型的不同以及给定成像数据的差异,这类问题无论是从理论分析上,还是从数值计算上,都有许多亟待研究的问题.广义上的图像复原,包括对完全或不完全数据的图像去噪去模糊的重建过程,是一个比通常意义下的图像增强问题范围更广的一类图像处理问题.图像复原的主要难点之一,是从不完全的噪声数据中去除噪音的同时,捕获图像特征,例如界面和纹理.本论文主要研究由不完全频域噪声数据重建图像的问题,并用于医学图像的有效恢复,即通过不完全的数据重构出可识别的、可利用的医学图像.处理过程既要对得到的噪声进行去噪,又要尽可能的保持图像应有的界面特征.主要研究工作是通过建立三种带有多个正则化罚项的图像复原模型,分别对带有加性噪声、乘性噪声污染的分片光滑图像、医学核磁共振图像进行了基于不完全数据采样的恢复重建.在建立有效算法的同时,给出了多个正则化参数选取准则、算法稳定性、收敛性的理论分析.本论文主要由以下五章组成.第一章,概述了国内外与本文研究相关的背景和已有工作,介绍了本课题所用的图像复原模型和多个正则化罚项的数学表示;介绍了压缩感知理论,包括稀疏表示、模型与算法的构建、测量矩阵的构造等,在此基础上提出了本文采用的不完全频域数据的随机带状采样方案,并阐明了本文的主要研究内容和工作创新点.第二章,研究了带有加性噪声的分片光滑图像基于不完全频域数据的图像复原问题.建立了带有频域数据匹配项、全变差正则化罚项以及空间域中的Frobenius范数罚项的泛函模型,并给出了此泛函极小化解的性质和正则化解的误差估计.进而提出了一种双循环算法来复原分片平滑图像.在此算法中用带有不动点方法的Bregman迭代格式求解对应泛函的非线性欧拉-拉格朗日方程.利用迭代过程中系数矩阵的分块对称性质,通过分块串行计算加速双循环迭代格式的数值实现.数值实验证明了该模型和双循环迭代格式的可行性和保留良好边缘的有效性,表明随机采样的带噪频域数据可以获得令人满意的重建图像.第三章在随机带状采样下,利用带有乘性噪声的不完全频域数据进行图像复原.基于小波基函数展开下图像的稀疏性质,建立了带有频域数据匹配项、l1稀疏罚项和全变差罚项的优化模型.这两个罚项分别体现了对复原图像的稀疏性保持和复原图像的边界保持.对这一类带有双罚项的优化问题,提出了一种正则化参数的选取策略,并对复原图像的重建误差进行了估计.创造性地构造了双循环迭代格式,其中使用Bregman迭代格式构造外循环,空域上最小化带有频域数据匹配项的目标泛函;Bregman迭代每一步中的泛函极小值通过内循环算法迭代求出,包括了直接迭代、带有Tikhonov正则化罚项的伴随共轭梯度法.由于正则化迭代矩阵的特殊结构,这种空域双循环迭代格式是稳定且有效的.数值实验支持了理论分析结果.第四章,对带有简化型l1稀疏罚项和全变差罚项的图像复原模型研究了一种交替迭代格式.首先提出带有两个非线性正则化罚项的无约束优化模型,采用不同的光滑化近似函数（Charbonnier函数和Huber函数）,对正则化罚项进行光滑化近似.进而基于交替迭代和增广拉格朗日乘子法的思想,把梯度算子看作一个新变量,提出了约束优化模型,构造了循环嵌套的交替迭代格式.该格式中的第一个子优化问题,通过阈值收缩可得解析解;第二个子优化问题,是极小化带有正则化罚项的修正拉格朗日泛函,利用带有自适应的正则化参数的非线性欧拉-拉格朗日方程计算出线性近似解.由于欧拉方程系数矩阵的特殊结构和对惩罚项的光滑近似,所提出的迭代格式是稳定且有效的.理论上首次证明了该迭代格式的收敛性,指出由该格式产生的迭代序列是几乎收敛的.数值实验表明,在较短时间内,基于简化型多正则化罚项图像复原模型的循环嵌套交替迭代格式可有效复原分片光滑图像和医学图像及其旋转图像.最后,在第五章总结了本论文的主要研究工作,并对未来可拓展的研究方向作出了分析和展望.
