一、基于树状分解隐马尔可夫树的纹理分类模型研究（论文文献综述）
蒋钰婷[1]（2021）在《基于变换域统计特征的图像融合方法研究》文中研究说明图像融合是将在同一场景下,通过不同传感器获得的图像综合成一幅新的图像,使得融合图像具有更丰富的细节信息,对场景内的所有物体都能够清晰的识别,从而便于后续进一步的图像处理和分析。随着对图像融合领域的深入研究,图像处理的手段越来越丰富。以曲波变换、轮廓波变换、剪切波变换、非下采样剪切波变换（Non-Subsampled Shearlet Transform,NSST）等为例的多尺度变换工具能够对图像进行多尺度分解,在多尺度分解层中提取显着特征,提高特征提取的准确性。NSST变换具有良好的多分辨分析特性和多向异性,能够满足不同的尺度和方向需求,具有良好的应用前景。研究发现多尺度系数间存在相关关系,利用统计模型可以得到系数的精确表示,提高图像融合的质量。所以,研究图像多尺度分解系数的统计相关性,建立统计模型,提取变换域统计特征进行图像融合,具有重要的研究价值和理论意义。本文对提取更精确的变换域统计特征进行深入的探索,并将其应用到图像融合中。本文的研究内容如下:（1）针对传统的上下文隐马尔可夫模型（Contextual Hidden Markov Model,CHMM）仅将系数分为两个状态,得到粗糙的建模结果的问题,提出了一种基于多状态上下文隐马尔可夫模型（multi-state contextual hidden Markov model,MCHMM）的图像融合方法。通过多状态对应着系数不同级别的细节度,设计了一个软上下文变量从上下文的角度准确地描述系数的细节性,利用多状态零均值的高斯混合模型（Gaussian mixture model,GMM）来表征高频子带系数分布,在高频系数上建立MCHMM模型。该方法提高了模型的细粒度,能够更精确的表示图像。实验结果表明,所提算法能够取得高质量的融合图像。（2）CHMM模型还存在建模不精确的问题,不恰当的参数设置会降低模型的表达能力,导致融合图像不理想。因此,提出了基于区间二型模糊集上下文隐马尔可夫模型（interval type-2 fuzzy set contextual hidden Markov model,T2-FCHMM）的多模态图像融合方法。利用区间二型模糊集来评估CHMM模型的不确定性,建立T2-FCHMM模型,并引入模糊熵评价T2-FCHMM的模糊性,提高了模型泛化能力和鲁棒性。基于模型统计特征与高频子带区域能量得到高频系数的活动测度指导融合。低频子带基于区域能量和方差自适应加权融合,能够较好的保持源图像的对比度。实验结果表明,所提算法在主观视觉感受和客观评价上都取得了良好的效果。（3）针对上述CHMM模型上下文设计仅针对单个系数进行计算,没有考虑到局部甚至全局系数的影响的问题,提出了一种基于多输入细胞神经网络（multi-input cellular neural network,MCNN）的CHMM模型并用于图像融合。利用MCNN的动态传播效应得到全局优化的上下文变量,并通过网络的迭代循环进一步提高特征提取的准确性和鲁棒性。然后在高频系数上建立CHMM模型,基于系数的细节性采用加权的融合规则得到高频融合子带,低频子带采用基于区域能量取大的融合规则。通过实验检验了该方法的有效性。（4）上述方法仅针对单一源图像各自建模,没有考虑源图像之间的相关属性。因此,提出了基于细胞神经网络（cellular neural network,CNN）多特征相似性的图像融合方法。通过提取图像系数的区域能量、区域方差和CHMM统计特征的多特征表示,克服单一特征不能准确的解释图像的问题。计算上述多特征相似性,用于衡量两幅图像之间的细节信息差异度,有助于提高融合图像的准确性和可靠性。利用CNN网络得到二值化的多特征综合相似性结果对图像的信息冗余和互补区域进行分割,对不同属性的区域采用不同的融合策略,提高融合图像的清晰度。实验结果表明,本文所提算法具有优越的融合性能。
邢政一[2]（2018）在《基于多变量隐马尔可夫模型的动态纹理分析》文中研究指明动态纹理是在时域内展现某种稳定特性的移动场景的图像序列。动态纹理为图像分析提供了重要的视觉线索,因此,现已被广泛应用于各大领域,例如人脸识别、智能交通系统、公共安全等。在基于模型的动态纹理分析中,用隐马尔可夫模型（HMM）对动态纹理进行表达已展现了不俗的效果。但是,HMM建模动态纹理时并未将空间像素间的联系考虑在内。然而,纹理具有区域性,鉴于HMM存在的不足,本文主要进行以下工作:1.提出了多变量隐马尔可夫模型（MHMM）的动态纹理分类方法。针对传统单变量HMM模型无法有效刻画动态纹理不同像素间的关系的问题,结合传统的HMM与多变量马尔可夫链的基础理论,提出了多变量隐马尔可夫模型并完成MHMM模型的评估、解码和训练的理论推导。利用MHMM模型对动态纹理在时间上变化建立统计模型描述,有效刻画动态纹理空间相邻像素间的依赖性,从而提高动态纹理分类性能。仿真实验验证MHMM的动态纹理分类方法的有效性。2.提出了基于MHMM的动态纹理分割算法。将待分割纹理分块并进行MHMM描述,通过采用以欧氏距离为相似性测度的K均值算法获取具有代表性的模型,将代表性模型与待分割动态纹理的像素点经过MHMM评估问题从而生成特征向量。然后,通过谱聚类算法对特征向量进行聚类即可获得分割结果,最后以分割精确度为评价标准通过对比实验验证方法性能。
徐圆圆,田雨[3]（2016）在《隐马尔可夫树模型在图像压缩中的应用》文中指出针对小波变换图像分解的方向有限性,利用Contourlet变换的更精细分解性能,提出隐马尔可夫树模型的图像压缩方法。该方法节点状态不仅与父节点的状态直接相关,同时也相邻节点的状态有联系,可以获得更好的Contourlet变换系数,避免小波变换的局限性,最后与其它图像压缩方法进行了对比实验。结果表明,本文方法不仅可以有效对图像进行压缩,图像视觉效果更优,而且有效提高计算速度并节省存储空间,峰值信噪比都优于其它图像压缩方法。
