导读:本文包含了图像采样论文开题报告文献综述及选题提纲参考文献，主要关键词:图像处理,医学图像融合,NSST,特征值合成
图像采样论文文献综述
朱文维,李俊峰[1]（2019）在《基于非下采样剪切波变换和特征合成的医学图像融合算法》一文中研究指出针对融合后的医学图像时常存在细节纹理不够清晰的问题,本文提出一种新的基于非下采样剪切波变换(Non-Subsampled Shearlet Transform, NSST)的医学图像融合算法,对多模态医学影像进行融合,增强细节结构提取的能力,提高图像融合质量,为医疗诊断提供依据.首先,将已配准的源图像进行NSST分解,得到低频子带和一系列高频子带;其次,对于低频子带系数,提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略,有利于完整保存基础信息,对于高频子带系数,利用改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)的方法进行融合;接着,将融合过后的低、高频子带进行NSST的逆过程变换,从而得到融合之后的图像;最后,在灰度和彩色医学多模态图像上进行大量的实验,并选择信息熵(IE),空间频率(SF),标准差(SD)和平均梯度(AG)对融合后的图像进行质量评价.仿真结果表明,本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比,信息熵,标准差,空间频率和平均梯度的平均值分别提高了2.99%, 4.06%, 1.78%和1.37%,融合后的图像包含更丰富的细节纹理信息,视觉效果更好.(本文来源于《计算机系统应用》期刊2019年10期）
张翠英[2]（2019）在《基于非下采样剪切波变换的多聚焦图像融合新方法》一文中研究指出为提高融合图像的清晰度,提出了一种基于非下采样剪切波变换(NSST)的多聚焦图像融合新方法。首先,对待融合的两幅源图像采用非下采样剪切波变换,获得低频子带系数和一系列的高频子带系数。然后对低频子带系数采用基于高阶奇异值分解(HOSVD)的融合策略,通过对低频子带进行HOSVD分解,利用Sigmoid函数得到融合低频系数;对高频子带系数采用区域特征选择的融合策略,通过对比区域能量和对比区域方差的差异来确定融合的高频系数。最后,通过NSST逆变换得到融合图像。实验结果表明,该方法能够更好地保留图像的边缘细节信息,在视觉效果和客观指标评价上均优于对比方法。(本文来源于《电脑知识与技术》期刊2019年21期）
牛盼盼,王向阳,杨思宇,文涛涛,杨红颖[3]（2019）在《基于二元Weibull分布的非下采样Shearlet域图像水印算法》一文中研究指出不可感知性、鲁棒性、水印容量是衡量数字图像水印算法优劣的最重要指标,且叁者存在固有的相互矛盾关系,可保持不可感知性、鲁棒性、水印容量之间良好平衡的图像水印方法研究是一项富有挑战性的工作.以非下采样Shearlet变换(nonsubsampled Shearlet transform, NSST)与二元Weibull分布理论为基础,提出了一种基于二元Weibull统计建模的非下采样Shearlet域数字图像水印算法.1)构造出基于非线性单调函数的自适应高阶水印嵌入强度函数;2)根据NSST域尺度间相关性,利用二元Weibull边缘分布对NSST域高熵块奇异值进行统计建模,并估计出二元Weibull统计模型参数;3)结合NSST域二元Weibull边缘分布模型与最大似然决策理论,构造出二元数字水印检测器并盲提取水印信息.仿真实验结果表明:该算法可以较好地获得不可感知性、鲁棒性、水印容量之间的良好平衡.(本文来源于《计算机研究与发展》期刊2019年07期）
刘帅奇,王洁,安彦玲,李子奇,胡绍海[4]（2019）在《基于CNN的非下采样剪切波域多聚焦图像融合》一文中研究指出结合非下采样剪切波变换的时频分离优良特性,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的非下采样剪切波变换(non-subsampled shearlet transform,NSST)域图像融合算法.首先对源图像进行NSST分解,其次对分解的低频系数进行基于CNN的融合策略.最后对分解的高频系数进行基于向导滤波(guided filtering,GF)的改进加权的拉普拉斯能量和(improved weighted sum of Laplace energy,IWSML)模取大融合策略,然后将根据不同融合规则融合后的频率系数进行NSST反变化获取输出的清晰目标图像.实验结果表明,该方法不仅可以获得更利于人眼接受的视觉效果图,且有效地提高了融合图像的客观性能评价指标.(本文来源于《郑州大学学报(工学版)》期刊2019年04期）