赵晓辉[6]（2016）在《高分辨率合成孔径雷达地面目标识别及相关处理技术研究》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天时、全天候执行遥感监视任务的能力,目前已有越来越多雷达自动目标识别（Automatic Target Recognition,ATR）的研究围绕SAR图像开展。典型的SAR地面目标识别方法可识别感兴趣的战术地面目标（例如坦克,榴弹炮和装甲车等）,是有效进行敌我目标识别的手段,也是实行精确打击的重要先决条件之一。SAR图像分辨率的提高更使SAR ATR成为近年的研究热点。高分辨SAR图像在提供更丰富信息的同时也提出了新的问题,与中低分辨的SAR图像相比,高分辨SAR图像呈现不同的统计特性、更突出的细节特征、更大的数据量等特点。此外,SAR与目标的相对姿态变化、SAR图像的辐射特性、目标的几何特性以及杂波等对目标表征的影响增加了SAR图像识别难度。因此,针对高分辨SAR图像的特性和信息,设计更适合的预处理、特征提取和分类器训练方法就显得尤为重要。本文旨在设计高识别精度的地面目标SAR ATR方法,并针对预处理、特征提取和训练分类器各阶段提出多个相应处理算法。算法验证方面,主要使用了运动与静止目标的获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）公开数据集和OKTAL仿真数据集。本文的主要工作包括以下几个方面:1.针对SAR图像中的杂波抑制问题,提出基于表征转换机（Appearance Conversion Machine,ACM）的区分模式抑制（Shedding Irrelevant Patterns,SIP）算法。SIP参考杂波图像中的杂波空间模式（像素的能量强度和分布规律）,分析SAR图像的空间模式并训练得到能在抑制杂波时保护感兴趣目标不被改变的回归函数。然后,将原始SAR图像作为回归函数的输入,计算获得杂波抑制后的图像输出。实测和仿真数据的实验验证了SIP在杂波抑制方面的有效性,以及引入SIP处理对提高识别准确率方面的有效性。2.针对SAR图像中的图像分割问题,提出基于ACM的增强区分模式（Promoting Irrelevant Patterns,PIP）分割方法。PIP分析SAR图像的空间模式并计算SAR图像与杂波空间模式的相似程度,然后根据相似程度构建掩膜图像并计算分割结果。实验验证,PIP可在较好地保存感兴趣目标的同时更彻底地去除杂波背景。3.针对目标姿态的估计和矫正问题,提出一种基于目标几何信息的姿态估计方法。提出的算法首先分析SAR图像中的目标几何信息,然后根据目标轮廓的完整或不完整程度,使用相应环境下估计精度更高的最小外接矩形（Minimum Bounding Rectangle,MBR）姿态估计方法或基于Radon变换的姿态估计方法,以获得更好的姿态估计精度。最后,将SAR图像按估计得到的姿态旋转以得到姿态矫正后的SAR图像。4.针对SAR ATR的特征提取问题,提出一种能够获得丰富分类判别信息且具有一定移不变性的特征提取和处理方法。提出的方法首先使用二维小波分解技术获得含有多种分辨信息（水平边缘特征、垂直边缘特征和下采样的纹理特征）且具有一定移不变特性的特征集,然后通过去冗余技术获得数据维度较低的紧致特征集。实际应用中,基于不同类型的小波基提取特征时,获得特征的分类判别能力并不一致。因此,本文基于最大边界准则（Maximum Margin Criterion,MMC）选择平均类间间距较大和平均类内距离较小的更适合SAR ATR任务的反双正交小波基。其中,大的类间间距代表不同类别目标间的差别性,小的平均类间间距代表同类型目标的易识别性。5.针对SAR图像目标表征的多变性使分类器较难得到足够训练的问题,提出一套完整的SAR ATR方案,综合使用各类算法（预处理算法、特征提取和处理算法以及分类器训练算法）来提高图像理解的有效性、获取针对SAR图像设计的特征以及构建针对小样本问题的分类器,以此获得更高的识别精度。其中,分类器训练阶段使用正、负样本共同训练判别树基分类器,然后基于Real-Ada Boost框架融合多个判别树基分类器以获得识别性能更好的强分类器。基于MSTAR真实数据集和OKTAL仿真数据集的实验验证了本文提出方案的优势和有效性。
吴志芳[7]（2016）在《四元数域彩色图像分割方法研究》文中进行了进一步梳理随着科技的不断发展,人们对信息需求日益增长,图像分割作为信息处理的基础环节显得尤为重要。但是图像分割一直是人们棘手的问题,虽然现有很多算法,但还未出现一种针对所有图像分割都能起到行之有效的方法。由此图像分割备受关注,热度不减。目前形势,人工智能在图像分割领域比较热门,一些方法被挖掘出来并取得了良好的效果。本文对图像分割进行了深入的学习和探索,主要内容包括:对四元数指数矩、四元数圆谐-傅里叶矩、孪生支持向量机（TWSVM）、带有一致性的临近支持向量机（PCC）、四元数小波变换（QWT）和隐马尔科夫树（HMT）,结合这些方法主要完成如下工作:1、首先利用四元数指数矩对彩色图像进行分解,提取低频系数作为像素级特征,然后利用二维Arimoto熵进行训练样本的选取,最后用TWSVM进行像素分类。利用四元数指数矩进行像素级特征的提取,不用考虑图像分量间的相关性和联系性,并且将图像分割提升到超复数的领域,获得的结果更符合人类的视觉。2、结合PCC理论,我们对四元数圆谐-傅里叶矩进行像素级特征提取,利用二维Tsallis熵进行训练样本的选取。实验证明,该算法具有很好的稳定性和高效性,对不同类型的图像都能分割出最优的结果。3、提出了新型QWT-HMT的图像分割方法。首先利用四元数小波对图像进行分解,进而求出系数的幅值和相位,利用幅值和相位进行HMT建模,该方法考虑了四元数小波系数的方向间、尺度间、尺度内的关系,利用四元数小波幅值和相位建树,这样很好的捕获了图像的局部信息和纹理信息,并获得良好的分割结果。
