导读:本文包含了图像多尺度几何分析论文开题报告文献综述及选题提纲参考文献，主要关键词:条带波,全色图像,多光谱图像,融合
图像多尺度几何分析论文文献综述
朱卫东,王虎,邱振戈,栾奎峰,韩震[1]（2019）在《自适应多尺度几何分析的全色和多光谱图像融合方法研究》一文中研究指出为了利用全色和多光谱图像融合得到一幅空间分辨率较高和光谱信息丰富的遥感图像。结合窗口空间频率绝对值最大原则的高频条带波系数融合规则,提出一种基于自适应多尺度几何分析变换的融合方法。利用Landsat-7数据进行试验,得到一幅空间分辨率和光谱信息都较好的融合图像。和轮廓波方法、IHS、小波变换方法进行比较,本方法提高融合图像的质量,图像的边缘细节更明显清晰。(本文来源于《红外技术》期刊2019年09期）
冯晶晶,樊亚云,邢瑞芳[2]（2019）在《基于多尺度几何分析方法的CT与MRI医学图像融合算法》一文中研究指出首先给出了多分辨分析、两尺度函数的基本概念,并讨论了多分辨分析、两尺度函数的相关性质,为多尺度分析提供了一定的理论基础。在此基础上,利用小波的时频局部性及Randon变换的一些性质,将源图像分解为一系列的子图像,再将分解后的子图像按照融合规则重构成一幅融合图像。最后给出了为达到一定逼近精度的误差界限。(本文来源于《科技视界》期刊2019年07期）
郭瑞,党建武,沈瑜,刘成[3]（2018）在《基于多尺度几何分析的雾天图像清晰化算法》一文中研究指出提出了一种基于非下采样Contourlet变换(NSCT)的雾天图像清晰化算法,将雾天图像映射到HIS彩色空间,对亮度分量H、饱和度分量S分别处理。采用NSCT处理亮度分量H,对含有大多数能量的低频分量取反,再进行改进的单尺度Retinex算法处理,将再次取反后的图像与直接进行改进的单尺度Retinex算法处理的低频分量线性迭加;采用一种快速双边滤波器对包含图像大多数线性细节的高频分量进行处理;对处理后的高低频分量进行NSCT逆变换,得到处理后的亮度分量。对饱和度分量S进行颜色拉伸,实现颜色补偿;将处理后的各分量图像反向映射到RGB颜色空间,得到清晰化后的雾天图像。实验结果表明,该算法可以获得较好的浓雾图像细节及颜色保真度,与其他算法相比,图像的标准差、信息熵、峰值信噪比都有所提高。(本文来源于《激光与光电子学进展》期刊2018年11期）
李永发[4]（2018）在《基于图像多尺度几何分析的压缩感知算法研究》一文中研究指出我们获取外界信息的百分之六十左右源于视觉,图像中包含了我们所需的大量信息,随着信息科技的快速发展,图像成为了信息传递最重要的手段之一,各方面产生的信息量日益剧增,巨量的图像信息的存储、传输及处理成为我们所面对的重要问题。如何有效解决数字图像信息激增所带来的种种问题,关键在于图像的采集与压缩,而图像压缩感知的出现正好解决了这一难题。压缩感知理论采用满足等距约束条件的测量矩阵将稀疏信号压缩投影测量,然后以求解最优化问题来恢复数据。压缩感知可以用远低于现有的采样频率对图像进行压缩采样,有效地实现对图像的压缩。压缩感知理论研究主要围绕测量矩阵、稀疏表示和重构算法叁方面来研究讨论。课题从测量矩阵、稀疏表示和重构算法方面对压缩感知进行介绍和研究,对目前压缩感知算法进行对比分析研究,为提高图像压缩感知重构质量提出一些新的改进研究方法。压缩感知中构造测量矩阵对信号采集和重建性能具有十分重要的影响,针对高斯测量矩阵进行优化,提出一种新的测量矩阵优化方法。采用对高斯随机矩阵进行正交均衡化处理来提高高斯随机测量矩阵的行正交性和列不相关性,同时保证测量矩阵能够满足约束等距条件。以优化后的矩阵作为测量矩阵,K-SVD训练字典作为稀疏基并采用OMP算法进行图像压缩感知实验,验证了矩阵优化方法的有效性。针对最小全变分法图像压缩感知算法低采样率重构图像纹理缺失不足,从图像多尺度几何分析角度出发,利用波原子变换能够有效的重构图像纹理特征的优点提出新的改进的多尺度全变分法压缩感知算法。其后又针对组稀疏压缩感知算法在低采样率重构图像出现纹理混乱的缺点进行研究,通过对图像波原子变换系数特点的研究提出一种抑制矩阵对其优化,最后出一种优化后的组稀疏压缩感知算法。对本文提出的算法进行试验仿真进行验证,实验结果证明改进后算法在重构质量上相较于原有算法有进一步提升。(本文来源于《燕山大学》期刊2018-05-01）
