导读:本文包含了图像压缩算法论文开题报告文献综述及选题提纲参考文献，主要关键词:小波包算法,图像处理,图像编码,图像压缩
图像压缩算法论文文献综述
王晟全,陈济颖,李昂,郑宝玉,刘信科[1]（2019）在《基于小波包算法的视频图像压缩技术的研究》一文中研究指出随着信息技术的快速发展,视频图像压缩技术也在改变。小波变换有着明确的物理意义,是一种非常优秀的图像压缩算法。人们拍摄的原图像通常包含一些多余的信息,这些多余信息使得数据传输规模越来越大,同时也使得图像传输的成本大大增加,给图像的存储与传输带来巨大压力。因此,寻找一种有效的图像压缩算法至关重要,文中就小波算法和其他图像压缩技术作了比较。(本文来源于《物联网技术》期刊2019年11期）
陈善学,张燕琪[2]（2019）在《基于预测和矢量量化的高光谱图像压缩算法》一文中研究指出针对高光谱图像波段数目多,存储空间大,为后续研究带来极大不便的特点,提出了一种基于广义回归神经网络预测与矢量量化算法结合的高光谱图像压缩算法。该算法通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。利用矢量量化算法对预测数据进行压缩。该算法只需要已知图像的前2个波段数据,即可预测整个图像波段的数据。广义回归神经网络具有很强的非线性映射能力和学习速度,预测效果好。通过预测得到的数据在不同的压缩比下进行实验,结果表明,在保证图像质量的前提下,该算法与对比算法相比,有效降低了运算复杂度,节约了时间,提高了峰值信噪比。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年05期）
徐华伟,颜晶晶[3]（2019）在《图像压缩感知的目标跟踪多特征提取算法》一文中研究指出为了提高图像压缩跟踪过程中的目标跟踪性能,论文提出了一种具有随机生成多个特征的目标跟踪算法,通过划分子区域来确定随机生成的多个不同的图像特征进而实现目标跟踪。在每次计算候选位置的最高分类器得分后,结合Bhattacharyya系数来选择最优跟踪结果作为最终目标位置。减少了由图像不良特征确定目标位置的概率,有效地克服了诸如遮挡、形变或类似背景的影响。实验结果表明:相比单个特征提取,两个特征共同提取的中心位置误差平均减少了18.86%,边界框重迭率平均提升了14.14%,成功率平均提升了20.72%,且所提出的跟踪算法的计算速度与图像尺寸有关。(本文来源于《计算机与数字工程》期刊2019年09期）
罗迪,杨飞[4]（2019）在《几种图像压缩算法的简单介绍》一文中研究指出随着经济的增长,人们对生活质量的要求也越来也高,智能机已经入到寻常百姓家,大街小巷随处可见举着智能机拍照的人们,人们已经习惯于将生活中的点点滴滴以照片的形式记录下来。人们总希望图片的像素更高、手机能存储的数量更多,因此图片的压缩和存储变成了一个炙手可热的话题。(本文来源于《电子世界》期刊2019年12期）
邱凯德[5]（2019）在《基于混沌系统和压缩感知的图像压缩加密算法》一文中研究指出万物互联正成为信息化发展的标志,数字图像作为一种重要的信息载体,在消息传递中发挥着关键的作用。图像在存储或传输的过程中可能会被非法用户窃取,而导致图像中包含的信息泄漏。同时,与传统的文本信息相比,数字图像包含的数据量更大,这对存储资源和带宽的要求很高。因此,在图像存储或传输的过程中降低图像的数据量并确保其安全受到了极大的关注。本文在混沌系统和压缩感知的基础上,设计并实现了两种图像压缩加密算法。主要研究工作如下:基于安全散列算法和混沌系统提出了一种图像压缩加密方案。在加密过程中,首先使用Arnold变换对图像像素进行置乱,以降低图像压缩过程中的块效应。然后利用压缩感知技术对图像进行加密和压缩,减少所传输的数据量。混沌系统控制的异或操作和像素坐标置乱方法分别被用于改变图像像素的灰度值和位置,使像素无规则且均匀分布。此外,为了进一步提高算法的安全性,将原始图像的统计信息作为SHA-256的输入,以获得256位的二进制序列,并使用该序列计算混沌系统的初始值。实验结果表明该方案安全有效,能抵御统计分析攻击、噪声攻击等常见攻击。结合DNA序列操作和RSA算法设计了一种光学图像压缩加密算法。在实验仿真中,使用Walsh-Hadamard变换和测量矩阵模拟单像素相机的采样过程,获取图像的测量值。为了降低图像相邻像素间的相关性,采用基于混沌系统的像素置乱方法对像素进行重新排列。其次,对置乱后的图像执行DNA序列操作,改变图像的像素值,得到最终的加密图像。除此之外,叁个初始输入值和原始图像的像素值被用于计算算法中使用的密钥,以灵活地控制密钥生成。对算法进行了多方面的性能分析,分析结果验证了该算法的有效性和较高的安全性。(本文来源于《南昌大学》期刊2019-06-12）