刘杰[8]（2016）在《基于小波变换的韧窝深度及其均匀度分析模型设计与研究》文中进行了进一步梳理在对工程用金属材料的断裂失效分析中,通过对其断口韧窝的科学分析研究即可得出其本质断裂机理,由此即可探明这种金属材料及其材质对力学性能的本质影响。韧窝的深度及其分布均匀度对材料的强韧性、塑性、成形性能等性质有着重要的影响。通过对断口组织的韧窝深度及其均匀度深入地定量分析研究可以解释断口裂纹机理、内/外裂纹形成现象以及对材料主要性能的内在潜质影响。可见,定量分析研究韧窝深度及其均匀度为材料科学与工程领域中极其关键的组成部分,具有重要的学术研究意义和工程实践价值,但有关韧窝深度均匀度的测量、分类技术目前尚未在国内外文献资料中见报道。本文以工程上常用的低碳微合金钢韧窝图像为主要研究对象,实现对韧窝深度及其均匀度的精确定量分析研究。本文的主要研究内容及创新性工作:1.通过对特定的金属材料韧窝图像信息进行分析研究,并结合现有图像预处理算法,本文提出了一种新的基于小波变换的中和阈值小波滤波法算法来去除韧窝图像噪声保留韧窝边缘信息,并采用图像增强技术以期增强韧窝图像的可识别程度。2.针对现有目标图像的边缘检测方法对韧窝图像所特有的边缘缺失、模糊等图像缺陷根本无法检测的问题,本文在小波变换分析边缘检测的方法上探索出一种新的基于小波变换模极大值边缘检测法和优化Canny边缘检测法进行边缘检测的融合算法。该方法是在小波分析的基础上充分融合韧窝图像的形态特征及其形态学方法,由此即可清晰地显示和检测韧窝图像的边缘。针对韧窝中析出粒子所产生的伪目标现象,提出了一种新的伪目标排除算法,以此消除伪目标现象对目标韧窝图像造成的灰度干扰。3.针对韧窝深度难以测量的问题,本文从大量实测韧窝图像中挖掘并提炼出基于韧窝图像灰度与深度转换对应关系以及灰度极小值的韧窝当量深度这一全新概念,并探索建立专门的求解公式,结果表明,当量深度与实际所测深度相比,精度高达%95以上,表明当量深度这一全新特征参数完全可以替代韧窝的实际深度来对金属材料断口进行精确分析和材质评价。4.针对金属材料韧窝深度分布难以定量表征的问题,研究提出一种全新的基于韧窝图像的当量深度均匀度特征参数的分类方法。此方法可实现精细表征与准确分类金属材料韧窝深度的分布均匀度,将金属材料韧窝图像的表征误差控制在?0.001um以内,达到目前金属材料韧窝定量分析的较高程度。在前期研究工作的基础上,进行工程应用案例的验证,所得到的韧窝深度及其均匀度的测量、分类结果,完全适用于生产实际与理论研究,为开发新型高品种金属材料提供理论坚实依据。
侯升飞[9]（2014）在《基于图像处理与光谱技术的大豆等级识别方法的研究》文中提出中国是大豆的故乡,主产地东北是世界上最适宜种大豆的地区之一,被称为大豆种植的黄金地带,正因为如此,大豆也一直是中国在国际市场上最具竞争力的农产品,其较高的经济价值、食用价值、药用价值得到国际市场的广泛认可。本实验以黑龙江省生产的大豆为研究对象。一方面对霉变、破损、虫蚀三种不完整豆粒应用图像处理技术进行灰度化、去噪、边缘化、分割的预处理,大大改善在常规大豆外观品质检测中,由于肉眼检测所带来的主观性强,准确性差,检测速度慢和易疲劳等缺点,实现客观,准确,快速和在线检测的要求；另一方面对不同等级的大豆采用高光谱成像技术,应用图像处理和光谱分析方法,从每个特征图像中分别提取基于灰度共生矩阵的8个纹理特征参数,并利用上述参数建立起BP神经网络模型,并将以上参数综合起来按照评判标准对大豆的品质等级进行识别。实验以静态大豆为研究对象,可以为未来大豆的动态无损检测提供技术支持,本研究无论是在实验室层面还是大豆的商业化层面我们的研究方法无疑都对大豆的质量检测、品质保证提供了一种全新的检测手段。本文主要工作内容如下：实验应用图像处理硬件系统分别对正常大豆、各种不完整大豆进行图像采集,实验获取各类大豆图2000余幅。应用高光谱图像采集系统,针对五种不同大豆等级,获取波长在1000-2500nm范围的高光谱图像数据。在对大豆样本图像进行预处理过程中,以破损大豆为例,对大豆图像进行滤波与边缘检测,进而通过对各种分割方法的比较,选取了按幅度分割的阈值分割法。对提取的豆粒二值图像进行了孔洞填充和黏连的分割。在主成分分析过程中,针对大豆的高光谱图像,提取了三个特征波长下不同等级大豆样本图像,并结合小波变换方法对其进行融合。在光谱分析过程中,对高光谱图像的数据表达方式及特性进行分析,对虫蚀豆,破损豆,坏豆,裂豆,以及不同等级大豆进行光谱分析。通过主成分分析法对3个特征波长下的大豆图像进行纹理特征提取,通过第二次主成分分析,去除数据冗余信息,减小数据维度,提取了大豆的8个纹理参数；利用人工神经网络建立了大豆的分级识别模型,预测分级准确率为92%。
周悦[10]（2014）在《基于乳腺X线图像的计算机辅助诊断方法研究》文中研究指明乳腺钼靶X线摄影术是目前普查和诊断乳腺癌最有效的方法，对乳腺癌的及早发现、及早治疗，并提高治愈率和降低死亡率具有重要的意义。为了克服人工阅片效率低、而且容易造成误检和漏检等问题，基于乳腺X线图像的计算机辅助诊断技术被广泛应用于乳腺癌的普查和早期诊断之中。本文主要研究基于乳腺X线图像的乳腺肿块计算机辅助检测技术，以提高检测的准确性和效率为目标，并建立了一个完整的计算机辅助诊断系统。本文的主要研究工作和贡献主要体现在以下几个方面：为了抑制噪声对图像质量的影响，本文提出了一种基于非下采样Contourlet变换和对称反高斯模型的乳腺X线图像去噪方法。该方法使用贝叶斯最大后验估计，将去噪问题简化为一个求阈值的过程。为此，本文提出了一种阈值求取策略，使得到的阈值不仅自适应于不同的方向和尺度，而且还考虑到了不同尺度的NSCT系数所包含的噪声的差异。实验结果表明：该算法在去除噪声的同时，能很好地保留图像边缘和细节特征。为了消除背景等区域对肿块检测的影响，本文提出了一种基于小波的自适应阈值乳房轮廓提取方法。该方法首先对乳腺X线图像进行二维小波变换，以克服因灰度分布不平稳而造成的噪声敏感，然后对选定的低频图像直方图进行一维小波变换，去除直方图波形的起伏现象，以取得局部最小值，进而获得分割阈值，将乳房区域和背景区域进行分离。