一、小波变换及其在图像处理中的应用(论文文献综述)
董广凯[1](2021)在《基于改进小波变换的地震资料信噪比提升方法研究》文中研究说明通常在地震勘探中采集到的地震资料因受各种因素的影响常常混杂着大量噪声,如果能有效的消除地震信号中的噪声干扰,这将为后续解释工作提供极大的保障。所以本文从消除地震信号随机噪声提高地震资料信噪比方向展开研究,主要研究内容如下:首先,本文介绍了小波变换由理论知识到实际应用的内容与流程,深入分析了常用小波阈值选取算法的优缺点。然后,研究改进了小波变换阈值去噪算法去除地震资料随机噪声。本文针对常用小波阈值去噪算法常通过预先估计得到的噪声方来计算阈值存在较大误差的问题,选用了不需要噪声方差参与的GCV阈值选取函数作为阈值选取的基函数,并结合模拟退火算法与果蝇寻优算法对小波阈值进行寻优得到最优阈值。改进之后的算法解决了局部最优阈值的问题,并且可以根据当前迭代次数动态的调整算法的搜索步长以及在保证算法复杂度的前提下选取更加合适的新迭代起点,从而获得小波变换的最优阈值。最后,研究改进了基于NLM算法的小波变换去除地震资料随机噪声。本文针对地震随机噪声存在空间冗余性的特点以及传统NLM算法仅采用固定的滤波参数造成去噪效果不理想的问题,在分析了将一维小波熵应用在NLM算法上时噪声方差的计算仅通过对一维单道信号取平均获得的缺点后,将二维小波熵与NLM算法相结合,通过用二维小波熵计算得到的噪声方差来调整滤波参数,并通过调控因子优化参数误差,从而提升去噪效果。将本文改进算法应用到模拟地震记录和实际地震资料上,通过处理前后的数据对比可以证明本文方法的有效性。
丁登峰[2](2021)在《基于混合滤波算法的智能边缘检测技术研究与应用》文中指出视觉伺服技术使得机器人拥有了目标识别功能,能够增强产线的智能化和柔性化程度,促进生产效率的不断提高。图像去噪与边缘检测作为视觉伺服技术中的关键点,其算法的优劣直接影响着图像处理的质量和准确度。图像噪声是由于图像在成像过程中受到环境、传输途径、设备等因素的影响而产生的干扰信号,其噪声类型主要是高斯噪声和脉冲噪声。当前大多数图像去噪算法是针对单一类型噪声处理,无法有效处理混合噪声。另一方面,工业应用的视觉很多是要求检测、提取目标物体的边缘信息,其核心就是图像边缘检测和位姿识别。而在工厂复杂环境下,特别是局部光照不均衡时,常规边缘检测算法难以准确提取到目标的完整边缘信息。本文主要针对工厂应用条件下图像混合噪声滤波、局部二值化和图像边缘检测研究并改进优化,论文的主要工作如下:在混合去噪方面,分析了各种中值算法及其改进算法优缺点,基于极值中值和自适应中值算法提出一种改进中值滤波算法,能够更有效地检测脉冲噪声点,更有效地滤除脉冲噪声。并综合运用改进的中值算法和小波阈值算法进行混合噪声去噪,实现较好地滤除混合噪声的目的。在局部光照不均衡二值化方面,比较分析了Otsu、Kittler、Niblack和Sauvola等算法,基于Niblack算法模型进行改进,提出了一种处理速度快、效果好的图像二值化处理方法。在图像边缘检测方面,比较分析了空域上传统的边缘检测算法,如Roberts、Prewitt、Sobel、Laplacian、Canny算子,阐述了频域上小波模极大值边缘检测算法。在Canny算法和小波模极大值边缘检测算法基础上,结合Niblack算法阈值思想并运用其改进算法进行改进优化。最后,通过对改进算法进行仿真实验证明了改进算法效果更优。同时为了验证改进算法的实际应用效果,将改进的算法应用于机器人抓取导电棒项目中的识别与抓取过程中,取得很好的应用效果。
