一、基于小波变换的分形图像去噪与边缘检测（论文文献综述）
陈顺[1]（2021）在《几种类型图像边缘检测的相关问题研究》文中进行了进一步梳理近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像灰度化后进行边缘检测是我们最常见的图像边缘检测方式,而彩色图像由于具有多种不同颜色空间使得边缘检测更为复杂。因此,本文将针对灰度印花织物图像、彩色图像、灰度遥感图像等图像边缘检测的相关问题展开研究。针对印花织物图像中存在丰富的纹理信息和噪声问题,本论文提出一种基于改进滤波器与小波的印花织物图像边缘提取算法。将系数相关性分析的思想运用到滤波器的改进,应用指数函数结合连分式逼近思想确定权值。将欧氏距离公式用于改进自适应中值滤波器,并采用自适应权值公式确定权值。最后改进二维Otsu算法求得最优梯度阈值用于小波模极大值法。针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,本论文提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理,然后运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角,最后对梯度幅值进行非极大值抑制,并采取自适应双阈值处理得到边缘检测图像。针对遥感图像对比度低和含有大量噪声问题,本文提出一种结合图像增强的遥感图像边缘检测算法。其基本思想是对NSCT（非下采样轮廓波变换）分解的高低频分量采用Top-hat变换进行图像增强突出细节信息,然后采用改进Canny算子得到边缘图像,并去除部分孤立点得到最终边缘图像。针对含噪齿轮图像边缘检测中存在难以有效抑制噪声等问题,提出一种融合Canny算子和数学形态学的边缘检测算法。首先对图像进行小波分解得到各层子图像,然后分别对子图像采用自适应加权融合,最后重构图像得到边缘检测图像。
龚勋,杨菲,杜章锦,师恩,赵绪,杨子奇,邹海鹏,罗俊[2]（2020）在《甲状腺、乳腺超声影像自动分析技术综述》文中研究表明超声诊断是甲状腺、乳腺癌首选影像学检查和术前评估方法.但良/恶性结节的超声表现存在重叠,仍欠缺定量、稳定的分析手段,严重依赖操作者的经验.近年来,基于计算机技术的医疗影像分析水平快速发展,超声影像分析取得了一系列里程碑式的突破,为医疗提供有效的诊断决策支持.以甲状腺、乳腺两类超声影像为对象,梳理了计算机视觉、图像识别技术在医学超声图像上的学术进展,以超声影像自动诊断涉及的一系列关键技术为主线,从图像预处理、病灶区定位及分割、特征提取和分类这4个方面对近年来主流算法进行了详尽的综述分析,从算法分析、数据和评估方法等方面进行多维度梳理.最后讨论了具体面向这两种腺体的超声图像计算机分析存在的问题,并对此领域的研究趋势和发展方向进行了展望.
王永乐[3]（2020）在《基于卷积神经网络的的雷达图像处理》文中研究表明合成孔径雷达（Synthetic Aperture Radar,SAR）是把几个尺寸较小的真实天线合成孔径雷达,利用雷达与目标的相对运动,通过传感器和数据处理的方法合成为一个等效真实天线合成孔径的雷达。SAR图像具有全天时、全天候等特点,广泛应用于经济和军事等各个领域。SAR目标识别技术是利用先进的雷达采集图像的信息,对目标种类及型号等其他属性进行判定识别,并且由于其优良的特性,被广泛应用于军事上的战场侦察及精确打击等领域。随着时代的进步,SAR目标识别技术得到越来越多的发展,逐渐趋于成熟。本文针对SAR图像目标识别,进行如下工作:首先针对合成孔径雷达图像的分类优化方法,提出一种基于多特征与卷积神经网络的SAR图像分类方法Canny-WTD-CNN。将Canny算子提取的边缘特征,与小波阈值去噪法提取的小波特征进行特征融合,作为卷积神经网络的输入;以softmax为分类器,对SAR图像进行分类识别检测。该方法在去除SAR图像噪声的同时能很好地保留图像的边缘特征,有效提高算法的精确度。其次在原有算法的基础上进行改进,提出一种新型SAR目标识别算法MOPSO-WTD-Canny-CNN,利用MOPSO优化小波阈值去噪算法中的阈值,以及Canny边缘特征提取算法中的双阈值,构建了一种新的优化网络结构—MOPSO-WTD-Canny,在去噪的同时更好的保留图像边缘信息,将寻找出来的最优阈值用到WTD-Canny-CNN算法中,进行分类识别。最后利用MSTAR公开数据集进行仿真实验,比较各类去噪算法与边缘提取算法在进行特征融合后的识别准确率,并与其它已提出的算法进行实验比较,结果表明该算法具有较高的准确性。