实验结果表明，该方法的分割结果与手工圈画的金标准有很好的一致性，比迭代阈值法、基于标记控制的分水岭算法以及基于水平集的算法分割结果更接近于乳房区域的真实轮廓。为了减少冗余信息，提高系统的处理速度和准确性，本文根据肿瘤生长特性，提出了一种改进的基于自适应阈值的感兴趣区域提取方法。该方法利用同心层规则和形态学特征，实现了对可疑肿块区域的自动检测，并由此确定感兴趣区域。实验结果表明，本文提出的算法比基于固定阈值间隔的同心层方法和基于MCA的自适应阈值间隔法有更高的灵敏度和更低的假阳性率。为了从感兴趣区域中提取出肿块轮廓，以便对肿块的良恶性做进一步分析，本文提出了一种基于等周算法和梯度向量流活动轮廓模型的肿块轮廓提取方法。为了增强感兴趣区域的对比度，该方法首先使用最小二乘平面拟合法对背景趋势进行去除。然后，为了克服梯度向量流活动轮廓模型对初始位置敏感的缺点，采用基于图论的等周算法对肿块轮廓进行初始分割。最后，将分割结果作为初始位置，对肿块轮廓进一步精细化。实验结果表明，本文的方法运行时间和分割精度都要优于归一化割（Ncut）方法和改进的水平集方法。
二、基于二维小波的粒型图像边缘检测（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、基于二维小波的粒型图像边缘检测（论文提纲范文）
（1）单幅图像去雾算法的研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展现状及趋势 |
| 1.2.1 基于图像增强的去雾算法 |
| 1.2.2 基于图像复原的去雾算法 |
| 1.2.3 基于深度学习的去雾算法 |
| 1.3 本文结构组织 |
| 第2章 图像去雾算法基本理论 |
| 2.1 雾化图像的形成及特性 |
| 2.2 大气散射模型 |
| 2.2.1 直接衰减模型 |
| 2.2.2 大气光成像模型 |
| 2.2.3 雾天图像成像模型 |
| 2.3 去雾算法评价指标 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第3章 基于暗原色先验去雾的优化方法 |
| 3.1 暗原色先验理论 |
| 3.2 暗原色先验去雾 |
| 3.2.1 求解大气光学值 |
| 3.2.2 求解透射率分布 |
| 3.2.3 软抠图优化透射率 |
| 3.2.4 复原图像 |
| 3.3 暗原色先验去雾算法的不足分析 |
| 3.3.1 Halo效应 |
| 3.3.2 大气光学值估计不准确 |
| 3.3.3 暗原色先验的局限性 |
| 3.4 暗原色先验去雾算法的改进 |
| 3.4.1 受限暗通道 |
| 3.4.2 四叉树法求解大气光学值 |
| 3.4.3 修正透射率 |
| 3.4.4 伽马变换 |
| 3.5 本章小结 |
| 第4章 快速保边滤波算法研究 |
| 4.1 图像滤波介绍 |
| 4.2 几种保边滤波算法 |
| 4.2.1 双边滤波 |
| 4.2.2 加权最小二乘法滤波 |
| 4.2.3 非局部均值滤波 |
| 4.3 两种快速保边滤波算法 |
| 4.3.1 基于方差的快速滤波 |
| 4.3.2 自适应指数加权移动平均滤波 |
| 4.4 实验比较及结果 |
| 4.4.1 主观评价 |
| 4.4.2 客观评价 |
| 4.4.3 时间开销 |
| 4.4.4 综合评价 |
| 4.5 本章小结 |
| 第5章 实验结果分析及应用研究 |
| 5.1 图像去雾算法性能对比 |
| 5.1.1 复原图像质量分析 |
| 5.1.2 时间开销 |
| 5.2 雾霆天气下的车牌识别 |
| 5.2.1 车牌预处理 |
| 5.2.2 车牌定位 |
| 5.2.3 字符分割 |
| 5.2.4 车牌识别 |
| 5.2.5 实验结果 |
| 5.3 本章总结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（2）基于Directionlet变换的图像超分辨率重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 超分辨率重建的研究目的和意义 |
| 1.2 超分辨率图像重建的定义、研究内容、现状和不足 |
| 1.3 论文的主要工作与创新点 |
| 1.4 研究内容和章节安排 |
| 第二章 常用超分辨率图像重建技术介绍 |
| 2.1 引言 |
| 2.2 像素域基于插值滤波器的超分辨率图像重建技术 |
| 2.2.1 理论基础 |
| 2.2.2 邻近插值算法 |
| 2.2.3 双线性插值算法 |
| 2.2.4 双三次插值算法 |
| 2.2.5 兰索斯插值算法 |
| 2.2.6 优点与不足 |
| 2.3 像素域基于纹理特征的超分辨率图像重建技术 |
| 2.3.1 理论基础 |
| 2.3.2 分形插值算法 |
| 2.3.3 数学形态学插值算法 |
| 2.3.4 小波分析插值算法 |
| 2.4 衡量超分辨率图像重建算法的评价方法 |
| 2.4.1 主观评价 |
| 2.4.2 客观评价 |
| 2.5 本章小结 |
| 第三章 小波域的超分辨率图像重建算法 |
| 3.1 引言 |
| 3.2 小波变换基本理论 |
| 3.2.1 一维小波变换 |
| 3.2.2 二维小波变换 |
| 3.3 基于小波变换的超分辨率图像重建算法 |
| 3.3.1 小波域的超分辨率图像重建的原理 |
| 3.3.2 小波域的超分辨率图像重建方案 |
| 3.4 小波域的边缘修正型超分辨率图像重建改进 |
| 3.4.1 稀疏插值 |
| 3.4.2 边缘修正型超分辨率图像重建算法测试方案 |
| 3.4.3 系数修正因子与小波种类、插值算法关系的实验测试 |
| 3.4.4 小波域超分辨率图像重建算法的实验验证 |
| 3.5 小波变换在超分辨率图像重建方面的优势与亟待解决的问题 |
| 3.5.1 小波变换超分辨率重建的优势 |
| 3.5.2 可分离的标准二维小波变换的缺点 |
| 3.6 本章小结 |
| 第四章 基于Directionlet域的HMT模型 |