刘贤文[5]（2018）在《多尺度几何分析和稀疏表示的多光谱图像融合方法》一文中研究指出遥感技术的不断发展,为人类对地球的观测研究提供了强有力的工具。由于光谱成像传感器的技术限制,提供的多光谱图像其空间分辨率较低,无法满足多数应用的需要。通过将多光谱图像和空间分辨率高的全色图像进行有效融合,得到一幅空间分辨率高的多光谱图像,可以有效解决多光谱图像空间分辨率低的问题。该方法又被称为多光谱图像的全色锐化(Pan-sharpening)方法或多光谱图像与全色图像的融合方法,受到国内外科研工作者的广泛关注。本文围绕多光谱图像的全色锐化问题,研究了各类经典的遥感图像融合方法,研究遥感图像融合质量的评价标准,综合比较在多个评价指标下各类算法的性能。归纳总结当前主流的图像融合技术,运用多尺度几何分析、稀疏表示、字典学习等理论,对现有算法加以改进。本文的主要工作和研究成果如下:(1)提出一种基于轮廓波子带自适应融合参数回归估计的多光谱图像全色锐化方法。由于传统的基于多尺度融合的方法,采取的方式大多是在不同尺度下的频率信息之间的替换,而忽略了各波段尺度之间的联系,针对该问题,本文提出的方法将全色图像与多光谱图像进行非降采样轮廓波多尺度多方向分解,并构造退化尺度下方向子带的全色图像和多光谱图像;采取多变量回归方法联合估计各方向子带的细节注入增益参数和平均亮度加权参数;进而设计自适应融合规则,进行细节的多尺度多方向自适应注入。实验结果显示,与传统方法相比,本文提出的方法可以获得更好的融合效果。(2)针对基于K-SVD字典学习的算法运算量大的问题,提出一种基于非降采样轮廓波变换和字典学习的Pan-sharpening算法。本方法结合多尺度几何分析和稀疏表示,用非降采样轮廓波变换提取图像细节,用亮度分量构造高、低分辨率字典对,根据高低分辨率下图像细节与全色图像的关系,结合稀疏表示理论,根据稀疏表示系数的尺度不变性得到需要注入的空间细节,注入多光谱图像中。实验结果显示,该方法有效减少了字典训练的时间,并较好地保留了多光谱图像的光谱特征。(3)上述方法通过对GeoEyel、WorldView2和Quick Bird遥感图像进行实验,实验结果表明,本文提出的方法在加强多光谱图像空间分辨率的同时,能有效减少光谱失真,在视觉效果和客观评价指标RMSE、SAM、ERGAS、UIQI、sCC、Q4上都具有较好的融合效果。(本文来源于《南京理工大学》期刊2018-03-01）
沈瑜[6]（2017）在《基于多尺度几何分析的红外与可见光图像融合方法研究》一文中研究指出红外与可见光图像融合研究是多源传感器信息融合领域研究内容的分支,通过将单独的红外图像和可见光图像的特征信息综合到一幅图像,得到信息量更加丰富的融合图像,有利于突出目标,增强对图像有效信息的理解,便于在隐藏或者迷惑等复杂的情况下更精确、快速地探测目标。多尺度几何分析(Multiscale geometric analysis,MGA)方法的多分辨率、多方向性和各向异性,能够提取和分析红外与可见光图像的奇异性,展现两种图像固有的数据信号特征。论文基于多尺度几何分析理论中的变换方法,对红外传感器图像和可见光传感器图像的融合中常见的问题进行研究,以得到适用于红外与可见光图像融合中不同应用的图像融合算法。围绕多尺度几何分析的红外与可见光图像融合,论文重点阐述了以下叁种方法:基于非下采样Contourlet变换(Nonsubsampled Contourlet transformation,NSCT)的含噪声图像融合算法;基于Tetrolet变换的彩色图像融合算法;基于Ripplet变换的图像融合算法。