伍子锴[4]（2019）在《基于小波及分形码去噪算法的研究》文中研究表明图像在存储和传输过程中,通常会受到不同的噪声干扰,从而导致图像的失真模糊现象。为了从受噪声污染的图像中获得有价值的信息并且改善图像的质量,就必须对含噪图像进行去噪处理,而含噪图像的去噪效果将会直接影响到图像后续处理的结果。本文主要是对小波包、偏微分方程及分形码图像去噪入手进行深入研究,对多种方法进行改进和相互结合,提出了新的去噪方法。结果表明,新方法很好的保留完整细节和边缘信息,有效的去除噪声。主要工作内容包括以下几方面:1.详细分析图像去噪的国内外研究现状、研究背景和意义,对基于小波、偏微分方程和分形图像编码的图像去噪算法进行了分析和研究。2.深入研究小波包以及偏微分方程的原理,针对大部分偏微分方程去噪算法去噪后边缘纹理信息容易被磨光,尤其是图像的灰度渐变区和图像淡边缘,不能有效地鉴别而被破坏的问题,利用小波包更加精细的信号分解能力和偏微分方程控制梯度变化的优异性能,提出一种新的小波包与偏微分方程相结合的图像去噪算法,用以保护边缘纹理等细节信息,同时兼顾去噪性能。3.深入研究基于分形码的图像去噪,并提出了一种有效的基于分形的图像去噪方法,分层分类用于提高编码速度,并避免大量无效的均方误差（Mean Square Error,MSE）计算。使用动态定义域块和值域块大小的基于四叉树的图像分区用于增加噪声消除的程度。使用非任意种子图像和附加的后处理来实现进一步的去噪。
马嘉文[5]（2019）在《基于图像处理的大坝裂缝检测算法研究》文中指出中国大坝水库总量雄踞世界第一,然而水库的溃坝率、老化率等问题十分严重。传统的大坝检测主要是依靠人工检测,人工检测具有易出现危险,不够精确,以及浪费人力物力等缺点。大坝裂缝图像受大坝环境的影响往往存在对比度低、光照不均匀以及表面噪声干扰严重的问题。使用计算机图像处理技术直接对大坝图像进行图像裂缝提取检测效果十分不理想,而大坝图像的纹理噪声干扰问题、水下大坝图像的模糊难以识别问题、复杂裂缝的骨架提取问题无不增加了大坝裂缝检测的困难。针对水上大坝图像的纹理噪声干扰问题,本文通过分析噪声信号的频谱特征,得出噪声信号与图像信号的频谱关系,使用基于小波变换的图像去噪算法进行去噪。算法首先对图像信号进行离散小波化处理,用小波函数进行2层分解。接着,设置阈值过滤掉噪声信号,然后通过两次重构得到最终的去噪图像。针对水下大坝图像难以识别的问题,根据大坝裂缝水下成像模型展开图像增强技术的研究。本文提出的暗通道图像增强算法利用暗通道先验理论对散射折射模型进行推演,得出图像的复原表达式。算法通过下采样及导向滤波快速地获取大气光值及透射率,利用加权求和的方式对透射率进行优化,并依据大气光值及透射率值反求得到增强图像。本文提出基于mask原理的大坝图像匀光算法解决光照不均对水下大坝图像成像造成的干扰。算法通过建立矩形滤波掩模,将大坝水下裂缝图像与矩形滤波掩模做二维卷积从而拟合出水下大坝图像的光照强度变化图。利用mask模型反求得到初步的匀光图像,紧接着进行拉伸增强得到最终的匀光结果。针对PCNN算法使用需要花费大量时间调参的问题,本文提出了基于遗传算法的PCNN图像分割算法,通过遗传算法最优搜寻PCNN所需的阈值矩阵,可以自动化地完成图像的分割功能,极大地降低了人工调参所需的成本。最后根据数学形态学以及连通域原理对得到的骨架裂缝进行了参数计算,从而能够自动化地完成裂缝检测。
王智文,李绍滋[6]（2014）在《基于多元统计模型的分形小波自适应图像去噪》文中认为为了克服分形小波去噪方法缺乏保护图像的边缘与细节的缺陷,文中提出了一种基于多元统计模型的分形小波自适应图像去噪算法.通过建立一个参数可以灵活改善的多元统计模型来准确地估计各种相关信息,并通过最小化残差来自适应调整模型参数;在适度的噪声方差下根据拼贴距离找出最好的子树域中的近优父子树,通过使用四叉树分割来实现对噪声图像自适应地预测分形小波无噪图像编码,从而达到去除噪声和保护图像的边缘与细节的目的.实验结果表明,该方法在去除噪声的同时,能有效地保持图像的边缘特征和保留图像的精细结构.由于采用了预测小波分形编码,优化了算法结构,算法的处理速度比较快.因此,完全可以达到实时图像处理过程中的去噪预处理对处理速度的要求.