张静[6]（2019）在《基于先验信息的图像压缩感知重构算法》一文中研究指出压缩感知(Compressed Sensing,CS)理论是一种不同于Nyquist采样定理的新兴采样技术,它指出只要信号能被压缩或在某变换域下具有一定的稀疏性,就能利用一个与稀疏基不相关的观测矩阵进行线性观测,然后利用优化算法恢复出原始信号。其中,CS重构是一个病态的或不适定的逆问题,若要求得唯一的精确解,必须向CS重构系统中引入信号的先验信息。因此,在CS理论中,深入挖掘并利用合适的先验信息对于信号重构来说具有重要意义。对于内容丰富的图像信号而言,其自身的局部和非局部属性能体现其内部的结构特征,这为本文对图像CS重构算法的研究提供了思路。本文针对基于图像非局部低秩先验和梯度稀疏先验的CS重构算法展开研究,取得的创新工作如下:1.为准确有效地实现自然图像的CS重构,提出一种基于图像非局部低秩和加权全变分的图像CS重构算法。该算法考虑图像的非局部自相似性和局部光滑特性,对传统的全变分模型进行改进,只对图像的高频分量设置权重,并用一种差分曲率的边缘检测算子来构造权重系数。此外,以改进的全变分模型与非局部低秩模型为约束构建优化模型,并分别采用光滑非凸函数和软阈值函数来求解低秩和全变分优化问题,很好地利用了图像的自身性质。仿真结果表明,在低采样率下,该算法能有效恢复出图像的纹理和重要边缘信息,且具有较强的抗噪性。2.传统构造非局部低秩模型的过程中存在相似块匹配准确率低,加强无重复区图像块的局部相似性引起振铃效应等不足。针对以上问题,提出一种自适应非局部低秩和加权全变分的图像CS重构算法。该算法分别在图像的结构区和纹理区设置不同数目的相似块,以自适应地构造不同尺寸的相似块矩阵,同时,为了更准确地度量图像块间的相似性,引入一种新的基于马氏距离的块匹配方法,以提高重构图像的质量。仿真结果表明,与原非局部低秩模型相比,相同采样率下,新方案重构效果更好。(本文来源于《重庆邮电大学》期刊2019-06-02）
毛军伟[7]（2019）在《基于字典学习的非线性图像压缩算法研究》一文中研究指出图像压缩作为图像处理领域相关研究内容之一,如何对包含庞大数据量的图像进行有效压缩具有重要研究意义。本文主要针对字典学习在图像压缩领域中的一些不足进行深入研究,主要工作概括如下:1.考虑到聚能量字典学习算法在去噪能力和算法复杂度方面存在局限性,研究了一种基于去噪自编码深度极限学习机和近似K奇异值分解的图像压缩算法。由于聚能量字典学习算法中存在去噪能力不足的问题,该算法利用去噪自编码深度极限学习机获取数据的高级特征表示,并通过近似K奇异值分解得到去噪字典,从而提高算法的整体去噪能力。此外,基于去噪自编码深度极限学习机,结合近似K奇异值分解,能够进一步降低传统聚能量字典学习算法复杂度。仿真结果表明改进算法在去噪能力和复杂度方面优于聚能量字典学习算法。2.针对目前张量信号处理中向量化会影响数据结构问题,研究了一种基于字典降维的图像压缩算法。利用稀疏分解获取输入张量图像的各维度字典矩阵与稀疏系数张量,同时对张量图像进行Tucker分解得到核心系数张量和因子矩阵。在此基础上通过稀疏系数张量和核心系数张量的近似关系建立一种特殊的张量稀疏表示形式,并引入聚能量字典学习算法对稀疏表示中字典降维以实现张量压缩。仿真结果表明算法在对高光谱图像压缩时,在保留原始数据信息和去噪能力方面优于其他算法。(本文来源于《重庆邮电大学》期刊2019-06-02）