李野[3](2021)在《基于小波分析的医学图像预处理方法研究》文中指出超声诊断具有无损、价廉、非电离辐射性、实时等优点,使其成为现代临床医学必不可少的影像诊断技术之一。由于超声成像的相干特性产生的大量噪声,使超声图像存在信噪比低、成像质量差等问题,尤其是掩盖和降低了图像某些细节信息,给之后的图像特征提取和识别,病情诊断及定量分析造成不利的影响。因此,抑制这些噪声,增强图像的细节,改善图像质量是超声图像分析和识别的重要预处理环节,也成为近年来备受研究人员关注的热点问题。本文主要对医学超声图像的预处理方法进行研究,重点分析了医学超声图像的去噪与增强方法,并针对其中存在的问题,提出相应的改进算法。相对于传统去噪方法,小波分析算法在去除高斯噪声方面具有明显的优势,然而在实际问题中,医学图像往往包含脉冲噪声,从而限制了其应用领域。针对这个问题,本文提出了结合中值滤波和小波分析的去噪方法。该方法通过引入中值滤波的概念,分析了小波分析法和中值滤波法去噪性能,最后通过仿真实验加以验证,分析了其在去噪方面的优势及问题,为后续研究奠定了基础。然而,若将小波分析算法应用到医学超声图像去噪中,首先要解决在小波阈值去噪的阈值选取问题,为此本文提出了基于小波分析与全变分去噪结合的去噪方法。阈值选取不当容易导致去噪后图像失真,边界不清的问题,结合了保边效果良好的全变分法,通过与经典医学超声图像去噪方法的对比,验证了本文方法能在有效去噪的同时保留图像细节、纹理特征,其各项去噪性能评价指标均好于经典方法。针对传统图像增强方法中不能同时兼顾抑制噪声与增强图像本身细节特征的问题,本文提出了基于简单塔式分解与小波的医学超声图像增强算法。算法首先用小波分析法对图像进行分解,采用塔式分解结构,对图像的细节特征区域进行增强,再结合小波重构原理,即可达到增强图像细节,抑制噪声的目的。实验结果表明,该算法提高了图像的清晰度和对比度,增强后图像边缘清晰、细节丰富,符合人眼的视觉特性,比经典增强方法具有更好的增强效果。
党豪[4](2020)在《基于深度学习的心脏数据自动分类与分割关键技术研究》文中进行了进一步梳理目前,心血管病的死亡率处于疾病死亡构成的首要位置,已成为全人类健康的共同威胁。探索一种全自动的心脏数据分类和分割算法对心血管疾病的预防和治疗具有重要的理论研究意义。同时,也可以辅助医生从复杂繁重、费时费力的手动分类与分割工作中解脱出来,具有较大的临床实用价值。心电图数据包含了人体心脏活动的丰富信息,在一定程度上反应了心脏各部位生理活动的健康状况,是评估心脏功能、判定心脏疾病的关键因素之一。心脏核磁共振成像技术是一种无创的心脏成像技术,也是诊断心脏及大血管疾病的重要手段,已成为无创性检测与评价心脏结构和功能的重要依据。本文主要基于深度学习理论,系统地研究一维心电信号的自动检测与分类问题和二维心脏核磁图像的自动分割问题。论文主要包含以下研究内容和创新成果:第一,针对心电信号的预处理技术降噪方向进行研究。由于噪声信号存在高频与低频信号,论文提出了改进的形态学小波变换理论的降噪模型,称为Improved Morphology-WT模型。一方面,理论上分析了形态学滤波和小波变换方法的可行性,小波基函数的选择策略,分解尺度的决策过程,阈值处理方法和改进的阈值估计函数的构建等问题;另一方面,通过大量实验验证了小波基函数和分解层数的决策过程,也证明了 Improved Morphology-WT方法对于ECG信号中的低频和高频信号的降噪是合理可行的,而且为信号检测与分类工作奠定基础。第二,针对于房颤信号的检测与分类问题,本文提出了基于卷积神经网络和双向长短期记忆网络的CB-LinkNet模型。卷积神经网络具有很强的特征学习能力,但由于卷积神经网络的提出主要是解决图像分类、目标检测和图像分割等图像的特征提取任务,并没有重点考虑以信号为核心的一维数据,心电信号本质上是时间序列数据。所以,利用双向长短期记忆网络对卷积神经网络的特征学习能力进行补充和调整,使得网络模型更加适用于时间序列信号的特征提取任务。同时,基于原始房颤数据库(MIT-BIH Atrial Fibrillation database)的数据,论文分割出两种输入型信号:RR间隔数据(数据集A)和心拍序列数据(数据集B),以验证房颤信号对于输入数据的特征敏感性。论文设计的3组消融性实验最终也验证了模型的鲁棒性和泛化性,模型分类准确率在训练和验证阶段分别达到了 99.94%和98.63%,在测试集上达到了 96.59%,敏感度和特异度在测试集上分别达到了99.93%和97.03%。同时,本文与国内外房颤检测的模型及分类结果进行了比较分析,本文的研究效果更为显着,充分证实了本研究的实际价值。