张惊雷[7]（2009）在《复杂天气条件下交通监控系统目标检测与跟踪技术研究》文中进行了进一步梳理随着数字摄像机的和计算机技术的大量普及,基于计算机视觉的应用蓬勃发展,在这些计算机视觉的应用中,视频交通监控技术受到人们的广泛关注。但现有的户外监控系统对自然光有很强的依赖性,而且容易受自然界中的各种干扰的影响。我们提出一个能在雨、雪、雾等复杂天气条件下工作的新型交通监控系统,我们认为自然界中的雨和雪对于图像来说是一种噪声,而雾天对应的是图像对比度的下降。则交通监控系统应配备强有力的噪声消除和对比度增强功能。本文提出了基于Curvelet shrink的自适应WRAPPING算法用以消除图像噪声。作为新兴的多尺度的图像处理算法之一,曲波变换以其对各项异性曲线的稀疏表达的优势,使得在图像去噪领域应用广泛。在图像去噪和增强领域,曲波比小波方法更有优势。本文改进了传统WRAPPING算法的阈值方法,图像的曲波系数在一个规定的窗口模板内进行阈值萎缩,此法能显着提高峰值信噪比（PSNR）,最多能提高8-10dB。与小波硬阈值和软阈值方法的对比实验显示,本文方法无论PSNR还是主观视觉效果都有显着提升,其重建的图像边缘保持良好。本文的另一亮点是提出了基于感兴趣区的小波边缘检测算法和基于亮度信息的前景目标分割中的阴影消除算法。对于前景目标的阴影消除是计算机视觉中的公认难题,本文先对感兴趣区（ROI）进行2-D Haar小波变换,然后将ROI区域从RGB空间转换到HSI空间,则阴影部分对应的是小波系数模极大值小（对应边缘较少）且亮度较低的区域。实验结果显示本文方法能有效地消除目标阴影。在图像分割后,下一个重要问题就是对目标的跟踪。本文提出了基于三状态的改进Kalman滤波的车辆跟踪算法,通过定义最大近邻距离（MCD）模板及相关匹配准则,有效地克服了目标跟踪过程中的遮挡问题造成的目标丢失问题。
章毓晋[8]（2008）在《中国图像工程:2007》文中提出该文是关于中国图像工程的年度文献综述系列之十三。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2007年在国内15种有关图像工程重要中文期刊的共118期上发表的3312篇学术研究和技术应用文献中,选取出895篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理、图像分析、图像理解、技术应用和综述5个大类,然后进一步分入23个专业小类（与去年相同）。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到我国图像工程在2007年许多新进展的情况。特别值得指出,在上述15种期刊上所发表的图像工程文献数量在2007年有大幅增加并达到历史最高,显示了图像工程研究在中国继续发展的趋势。
廖云良[9]（2008）在《基于小波分形的图像处理算法研究及应用》文中认为在图像分析过程中,由于图像信息本身的复杂性,将导致信息的不完整、不精确和非结构化等问题,传统的方法已经无法解决这些问题,必须采用先进信息处理技术的新方法以弥补传统方法的不足。先进信息处理技术包括小波分析、分形等理论。这些理论和技术各有特色,能够在不同程度上解决问题,但如果利用它们之间的联系（如相似性、互补性等）,将它们结合起来可以更好地解决上述问题。小波分析是目前国际上最新的时频分析工具,在图像处理方面有着广泛地应用。分形概念的出现为人们认识事物的局部与整体的关系提供了一种辨证的思维方式,分形维是其主要的定量特征。小波分析是采用局部对整体依赖性的系统方法,而分形则研究局部信号以确定信号的整体特性,两者的研究内容均涉及对象的局部细节。正是小波与分形具有这种内在的联系,小波与分形结合可能能达到问题更好的解决。所以本文着重讨论小波与分形的结合在图像处理中的应用,详细讨论了小波与分形的基本理论,给出Mallat的快速分解与重构算法和有关分形参数计算的方法。研究了不同小波基的特性与不同的小波基算法,研究了最佳小波基的搜索算法,分析了分形熵在最佳小波基选取上的应用。另外本文还详细介绍了分形在小波去噪中的应用,研究了分形常数与小波消失矩间的关系,从而选取最佳消失矩长度的去噪小波基。分析了去噪过程中几个参数的选取问题;对小波阈值进行了详细讨论,并给出了改进的阈值去噪方法,最后通过实验,证明这些改进方案的有效性。讨论了二代提升小波与双数复小波的基本理论,并且提出了尺度适应性二代小波与双数复小波的图像去噪算法。最后通过实验,证明这两种小波算法在图像去噪中都比传统小波效果更好,具有很好的应用价值。详细介绍了分形在小波边缘检测中的应用,利用分形常数选取最佳边缘小波基。传统的边缘检测基于一阶导数极大值或二阶导数零交叉的定义,这种定义对噪声非常敏感。本文利用不同图像的分形参数选取最佳边缘小波基,针对传统基于模极大值的边缘检测算法,本文提出一种自适应阈值的小波边缘检测算法。实验证明这种新算法较传统边缘算法更优,该算法在图像带噪的情况下,检测出较为准确的边缘,具有更好的应用价值。详细介绍了小波分析在图像融合中的应用,研究了不同小波基的融合算法和不同分解层数对融合效果的影响。本文提出了使用小波变换对两幅不同分辨率图像进行融合的方法。对两幅图像进行小波变换后,分解成不同频率段的子图像,然后把分解后的不同子频率段系数进行处理,得到处理的小波系数矩阵,对该矩阵进行反变换,得到一幅吸取两幅图像优势的融合图像。实验证明该方法进行图像融合效果较好,也说明了本文提出的基于小波变换的融合法在图像融合中具有很好的应用价值。