赵赶超[4]（2016）在《基于小波域HMT模型的动态纹理分割方法研究》文中指出纹理分析是图像处理领域的基础性研究课题。动态纹理是纹理的一种类别,它作为纹理分析研究的重要内容,近年来已成为计算机视觉和数字图像处理领域的研究热点,在军事、工业、医学、智能交通、气象遥感、公共安全等领域有着广泛的应用价值。多尺度分析方法也即多分辨率分析,是近年新兴起的一种信号分析技术,其可从不同尺度的角度描述景物,利用不同尺度分析问题、解决问题,更加有效地提取图像或视频特征并进行分析,为信号分析提供了一个全新的视角研究课题。小波变换作为多尺度分析的主要基础方法,其具有良好的时频分析特性,它能通过变换以充分突出问题某些方面的特性。马尔可夫理论作为描述局部统计分布的强有力工具,能有效地与小波域空时变换特性相结合,推动了小波域模型的发展,对准确刻画信号非平稳特性起着至关重要的作用。小波域隐马尔可夫（HMT）模型充分利用小波系数尺度间和尺度内的相关性,在纹理分析等方面表现出了出色的性能。基于以上理论基础,本文主要研究基于小波域隐马尔可夫模型的动态纹理分割算法,主要工作如下:1.提出三维小波域LMM-HMT模型。将HMT模型推广到三维空时域,改进已有的EM算法以进行参数估计,并改进分割过程以适应三维动态纹理的处理。在训练及粗分割阶段,结合纹理图像自身小波系数的分布规律,利用拉普拉斯分布尖峰厚尾的分布特性,对纹理图像的小波系数分布进行匹配,提出LMM-HMT模型及与之相对应的参数估计算法公式。在多尺度融合阶段,提出基于26邻域背景向量的多尺度融合方法。利用动态纹理帧间相互依赖关系,建立一个基于三帧纹理图像的26邻域背景向量模型。在像素级分割阶段,再次使用混合拉普拉斯分布模型,并给出参数估计算法,提高其最终分割效果。2.提出三维小波域HMT-3S模型。通过连接三维小波域七个细节子带的小波系数,建立三维小波域上的HMT-3S模型,并提出对应的模型参数训练方法、似然函数计算及多尺度融合算法。将以上对基于小波域HMT模型的动态纹理分割的改进算法应用到HMT-3S模型中,与HMT模型进行对比,使分割效果得到进一步提升。
张思远[5]（2014）在《基于Contourlet域HMT模型的图像融合方法技术研究》文中提出图形融合是将来自于同一场景、不同传感器,或者是由同一传感器在不同时刻获得的多幅图像中的重要信息进行提取、保留,进而合并成一幅融合图像,使这幅图像包含比原来单幅图像更全面、准确的场景信息,以便更有效的对场景作进一步分析和处理。图形融合技术是一门多学科的综合技术,它涵盖了传感器技术、图像与信号处理、人工智能、计算机技术、统计估计等技术理论,是一个交叉型的技术领域。图像融合概念最早提出于上世纪70年代后期,随着技术的不断成熟其应用领域也在不断拓展。目前,图像融合技术已广泛应用在战场监视、数字成像、医学诊断、车牌识别、气象预报以及遥感等领域。本文主要研究内容和成果如下：（1）以图像融合技术为主线,概括性介绍了图像融合的基本内容,对多源图像融合的一般过程、图像融合技术的种类,特别是对像素级图像融合的基本算法、像素级变换域的融合规则都作了系统描述,并对图像融合结果的评价方法和主要性能指标进行了简要介绍。（2）对几种典型的图像分解方法,如Laplace金字塔分解、对比度金字塔分解、小波变换和Contourlet变换等进行了原理性分析,以人脑的计算机X射线断层造影术成像（Computer Tomography, CT）图像和核磁共振成像（Magnetic Resonance Imaging, MRI）图像为融合对象,进行了相应的图像融合实验验证并对实验结果进行了分析,进而对这些典型图像融合算法的性能和特点进行了系统的分析与比较,为后续工作奠定了基础。（3）给出一种基于小波域HMT模型的多聚焦图像融合方法。根据图像经小波变换后其分解系数呈现出的统计特性,深入细致探讨了小波域HMT模型的多聚焦图像的融合方法。从马尔可夫（Markov）链、隐马尔可夫模型（HMM）及解决问题的方法,到小波域隐马尔可夫树（HMT）的建模原理、小波域HMT模型的构建,以及小波域HMT模型基本算法等都作了深入细致的研究,最后运用基于小波域HMT模型的多聚焦图像融合方法（w-HMT）,对两幅多聚焦图像进行了融合实验,验证了该算法的有效性。（4）提出一种基于Contourlet域HMT模型的图像融合方法。针对Contourlet变换的多尺度和多方向特性,从分析其系数的概率分布和系数间的相关性入手,分析并建立基于Contourlet域隐马尔可夫树（C-HMT）模型。进而研究了基于Contourlet域HMT的图像融合方法和融合规则,并利用多聚焦图像进行了实验验证。与小波域HMT方法相比较,Contourlet域HMT模型的标准差、平均梯度、信息熵均明显高于小波域HMT,并且运算速度得以大幅提高。
肖易寒[6]（2012）在《基于Contourlet变换的全景图像处理关键技术研究》文中进行了进一步梳理Contourlet变换是一种新型的多尺度、多分辨率分析工具，本文对Contourlet变换理论进行较深入的研究，针对海量数据、细节丰富的复杂图像在环境监控及运动目标跟踪等应用方面的实际要求，以充分保护特征信息、节约硬件资源、提高系统实时性为目的，对图像的编码、边缘检测、分割及压缩传感重构等具体技术进行了研究，并将研究结果应用到全景图像中，取得了较好的效果。首先，改进了基于小波的Contourlet变换的SPIHT编码方法。小波变换由于方向性不足，不能有效地表示图像的纹理和轮廓，Contourlet变换虽然可以满足方向性的问题，但是变换后冗余，直接编码效果差效率低。而基于小波的Contourlet变换是无冗余变换，同时子带分解方向灵活，但是传统的基于小波的Contourlet变换的SPIHT算法没有考虑低频子带与高频子带的关系，只是在高频子带之间寻找方向树的关系，并且需要对变换后的系数进行位置置换，这样必然会影响编码质量和效率。针对以上问题提出了构造虚拟低频的思想，通过构造虚拟低频建立低频子带与高频子带的关系，使方向树结构更高，压缩效果更好，为解决全景图像信息量大、冗余度高，不利于存储、处理和传输提供了有效方法。其次，提出了基于非下采样Contourlet变换的双阈值边缘检测算法。