沈跃,李尚龙,刘慧,刘加林[5]（2019）在《基于Dog-Leg正则化自适应压缩采样的植株图像重构》一文中研究指出目标植株的图像压缩与重构在农作物生长状态检测、田间管理和果树病虫害识别等方面有重要作用。传统的图像压缩感知方法存在重构精度低、时间长等问题。针对这些情况,该文提出一种基于Dog-Leg最小二乘的正则化自适应压缩采样匹配追踪(regularized adaptive compressed sampling matching pursuit based on Dog-Leg,DLRa CSMP)算法。该算法以压缩采样匹配追踪(compressive sampling matching pursuit,Co Sa MP)算法为基础,在迭代过程中采用正则化处理,确保支撑集选取的准确性,并结合变步长自适应思想和Dog-Leg最小二乘算法,在实现稀疏度自适应的同时,提高重构速率;选用Kinect获取目标植株的彩色图像,分别采用HSV彩色空间的亮度和色调特征及Sobel算子的轮廓特征输入至Itti模型中融合构建显着性特征图,以简化复杂背景和突出目标植株。试验结果表明,该算法在采样率为0.50时植株原始图像和显着性特征图的重构时间分别为2.14和1.75 s,较Co Sa MP算法分别缩短6.57和6.31 s,重构效率比CoSaMP算法平均分别提高75.5%和77.9%;图像峰值信噪比分别高达35.16和38.93 dB,较Co Sa MP算法分别提高6.12和5.75 dB,且重构精度比Co Sa MP算法平均分别提高21.6%和15.5%,可以实现植株图像的快速精确重构。(本文来源于《农业工程学报》期刊2019年12期）
杨康,贾棋,罗钟铉[6]（2019）在《基于广义Ricci曲率及深度信息的图像采样方法》一文中研究指出随着采样技术的提高、数据量的剧增,给数据的存储及传输造成了一定困难,因此对数据进行重采样,以压缩数据量是解决该问题的一个有效手段.针对灰度图像采样问题,利用密度流形的广义Ricci曲率提出一种采样点之间相关性的衡量方法.首先,将图像看做是对二维流形的着色,通过处理目标物的深度或构造其深度,保留需要着重采样区域的深度信息;其次,结合深度与灰度信息计算密度流形的Ricci曲率;最后,根据相关性原则筛选采样点并重建图像.此外,针对采样过程提出了全局采样及加速的局部采样2种方式,用于权衡速度与精度.采用大量的标准测试图进行实验结果表明,该方法可以有效地应用于灰度图像的压缩;与已有方法相比,该方法在灰度变化剧烈、复杂的边缘采样点分布更为密集,同时对灰度变化平缓的区域采样点也相对更少.(本文来源于《计算机辅助设计与图形学学报》期刊2019年06期）
张解放[7]（2019）在《融合Retinex和非下采样Contourlet图像增强的车牌识别算法研究》一文中研究指出经济的快速发展,生活质量的不断提高,使用汽车的频率越来越高,车牌识别系统(LPR)也是进步迅猛。在现实生活中,拍摄到的画面并不是在理想的情况下,因此对此时图像实施车牌识别时会很有难度,容易识别错误。LPR相比于其他的图像识别系统对及时性与准确性的要求会更严格,固然国内外学者已经做了许多研究,但对于复杂环境下车牌识别技术仍存在缺陷。本文先是对国内外车牌识别技术的现状进行学习,在研究现有算法基础上提出车牌识别算法的改进。本文主要针对车牌系统的预处理、字符识别两个方面做的改进,并依据所改进的算法实现了车牌识别系统。本文主要工作和创新点如下:一是对车牌预处理阶段的图像增强,针对在雾霾等恶劣天气条件下部分车牌图像中存在的对比度不足、整体偏暗等问题,提出了融合Retinex的非下采样Contourlet域的改进图像增强算法。改进后的车牌图像预处理算法能够明显改善图像对比度与信息熵,因此改善了图像视觉感观,使图像在预处理阶段得到一次有效加强,为后面的字符分割及识别处理提供前期条件。二是针对车牌字符识别方面的改进,在前期的预处理和字符分割完成后,分析现在的车牌字符识别算法的基础上得出因样本空间分类多导致网络训练失败的缺点,而卷积神经网络(CNN)采用梯度的修改反向传播方法,能够直接克服上述不足,所以采用CNN对车牌字符进行识别。根据CNN算法理论,提出了一种六层的卷积神经网络结构,能够克服训练失败、延时大的缺点,对算法进行实验,实验显示改进算法能够明显的提升识别率。叁是结合上面的预处理阶段的改进算法,在MATLAB平台实现了车牌识别系统,能够对拍摄到的光照偏暗、有噪声的车牌图像进行有效的处理,并得到正确的识别结果。图[30]表[4]参[55](本文来源于《安徽理工大学》期刊2019-06-03）