任贵粉[10]（2020）在《基于时频分析和图像处理的机械故障特征提取方法研究》文中研究指明在机械中旋转机械最为常见且其在工业中的地位也非常显着,因其通常在恶劣的工作环境下并且长期运作,易损坏发生故障的概率极大,意外的故障会对工作人员的安全及经济的生产都带来严重的威胁和损失。因此,对机械故障诊断与检测是极其重要的,以旋转机械中的轴承为例,对其振动信号进行检测研究。在该领域中,对故障的特征进行提取一直都是研究的热门课题,本文在该问题的研究上是从时频分析和图像处理两方面共同进行的,目的是做到双重检测,最大程度降低安全隐患。具体研究内容如下:（1）因EMD在对信号进行分解时有着重要的缺点即模态混叠问题,所以针对此问题进行改进,提出用HVD对其进行改进,此方法比典型的EEMD、CEEMDAN在对信号的分解分析上有优势,分辨率高而且能完全避免模态混叠。在对小波阈值的去噪分析中,改进阈值去噪是在小波阈值的基础上结合“3?准则”的思想进行改进得到的,其去噪效果比传统的小波阈值的好,经过对模拟信号的去噪对比已经验证。（2）在基于时频分析的特征提取研究中,提出了基于HVD与改进阈值的去噪新算法,对故障信号进行分析并为后续的故障特征的提取提供保障,该算法在应用在美国凯斯西储大学的轴承数据分析之前先对模拟信号进行去噪并与EMD、EEMD、CEEMDAN分别与改进阈值去噪相结合的方法进行对比,从主观视觉和客观评价上都一致表明本文方法的效果好。最后为了获得故障特征要对去噪后的内外圈信号进行以HHT为技术支持的包络谱分析,在对以上4种方法获得的频率对比中得出无论是在提取频谱的幅值还是分辨率上本文方法是都是最好的。（3）基于图像处理的特征参数提取的研究中,先是针对高斯、椒盐两种不同的噪声分别提出基于小波与高斯滤波去噪方法和基于小波与AMF滤波去噪方法,因中值滤波不能判断噪声点及窗口不变等问题,对其用自适应中值滤波-AMF改进,然后利用小波的多分辨率分析进行改善去噪后边缘模糊的问题。（4）在对去噪后的故障图像提取特征参数时,提出了基于canny算子的特征参数提取方法,对提取出的故障边缘通过函数bwperim和bwarea计算出周长和面积两个基本的参数,最终用圆度和畸形度判断故障发生的程度。
二、基于小波变换的分形图像去噪与边缘检测（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、基于小波变换的分形图像去噪与边缘检测（论文提纲范文）
（1）几种类型图像边缘检测的相关问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 织物图像边缘检测研究现状 |
| 1.2.2 彩色图像边缘检测研究现状 |
| 1.2.3 遥感图像边缘检测研究现状 |
| 1.2.4 齿轮图像边缘检测研究现状 |
| 1.3 图像去噪预处理研究 |
| 1.3.1 图像噪声分类 |
| 1.3.2 图像卷积处理 |
| 1.3.3 图像去噪方法 |
| 1.3.4 图像去噪效果客观评价指标 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 2 印花织物图像边缘提取 |
| 2.1 传统滤波器介绍 |
| 2.1.1 高斯滤波器 |
| 2.1.2 均值滤波器 |
| 2.1.3 修正的阿尔法均值滤波器 |
| 2.1.4 中值滤波器 |
| 2.1.5 自适应中值滤波器 |
| 2.2 改进滤波器 |
| 2.2.1 改进修正的阿尔法均值滤波器 |
| 2.2.2 改进自适应中值滤波器 |
| 2.3 小波模极大值法边缘检测 |
| 2.3.1 经典小波模极大值法 |
| 2.3.2 传统Otsu算法 |
| 2.3.3 改进的小波模极大值法 |
| 2.4 印花织物图像边缘检测实验过程 |
| 2.4.1 高斯噪声平滑实验分析 |
| 2.4.2 椒盐噪声平滑实验分析 |
| 2.4.3 混合噪声平滑实验分析 |
| 2.4.4 印花织物图像边缘提取实验分析 |
| 2.5 本章小结 |
| 3 彩色图像边缘检测研究 |
| 3.1 基于小波变换的去噪算法研究 |
| 3.1.1 小波变换的基本理论 |
| 3.1.2 基于小波变换的去噪方法介绍 |
| 3.2 基于小波变换的小波阈值去噪算法介绍 |
| 3.2.1 小波阈值去噪原理 |
| 3.2.2 常见的小波阈值去噪函数 |
| 3.2.3 自适应阈值选取 |
| 3.3 改进小波阈值去噪函数 |
| 3.3.1 改进自适应阈值选取 |
| 3.3.2 建立多层小波阈值去噪函数 |
| 3.3.3 多层小波阈值去噪函数效果验证 |
| 3.4 四元数理论构建特征矩阵 |
| 3.4.1 四元数理论及基本运算 |
| 3.4.2 四元数表示彩色图像 |
| 3.4.3 四元数结合Canny算子 |
| 3.5 彩色图像边缘检测实验过程 |
| 3.6 本章小结 |
| 4 齿轮图像边缘检测研究 |
| 4.1 数学形态学边缘检测 |
| 4.1.1 数学形态学基本理论 |
| 4.1.2 数学形态学的基本运算 |
| 4.2 Canny算子边缘检测 |
| 4.2.1 传统Canny算子 |
| 4.2.2 传统Canny算子分析 |