非下采样Contourlet变换由于其平移不变性使得检测出的边缘定位准确，但是传统的基于非下采样Contourlet变换的边缘检测结果中存在伪边缘，这是固定阈值选取不当所致。采用双阈值对高频子带中的模极大值进行筛选，用得到的两个矩阵进行补偿链接可以减少伪边缘。由于非下采样Contourlet变换系数的结构特点，低频子带中也存在丰富的边缘信息，再用Canny算子对低频子带进行检测，有效的抑制了噪声，消除了伪边缘，充分保留了纹理特征，为图像理解、分割奠定了基础。再次，提出了基于Contourlet域隐马尔可夫树模型结合上下文结构的图像分割算法。小波域隐马尔可夫树模型分割的图像结果容易产生方向边缘成分模糊和奇异性扩散现象，Contourlet变换可以充分捕捉图像中高维奇异性，通过Contourlet域隐马尔可夫树模型获得各尺度上的初始分割，采用自适应的上下文的尺度间融合方法，从合适的粗尺度的分割结果一直融合到最细尺度即像素级分割，得到最终的图像分割结果并获得了理想的效果。为进一步识别打下夯实基础，也可以将分割出的目标信息快速传输，实现远程实时监控。最后，提出了基于Contourlet变换的正交匹配追踪压缩传感图像重构方法。压缩传感系统利用图像稀疏表示的先验知识，能从少量的观测值中重构原始图像，从而突破奈奎斯特定理提出的采样率限制。目前压缩传感系统通常利用只有三个方向的正交小波基表示图像，应用迭代收缩法求解对应的优化问题，该方法的缺点是收敛速度慢，并且重构图像有明显的伪吉布斯效应。Contourlet变换后的系数比小波系数更具稀疏性，可以用更少的系数重构同样质量的图像，并通过正交匹配追踪强制迭代终止提高效率。用复杂计算弥补硬件资源的短板，降低了获取全景图像对硬件资源的要求。
张印辉[7]（2010）在《多尺度马尔可夫随机场图像分割方法研究》文中研究表明图像分割是进行目标识别、运动估计、场景重构等高级视觉信息处理的前提和基础。在现实的工业制造过程中,由于受到诸如光照变化、阴影、背景杂斑等外界因素影响,处于精细尺度的待分割目标信息非常不可靠。通过多尺度重构能够在较高尺度可靠的表征像素分类似然信息,这就涉及如何融合包含粗尺度信息在内的多尺度上下文信息来实现可靠分割这一技术难题。因此,动态背景下多尺度统计图像分割相对静态背景下的分割更具实际意义和挑战性。对于动态背景下多尺度统计图像分割,一方面由于外界环境变化是动态的和随机的,要求多尺度信息融合算法具有较高的鲁棒性；另一方面,在不同的初始化条件下,要求融合算法收敛于一致性结果。这样,使多尺度信息融合算法的鲁棒性和融合结果的一致性成为动态背景下图像分割有别于一般图像分割的关键约束。多尺度马尔可夫随机场模型为图像多尺度统计建模和跨尺度通信提供了一种可行的计算框架,现有基于多尺度马尔可夫随机场模型的图像分割算法正是通过融合模型中多尺度分类似然信息来实现。其中多尺度隐马尔可夫随机场图像分割算法通常将模型中的多尺度信息融合问题转化为优化问题,采用最大期望、动态规划、迭代条件模型等算法对代价函数进行优化,一定程度上能进行多尺度信息融合,并在SAR、多光谱遥感、红外和医学图像分割等领域得到应用。但是把这些技术扩展到动态背景下的图像分割,却显得不能满意。原因在于：一方面用最大期望或迭代条件模型算法求解最大后验分布存在初始化和局部极值问题,不同的初始化条件得到不同的最大后验概率估计；另一方面即使动态规划算法能搜索沿多尺度隐马尔可夫随机场模型的最可能隐状态通道,却只能对边界信息有效编码,而无法融合和识别目标的区域信息；更为重要的是,在能量最小化过程中对一元和二元边缘约束进行松弛并不合理。鉴于此,针对当前多尺度隐马尔可夫随机场图像分割算法中亟待解决的关键理论问题,本学位论文在国家自然科学基金“基于无约束凸优化的多尺度动态图像分割方法研究”（项目编号60962007）和云南省教育厅青年研究基金“印刷设备多介质耦合系统创新设计”（项目编号6Y0145D）的资助下,从以下四个方面开展深入研究：1)精细尺度马尔可夫随机场图像分割。研究在精细尺度构建马尔可夫随机场模型,在此基础上,研究标签场和观察场的建模理论,以及如何将图像分割问题转化为标签场的最大后验概率估计问题,进而采用迭代优化算法实现精细尺度的图像分割。以动态背景下的烟叶目标分割为应用对象,与固定阈值方法对比,对精细尺度马尔可夫随机场图像分割算法进行评价。2)小波域多尺度马尔可夫随机场图像分割。研究通过二维离散小波变换进行图像的多尺度建模,在此基础上,研究多尺度图像的尺度内建模方法与跨尺度通信方法,在单一尺度内对小波系数进行高斯混合模型建模,在尺度间采用隐马尔可夫树对小波系数的跨尺度依赖性进行统计建模。研究如何在多尺度分割过程中融合图像先验信息,以及如何采用最大期望算法实现多尺度像素的统计分类。以动态背景下的烟叶目标分割为应用对象,对含有噪声图像的多尺度马尔可夫随机场分割算法性能进行评价。3)多尺度马尔可夫随机场图切分优化图像分割。研究采用最大期望算法计算图像多尺度分类似然,研究如何利用多尺度分类似然构建多尺度能量函数,以及如何在能量函数中融合多尺度区域信息和边界信息,进而研究如何利用基于图切分的能量优化方法实现近似全局优化,以实现图像的准确分割。以动态背景下的烟叶目标分割为应用对象,采用定量评价方法,对多尺度隐马尔可夫随机场图切分优化的图像分割性能进行客观评价。4)多尺度马尔可夫随机场图像分割的无约束凸优化方法。研究多尺度图像分割的全局优化方法,在此基础上,研究凸多尺度能量函数建模方法,并从理论上证明多尺度能量函数为凸,将图像分割问题转化为凸优化问题；进而研究如何在凸优化的迭代过程中考虑伪边缘似然的约束问题,实现多尺度图像分割问题到无约束凸优化问题的转化,以及采用分级信度传播方法实现无约束凸优化问题计算,从而实现多尺度图像分割。以动态背景下的烟叶目标分割为应用对象,采用定量评价方法,与多尺度非凸能量函数的图像分割性能进行对比,作出客观评价。本论文旨在探索动态背景下多尺度图像分类似然信息鲁棒融合算法,以解决多尺度隐马尔可夫随机场分类似然信息融合结果不一致难题,为多尺度随机场能量函数构建以及全局优化算法提供理论指导和依据,并在烟叶大片率识别的实际生产过程中得到应用。