张亚群[8]（2019）在《基于一类反应扩散方程组的彩色图像压缩算法研究》一文中研究指出近年来,多媒体产品不断发展,人们的需求增长变得越来越快,网络带宽不足问题和存储设备的存储容量不足问题变得日趋明显。要想加快图像的传输速率,或者减少图像存储所占用的空间,就要对图像进行压缩,减少图像中的冗余信息,以更加有效的形式存储或者传输数据,从而使得我们可以在获得相同视觉效果的同时,使用更少的原始图像信息。图像压缩根据解压效果可以将其分为无损压缩和有损压缩,一般情况下所研究的都是有损压缩算法。为了减弱在解压缩时所出现的颜色渗透现象,本文主要研究基于一类线性反应扩散方程组的彩色图像有损压缩算法,主要完成的工作如下:首先,根据微分几何中的观点,将RGB颜色空间中的图像看成是叁维欧几里得空间超曲面,分析得到超曲面的第一基本形式对应于图像灰度值改变量的平方和。据此本文第3章提出能量泛函,证明了能量泛函极小值点的存在唯一性,之后通过梯度下降流方法,导出了能量泛函所对应的各向同性反应扩散方程组,证明了该反应扩散方程组的弱解的存在唯一性,给出了其对应的有限差分格式。为将所提出的模型应用到图像压缩中,在代表像素点的选取过程中,应用局部最优算法,提取R、G、B叁通道的代表像素点,之后将所选取的代表像素点的像素值和位置存储下来,在解压缩图像后,将各向同性反应扩散方程组模型处理图像后的结果与其他压缩算法进行了对比,通过实验结果,形象的表明了所选取的结构特征的重要性。因为矢量图像所对应的第一基本型矩阵也含有丰富的结构信息,为将其应用到图像压缩中,本文第4章提出基于第一基本型矩阵的能量泛函,通过梯度下降流方法,导出了该泛函对应的各向异性反应扩散方程组,其理论证明与各向同性的情况类似,此外,给出了该各向异性反应扩散方程组的具有优化旋转不变性的数值格式,该格式的时间步长是有限差分格式的3-4倍,大大提高了计算效率,将其应用到图像压缩中,处理结果显示所选取的结构特征可以减弱其他算法在解压图像时所出现的颜色渗透现象。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
李崇[9]（2019）在《基于神经网络的实时性图像压缩算法研究》一文中研究指出随着时代的发展,技术的进步,人类对高清画质的欣赏需求与日俱增,同时“信息大爆炸”随之而来的大容量信息存储,都对高效压缩技术提出了迫切的要求。因此,提升图片压缩效率的同时改善实时性,成为当今的研究热点之一。本文主要从提高图像压缩比角度提升实时性,压缩比的提升意味着使用更少的比特消耗,较少的带宽消耗一定程度上可以降低网络时延,加快传输速度,增强传输实时性。本文在提升实时性的同时,也注重视频图片的还原质量,特别是针对低码率图片,既提升压缩比,也保证视频图像的压缩恢复效果。基于此,本文主要做了如下工作:1.完成了基于深度学习图像压缩框架的Round函数自适应性优化,并完成了基于图像理解的图像压缩适应性训练;2.以深度稀疏自动编码器作为压缩框架基础:利用图像分块和图像聚类算法在模型训练之前对原数据进行预处理,选择使用粒子群寻优算法在解空间域中寻找合适模型的最优解,并且使用交叉验证的方法来测试改进MSAE模型的稳定性和可靠性,同时还设计了新的量化方式、提出新的压缩特征先验建模方法并引入了率-失真优化,实现了“速率-失真”权衡,改善了压缩效率,提升了压缩比。3.完成了基于语义理解的图像兴趣区域感知算法的设计与优化。针对目前图像压缩中存在的“读图”效率低,抗干扰能力弱等问题,提出多结构感兴趣区域,一方面,实现由低层特征到语义特征的有效转换,做到“读懂图片”;另一方面,通过有效组合相似的类,并跨类共享相同特征,减少了同一类属的无关紧要的“细枝末节”的干扰,有效增强了区域感知的鲁棒性,提高了目标区域感知的识别准确率。4.同时在特征提取过程中,将获取的图像方向特征改换为更显着的边缘特征,并在显着图生成时注重不同尺度不同维度特征的相互融合,引入纹理特征描述,综合线性融合方法,在形成特征图的过程中特别地加入类似人类视觉的关注点,完成了对图片兴趣区域感知机制算法的优化,使得后续图像还原“有的放矢”,有效提升了图像压缩还原质量。5.最后通过兴趣感知实验验证了本文提出的多级兴趣区域感知机制能够有效抵抗多种类型的噪声干扰,即使在低码率图片模糊的情况下,也能有效降低“块效应”,在提高对目标兴趣区域的识别准确率的基础上,提升图片压缩复原效果;基于多种标准图片集实时性压缩对比实验验证了本文所提出的压缩框架有效地提高了压缩比,即在同等视觉感受下有效地降低了图像尺寸空间的比特消耗,提高了实时性,同等视觉效果及相同图像参数指标值下,能够有效减少图片比特消耗数在3%左右,达到了“速率-失真”权衡,保证了图片复原质量,达到本文通过提高压缩比来提升实时性的研究预期。(本文来源于《北京邮电大学》期刊2019-05-30）