基于上述理论研究,建立了红外与可见光图像融合系统。本研究致力于提高图像的视觉质量,增强场景理解和可视化效果。具体如下:(1)基于NSCT的含噪声红外图像与含噪声可见光图像融合方法研究为了解决含噪声多源传感器图像的融合处理较少,且滤除噪声的同时容易损失边缘细节的问题,将多尺度几何分析理论中的NSCT与改进的双边滤波器方法相结合进行研究。首先针对图像处理将Bilateral双边滤波器算法进行改进。然后,将红外与可见光图像进行NSCT分解,对于输出的低频信息的融合规则,采用局部区域标准方差系数方法;输出的高频信息使用改进的双边滤波器方法进行边缘细节检测,借助双边滤波器在滤除噪声点的同时能够保护边缘的特性,将双边滤波器提取的红外图像高频分量的细节图像与可见光图像高频分量进行迭加,使得算法对边缘细节的提取能力大大提升,在增强细节的同时,能够有效地滤除噪声。实验结果表明该方法有效地减少了噪声对融合图像的干扰,增强了融合的线性细节表达能力。(2)基于Tetrolet变换的彩色红外与可见光图像融合方法研究为了解决现有的彩色图像融合算法的颜色失真度较大的问题,采用多尺度几何分析理论中的Tetrolet变换与lαβ颜色空间相结合进行彩色图像的融合处理。首先改进Tetrolet变换分解框架;然后根据颜色空间映射理论将可见光图像转换到lαβ颜色空间,对亮度通道图像和色彩通道图像分开处理,以提升融合图像的色彩保真度;之后对其l分量和红外图像分别进行Tetrolet变换,对于低频系数引入邻域能量及其接近度的融合规则。而对Tetrolet高频系数采用压缩感知方法进行融合,并经Tetrolet重构得到融合后的灰度图像;最后将灰度图像映射到RGB颜色空间获得最终的融合图像。实验结果表明该方法能够得到彩色线性细节丰富的红外与可见光融合图像。(3)基于Ripplet变换的图像融合方法研究为了解决传统融合算法中不能将源图像的线性细节特征较大程度地提取到融合图像中的问题,基于多尺度几何分析理论中的Ripplet变换,提出一种改进的红外与可见光图像融合方法。首先,通过离散Ripplet变换获得分解后的高频和低频系数。然后,采用非下采样Contourlet变换对低频系数进行3层系数融合;而对于高频子带系数,计算相位一致性信息,清晰度和图像的亮度信息的权值系数,采用系数向量的活跃度规则计算红外与可见光图像高频系数的权重,得到融合后的高频系数。最后通过Ripplet反变换得到最终的融合图像。实验结果表明,该方法能很好保持红外与可见光图像的边缘轮廓和清晰部分的对比度。(4)建立红外与可见光图像融合系统在理论研究的前提下建立红外与可见光的实时图像融合系统。该系统的软件平台通过对预先录制视频的处理,验证视频预处理、视频常规处理和视频融合算法的可行性及效率,确定最优的算法集合及流程;硬件平台利用摄像头、采集卡和处理器建立在线的图像实时处理系统,将优化后的算法进行编译,实现算法的移植和固件化。论文在分析多尺度几何分析方法特点的基础上,针对红外图像与可见光图像的数据特征,提出了几种新的图像融合算法,丰富了红外与可见光图像融合的理论体系,并在此基础上搭建了红外与可见光的图像融合系统,为实际应用提供了依据。(本文来源于《兰州交通大学》期刊2017-06-06）