郭亮[8]（2010）在《基于Contourlet变换的多尺度图像分割算法研究》文中研究指明图像分割方法一直是数字图像处理领域研究的热点问题。在图像分割中分割的精确性与易分割性、过分割和欠分割是我们经常要面临的矛盾,而这些矛盾在固定尺度下是很难解决的。在工程实践中,多尺度特征或多尺度效应是普遍存在的,人们对过程的观察和测量也往往是从不同尺度上进行的。所以,我们只有采用多尺度理论来描述、分析这些过程,才能够更全面、更准确地刻画这些过程的本质特征。多尺度分割方法可获得不同尺度上的图像信息,因此只要配合适当的多尺度数据结构,并且根据该数据结构选择较好的多尺度特征提取方法及分割策略,就有可能将上述矛盾统一起来。目前,采用多尺度分析方法进行图像分割是发展的一个趋势。本文以Contourlet变换作为图像的多尺度分解工具,对目标图像进行多尺度分解。分别采用了基于边缘检测的分割策略和基于隐马尔可夫树模型的分割策略对图像进行多尺度分割。本文的主要工作如下：首先,对多尺度图像分割做了分析,分别介绍了多尺度分析工具小波变换和Contourlet变换,并对它们的特点及系数分布做了分析。其次,以检测图像边缘做为分割策略,通过分析Contourlet变换系数的分布特点,采用模极大值检测的方法提取图像边缘信息,并对不同尺度上的边缘信息进行尺度间融合,提出了一种改进的基于Contourlet变换的边缘检测分割方法。通过仿真证实了该方法检测的边缘不仅平滑连贯且细节丰富。最后,通过对基于小波域的HMT模型的图像分割方法的研究,并结合Contourlet变换系数自身的特点,提出了一种改进的基于Contourlet域HMT模型的图像分割算法,该方法能够更好的捕获图像的高维奇异性信息,并通过实验证明了该方法的有效性。
葛馨远[9]（2009）在《小波域HMT模型的应用研究》文中指出小波域隐马尔可夫树模型（hidden Markov tree model,简称HMT）作为一种统计信号处理的框架模型,在图像去噪、图像分割等图像处理领域有广泛的应用。利用HMT模型,可以有效地对现实生活中遇到信号的统计相关性和非高斯特性建模。在电力设备实时监控过程中,由于电磁场环境的干扰,获取的红外图像通常会包含较强烈的噪声且对比度低。论文提出了一种基于小波域HMT模型的红外图像去噪算法。该方法首先通过对数变换将乘性噪声转化为加性噪声,然后图像进行小波变换并用混合高斯模型与隐马尔可夫树模型进行建模,再采用期望值最大算法（Expectation Maximization,简称EM）来估计模型参数。最后引入了基于重要性准则的小波系数修正,通过小波逆变换与指数变换获得去噪后的图像。实验结果表明,该算法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。
闫翠苹[10]（2009）在《基于Contourlet域模糊隐马尔可夫模型的SAR图像分割》文中指出合成孔径雷达（SAR）图像的分割问题是SAR图像目标识别与解释技术的重要环节,一直是目前雷达信号处理领域的热点。由于SAR成像时,图像产生大量斑点噪声,并且具有灰度变化大、纹理复杂并且边界模糊等特点,传统的光学图像分割算法和基于经典的马尔可夫随机场模型的图像分割算法不能很好地处理分割中相干斑点噪声的影响等问题,容易产生错分。本文针对遥感图像斑点噪声大,边界模糊的特点,将模糊概念和马尔可夫随机场相结合,并用一个阈值标准把模糊模型划分为硬马尔可夫随机场（MRF）和模糊马尔可夫随机场（FMRF）,建立了一种改进的模糊马尔可夫随机场模型,并把它推广到Contourlet域,提出了一种基于Contourlet域改进的FMRF模型的SAR图像分割新算法。该算法用FMRF模型刻画Contourlet子带的聚集性,通过对模型的分析得出图像像素对不同类的隶属度的计算公式,是一种高效、无监督的图像分割算法。仿真结果和分析表明,本文算法在抑制斑点噪声的同时,有效地提高了SAR图像分割的精度。本文又提出了一种基于Contourlet域HHMT-FMRF混合模型的SAR图像分割新算法。该算法在Contourlet变换的各尺度上将FMRF模型和HHMT模型相融合,综合各尺度的信息,把Contourlet系数间的聚集性和持续性融入图像的分割中,实现了较精确的分割,新算法被运用到真实SAR图像的分割中。试验结果表明,本文算法不但有效地抑制了斑点噪声的影响,减少了误分,而且提高了效率,有效地降低了算法的复杂度。
二、基于树状分解隐马尔可夫树的纹理分类模型研究（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、基于树状分解隐马尔可夫树的纹理分类模型研究（论文提纲范文）
（1）基于变换域统计特征的图像融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.3 本文研究内容及论文创新点 |
| 1.4 论文的组织结构 |
| 第二章 图像融合方法和评价指标 |
| 2.1 基于空间域的图像融合方法 |
| 2.1.1 加权平均法 |
| 2.1.2 像素值取大/小融合方法 |
| 2.1.3 数学形态学方法 |
| 2.2 基于变换域的图像融合方法 |
| 2.2.1 金字塔变换 |
| 2.2.2 小波变换 |
| 2.2.3 轮廓波变换(Contourlet transform,CT) |
| 2.2.4 非下采样轮廓波变换(Nonsubsampled contourlet transform,NSCT) |
| 2.3 图像融合质量评价 |
| 2.3.1 主观质量评价 |
| 2.3.2 客观质量评价 |
| 2.4 本章小结 |
| 第三章 基于多状态上下文隐马尔可夫模型的红外与可见光图像融合方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 基于NSST高频子带建立多状态上下文隐马尔可夫模型 |
| 3.3.1 NSST变换 |