| 4.3 改进Canny算子边缘检测 |
| 4.3.1 改进梯度幅值和梯度幅角计算方式 |
| 4.3.2 改进阈值选取方式 |
| 4.4 改进数学形态学边缘检测 |
| 4.5 齿轮图像边缘检测实验过程及分析 |
| 4.5.1 改进数学形态学算法去噪效果验证 |
| 4.5.2 齿轮图像边缘检测实验过程 |
| 4.6 本章小结 |
| 5 遥感图像边缘检测研究 |
| 5.1 Top-hat变换基本理论 |
| 5.2 改进的一维Otsu阈值分割算法 |
| 5.3 非下采样轮廓波变换(NSCT)基本理论 |
| 5.4 遥感图像边缘检测算法 |
| 5.4.1 边缘检测算法整体流程 |
| 5.4.2 边缘检测算法实验过程 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（2）甲状腺、乳腺超声影像自动分析技术综述（论文提纲范文）
| 1 概述 |
| 2 超声图像预处理 |
| 2.1 超声图像增强 |
| 2.1.1 直方图均衡化 |
| 2.1.2 模糊增强 |
| 2.1.3 其他代表性方法 |
| 2.1.4 量化评价指标 |
| 2.1.5 小结 |
| 2.2 超声图像去噪 |
| 2.2.1 空间域滤波法 |
| 2.2.2 偏微分方程 |
| 2.2.3 变换域 |
| 2.2.4 深度学习 |
| 2.2.5 量化评价标准 |
| 2.2.6 小结 |
| 3 超声图像的病灶区定位及分割 |
| 3.1 阈值法及边缘法 |
| 3.2 区域法 |
| 3.3 图论法及聚类 |
| 3.4 活动轮廓模型 |
| 3.5 神经网络 |
| 3.6 定位及分割评价标准 |
| 3.7 小结 |
| 4 特征提取及诊断判别 |
| 4.1 二维超声 |
| 4.1.1 甲状腺 |
| 4.1.2 乳腺 |
| 4.2 三维超声 |
| 4.3 弹性成像 |
| 4.4 多模态数据 |
| 4.5 量化评价标准 |
| 4.6 小结 |
| 5 总结及展望 |
（3）基于卷积神经网络的的雷达图像处理（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要结构与内容 |
| 第二章 相关知识介绍 |
| 2.1 SAR图像介绍 |
| 2.2 MSTAR实验数据集介绍 |
| 2.3 图像去噪算法介绍 |
| 2.3.1 各类图像去噪算法 |
| 2.3.2 小波阈值去噪法 |
| 2.4 图像边缘提取算法介绍 |
| 2.4.1 各类边缘检测算法 |
| 2.4.2 Canny边缘检测 |
| 2.5 卷积神经网络 |
| 2.5.1 基本结构 |
| 2.5.2 主要特点 |
| 2.6 多目标优化问题 |
| 2.7 本章小结 |
| 第三章 基于多特征与卷积神经网络的SAR图像识别 |
| 3.1 图像预处理 |
| 3.2 多特征提取 |
| 3.2.1 小波去噪特征 |
| 3.2.2 Canny边缘特征 |
| 3.2.3 多特征融合 |
| 3.3 多特征与卷积神经网络的结合 |
| 3.4 仿真实验 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 改进的多特征与卷积神经网络的SAR图像识别 |
| 4.1 多目标粒子群优化算法 |
| 4.2 图像质量评价指标 |
| 4.3 基于MOPSO的WTD-Canny优化结构 |
| 4.4 实验结果对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（4）基于小波及分形码去噪算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 图像去噪技术的研究现状 |
| 1.3 本文的主要安排 |
| 第二章 图像去噪技术的相关理论 |
| 2.1 小波变换 |
| 2.1.1 理论概述 |
| 2.1.2 阈值去噪 |
| 2.2 偏微分方程 |
| 2.2.1 基于PM模型的图像去噪 |
| 2.2.2 基于MCD模型的图像去噪 |
| 2.3 分形码理论 |
| 2.3.1 分形编码 |
| 2.3.2 分形解码 |
| 2.4 本章小结 |
| 第三章 小波包与偏微分方程相结合的图像去噪算法 |
| 3.1 PM模型与MCD模型相结合的去噪模型 |
| 3.2 新去噪模型的提出 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于分形码的图像去噪算法 |
| 4.1 算法实现 |
| 4.1.1 层次化分类 |
| 4.1.2 四叉树分块 |
| 4.2 合理性分析 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 研究总结 |
| 5.2 工作展望 |
| 参考文献 |
| 硕士学位期间发表论文 |
（5）基于图像处理的大坝裂缝检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 立题背景和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 裂缝图像增强技术研究现状 |
| 1.2.2 裂缝骨架提取检测技术研究现状 |
| 1.2.3 当前研究存在的问题 |