第三,在对心律失常信号深入分析的基础上,本文提出了三个深度神经网络分类模型对多类心律失常信号进行检测与分类,包括plain-CNN 模型和两个 MSF-CNN 模型(A 和 B)。其中,plain-CNN模型是具有多个卷积层的基础网络结构;在plain-CNN模型的基础上提出了 MSF-CNNA,以提高plain-CNN网络的学习能力,主要是增加了并联组卷积操作(包括三个不同的卷积核,分别是1×7,1×5,1×3);最后,在MSF-CNNA网络的基础上,通过实施串并联组卷积和残差学习模型形成了改进的MSF-CNNA模型,即MSF-CNNB模型,以提高算法的性能。在数据方面,考虑到心律失常类信号的数据特点,本文为模型设计了多尺度的输入信号,以验证数据尺度对于模型性能的影响,同时创造性的在一维信号处理中使用数据增强策略来提高数据的科学性和有效性。六组消融性实验证明了模型泛化能力和鲁棒性,在测试集上,平均准确率、敏感性和特异性分别达到了 96.59%,99.93%,97.03%,也充分体现了模型对于心律失常信号分类任务的重要价值。最后,针对于心脏左心室核磁图像的分割问题,本文提出了 Res-LinkNet分割模型,模型分为Encoder,Center和Decoder三个部分。Encoder的核心部分是模型设计了 ResLink结构模型,这一结构替代了 D-LinkNet中的特征提取器—ResNet结构模型。ResNet网络模型是针对于分类任务而设计的,该设计限制了感受野的范围,而且缺乏跨通道的特征交互与融合,ResLink结构模型可以有效地解决这一问题;Center部分的主要结构是DenseASPP。DenseASPP主要是为了有效解决特征图的感受野问题,其包含一个基础网络,后面分别连接5级空洞卷积层,空洞率分别为3,6,12,18,24,实现了混合空洞卷积。一方面,这一结构使得网络深层的特征图的感受野增大,另一方面,它可以有效缓解普通的空洞卷积运算引起的“网格问题”,同时,对不同通道的特征也进行融合;Decoder部分主要是运用密集上采样卷积操作,通过一系列密集上采样卷积操作来将Encoder阶段下采样的特征图放大至所需尺寸,尽可能地恢复图像特征信息。实验进行了三组消融性分析和一组综合比较分析,结果表明,Res-LinkNet101最终平均准确率达到了 99.88%,mIOU 达到了 94.95%,F1 Score 达到了95.57%,充分体现了模型对于左心室分割的有效性。纵览全文,本文的主要创新点如下:(1)在心电信号降噪技术研究中,论文提出了 Improved Morphology-WT降噪模型,同时也提出了自适应阈值估计方法和改进的阈值函数来完成模型中的小波分解工作。(2)在房颤信号检测与分类研究中,本文提出了融合了卷积神经网络和双向长短期记忆模型的CB-LinkNet模型,同时设计两类输入型信号以评估房颤信号的特征敏感性。(3)在多类心律失常信号检测与分类研究中,本文提出了三个端到端的分类网络模型,同时创新性的在信号中设计了数据增强方法,以有效避免模型过拟合。(4)在左心室分割研究中,论文提出了 Res-LinkNet分割模型,并在Encoder部分设计了基于Attention的ResLink结构模型来完成对心脏核磁影像的特征提取工作。
牛晓星[5](2020)在《基于边缘特征检测的遥感影像角点提取的研究及其应用》文中提出近几年我国对新兴高科技产业的重视,使得我国遥感科学技术的发展更是日新月异。在国家民用空间基础设施的开发中,卫星体系建设逐渐完善,遥感数据的获取及其质量不断提升,但仍避免不了遥感影像在其成像过程中受大气、传输介质、地物特征、相机成像等复杂环境的干扰。因此,在提取遥感影像信息时,通过对目标影像进行相对应的处理,可以达到进一步加强遥感影像信息表达的能力。针对上述问题,在遥感影像特征提取研究中,本文提出基于边缘特征的遥感影像角点提取的方法,并将该方法应用在了基于JGraph的图像处理平台中,实现了图像处理过程可视化。