| 3.3.2 上下文设计方案 |
| 3.3.3 NSST-MCHMM的构建 |
| 3.3.4 EM训练算法 |
| 3.4 融合方法 |
| 3.4.1 低频子带的融合规则 |
| 3.4.2 高频子带的融合规则 |
| 3.5 实验结果与讨论 |
| 3.5.1 第一组红外与可见光图像融合实验 |
| 3.5.2 第二组红外与可见光图像融合实验 |
| 3.5.3 第三组红外与可见光图像融合实验 |
| 3.5.4 21 组红外与可见光图像融合实验 |
| 3.5.5 实验分析 |
| 3.6 本章小结 |
| 第四章 基于区间二型模糊集和上下文隐马尔可夫模型的多模态图像融合方法 |
| 4.1 引言 |
| 4.2 区间二型模糊上下文隐马尔可夫模型 |
| 4.2.1 区间二型模糊集 |
| 4.2.2 上下文隐马尔可夫模型(CHMM) |
| 4.2.3 建立基于区间二型模糊集的上下文隐马尔可夫模型(T2-FCHMM) |
| 4.3 基于区间二型模糊上下文隐马尔可夫模型的多模态图像融合方法 |
| 4.3.1 低频融合规则 |
| 4.3.2 高频融合规则 |
| 4.4 实验结果与分析 |
| 4.4.1 第一组红外和可见光图像融合实验 |
| 4.4.2 第二组红外和可见光图像融合实验 |
| 4.4.3 多模态图像融合实验 |
| 4.5 本章小结 |
| 第五章 一种基于多输入细胞神经网络上下文隐马尔可夫模型的图像融合方法 |
| 5.1 引言 |
| 5.2 基于CNN的上下文隐马尔可夫模型 |
| 5.2.1 CNN |
| 5.2.2 基于MCNN的上下文方案 |
| 5.2.3 CHMM |
| 5.3 融合规则 |
| 5.3.1 低频融合 |
| 5.3.2 高频融合 |
| 5.4 实验结果及分析 |
| 5.4.1 医学图像融合实验 |
| 5.4.2 红外和可见光图像融合实验 |
| 5.5 本章小结 |
| 第六章 基于细胞神经网络多特征相似性的图像融合方法 |
| 6.1 引言 |
| 6.2 利用细胞神经网络提取多特征综合相似性 |
| 6.2.1 细胞神经网络(CNN) |
| 6.2.2 CNN提取多特征相似性 |
| 6.3 融合规则 |
| 6.3.1 低频融合 |
| 6.3.2 高频融合 |
| 6.4 实验结果分析 |
| 6.4.1 医学图像融合实验 |
| 6.4.2 红外和可见光图像融合实验 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1:作者在攻读硕士学位期间发表的论文 |
| 附录2:作者在攻读硕士学位期间发表的专利 |
（2）基于多变量隐马尔可夫模型的动态纹理分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 动态纹理分析内容概述 |
| 1.3 课题研究现状 |
| 1.4 论文主要工作及结构安排 |
| 第2章 多变量隐马尔可夫模型的理论基础 |
| 2.1 马尔可夫链 |
| 2.2 多变量马尔可夫链模型 |
| 2.3 隐马尔可夫模型 |
| 2.3.1 概念及类型 |
| 2.3.2 HMM核心问题 |
| 2.3.3 HMM问题的实现 |
| 2.4 本章小结 |
| 第3章 基于多变量隐马尔可夫模型的动态纹理分类 |
| 3.1 多变量隐马尔可夫模型原理 |
| 3.2 MHMM的基本问题及实现 |
| 3.2.1 MHMM的评估问题 |
| 3.2.2 MHMM的解码问题 |
| 3.2.3 MHMM的训练问题 |
| 3.3 动态纹理分类 |
| 3.3.1 MHMM的动态纹理描述 |
| 3.3.2 动态纹理分类方法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于多变量隐马尔可夫模型的动态纹理分割 |
| 4.1 动态纹理分割思想 |
| 4.2 构建特征向量 |
| 4.2.1 子块MHMM集合 |
| 4.2.2 K均值模型聚类 |
| 4.2.3 特征向量 |
| 4.3 基于MHMM的动态纹理分割 |
| 4.3.1 谱聚类算法 |
| 4.3.2 基于MHMM分割方法 |
| 4.4 实验仿真及分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（3）隐马尔可夫树模型在图像压缩中的应用（论文提纲范文）
| 1 压缩感知理论和Contourlet变换 |
| 1.1 压缩感知理论 |
| 1.2 Contourlet变换 |
| 2 隐马尔可夫树模型 |
| 2.1 隐马尔可夫模型 |
| 2.2 隐马尔可夫树模型 |
| 3 结果与分析 |
| 5 结束语 |
（4）基于小波域HMT模型的动态纹理分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题研究主要方法与研究现状 |
| 1.2.1 动态纹理方法 |
| 1.2.2 小波域HMT模型方法 |
| 1.3 课题的研究内容及章节安排 |
| 第2章 小波变换理论及小波域HMT模型 |
| 2.1 小波变换理论 |
| 2.1.1 小波变换的特性 |
| 2.1.2 连续小波变换 |
| 2.1.3 离散小波变换 |
| 2.2 图像的小波域统计模型 |
| 2.2.1 尺度内模型 |
| 2.2.2 尺度间模型 |
| 2.2.3 结合尺度内与尺度间的混合模型 |
| 2.3 隐马尔可夫模型 |
| 2.3.1 HMM的定义 |
| 2.3.2 关于HMM的几个假设 |
| 2.3.3 HMM的三个基本问题 |
| 2.4 小波域HMT模型 |
| 2.4.1 小波信号统计模型 |
| 2.4.2 小波域HMT建模 |
| 2.4.3 HMT模型参数估计 |
| 2.5 本章小结 |
| 第3章 基于小波域LMM-HMT模型的动态纹理分割 |
| 3.1 引言 |
| 3.2 三维小波域LMM-HMT模型 |
| 3.2.1 三维小波变换 |