何旭[7]（2016）在《基于多尺度几何分析和各向异性扩散的医学超声图像去噪算法研究》一文中研究指出近年来,基于多尺度几何分析的图像去噪方法成为研究的热点。多尺度几何分析方法解决了小波变换在多维信号表示方面的缺点,并广泛应用于图像去噪、图像增强、图像融合、图像分割、图像复原、特征提取等相关领域。其中Shearlet变换及非下采样的Shearlet变换(Nonsubsampled Shearlet Transform, NSST)作为一种最新的多尺度几何分析工具,具有对图像理论上的最优稀疏表示,可以对图像进行多尺度、多方向、局部的分析能力,被广泛应用于图像去噪相关领域。因此本文通过结合非下采样的Shearlet变换来进行医学超声图像的去噪,并在传统的NSST阈值去噪方法的基础上进行如下两点进行改进：(1)由于传统的传统Shearlet变换阈值去噪方法在各分辨率下执行相同的阈值,难以对图像中不同分辨率下的噪声进行有效去噪,因此本文在NSST阈值去噪方法的基础上,提出了在各分辨率下的阈值进行尺度加权的方法,自适应地控制不同分辨率下的阈值大小,有效滤除各分辨率下的噪声。(2)此外,由于传统的NSST阈值去噪方法只针对各高分辨率下的NSST系数,而低频子带下的NSST系数则保留,但低频子带中的NSST系数仍然存在少量的低频噪声,因此本文对低频子带下的NSST系数结合KAD模型方法进行去噪,使得滤除低频噪声的同时保留图像中微弱的边缘细节。实验中首先将对模拟噪声图像进行去噪,并通过量化实验结果来衡量算法的去噪性能,最后对实际的医学超声图像进行去噪,并通过整体视觉去噪效果、局部细节对比、特定扫描线灰度曲线来对比的本文算法和相关算法的去噪效果。通过对比实验结果表明,本文算法不管是在整体图像去噪效果还是在边缘保留方面都得到一定的提高,且去噪后的超声图像在视觉上更加自然。(本文来源于《云南大学》期刊2016-05-01）
徐卫良[8]（2016）在《基于多尺度几何分析的医学图像融合算法研究》一文中研究指出随着科学技术快速发展,诸多前沿科技和研究成果被运用到医学领域,涌现了大量高精度的医学成像技术。但是不同模态医学图像的成像原理各异,反映的人体生理信息存在不同的侧重点和缺陷,针对这一问题,提出了多模态医学图像融合技术。该技术将不同模态的医学图像信息进行整合和互补,同时保留了各自的优势特性,为临床诊断和治疗方案制定提供了更为全面、可靠、直观的信息依据。本文着眼于优化目前基于提升小波变换和基于双树复小波变换的融合算法存在的不足,提出了两种医学图像融合新算法,主要工作及研究内容如下:1)首先,介绍了多模态医学图像融合技术的背景和研究意义,描述了该领域国内外的研究现状和存在的研究挑战,并对本文的论文创新点做了简单概括。其次,阐述了不同模态医学图像的特征、图像融合流程等基础知识,并对基于空间域和变换域的传统融合算法进行了比较,指出了各自的优势和不足。最后,对目前主流的图像融合质量评价体系作了介绍。2)针对多模态医学图像特性以及医学应用需求,提出了一种基于提升小波变换和PCNN的医学图像融合算法。首先,对已预处理源图像进行提升小波分解获得高、低频子带;其次,低频部分根据区域方差判定图像区域相关性,并以区域能量获取系数权重;进而,高频部分采用改良空间频率刺激PCNN网络,并以点火区域强度作为系数判定标准;最后,融合后所得子带通过提升小波逆变换重构获得融合图像。3)针对多模态图像经双树复小波分解后高频部分各子带边缘特性存在的差异,提出了以边缘强度特性作为高频子带分层依据,并对强、弱边缘特性子带采用不同的融合算法。其中,强边缘特性子带采用区域梯度能量加权的融合规则,弱边缘特性子带采用区域方差取大的融合规则。针对低频部分包含信息的丰富性,采用区域能量取大与加权相结合的方法。最后,通过提升双树复小波逆变换获得融合结果。4)本文以CT/MRI、MRI/SPECT、MR-T1/MR-T2作为研究对象进行了大量灰度、彩色图像融合实验。实验结果表明:本文提出的融合算法生成融合图像信息更为丰富,较好地保留了边缘细节信息,纹理清晰,具有更好的视觉效果。(本文来源于《浙江理工大学》期刊2016-01-01）