具体研究工作及成果如下:(1)实现基于小波变换的遥感影像边缘特征检测在对比了几种常见的微分边缘检测算子实现遥感影像边缘检测后,发现效果并不理想,不是影像中噪声影响太大,就是检测算子运算使得边缘太过于平滑,针对此问题提出基于小波变换的遥感影像边缘特征检测。根据小波算法特性先对目标影像进行分解,获取目标影像的高频和低频分量,再利用改进的阈值函数进行影像的噪声处理,达到图像边缘特征提取的目的。通过对比实验说明,使用改进的小波变换提取目标影像的高频分量,改善了细微纹理以及噪声对边缘特征提取的负面影响,更好地实现了遥感影像边缘特征提取。(2)实现基于边缘特征的遥感影像角点提取由于角点是图像边缘曲线上的局部极值,在提取中对图像中的噪声非常敏感,导致角点提取误差大。在清晰的边缘信息上进行遥感影像的角点检测,可以提高遥感影像信息提取的质量。因此在基于小波变换的遥感影像边缘特征基础上,提出基于边缘特征提取的Harris角点检测。通过对比实验,在提取目标影像的边缘特征基础上进行角点检测,降低了目标影像中噪声对角点提取的干扰,更好的实现了影像的角点提取。(3)基于JGraph的图像处理过程可视化为了更直观的表达边缘特征检测算法与角点检测同类算法的对比实验,更快速的组合应用小波变换和Harris角点检测算法,在JGraph图像处理平台中,将图像处理算法封装成其特有的组件,在平台中实现图像处理过程的可视化。通过JGraph图像处理平台,使得图像处理过程得以更直观的描述、更便捷的选择实验算法以及更快速的实现算法组合应用。由实验结果表明,使用改进的小波变换提取目标影像的边缘特征,改善了细微纹理以及噪声对边缘特征提取的负面影响;在提取目标影像的边缘特征后进行角点检测,使得角点提取在一定程度上不受目标影像中噪声的干扰,更好地完成了遥感影像的角点提取;最后利用JGraph图像处理平台实现本文图像处理过程的可视化,不仅可以描绘出图像处理过程的具体流程,也可以更好地选择合适的算法达到实验目的。
郑雅兰[6](2020)在《基于小波变换的血管影像结构增强算法研究》文中研究说明近年来,随着医学影像技术的发展,使得其在医学诊断方面得到了很大程度的应用。但是由于医学影像本身以及成像条件的限制,图像的视觉效果往往差强人意,存在着对比度较低,细节信息缺失等一系列的问题。因此为了解决以上几个方面的问题,本文通过对于一系列图像增强算法的研究,提出了两种基于反锐化掩膜的改进算法:(1)基于双边滤波改进的反锐化掩膜算法研究。传统的图像增强算法对于图像中有用信息的分离精度较低;对于分离后的细节信息的增强上通常存在两个问题,即增强效果不明显和放大细节部分的同时对于图像噪声部分的增强。因此如何对图像中的有用信息进行高精度的分离以及对分离后的细节部分如何进行有效地处理成为当前亟待解决的问题。在以上问题的基础上我们提出了基于双边滤波的反锐化掩膜算法,可以通过双边滤波对图像进行高、低频部分的分离,提高了分离的精度。对于叠加前的原始图像进行了高斯滤波,有效的降低了噪声对图像清晰度的影响。对于分离得到的高频部分继续沿用了增益系数的概念,图像细节部分得到有效的增强。实验结果表明,该算法在实现某些具有简单结构的血管图像的增强上具有较高的应用价值。(2)基于小波变换改进的反锐化掩膜算法研究。双边滤波是基于空间域进行图像高低频分离的,对于点、线较多的图像不太适合,并且在对图像进行处理叠加后会导致部分边缘模糊。基于上述算法的上述缺点,我们提出了基于小波变换的反锐化掩膜算法。使用基于频率域的小波变换进行图像的高低频分离,对获得的低频部分使用限制对比度的自适应的直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)进行增强,高频部分乘增益系数C(C=2)。该改进算法可以有效地对具有较复杂线条结构的血管影响进行增强。另外,本次研究还在原有对灰度图像进行处理的基础上,扩展了对于彩色图像的增强算法。由于目前比较先进的手术导航设备已经实现了图像的白光、荧光的多种模式的叠加显示效果。所以基于常用的颜色空间,本文也提出了一种基于三维彩色图像的血管增强算法。最后,上述算法的改进思路都是通过基于控制变量的对照实验来确定的,实验是基于Matlab以及其对应的函数封装库来进行实现的。