| 3.2.2 三维小波域LMM-HMT建模 |
| 3.2.3 三维LMM-HMT概率模型 |
| 3.2.4 像素点概率模型 |
| 3.3 基于小波域HMT模型的动态纹理分割 |
| 3.3.1 基于似然计算的粗分割 |
| 3.3.2 基于上下文关系的多尺度融合 |
| 3.3.3 基于混合模型的像素级分割 |
| 3.4 实验结果与性能分析 |
| 3.4.1 粗分割方法对比 |
| 3.4.2 多尺度融合方法对比 |
| 3.4.3 像素级方法对比 |
| 3.5 本章小结 |
| 第4章 基于小波域HMT-3S模型的动态纹理分割 |
| 4.1 引言 |
| 4.2 三维小波域HMT-3S模型 |
| 4.2.1 二维小波域HMT-3S模型建模 |
| 4.2.2 三维小波域HMT-3S模型建模 |
| 4.2.3 HMT-3S模型参数估计 |
| 4.3 基于小波域HMT-3S模型的动态纹理分割 |
| 4.3.1 基于似然计算的粗分割 |
| 4.3.2 基于上下文关系的多尺度融合 |
| 4.4 实验结果与性能分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）基于Contourlet域HMT模型的图像融合方法技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文选题背景与意义 |
| 1.2 图像修补技术的发展及其现况 |
| 1.3 论文主要研究内容与组织安排 |
| 第二章 数字图像融合基本理论 |
| 2.1 图像融合的具体流程 |
| 2.2 图像融合技术 |
| 2.2.1 图像融合的层次化分 |
| 2.2.2 像素级图像融合的基础算法 |
| 2.2.3 像素级变换域的融合法则 |
| 2.2.4 融合图像性能评价 |
| 2.3 融合性能评价指标 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第三章 图像融合方法研究 |
| 3.1 基于金字塔分解的图像融合 |
| 3.1.1 基于Laplace金字塔分解的图像融合 |
| 3.1.2 采用对比度金字塔分解的图像融合方法 |
| 3.2 基于小波变换的图像融合 |
| 3.2.1 连续小波变换 |
| 3.2.2 基于离散小波变换的图像处理方法 |
| 3.2.3 基于小波变换的图像融合方法 |
| 3.3 基于Contourlet变换的图像融合 |
| 3.3.1 Contourlet变换 |
| 3.3.2 基于Contourlet变换的图像融合方法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 小波域隐马尔可夫树的模型理论 |
| 4.1 引言 |
| 4.2 基于反向遮片的修复算法 |
| 4.2.1 马尔可夫(Markov)链 |
| 4.2.2 隐马尔可夫模型 |
| 4.3 小波域HMT建模原理 |
| 4.3.1 小波变换特性分析 |
| 4.3.2 小波域统计模型 |
| 4.3.3 小波域HMT模型 |
| 4.3.4 HMT模型的参数 |
| 4.3.5 HMT模型处理的问题类型 |
| 4.4 小波域HMT模型基本算法 |
| 4.5 基于小波域HMT模型的多聚焦图像融合方法 |
| 4.5.1 融合方法 |
| 4.5.2 实验结果及分析 |
| 4.6 隐马尔可夫模型 |
| 第五章 Contourlet域HMT模型的图像融合方法 |
| 5.1 引言 |
| 5.2 Contourlet域隐马尔可夫树模型 |
| 5.2.1 Contourlet变换及系数特征 |
| 5.2.2 Contourlet系数间的关系 |
| 5.2.3 Contourlet系数的统计特性 |
| 5.2.4 Contourlet域HMT模型 |
| 5.3 基于Contouerlet域HMT的图像融合算法 |
| 5.3.1 基本步骤 |
| 5.3.2 融合规则设计 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
（6）基于Contourlet变换的全景图像处理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 经典方法在图像处理中的不足 |
| 1.3 Contourlet 变换概述 |
| 1.4 全景成像简要介绍 |
| 1.5 论文研究内容和拟解决的主要问题 |
| 第2章 Contourlet 变换理论 |
| 2.1 引言 |
| 2.2 Contoulet 变换的组成 |
| 2.3 拉普拉斯金字塔变换 |
| 2.4 方向滤波器组 |
| 2.5 仿真实验与分析 |
| 2.6 本章小结 |
| 第3章 基于小波的 Contourlet 变换 SPIHT 图像编码算法 |
| 3.1 引言 |
| 3.2 基于 Wavelet 变换的 SPIHT 算法 |
| 3.3 基于小波的 Contourlet 变换 SPIHT 算法 |
| 3.3.1 基于小波的 Contourlet 变换域的树结构 |
| 3.3.2 改进的基于小波的 Contourlet 变换 SPIHT 算法 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于非下采样 Contourlet 变换的图像边缘检测算法 |
| 4.1 引言 |
| 4.2 传统边缘检测算法 |
| 4.3 基于 Wavelet 变换模极大值边缘检测算法 |
| 4.4 基于非下采样 Contourlet 变换的双阈值边缘检测算法 |
| 4.4.1 非下采样的 Contourlet 变换 |
| 4.4.2 双阈值法检测高频子带的边缘检测融合算法 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于 Contourlet 域 HMT 模型的图像分割算法 |
| 5.1 引言 |