| 4.1 标准二维小波变换在图像领域的局限 |
| 4.1.1 空间方向性固定 |
| 4.1.2 空间各向同性 |
| 4.2 多尺度几何分析研究 |
| 4.3 Directionlet变换理论及其实现 |
| 4.3.1 整数栅格多方向框架 |
| 4.3.2 二维各向异性小波变换 |
| 4.3.3 Directionlet变换 |
| 4.4 Directionlet域 HMT模型的构造 |
| 4.5 Directionlet域 HMT模型的超分辨率图像重建 |
| 4.5.1 边缘修正函数的构造 |
| 4.5.2 重建算法实现步骤 |
| 4.6 实验评价及结果分析 |
| 4.6.1 超分辨率图像重建的评价 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士期间成果 |
（3）基于二维小波的花朵图像识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文背景及意义 |
| 1.1.1 机器学习背景及意义 |
| 1.1.2 图像识别背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的创新点与研究方法 |
| 1.4 论文结构 |
| 第二章 数据来源及预处理 |
| 2.1 收集和筛选花朵图片 |
| 2.2 基于算法将图片由彩图转成灰度图 |
| 2.3 提取花朵灰度图片的灰度矩阵 |
| 第三章 二维小波系数提取 |
| 3.1 傅立叶变换对于数据处理的意义 |
| 3.2 小波变换和小波域对数据处理的意义 |
| 3.2.1 傅里叶变换算法成小波变换算法 |
| 3.2.2 小波变换和傅里叶变换在信号处理中的对比 |
| 3.2.3 多尺度变换 |
| 3.3 二维小波多尺度系数的算法 |
| 3.4 基于二维小波系数算法的花朵灰度矩阵系数提取 |
| 3.5 花朵二维小波分解作图(以一层分解为例) |
| 第四章 主成分分析降维 |
| 4.1 主成分分析对降维的意义 |
| 4.2 主成分分析算法 |
| 4.3 对花朵的二维小波系数矩阵进行主成分分析降维 |
| 第五章 使用决策树进行花朵种类识别和模型评估 |
| 5.1 决策树原理 |
| 5.2 避免在决策树中过拟合 |
| 5.3 决策树与线性模型比较 |
| 5.4 决策树的集成和套袋 |
| 5.5 将花朵的二维小波主成分系数矩阵放入决策树中 |
| 5.6 画出最佳方案决策树图 |
| 第六章 实验模型及总结与展望 |
| 6.1 模型梳理 |
| 6.1.1 查找,筛选和处理图片 |
| 6.1.2 提取图片的灰度矩阵 |
| 6.1.3 提取图片矩阵的二维小波系数 |
| 6.1.4 提取二维小波系数的主成分 |
| 6.1.5 将提取出的系数放入决策树中进行训练和测试得到该模型的正确率 |
| 6.2 实验的过程以及分析结果 |
| 6.2.1 花朵二维小波分解作图(以一层分解为例) |
| 6.2.2 调参以获得最佳正确率 |
| 6.2.3 画出决策树图 |
| 6.3 总结与展望 |
| 参考文献 |
| 致谢 |
（4）基于不可分加性小波的多聚焦图像融合算法（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 图像融合综述 |
| 1.2.1 图像融合定义 |
| 1.2.2 图像融合层次划分 |
| 1.3 国内外研究现状 |
| 1.4 图像融合的评价指标 |
| 1.4.1 图像融合质量的主观评价指标 |
| 1.4.2 图像融合质量的客观评价指标 |
| 1.5 本文的组织结构安排 |
| 第2章 小波变换 |
| 2.1 小波变换概述 |
| 2.2 小波的多分辨分析 |
| 2.3 二维小波变换 |
| 2.3.1 二维小波定义 |
| 2.3.2 张量积小波和不可分小波 |
| 2.4 不可分小波滤波器组的构造方法 |
| 2.4.1 二通道不可分小波滤波器组的构造 |
| 2.4.2 三通道不可分小波滤波器组的构造 |
| 2.4.3 四通道不可分小波滤波器组的构造 |
| 2.5 不可分加性小波 |
| 2.5.1 加性小波概述 |
| 2.5.2 加性小波的分解与重构 |
| 2.5.3 不可分加性小波算法 |
| 2.6 本章小结 |
| 第3章 常用的多聚焦图像融合方法 |
| 3.1 多聚焦图像融合算法综述 |
| 3.2 多聚焦图像融合的简单方法 |
| 3.2.1 加权平均的多聚焦图像融合方法 |
| 3.2.2 像素灰度值取大的多聚焦图像融合方法 |
| 3.2.3 像素灰度值取小的多聚焦图像融合方法 |
| 3.3 基于塔型分解的多聚焦图像融合方法 |
| 3.3.1 基于拉普拉斯塔型分解的多聚焦图像融合方法 |
| 3.3.2 基于比率塔性分解的多聚焦图像融合方法 |
| 3.3.3 基于对比度塔型分解的多聚焦图像融合方法 |
| 3.3.4 基于梯度塔型分解的多聚焦图像融合方法 |
| 3.4 基于张量积小波变换的多聚焦图像融合方法 |
| 3.5 本章小结 |
| 第4章 基于不可分加性小波的多聚焦图像融合算法 |
| 4.1 引言 |
| 4.2 不可分小波滤波器组的构造 |
| 4.2.1 二通道不可分小波滤波器组的构造 |
| 4.2.2 三通道不可分小波滤波器组的构造 |
| 4.2.3 四通道不可分小波滤波器组的构造 |
| 4.3 图像融合算法步骤 |
| 4.4 实验结果分析 |
| 4.4.1 图像融合结果的主观分析 |
| 4.4.2 图像融合结果的客观分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录:攻读硕士学位期间的科研情况 |
| 致谢 |
（5）多正则化罚项的图像复原模型及数值实现（论文提纲范文）
| 摘要 |
| Abstract |
| 术语与数学符号约定 |
| 第一章 绪论 |