王雅涵[10]（2019）在《面向图像压缩感知的深度学习重建算法研究》一文中研究指出随着时代的发展和科技的进步,人们对信息的需求量日益剧增。大量信息数据的获取、压缩、传输以及存储等面临着巨大的压力。然而,传统的数据采样方式需要依据奈奎斯特定理才能高质量地恢复出原始信号,即根据奈奎斯特定理,数据的采样率必须至少为信号带宽的两倍。近年来,压缩感知理论(Compressive sensing,CS)的提出,打破了奈奎斯特定理对采样率的限制,使采样率低于信号带宽的两倍成为可能。并且,压缩感知理论可以在实现信号采样过程的同时完成信号的压缩,将压缩和采样过程合二为一,极大地节省了采集信号的存储空间。由于压缩感知重建算法是压缩感知理论的重点所在,其对于推动压缩感知的进一步实际应用有着十分重要的作用,因此,本文将深度学习网络引入到压缩感知重建算法当中,主要工作包括:(1)提出了一个基于卷积神经网络的兼容传统采样的压缩感知图像重建算法(Compatibly Sampling Reconstruction Network,CSRNet)。该方案用于从随机矩阵采样得到的测量值中重建高质量图像。该方案采用非迭代的计算方式,计算复杂度低、重建速度快,而且在低采样率下也有很好的重建效果。CSRNet网络框架采用级联连接方式,包含了初始重建模块、深度重建模块和残差重建模块叁个模块,用于实现重建图像质量的逐步提升。实验结果表明,相较于对比方法,本文所提算法的重建图像在客观和主观质量上均有明显的提升。(2)提出了一种基于卷积神经网络的自适应采样的压缩感知图像重建算法(Adaptively Sampling Reconstruction Network,ASRNet)。ASRNet 中包括了新颖的基于神经网络的压缩感知采样模块和重建模块,实现了采样模块与重建模块的互相匹配,不仅提高了压缩感知采样效率,同时也提高了图像重建的效率,且大幅度提升了重建图像质量。实验结果表明,较基于传统采样方式的重建算法,ASRNet能够得到较高质量的重建图像。(3)提出了一种基于卷积神经网络的压缩感知全图像重建算法(Compressive Sensing full image Reconstruction Network,CSReNet)。该算法包含了重建模块和去噪模块。与其他基于网络的重建算法不同,该方案不仅能够从测量值中重建出高质量图像,而且还可以去除重建图像的块效应噪声,提升重建图像质量。根据实验结果可以得到,该算法的重建结果在客观质量和主观视觉效果上优于其他对比算法。(本文来源于《北京交通大学》期刊2019-05-01）
图像压缩算法论文开题报告
（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：
针对高光谱图像波段数目多,存储空间大,为后续研究带来极大不便的特点,提出了一种基于广义回归神经网络预测与矢量量化算法结合的高光谱图像压缩算法。该算法通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。利用矢量量化算法对预测数据进行压缩。该算法只需要已知图像的前2个波段数据,即可预测整个图像波段的数据。广义回归神经网络具有很强的非线性映射能力和学习速度,预测效果好。通过预测得到的数据在不同的压缩比下进行实验,结果表明,在保证图像质量的前提下,该算法与对比算法相比,有效降低了运算复杂度,节约了时间,提高了峰值信噪比。
（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。
图像压缩算法论文参考文献
[1].王晟全,陈济颖,李昂,郑宝玉,刘信科.基于小波包算法的视频图像压缩技术的研究[J].物联网技术.2019
[2].陈善学,张燕琪.基于预测和矢量量化的高光谱图像压缩算法[J].重庆邮电大学学报(自然科学版).2019
[3].徐华伟,颜晶晶.图像压缩感知的目标跟踪多特征提取算法[J].计算机与数字工程.2019
[4].罗迪,杨飞.几种图像压缩算法的简单介绍[J].电子世界.2019
[5].邱凯德.基于混沌系统和压缩感知的图像压缩加密算法[D].南昌大学.2019
[6].张静.基于先验信息的图像压缩感知重构算法[D].重庆邮电大学.2019
[7].毛军伟.基于字典学习的非线性图像压缩算法研究[D].重庆邮电大学.2019
[8].张亚群.基于一类反应扩散方程组的彩色图像压缩算法研究[D].哈尔滨工业大学.2019
[9].李崇.基于神经网络的实时性图像压缩算法研究[D].北京邮电大学.2019
[10].王雅涵.面向图像压缩感知的深度学习重建算法研究[D].北京交通大学.2019