| 1.3 本文的研究内容与结构安排 |
| 第2章 大坝裂缝检测技术理论基础 |
| 2.1 大坝图像信号模型 |
| 2.2 图像变换基本理论 |
| 2.2.1 小波函数 |
| 2.2.2 小波变换及小波包 |
| 2.2.3 灰度变换 |
| 2.2.4 直方图变换 |
| 2.3 图像去噪理论基础 |
| 2.4 图像增强理论基础 |
| 2.4.1 图像增强概念 |
| 2.4.2 同态滤波 |
| 2.4.3 导向滤波 |
| 2.5 图像分割基本理论 |
| 2.5.1 图像分割概念 |
| 2.5.2 阂值法理论 |
| 2.5.3 边缘检测理论 |
| 2.5.4 区域生长理论 |
| 2.6 本章小结 |
| 第3章 大坝图像增强技术研究 |
| 3.1 基于小波变换的水上大坝裂缝图像去噪预处理 |
| 3.1.1 噪声信号频谱分析 |
| 3.1.2 基于小波变换的图像去噪算法原理 |
| 3.1.3 实验仿真结果及分析 |
| 3.2 基于暗通道的水下大坝图像增强算法 |
| 3.2.1 大坝裂缝水下成像模型 |
| 3.2.2 暗通道先验推演 |
| 3.2.3 算法原理及实现流程 |
| 3.2.4 实验仿真及结果分析 |
| 3.2.5 图像增强算法软件化 |
| 3.3 基于MASK原理的水下大坝图像匀光算法 |
| 3.3.1 光照不均下的大坝图像 |
| 3.3.2 算法原理及实现 |
| 3.3.3 实验仿真结果及分析 |
| 3.4 本章小结 |
| 第4章 大坝裂缝骨架提取检测技术研究 |
| 4.1 PCNN基本模型 |
| 4.2 遗传算法 |
| 4.3 基于遗传算法的PCNN大坝图像分割算法 |
| 4.3.1 改进PCNN模型 |
| 4.3.2 算法原理及实现流程 |
| 4.3.3 实验仿真结果及分析 |
| 4.4 大坝裂缝标记及裂缝参数获取算法 |
| 4.4.1 大坝裂缝类型及裂缝参数指标 |
| 4.4.2 数学形态学开闭操作 |
| 4.4.3 算法原理及实现流程 |
| 4.4.4 实验仿真结果及分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士期间发表的学术论文和取得的科研成果 |
| 致谢 |
（6）基于多元统计模型的分形小波自适应图像去噪（论文提纲范文）
| 1 引言 |
| 2 相关工作 |
| 2.1 分形小波变换图像编码简介 |
| 2.2 无噪图像的分形小波预测编码 |
| 3 基于多元统计模型的分形小波自适应图像去噪 |
| 3.1 多元统计模型的贝叶斯估计 |
| 3.2 算法描述 |
| 4 实验结果分析 |
| 4 结论 |
| Background |
（7）复杂天气条件下交通监控系统目标检测与跟踪技术研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的提出及意义 |
| 1.2 交通监控的内涵 |
| 1.2.1 路况监控和收费管理 |
| 1.2.2 违章自动监测 |
| 1.3 交通参数提取 |
| 1.3.1 虚拟线、虚拟线圈的交通参数提取方法 |
| 1.3.2 基于目标提取和跟踪的交通参数提取方法 |
| 1.4 国内外商业化的视频检测系统 |
| 1.5 本论文的研究内容和组织方式 |
| 1.6 本论文的创新 |
| 第二章 小波变换基本理论 |
| 2.1 小波变换的产生 |
| 2.2 连续小波变换 |
| 2.2.1 连续小波基函数 |
| 2.2.2 连续小波变换的性质 |
| 2.3 离散小波变换 |
| 2.3.1 小波的离散化方法 |
| 2.3.2 离散小波的逆变换 |
| 2.4 多分辨率分析 |
| 2.4.1 多分辨率分析的定义 |
| 2.4.2 小波函数与小波空间 |
| 2.4.3 正交小波变换的多分辨率分析 |
| 2.5 正交小波的快速算法 |
| 2.5.1 二尺度方程 |
| 2.5.2 Mallat 快速分解与重建算法 |
| 2.6 小波基的选择 |
| 2.6.1 正交性 |
| 2.6.2 支撑性 |
| 2.6.3 对称性 |
| 2.6.4 正则性 |
| 2.6.5 消失矩 |
| 2.7 基于小波变换的图像去噪 |
| 2.7.1 去噪问题的描述 |
| 2.7.2 小波变换模极大去噪 |
| 2.7.3 小波阈值去噪法 |
| 2.8 实验结果 |
| 2.9 本章总结 |
| 第三章 基于曲波变换的交通图像去噪与增强 |
| 3.1 曲波变换的基础——脊波变换 |
| 3.1.1 连续脊波变换（Continue Ridgelet Transform） |
| 3.1.2 脊波变换的重构 |
| 3.1.3 离散脊波变换 |
| 3.1.4 单尺度脊波（Monoscale Ridgelet） |
| 3.1.5 多尺度脊波（Multiscale Ridgelet） |
| 3.2 曲波变换 |
| 3.2.1 曲波变换的实现过程 |
| 3.2.2 曲波变换的性质 |
| 3.3 新框架曲波变换 |
| 3.3.1 新框架曲波的构造 |
| 3.3.2 新框架曲波的性质 |
| 3.3.3 新框架曲波的数字实现 |
| 3.4 曲波变换的交通图像去噪与增强 |
| 3.4.1 交通图像去噪 |
| 3.4.2 图像增强 |