郭庆荣[8]（2019）在《基于非下采样剪切波变换和模糊对比度的数字图像增强算法的研究》一文中研究指出目前,成像技术的快速发展使得图像的获取变的越来越方便。但是由于图像在采集和传输的过程中各种干扰的影响,导致出现了对比度较低、清晰度下降、信息丢失等问题,给后续图像的处理和应用增加了困难。图像增强的主要目的是有针对性的凸显目标信息的特征,最大程度的减少噪声,改善细节信息的清晰度,使之更有利于对图像的后续解析和应用。本文研究的主要内容是分别以遥感图像和医学图像为研究对象来验证本文所提算法。(一)对于遥感图像,由于采集和传输过程中的各种干扰,导致许多细节信息的丢失,清晰度的下降和信噪比的降低等问题,因此本文提出一种NSST与模糊对比度相结合的遥感图像增强算法。首先,原始图像通过NSST分解为低频分量和高频分量;然后线性增强低频分量以改善图像的整体对比度,并通过阈值法去除高频分量中的噪声,以消除其对图像细节的影响;接着,对处理后的低频和高频分量进行NSST逆处理;最后,对前面获得的图像使用模糊对比度增强以改善图像的层次感,突出显示细节信息。实验结果表明,与传统算法相比,该算法不仅取得了清晰的视觉效果,同时在去噪效果,提高对比度等方面均有明显的提升。(二)目前,医学图像已经越来越多的应用于现代医学诊断体系。然而,由于成像过程中图像受到各种干扰的影响,最终影响医生对病情的预判。因此,本文提出了一种基于NSST和模糊对比度的医学图像增强算法。首先,原始图像使用自适应直方图均衡化以增强图像的整体对比度;然后通过NSST将获得的图像分解为高频分量和低频分量;接着通过阈值法增强高频分量以去除图像中的噪声,使用线性变换增强低频分量以改善对比度;接着,对处理后的两个部分进行NSST逆处理,获得重建图像;最后,使用模糊对比度算法处理重建图像,以改善图像细节和纹理信息,获得最终增强图像。实验结果表明,该算法不仅可以得到良好的视觉效果,而且峰值信噪比(PSNR),均方根误差(Rmse)和时间等客观指标,都具有明显的优势。(本文来源于《新疆大学》期刊2019-06-03）
张乐[9]（2019）在《基于低相干投影矩阵和自适应采样率的图像压缩与重构》一文中研究指出压缩感知理论是一种新兴的图像压缩工具,其打破了奈奎斯特采样定理对采样频率的约束。该理论利用信号的稀疏性,将信号的采样和压缩同时进行,再通过不同的重构算法高精度地恢复出原始信号。在图像信号的压缩过程中,投影矩阵起着关键的作用,极大地影响了图像信号压缩重构的性能。采样速率的高低对于图像重构具有决定性作用,根据不同图像块的特性自适应地选择不同的采样率,能够有效提高图像压缩性能。因此,本文针对投影矩阵的优化和自适应采样率进行研究,主要创新工作如下:1.为了降低投影矩阵和稀疏基矩阵间的相干性以及提高投影矩阵的鲁棒性,提出了一种基于紧框架和稀疏表示误差的投影矩阵优化算法。该算法首先将Gram矩阵同时逼近单位矩阵和紧框架以降低感知矩阵的平均互相干性;然后将稀疏表示误差作为正则项加入传统优化模型中,来提高投影矩阵的鲁棒性;最后求出投影矩阵的解析解,保证优化算法的收敛性。实验结果表明,所构造投影矩阵的平均互相干系数至少可降低0.03,且所构造投影矩阵具有更强的鲁棒性。2.针对分块压缩感知固定采样率存在的采样资源分配不均和采样资源浪费的问题,同时为了改善自适应采样率存在的采样机制单一和观测资源分配不灵活的不足,提出一种基于自然指数衰减的自适应采样率算法。该算法首先将图像等大小分块以减小设备的运算和存储压力;然后以两次重构图像块的后验SSIM指数为标准分配不同的采样率,保证新的自适应机制考虑图像的全局信息;最后引入自然指数衰减函数设计变步长投影矩阵搜索模式,保证算法的收敛速度。实验结果表明,相比固定采样率算法,所提自适应采样率算法具有更好的重构性能。(本文来源于《重庆邮电大学》期刊2019-06-02）