| 1.1 图像处理问题的数学描述 |
| 1.1.1 经典ROF模型 |
| 1.1.2 压缩感知模型 |
| 1.2 压缩感知理论 |
| 1.2.1 信号的稀疏表示 |
| 1.2.2 不完全频域数据重建模型与算法的构造 |
| 1.3 已有的相关工作 |
| 1.3.1 带有单一罚项的图像复原模型 |
| 1.3.2 带有多个罚项的图像复原模型 |
| 1.3.3 图像复原反问题的理论分析 |
| 1.3.4 基于不完全采样数据的图像复原问题 |
| 1.4 本文的工作与创新点 |
| 1.5 本章小结 |
| 第二章 带有l~2-TV罚项的图像复原模型及空域分块双循环迭代格式 |
| 2.1 基于有限频域数据的带有l2-TV罚项的图像复原模型 |
| 2.2 空域分块双循环迭代格式 |
| 2.3 数值模拟 |
| 2.4 本章小结 |
| 第三章 带有l~1-TV罚项的图像复原模型及空域双循环迭代格式 |
| 3.1 带有Charbonnier型近似l~1-TV罚项的图像复原模型 |
| 3.2 多个正则化参数选取与误差估计分析 |
| 3.3 空域双循环迭代格式 |
| 3.4 数值模拟 |
| 3.5 本章小结 |
| 第四章 带有简化型l~1-TV罚项的图像复原模型及循环嵌套的交替迭代格式 |
| 4.1 带有简化型l~1-TV罚项的图像复原模型 |
| 4.2 循环嵌套的交替迭代格式 |
| 4.3 迭代格式的收敛性分析 |
| 4.4 数值模拟 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果、参与的科研项目及学术会议 |
（6）高分辨率合成孔径雷达地面目标识别及相关处理技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 SAR ATR国内外的研究历史和现状 |
| 1.2.1 SAR图像杂波抑制算法的研究概况 |
| 1.2.2 SAR图像分割算法的研究概况 |
| 1.2.3 SAR图像姿态估计算法的研究概况 |
| 1.2.4 SAR图像特征提取算法的研究概况 |
| 1.2.5 SAR ATR分类器训练算法的研究概况 |
| 1.3 论文的主要工作和结构安排 |
| 第2章 SAR图像的特性分析 |
| 2.1 引言 |
| 2.2 SAR图像的特点 |
| 2.2.1 SAR图像的辐射特性和模型分析 |
| 2.2.2 SAR图像中地面目标的几何特性 |
| 2.2.3 SAR图像的识别特征 |
| 2.3 SAR图像地面目标测试数据集 |
| 2.3.1 OKTAL仿真数据集 |
| 2.3.2 MSTAR公开数据集 |
| 2.4 SAR ATR的基本识别思路 |
| 2.5 本章小结 |
| 第3章 基于表征转换机的杂波抑制算法 |
| 3.1 引言 |
| 3.2 基于表征转换机的视图转换算法 |
| 3.3 区分模式杂波抑制算法 |
| 3.3.1 区分模式抑制 |
| 3.3.2 选择参考杂波区域生成参考杂波图像 |
| 3.3.3 总体实现 |
| 3.4 实验结果 |
| 3.4.1 参考杂波图像对杂波抑制性能的影响 |
| 3.4.2 不同SCR环境对SIP性能的影响 |
| 3.4.3 强弱杂波环境下双目标SAR图像的抑制性能横向对比 |
| 3.4.4 高分辨率地面目标SAR图像的抑制性能横向对比 |
| 3.4.5 ROI尺寸对SIP性能的影响 |
| 3.5 本章小结 |
| 第4章 SAR ATR中的图像分割及姿态估计方法 |
| 4.1 引言 |
| 4.2 基于增强区分模式的图像分割方法 |
| 4.2.1 方法介绍 |
| 4.2.2 实验结果 |
| 4.3 基于几何信息的目标姿态估计及矫正方法 |
| 4.3.1 估计轮廓完整目标的姿态 |
| 4.3.2 估计轮廓不完整目标的姿态 |
| 4.3.3 矩形重叠度 |
| 4.3.4 实验结果 |
| 4.4 本章小结 |
| 第5章 高分辨SAR图像的移不变特征集的提取和处理方法 |
| 5.1 引言 |
| 5.2 基于二维小波分解技术的移不变特征集构建方法 |
| 5.2.1 二维小波分解的实现 |
| 5.2.2 基于最大边界准则的小波选择方法 |
| 5.3 基于去冗余技术的低维紧致特征集处理方法 |
| 5.3.1 小样本问题 |
| 5.3.2 降低特征集冗余度 |
| 5.4 实验结果 |
| 5.4.1 样本数较少数据集的识别结果 |
| 5.4.2 识别精度的横向对比 |
| 5.5 本章小结 |
| 第6章 基于融合判别树分类器的SAR ATR方案的设计与实现 |
| 6.1 引言 |
| 6.2 基于融合判别树分类器的分类器设计方法 |
| 6.2.1 二元假设检验 |
| 6.2.2 图模型的设计原理 |
| 6.2.3 学习判别树 |
| 6.2.4 基于Real-AdaBoost的强分类器构建算法 |
| 6.2.5 二分类扩展至多分类 |
| 6.3 SAR ATR的整体设计与实现 |
| 6.4 实验结果 |
| 6.4.1 二分类扩展至多分类 |
| 6.4.2 图像能量正则化对识别率的影响 |
| 6.4.3 姿态矫正对识别率的影响 |
| 6.4.4 SIP杂波抑制对识别率的影响 |
| 6.4.5 异类排除性能 |
| 6.4.6 算法识别精度的横向对比 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（7）四元数域彩色图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 图像分割研究背景和意义 |
| 1.2 图像分割研究现状 |
| 1.3 图像分割方法概述 |
| 1.4 评价指标 |
| 1.5 文章结构和概括 |
| 2 基于四元数指数矩像素分类的彩色图像分割算法 |
| 2.1 孪生支持向量机(TWSVM) |
| 2.2 四元数指数矩 |
| 2.2.1 四元数基本理论 |