| 3.5 采用自适应曲波萎缩算法的交通图像的去噪和增强 |
| 3.6 实验结果 |
| 3.7 本章小结 |
| 第四章 交通图像的分割 |
| 4.1 图像分割方法综述 |
| 4.1.1 基于区域的分割方法 |
| 4.1.2 基于边缘的分割方法 |
| 4.1.3 基于数学形态学的分割方法 |
| 4.1.4 基于神经网络的分割方法 |
| 4.1.5 基于模糊理论的分割方法 |
| 4.1.6 基于分形理论的分割方法 |
| 4.1.7 基于变形模型（主动轮廓模型）的分割方法 |
| 4.1.8 图像分割方法的评估 |
| 4.2 小波多尺度边缘检测原理 |
| 4.2.1 信号的奇异性 |
| 4.2.2 小波多尺度边缘检测原理 |
| 4.3 基于背景差法的运动目标检测 |
| 4.3.1 动态背景的形成及运动检测 |
| 4.3.2 采用HSI 色彩空间的阴影检测方法 |
| 4.4 实验结果 |
| 4.5 本章小结 |
| 第五章 基于卡尔曼滤波的车辆跟踪 |
| 5.1 目标跟踪问题简介 |
| 5.2 目标跟踪方法分类 |
| 5.2.1 基于特征的跟踪方法 |
| 5.2.2 基于3-D 的跟踪方法 |
| 5.2.3 基于主动轮廓模型的跟踪方法 |
| 5.2.4 基于区域的跟踪方法 |
| 5.2.5 跟踪方法应用讨论 |
| 5.3 卡尔曼（Kalman）滤波器概述 |
| 5.4 基于三状态Kalman 滤波器的车辆跟踪算法 |
| 5.5 一种简化的的Kalman 滤波目标跟踪方法 |
| 5.5.1 定义模板匹配准则 |
| 5.5.2 状态估计及转换 |
| 5.5.3 轨迹预测 |
| 5.6 仿真实验及分析 |
| 第六章 摄像机标定算法研究 |
| 6.1 摄像机标定综述 |
| 6.1.1 摄影测量学中摄像机模型建立 |
| 6.1.2 直线线性变换方法（DLT） |
| 6.1.3 Tsai 两步法 |
| 6.2 本文所采用的简单、易于收敛的摄像机标定算法 |
| 6.3 本章总结 |
| 第七章 总结与展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（8）中国图像工程:2007（论文提纲范文）
| 1 引 言 |
| 2 综述目的 |
| 3 刊物选取 |
| 4 文献选取和分类 |
| 5 文献分类统计结果和讨论 |
| 5.1 近13年图像工程文献选取和分类概况比较 |
| 5.2 2007年各刊图像工程文献刊载情况 |
| 5.3 2007年各刊图像工程文献详细分类情况 |
| 6 结 论 |
（9）基于小波分形的图像处理算法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 小波与分形理论的历史和研究现状 |
| 1.3 小波与分形理论在图像处理中的应用概述 |
| 1.4 研究内容及结构安排 |
| 第2章 小波与分形的基本理论 |
| 2.1 概论 |
| 2.2 小波变换 |
| 2.2.1 一维小波变换 |
| 2.2.2 二维小波变换 |
| 2.3 多分辨分析和Mallat算法 |
| 2.3.1 多分辨分析 |
| 2.3.2 Mallat分解重构算法 |
| 2.4 分形理论 |
| 2.4.1 分形维数与分形常数的计算 |
| 2.4.2 分形常数的特点 |
| 2.4.3 图像的分形熵 |
| 2.4.4 小波与分形之间的关系 |
| 2.5 常用小波基函数 |
| 2.6 最优小波基的选取 |
| 2.6.1 选取小波基基本规则 |
| 2.6.2 最优小波基选取规则 |
| 2.6.3 基于分形熵的最优小波基搜索算法 |
| 2.7 本章小结 |
| 第3章 基于小波与分形的图像去噪 |
| 3.1 传统去噪方法 |
| 3.2 基于小波与分形的去噪方法研究 |
| 3.2.1 分形在小波去噪中的应用 |
| 3.2.2 基于小波与分形的图像去噪 |
| 3.2.3 去噪效果评价标准 |
| 3.3 改进阈值实验结果与分析 |
| 3.4 尺度适应性二代小波去噪算法 |
| 3.4.1 二代提升小波变换 |
| 3.4.2 最佳分解尺度分析 |
| 3.4.3 二代小波去噪算法 |
| 3.4.4 实验结果与分析 |
| 3.5 双树复小波去噪算法 |
| 3.5.1 双树复小波变换原理 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于小波与分形的图像边缘检测 |
| 4.1 传统的边缘检测算子 |
| 4.1.1 传统边缘检测算子的缺点 |
| 4.2 分形在边缘小波基选取上的应用 |
| 4.3 基于小波与分形的图像边缘检测 |
| 4.3.1 小波边缘检测原理 |
| 4.3.2 最佳边缘小波基选取 |
| 4.3.3 边缘检测算子判定标准 |
| 4.3.4 边缘小波基滤波器系数的计算 |
| 4.4 自适应阈值小波边缘检测算法 |
| 4.4.1 算法步骤 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于小波变换的图像融合 |
| 5.1 图像融合概论 |
| 5.2 基于小波变换的图像融合 |
| 5.2.1 小波图像融合简介 |
| 5.2.2 小波图像融合的步骤 |