| 5.2 Contourlet 域 HMT 模型 |
| 5.2.1 Contourlet 系数的统计特征 |
| 5.2.2 Contourlet 域 HMT 模型的建立与参数确定 |
| 5.3 基于 Contourlet 域 HMT 模型结合上下文结构的图像分割 |
| 5.3.1 基于上下文结构的 Contourlet 域 HMT 模型解算 |
| 5.3.2 算法描述 |
| 5.3.3 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 基于 Contourlet 变换的图像压缩传感算法 |
| 6.1 引言 |
| 6.2 压缩传感理论 |
| 6.2.1 压缩传感理论框架 |
| 6.2.2 信号的稀疏性 |
| 6.2.3 观测矩阵 |
| 6.2.4 信号的重构 |
| 6.3 基于 Contourlet 变换的正交匹配追踪压缩传感图像重构 |
| 6.3.1 Contourlet 变换系数的稀疏性 |
| 6.3.2 观测矩阵的选择 |
| 6.3.3 正交匹配追踪算法重构图像 |
| 6.3.4 算法描述 |
| 6.3.5 实验结果与分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（7）多尺度马尔可夫随机场图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 插图清单 |
| 表格清单 |
| 符号表 |
| 第一章 引言 |
| 1.1 立论依据 |
| 1.2 研究内容 |
| 1.3 创新和意义 |
| 第二章 理论背景 |
| 2.1 图像分割方法概述 |
| 2.1.1 聚类方法 |
| 2.1.2 活动轮廓模型方法 |
| 2.1.3 随机场方法 |
| 2.2 图论基础 |
| 2.3 概率图模型推理 |
| 2.3.1 概率图模型 |
| 2.3.2 状态估计和推理 |
| 2.4 变分方法 |
| 2.4.1 凸优化 |
| 2.4.2 拉格朗日对偶 |
| 2.5 本章小结 |
| 第三章 精细尺度马尔可夫随机场分割 |
| 3.1 工业应用背景下的图像分割问题 |
| 3.2 统计图像分割模型 |
| 3.2.1 马尔可夫随机场模型 |
| 3.2.2 图像分割模型 |
| 3.3 实验配置和结果 |
| 3.4 本章小结 |
| 第四章 多尺度马尔可夫随机场分割 |
| 4.1 多尺度分割问题的提出和创新 |
| 4.2 相关工作 |
| 4.3 离散小波变换 |
| 4.3.1 小波变换 |
| 4.3.2 二维离散小波变换 |
| 4.4 小波域图像统计建模 |
| 4.4.1 高斯混合模型 |
| 4.4.2 隐马尔可夫树(HMT)模型 |
| 4.5 实验结果和讨论 |
| 4.6 本章小结 |
| 第五章 多尺度能量最小化分割 |
| 5.1 能量最小化问题的提出和创新 |
| 5.2 多尺度统计模型 |
| 5.3 多尺度分类似然估计 |
| 5.3.1 模型初始化 |
| 5.3.2 无监督多尺度分类似然计算 |
| 5.4 多尺度信息融合 |
| 5.4.1 有向图构建 |
| 5.4.2 多尺度能量函数 |
| 5.4.3 图切分能量最小化 |
| 5.5 实验结果和讨论 |
| 5.5.1 WHMT模型无监督学习 |
| 5.5.2 实验结果和讨论 |
| 5.6 本章小结 |
| 第六章 无约束凸优化多尺度分割 |
| 6.1 无约束凸优化问题的提出和创新 |
| 6.2 凸能量建模 |
| 6.2.1 小波域映射 |
| 6.2.2 能量函数构建 |
| 6.2.3 能量重构 |
| 6.3 拉格朗日对偶变换 |
| 6.4 实验结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文的研究工作总结 |
| 7.2 主要创新点 |
| 7.3 未来的工作展望 |
| 致谢 |
| 参考文献 |
| 附录 学术论文和科研成果目录 |
（8）基于Contourlet变换的多尺度图像分割算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 图像分割的研究内容 |
| 1.2.1 图像分割定义 |
| 1.2.2 图像分割的一般过程 |
| 1.3 图像分割技术的现状 |
| 1.3.1 固定尺度分割 |
| 1.3.2 多尺度分割 |
| 1.4 论文的主要工作 |
| 第2章 从小波变换到Contourlet变换 |
| 2.1 小波变换 |
| 2.1.1 连续小波变换和离散小波变换 |
| 2.1.2 二维小波变换 |
| 2.1.3 小波变换在图像处理中的不足 |
| 2.2 Contourlet变换 |
| 2.2.1 多尺度几何分析 |
| 2.2.2 Contourlet变换原理 |
| 2.3 本章小结 |
| 第3章 基于Contourlet变换的图像边缘检测方法 |
| 3.1 引言 |
| 3.2 经典边缘检测算法 |
| 3.3 基于小波变换多尺度边缘检测算法 |
| 3.3.1 信号的多尺度边缘检测 |
| 3.3.2 小波变换的模极大值多尺度边缘检测 |
| 3.4 基于Contourlet变换模极大值边缘检测算法 |
| 3.4.1 Contourlet系数与边缘 |
| 3.4.2 基于Contourlet变换的边缘检测算法 |
| 3.5 边缘检测的评价标准 |
| 3.5.1 Canny准则 |
| 3.5.2 pratt品质因数 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 第4章 基于Contourlet域隐马尔可夫模型的图像分割 |
| 4.1 引言 |
| 4.2 隐马尔可夫树模型 |
| 4.3 小波域与Contourlet域的HMT模型 |
| 4.3.1 小波域HMT模型 |
| 4.3.2 Contourlet域HMT模型 |