| 2.2.2 指数矩 |
| 2.2.3 四元数指数矩 |
| 2.3 详细算法描述 |
| 2.4 实验结果与分析 |
| 2.5 小结 |
| 3 基于四元数圆谐-傅里叶矩像素分类的彩色图像分割算法 |
| 3.1 PCC支持向量机 |
| 3.2 四元数圆谐-傅里叶矩 |
| 3.2.1 圆谐-傅里叶矩 |
| 3.2.2 四元数圆谐-傅里叶矩 |
| 3.3 详细算法描述 |
| 3.4 实验结果与分析 |
| 3.5 小结 |
| 4 基于QWT-HMT的图像分割算法 |
| 4.1 隐马尔可夫树模型 |
| 4.2 小波域隐马尔可夫树模型 |
| 4.3 QWT域建模 |
| 4.3.1 四元数小波变换 |
| 4.3.2 基于幅值和相位的QWT-HMT模型 |
| 4.4 算法描述 |
| 4.5 实验结果与分析 |
| 4.6 小结 |
| 5 发展趋势 |
| 5.1 科研工作总结 |
| 5.2 分割领域发展趋势 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）基于小波变换的韧窝深度及其均匀度分析模型设计与研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 数字图像处理与韧窝定量分析 |
| 1.2 本研究课题国内外发展及其研究概况 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本课题的研究目的和内容 |
| 1.3.1 本课题的研究目的 |
| 1.3.2 本文研究内容 |
| 第二章 小波变换分析理论 |
| 2.1 傅立叶变换分析 |
| 2.1.1 连续傅立叶变换 |
| 2.1.2 离散傅立叶变换 |
| 2.1.3 窗口模式的傅立叶变换 |
| 2.2 小波变换分析理论 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.3 小波变换与多尺度分析 |
| 2.3.1 多尺度分析 |
| 2.3.2 多尺度分析与正交基 |
| 2.3.3 玛拉特分解与重构算法 |
| 2.4 常用的小波变换函数 |
| 2.4.1 哈尔（Haar）小波 |
| 2.4.2 多伯奇斯（Daubechies）小波 |
| 2.5 本章小结 |
| 第三章 韧窝图像的预处理分析研究 |
| 3.1 现有滤波算法 |
| 3.1.1 基于空间域的图像增强 |
| 3.1.2 基于频域法的图像增强 |
| 3.2 改进中和阈值法的小波滤波方法 |
| 3.2.1 小波滤波变换的特点及算法步骤 |
| 3.2.2 小波系数的非线性处理 |
| 3.3 韧窝图像的灰度修正 |
| 3.3.1 直方图修正法 |
| 3.3.2 直方图修正法实验仿真结果 |
| 3.4 本章小结 |
| 第四章 基于小波变换的韧窝图像多尺度边缘检测 |
| 4.1 现有图像边缘检测算法 |
| 4.2 像素级边缘检测算子 |
| 4.2.1 Roberts边缘检测算子 |
| 4.2.2 Sobel边缘检测算子 |
| 4.2.3 Prewitt边缘检测算子 |
| 4.2.4 Log边缘检测算子 |
| 4.2.5 Canny边缘检测算子 |
| 4.2.6 实验结果及分析 |
| 4.3 小波变换模极大值边缘检测法 |
| 4.3.1 基于小波模极大值的边缘检测原理及步骤 |
| 4.3.2 实验仿真结果及分析 |
| 4.4 改进的基于小波变换的边缘检测方法 |
| 4.4.1 图像数学形态学细化处理 |
| 4.4.2 优化后Canny边缘检测算子的基本原理 |
| 4.4.3 迭代算法分割阈值算法步骤 |
| 4.4.4 优化Canny算子边缘算子算法具体步骤 |
| 4.4.5 小波融合算法基本原理 |
| 4.4.6 改进算法的实验仿真及分析 |
| 4.5 韧窝图像边缘恢复与重建的思路和方法 |
| 4.5.1 韧窝图像中伪目标现象的成因探析 |
| 4.5.2 韧窝图像中伪目标排除算法 |
| 4.6 本章小结 |
| 第五章 韧窝图像的特征参数提取 |
| 5.1 韧窝图像的区域标定 |
| 5.1.1 现有标记方法 |
| 5.1.2 基于游程编码的递归标记法算法 |
| 5.2 韧窝图像的当量深度及其转换 |
| 5.3 表面形貌三维表征方法——三维模表征法 |
| 5.3.1 表面形貌二维模 |
| 5.3.2 表面形貌三维表征方法 |
| 5.4 光测法实验仪器与测量过程 |
| 5.4.1 韧窝微观形貌的测量仪器 |
| 5.4.2 韧窝微观表面形貌测量过程 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 第六章 韧窝图像当量深度均匀度表征与分类方法研究 |
| 6.1 韧窝图像当量深度均匀度方法研究 |
| 6.1.1 本方法的基本思路 |
| 6.1.2 DED表征过程 |
| 6.2 韧窝当量深度均匀度与实际测量深度均匀度的转换 |
| 6.2.1 实验结果分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 存在问题及后续工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目及所获科研成果 |
（9）基于图像处理与光谱技术的大豆等级识别方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像处理技术在农产品检测中研究现状 |
| 1.2.2 高光谱成像技术在农产品检测中的研究现状 |
| 1.3 研究的技术路线 |
| 1.4 本章小结 |
| 2 实验材料、设备与方法 |
| 2.1 实验材料 |
| 2.2 实验设备 |
| 2.2.1 基于图像处理技术的图像采集系统 |
| 2.2.2 基于高光谱技术的图像采集系统 |
| 2.3 图像处理与识别技术基本原理 |
| 2.3.1 图像处理技术 |