| 5.2.3 小波基与分解层数对图像融合的影响 |
| 5.3 图像融合规则 |
| 5.3.1 低频部分的融合规则 |
| 5.3.2 高频部分的融合规则 |
| 5.4 基于图像边缘的小波融合算法 |
| 5.4.1 算法原理简介 |
| 5.4.2 小波分解低频粗糙成分融合规则 |
| 5.4.3 小波分解高频细节成分融合规则 |
| 5.5 融合结果评价标准 |
| 5.5.1 基于信息量的评价 |
| 5.5.2 基于统计特性的评价 |
| 5.5.3 基于相关性的评价 |
| 5.6 实验结果与分析 |
| 5.7 本章小结 |
| 第6章 软件系统的设计与开发 |
| 6.1 系统的总体规划 |
| 6.2 系统的开发环境 |
| 6.2.1 开发工具 |
| 6.3 软件系统的框架 |
| 第7章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士学位期间发表的学术论文 |
（10）基于时频分析和图像处理的机械故障特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 课题研究现状 |
| 1.2.1 滚动轴承故障诊断的现状 |
| 1.2.2 故障诊断技术现状 |
| 1.2.3 特征提取研究现状 |
| 1.3 滚动轴承故障诊断机理 |
| 1.3.1 滚动轴承的基本结构 |
| 1.3.2 滚动轴承失效形式 |
| 1.3.3 滚动轴承故障特征频率 |
| 1.4 本文的结构安排 |
| 第二章 信号处理相关技术 |
| 2.1 时域分析 |
| 2.1.1 有量纲参数 |
| 2.1.2 无量纲参数 |
| 2.2 时频分析 |
| 2.2.1 傅里叶变换 |
| 2.2.2 短时傅立叶变换 |
| 2.3 小波变换 |
| 2.3.1 小波基函数 |
| 2.3.2 连续小波变换 |
| 2.3.3 离散小波变换 |
| 2.3.4 Mallat多分辨率算法 |
| 2.4 小波去噪 |
| 2.4.1 小波选取与分解层数 |
| 2.4.2 小波阈值去噪 |
| 2.4.2.1 去噪阈值原则 |
| 2.4.2.2 去噪阈值函数 |
| 2.4.2.3 去噪评价标准 |
| 2.5 希尔伯特-黄变换 |
| 2.5.1 Hilbert-Huang变换原理 |
| 2.5.2 经验模态分解 |
| 2.5.3 固有模态函数 |
| 2.5.4 希尔伯特谱分析 |
| 第三章 时频分析在轴承检测中的应用 |
| 3.1 时频分析方法对比 |
| 3.2 小波去噪分析 |
| 3.3 故障特征提取 |
| 3.4 本章小结 |
| 第四章 基于图像处理的故障检测 |
| 4.1 图像灰度化 |
| 4.2 图像去噪分析 |
| 4.2.1 图像噪声分析 |
| 4.2.2 图像去噪 |
| 4.2.3 去噪仿真分析 |
| 4.3 图像增强 |
| 4.4 图像分割 |
| 4.5 边缘检测 |
| 4.6 特征提取 |
| 4.7 本章小结 |
| 第五章 基于时频分析与图像处理的故障特征提取 |
| 5.1 改进阈值去噪 |
| 5.1.1 3s阈值去噪 |
| 5.1.2 模拟去噪对比 |
| 5.2 基于改进EMD的模态混叠问题分析 |
| 5.2.1 模态混叠问题 |
| 5.2.1.1 EEMD方法 |
| 5.2.1.2 CEEMDAN方法 |
| 5.2.1.3 HVD方法 |
| 5.2.2 模拟分析 |
| 5.3 基于HVD与改进小波阈值的故障特征提取 |
| 5.4 图像去噪 |
| 5.4.1 基于小波与高斯滤波对高斯噪声的去噪 |
| 5.4.1.1 高斯滤波 |
| 5.4.1.2 仿真对比 |
| 5.4.2 基于小波与AMF对椒盐噪声的去噪 |
| 5.4.2.1 自适应中值滤波 |
| 5.4.2.2 仿真对比 |
| 5.5 基于Canny的特征参数提取 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 :攻读硕士学位期间研究成果 |
四、基于小波变换的分形图像去噪与边缘检测（论文参考文献）
- [1]几种类型图像边缘检测的相关问题研究[D]. 陈顺. 武汉纺织大学, 2021(08)
- [2]甲状腺、乳腺超声影像自动分析技术综述[J]. 龚勋,杨菲,杜章锦,师恩,赵绪,杨子奇,邹海鹏,罗俊. 软件学报, 2020(07)
- [3]基于卷积神经网络的的雷达图像处理[D]. 王永乐. 中北大学, 2020
- [4]基于小波及分形码去噪算法的研究[D]. 伍子锴. 南京信息工程大学, 2019(04)
- [5]基于图像处理的大坝裂缝检测算法研究[D]. 马嘉文. 哈尔滨工程大学, 2019(04)
- [6]基于多元统计模型的分形小波自适应图像去噪[J]. 王智文,李绍滋. 计算机学报, 2014(06)
- [7]复杂天气条件下交通监控系统目标检测与跟踪技术研究[D]. 张惊雷. 天津大学, 2009(12)
- [8]中国图像工程:2007[J]. 章毓晋. 中国图象图形学报, 2008(05)
- [9]基于小波分形的图像处理算法研究及应用[D]. 廖云良. 武汉理工大学, 2008(10)
- [10]基于时频分析和图像处理的机械故障特征提取方法研究[D]. 任贵粉. 昆明理工大学, 2020(04)