| 4.4 基于Contourlet域HMT模型的图像分割 |
| 4.4.1 基于贝叶斯决策的各尺度初始分割 |
| 4.4.2 自适应的上下文模型的尺度间融合 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
| 致谢 |
（9）小波域HMT模型的应用研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 引言 |
| 1.1 课题的背景及意义 |
| 1.2 论文研究内容 |
| 1.3 论文结构 |
| 第二章 小波变换的基本理论和隐马尔可夫模型 |
| 2.1 小波变换的基本理论 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.1.3 多分辨率分析 |
| 2.2 图像小波系数特性分析 |
| 2.3 隐马尔可夫模型 |
| 2.3.1 隐马尔可夫模型基本概念 |
| 2.3.2 隐马尔可夫模型基本算法 |
| 2.4 本章小结 |
| 第三章 小波域隐马尔可夫树的模型理论 |
| 3.1 模型分析 |
| 3.2 小波域HMT建模原理 |
| 3.2.1 二维离散小波变换 |
| 3.2.2 小波域HMT概率模型 |
| 3.3 使用EM算法的模型参数估计和似然函数 |
| 3.3.1 模型的建立 |
| 3.3.2 单个小波树的E步骤(上向-下向算法) |
| 3.3.3 多尺度小波树的E步骤 |
| 3.3.4 M步骤 |
| 3.3.5 模型训练的稳健性 |
| 3.4 本章小结 |
| 第四章 基于小波域HMT模型及显着性修正的红外图像去噪 |
| 4.1 红外图像的噪声类型分析 |
| 4.2 红外图像的去噪算法设计 |
| 4.3 红外图像去噪 |
| 4.4 基于重要性分析的小波系数修正 |
| 4.5 仿真结果分析 |
| 4.6 本章小结 |
| 第五章 结束语 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
（10）基于Contourlet域模糊隐马尔可夫模型的SAR图像分割（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状与发展趋势 |
| 1.3 论文结构 |
| 第二章 SAR图像的成像原理和统计特性 |
| 2.1 SAR图像成像原理和统计模型 |
| 2.2 SAR图像的相干斑 |
| 2.2.1 相干斑噪声的形成机理 |
| 2.2.2 相干斑噪声的数学模型 |
| 2.2.3 SAR图像乘性模型下的统计特性 |
| 2.3 SAR图像处理过程 |
| 第三章 Contourlet域隐马尔可夫模型的理论基础 |
| 3.1 Contourlet变换 |
| 3.1.1 Contourlet变换的特点 |
| 3.1.2 Contourlet变换的实现 |
| 3.1.3 Contourlet系数的统计特性 |
| 3.2 Contourlet域HMT模型 |
| 3.2.1 隐马尔可夫树模型 |
| 3.2.2 Contourlet域隐马尔可夫树模型的建立 |
| 3.3 总结与展望 |
| 第四章 基于Contourlet域改进的FMRF模型的SAR图像分割 |
| 4.1 基于模糊集理论的遥感图像分割方法 |
| 4.1.1 模糊集理论的基础 |
| 4.1.2 基于FCM算法的遥感图像分割应用 |
| 4.2 模糊马尔可夫随机场（FMRF）模型 |
| 4.2.1 基于MRF模型的图像分割 |
| 4.2.2 基于FMRF模型的图像分割 |
| 4.3 基于Contourlet域改进的FMRF模型的SAR图像分割 |
| 4.3.1 改进的FMRF模型 |
| 4.3.2 基于Contourlet域改进的FMRF的SAR图像分割模型 |
| 4.4 仿真结果与分析 |
| 4.5 结论 |
| 第五章 基于Contourlet域HHMT-FMRF混合模型的SAR图像分割 |
| 5.1 Contourlet 域隐马尔可夫半树（HHMT）模型 |
| 5.2 隐马尔可夫树模型训练的EM算法 |
| 5.3 Contourlet域HHMT-FMRF混合模型 |
| 5.3.1 Contourlet域HMT-FMRF混合模型 |
| 5.3.2 基于Contourlet域HHMT-FMRF混合模型的SAR图像分割 |
| 5.4 仿真结果与分析 |
| 5.5 结论 |
| 第六章 结论和展望 |
| 6.1 本文研究结论 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 研究成果 |
四、基于树状分解隐马尔可夫树的纹理分类模型研究（论文参考文献）
- [1]基于变换域统计特征的图像融合方法研究[D]. 蒋钰婷. 江南大学, 2021(01)
- [2]基于多变量隐马尔可夫模型的动态纹理分析[D]. 邢政一. 哈尔滨工程大学, 2018(08)
- [3]隐马尔可夫树模型在图像压缩中的应用[J]. 徐圆圆,田雨. 激光杂志, 2016(06)
- [4]基于小波域HMT模型的动态纹理分割方法研究[D]. 赵赶超. 哈尔滨工程大学, 2016(03)
- [5]基于Contourlet域HMT模型的图像融合方法技术研究[D]. 张思远. 西北大学, 2014(09)
- [6]基于Contourlet变换的全景图像处理关键技术研究[D]. 肖易寒. 哈尔滨工程大学, 2012(02)
- [7]多尺度马尔可夫随机场图像分割方法研究[D]. 张印辉. 昆明理工大学, 2010(07)
- [8]基于Contourlet变换的多尺度图像分割算法研究[D]. 郭亮. 哈尔滨工程大学, 2010(07)
- [9]小波域HMT模型的应用研究[D]. 葛馨远. 华北电力大学（北京）, 2009(10)
- [10]基于Contourlet域模糊隐马尔可夫模型的SAR图像分割[D]. 闫翠苹. 西安电子科技大学, 2009(08)