赵莹莹[9]（2016）在《基于多尺度几何分析的超分辨率图像重建的算法研究》一文中研究指出多尺度几何分析是数字图像处理、视频序列处理和计算机视觉处理等许多科学研究领域的核心技术和研究热点。图像的超分辨率重建就是从所得到的模糊、有噪的的低分辨图像中,采用不同领域的重建方法去最大的恢复原图像。该技术已经在监控领域、医学领域、等领域得到广泛应用。本论文研究用多尺度几何分析方法从低分辨率图像中来重建高分辨率图像,主要是结合小波、轮廓波变换和局部插值方法提高图像的分辨率,并且尽可能保持图像的边缘信息和纹理结构。本论文内容如下:第1章:笼统的阐述了图像重建的过程及应用。简要论述了本文的主要内容。第2章:给出了图像重建的数学模型并且详细阐述了其算法。第3章:阐述了小波变换和Contourlet(轮廓波)变换的理论知识和图像去噪方法。比较两者的去噪效果,由于轮廓波有更多的方向特性,因此采用Contourlet变换对其进行去噪处理,效果较为理想。第4章:本章对单帧图像进行简单的分析,提出了一种基于小波变换和局部自适应的插值方法的单帧图像超分辨重建算法;该方法在提高图像分辨率的同时,还能保持图像的边缘信息和纹理结构。用实验数据检验,与传统的方法相比,视觉效果和峰值信噪比都有显着的改进。第5章:本章对利用多帧图像重建一副高分辨率图形进行分析研究,提出了一种基于小波变换的多帧图像超分辨重建算法;采用Keren运动估计进行图像配准、采用轮廓波变换进行去噪处理,应用小波变换、结合局部自适应的插值方法重建高分辨率图像;该算法充分利用了多帧图像的信息,具有较好的抗噪能力,用实验数据检验,效果明显优于传统方法的图像重建方法。第6章:系统的阐述了本文的相关知识,将其研究方法做了进一步的探讨。(本文来源于《天津职业技术师范大学》期刊2016-01-01）
罗山[10]（2015）在《基于多尺度几何分析的图像增强方法综述》一文中研究指出在对图像增强的现状以及小波图像增强总体概括的基础上,介绍了多尺度几何分析的产生和发展,分析了多尺度几何分析在图像增强中的应用,阐述了几种具有代表性的自适应和非自适应多尺度几何分析图像增强方法,对存在的问题和进一步的研究方向做出总结和展望。(本文来源于《山西电子技术》期刊2015年02期）
图像多尺度几何分析论文开题报告
（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：
首先给出了多分辨分析、两尺度函数的基本概念,并讨论了多分辨分析、两尺度函数的相关性质,为多尺度分析提供了一定的理论基础。在此基础上,利用小波的时频局部性及Randon变换的一些性质,将源图像分解为一系列的子图像,再将分解后的子图像按照融合规则重构成一幅融合图像。最后给出了为达到一定逼近精度的误差界限。
（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。
图像多尺度几何分析论文参考文献
[1].朱卫东,王虎,邱振戈,栾奎峰,韩震.自适应多尺度几何分析的全色和多光谱图像融合方法研究[J].红外技术.2019
[2].冯晶晶,樊亚云,邢瑞芳.基于多尺度几何分析方法的CT与MRI医学图像融合算法[J].科技视界.2019
[3].郭瑞,党建武,沈瑜,刘成.基于多尺度几何分析的雾天图像清晰化算法[J].激光与光电子学进展.2018
[4].李永发.基于图像多尺度几何分析的压缩感知算法研究[D].燕山大学.2018
[5].刘贤文.多尺度几何分析和稀疏表示的多光谱图像融合方法[D].南京理工大学.2018
[6].沈瑜.基于多尺度几何分析的红外与可见光图像融合方法研究[D].兰州交通大学.2017
[7].何旭.基于多尺度几何分析和各向异性扩散的医学超声图像去噪算法研究[D].云南大学.2016
[8].徐卫良.基于多尺度几何分析的医学图像融合算法研究[D].浙江理工大学.2016
[9].赵莹莹.基于多尺度几何分析的超分辨率图像重建的算法研究[D].天津职业技术师范大学.2016
[10].罗山.基于多尺度几何分析的图像增强方法综述[J].山西电子技术.2015