班晓征[10]（2019）在《面向稀疏采样的图像重建算法研究》一文中研究指出层析成像技术广泛应用于无损检测、超视距雷达成像等领域。图像重建是层析成像的核心,虽然发展了很多年,但随着新应用和新需求的层出不穷,图像重建算法面临着许多不足,其中稀疏采样背景下的图像重建问题,由于求解的不适定性在学术界受到广泛关注。一方面,新的理论例如压缩感知等被引入,通过对图像进行稀疏化表示获得图像特征值,然后在迭代过程中去除噪声逼近原始图像。另一方面,一些经典图像重建算法与神经网络等人工智能方法相结合,力图为欠采样重建图像与全采样图像建立映射关系,但是由于欠采样导致恢复投影数据或者修复重建面临很多困难,因此本文针对这一问题展开研究,主要研究工作和创新点可以被概括为如下:(1)提出了一种基于非局部先验约束的PGS-MTGV图像重建算法。针对广义全变分模型重建图像时不能充分利用图像本身结构自相似性的缺点,为了提升稀疏采样背景下的图像重建质量,首先构建了一种非局部约束下的图像重建模型,该模型引入了变化域非局部自相似性作为图像重建的先验信息,同时在八邻域空间计算多方向的广义全变分正则化约束;其次,通过增广拉格朗日算法对模型去约束化,并推导出基于改进广义全变分的模型求解方法。最后,基于上述研究进一步提出图像重建算法,算法在迭代中首先根据非局部信息修正先验图像,然后对改进的模型进行求解得到重建图像。实验结果表明,所提出的PGS-MTGV图像重建算法可以有效的去除图像中的伪影,满足稀疏采样情形下对图像重建质量的要求。(2)提出了一种基于混合正则化模型的AWAT重建算法。首先针对TV正则化图像重建算法在欠采样环境中容易对噪声敏感且出现伪影的问题,建立了一种结合离散小波和TV的双正则化自适应加权图像重建模型;然后,基于该模型提出了一种自适应加权迭代重建算法。该算法在每次迭代中首先通过阈值收缩方法依次计算TV正则项、小波系数先验项和噪声项;其次更新待重建图像;最后为了进一步提升重建图像的质量,引入迭代支集检测方法,对小波系数计算其自适应权重,降低了重建算法对投影数据量的要求。实验结果表明,AWAT算法在时间效率和重建质量上相比于LSQR-STF、L1TV等算法能够获得更好的综合表现。(本文来源于《江南大学》期刊2019-06-01）
图像采样论文开题报告
（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：
为提高融合图像的清晰度,提出了一种基于非下采样剪切波变换(NSST)的多聚焦图像融合新方法。首先,对待融合的两幅源图像采用非下采样剪切波变换,获得低频子带系数和一系列的高频子带系数。然后对低频子带系数采用基于高阶奇异值分解(HOSVD)的融合策略,通过对低频子带进行HOSVD分解,利用Sigmoid函数得到融合低频系数;对高频子带系数采用区域特征选择的融合策略,通过对比区域能量和对比区域方差的差异来确定融合的高频系数。最后,通过NSST逆变换得到融合图像。实验结果表明,该方法能够更好地保留图像的边缘细节信息,在视觉效果和客观指标评价上均优于对比方法。
（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。
图像采样论文参考文献
[1].朱文维,李俊峰.基于非下采样剪切波变换和特征合成的医学图像融合算法[J].计算机系统应用.2019
[2].张翠英.基于非下采样剪切波变换的多聚焦图像融合新方法[J].电脑知识与技术.2019
[3].牛盼盼,王向阳,杨思宇,文涛涛,杨红颖.基于二元Weibull分布的非下采样Shearlet域图像水印算法[J].计算机研究与发展.2019
[4].刘帅奇,王洁,安彦玲,李子奇,胡绍海.基于CNN的非下采样剪切波域多聚焦图像融合[J].郑州大学学报(工学版).2019
[5].沈跃,李尚龙,刘慧,刘加林.基于Dog-Leg正则化自适应压缩采样的植株图像重构[J].农业工程学报.2019
[6].杨康,贾棋,罗钟铉.基于广义Ricci曲率及深度信息的图像采样方法[J].计算机辅助设计与图形学学报.2019
[7].张解放.融合Retinex和非下采样Contourlet图像增强的车牌识别算法研究[D].安徽理工大学.2019
[8].郭庆荣.基于非下采样剪切波变换和模糊对比度的数字图像增强算法的研究[D].新疆大学.2019
[9].张乐.基于低相干投影矩阵和自适应采样率的图像压缩与重构[D].重庆邮电大学.2019
[10].班晓征.面向稀疏采样的图像重建算法研究[D].江南大学.2019