| 2.3.2 图像识别技术 |
| 2.4 高光谱图像的信息处理技术 |
| 2.4.1 高光谱图像检测技术的基本理论 |
| 2.4.2 高光谱图像数据的组成 |
| 2.5 本章小结 |
| 3 图像预处理 |
| 3.1 图像灰度化 |
| 3.2 图像去噪 |
| 3.3 边缘检测 |
| 3.4 图像分割 |
| 3.4.1 目标与背景分割 |
| 3.4.2 孔洞填充 |
| 3.4.3 豆粒黏连分割 |
| 3.5 本章小结 |
| 4 大豆的波谱分析 |
| 4.1 光谱分析法 |
| 4.2 大豆籽粒的波谱分析 |
| 4.3 不同等级大豆的波谱分析 |
| 4.4 本章小结 |
| 5 大豆特征波段图像的提取及融合 |
| 5.1 主成分分析法 |
| 5.1.1 主成分分析的数学模型 |
| 5.1.2 主成分分析的计算步骤 |
| 5.2 特征波段的提取 |
| 5.3 小波变换的基本原理 |
| 5.4 基于小波分析的图像融合 |
| 5.5 本章小结 |
| 6 基于高光谱成像技术的大豆等级识别 |
| 6.1 特征提取与降维 |
| 6.1.1 特征提取 |
| 6.1.2 特征数据降维 |
| 6.2 BP神经网络 |
| 6.2.1 构建合理的BP神经网络 |
| 6.2.2 网络测试 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文 |
（10）基于乳腺X线图像的计算机辅助诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 乳腺癌计算机辅助诊断的研究背景 |
| 1.2 乳腺癌的病理及分类 |
| 1.2.1 乳腺癌的病理 |
| 1.2.2 乳腺癌的分类 |
| 1.3 乳腺癌的诊断方法 |
| 1.4 乳腺癌计算机辅助诊断的研究目的与意义 |
| 1.5 本文的主要研究工作和贡献 |
| 1.6 本文的结构安排 |
| 第二章 乳腺癌计算机辅助诊断发展概况 |
| 2.1 引言 |
| 2.2 乳腺钼靶 X 线摄影 |
| 2.2.1 乳腺影像的采集和数字化 |
| 2.2.2 乳腺癌的 X 线征象 |
| 2.3 乳腺癌计算机辅助诊断的难点 |
| 2.4 乳腺癌计算机辅助诊断研究概况 |
| 2.4.1 乳房区域轮廓提取方法研究概况 |
| 2.4.2 单视图微钙化检测方法研究概况 |
| 2.4.3 单视图肿块检测方法研究概况 |
| 2.4.4 可疑肿块特征提取、优化选择及分类识别研究概况 |
| 2.4.5 基于多视图的肿块检测方法研究概况 |
| 2.5 实验数据的来源 |
| 2.6 系统性能的评价方法 |
| 第三章 乳腺 X 线图像去噪 |
| 3.1 引言 |
| 3.2 非下采样 Contourlet 变换理论基础 |
| 3.3 对称反高斯模型 |
| 3.4 最大后验贝叶斯估计 |
| 3.5 实验结果及讨论 |
| 3.6 本章小结 |
| 第四章 乳房区域分割及轮廓提取 |
| 4.1 乳腺 X 线图像组成分析 |
| 4.2 基于小波的自适应阈值分割法 |
| 4.2.1 贝叶斯阈值 |
| 4.2.2 基于多尺度空间滤波的图像分解 |
| 4.2.3 基于小波自适应阈值的乳房轮廓提取 |
| 4.3 多余边框的去除 |
| 4.4 实验结果及讨论 |
| 4.4.1 乳腺 X 线图像直方图分析 |
| 4.4.2 乳房区域分割结果 |
| 4.5 本章小结 |
| 第五章 感兴趣区域提取 |
| 5.1 引言 |
| 5.2 自适应阈值间隔的确定 |
| 5.3 可疑区域的特征提取及分类 |
| 5.3.1 形态学特征 |
| 5.3.2 同心层规则 |
| 5.3.3 假阳性的去除 |
| 5.4 性能评估方法 |
| 5.4.1 灵敏度和假阳性率 |
| 5.4.2 受试者操作特性曲线和自由响应的受试者操作操作特性曲线 |
| 5.5 实验结果及分析 |
| 5.6 本章小结 |
| 第六章 可疑肿块分割 |
| 6.1 引言 |
| 6.2 感兴趣区域的预处理 |
| 6.3 基于图论等周算法和梯度向量流活动轮廓模型的肿块分割方法 |
| 6.3.1 基于图论等周(Isoperimetric)算法原理 |
| 6.3.2 Snake 活动轮廓模型 |
| 6.3.3 基于梯度向量流的活动轮廓 (Gradient Vector Flow Snake,GVF Snake) 模型 |
| 6.4 实验结果及分析 |
| 6.5 本章小结 |
| 第七章 总结和展望 |
| 7.1 本文工作总结 |
| 7.2 今后研究工作展望 |
| 参考文献 |
| 攻读学位期间公开发表的论文 |
| 附录 |
| 致谢 |
四、基于二维小波的粒型图像边缘检测（论文参考文献）
- [1]单幅图像去雾算法的研究及应用[D]. 梅康. 中国科学技术大学, 2020(01)
- [2]基于Directionlet变换的图像超分辨率重建算法研究[D]. 张奇臣. 电子科技大学, 2020(07)
- [3]基于二维小波的花朵图像识别[D]. 丁奕宁. 云南大学, 2019(03)
- [4]基于不可分加性小波的多聚焦图像融合算法[D]. 谌文江. 湖北大学, 2019(05)
- [5]多正则化罚项的图像复原模型及数值实现[D]. 刘晓曼. 东南大学, 2019(01)
- [6]高分辨率合成孔径雷达地面目标识别及相关处理技术研究[D]. 赵晓辉. 哈尔滨工业大学, 2016(01)
- [7]四元数域彩色图像分割方法研究[D]. 吴志芳. 辽宁师范大学, 2016(05)
- [8]基于小波变换的韧窝深度及其均匀度分析模型设计与研究[D]. 刘杰. 江苏大学, 2016(11)
- [9]基于图像处理与光谱技术的大豆等级识别方法的研究[D]. 侯升飞. 东北农业大学, 2014(12)
- [10]基于乳腺X线图像的计算机辅助诊断方法研究[D]. 周悦. 苏州大学, 2014(10)