张亮[7](2020)在《改进的小波提升算法及其在地质雷达信号精细化分析中的应用》文中研究指明地质雷达法能有效地探测和推断被测对象内部介质的分布情况,在工程质量检测与灾害评估方面得到了广泛应用。然而,目前地质雷达法在数据处理、图像信息的准确解译与精细化识别等方面还存在诸多不足。本文以隧道衬砌结构背后常见的空洞缺陷探测为研究对象,基于改进的提升格式小波构造算法和新构造的提升格式小波基函数,将地质雷达法与提升格式小波分析方法相结合,对检测中存在的强振幅干扰信号压制、缺陷目标体反射信号偏移成像及信号定量分析等问题进行了深入地探讨和研究。主要工作包括以下几个方面:(1)在传统小波分析原理及双正交小波传统构造方法的基础上,针对地质雷达信号分析用小波基选取时存在的不确定性和盲目性问题,开展了与地质雷达信号波形相匹配、性质优良的双正交小波基函数构造方法研究。阐述了小波提升方案的概念、算法实现的原理,并对提升格式小波基构造一般算法进行了分析和讨论。通过对传统提升方法中滤波器系数的特点和滤波器组之间须满足的关系进行论证和推导,提出了改进的提升格式小波构造算法及其实现的基本流程,并基于完全重构滤波器方程,给出了与地质雷达信号匹配性好、具有高消失矩的双正交小波基构造的实现过程,应用紧支集小波正则指数计算原理,对新构造小波基的正则性进行了验算和比较。(2)针对地质雷达图像中钢筋等强反射作用造成的干扰屏蔽影响,以及常规一维小波分解难以将强反射干扰与微弱有效信号分离的问题,利用二维小波变换具有将图像信号分解成一系列不同方向、空间局部变化的子带、小波熵能反映信号能量分布特性的特点,提出了基于二维图像小波变换与小波能谱熵理论的地质雷达强反射干扰信号去除方法(TDWE法)。对各小波基函数的对称性、与地质雷达信号波形的相似度、地质雷达信号分解后的重构误差等性能进行了分析和比较,从小波函数的性质和信号能量熵计算的角度,对适合雷达图像处理的最优小波基函数进行了选择,基于最优小波基,采用TDWE法分别对钢筋-空洞正演图像及钢筋-空洞检测试验实测结果进行强反射压制和图像分辨率提高分析。(3)针对地质雷达图像缺陷目标体信号偏移处理中偏移速度难以选取及无法实现绕射波信号的精细化成像问题,利用非抽样小波具有不丢失相位信息及F-K域算法具有偏移运算速度快、稳定性好的特点,提出了一种基于二维非抽样小波与F-K偏移算法的地质雷达信号偏移归位方法(UWFK偏移法)。在对传统的F-K偏移算法原理及二维非抽样小波变换理论进行介绍的基础上,阐述了 UWFK偏移法实施的一般流程。通过对弱绕射波信号进行偏移处理并计算图像信息熵值,分析了偏移处理所需的最佳速度值。根据比较得到的最佳偏移速度值,采用UWFK法分别对地质雷达空洞正演图像及不同形状空洞的实测雷达图像进行了偏移归位分析。(4)为了实现对隐伏空洞边界的精细化识别和准确定位,采用小波模极大值法和小波时-能密度法对地质雷达检测信号奇异点进行精确提取与识别。构建了地质雷达多频率脉冲模拟信号,对两种识别方法在地质雷达信号奇异性检测中的可行性进行了验证分析。基于新构造的Tshg3.5小波基和小波库中已有的通用小波基,分别采用小波模极大值法和小波时-能密度法对地质雷达空洞正演模拟信号及空洞探测纵向测线和横向测线数据进行特征点信息提取和空洞缺陷尺寸量化分析,并对适用于RIS型地质雷达信号定量分析用的最优小波基和较优识别方法进行了比较和优选,最后对空洞的三维成像进行了分析。本文所做的研究工作,立足于学科前沿,着眼于现阶段地质雷达图像处理和信号分析中的热点问题,对地质雷达信号分析用小波基的构造与算法实现、地质雷达图像中强反射干扰信号的压制、缺陷目标体反射信号偏移成像及雷达信号定量识别等相关问题进行了深入系统地研究,具有较高的理论意义和实用价值,为隧道衬砌结构的健康诊断与质量安全评价奠定了理论与技术基础。
郭志伟[8](2020)在《时频分析在高精度地震资料处理中的应用研究》文中认为时频分析技术是地震资料处理和分析的关键技术。地震信号作为典型的非平稳信号,通过时频分析进行处理,可以快速高效获取地下储层的相关信息,为后续地震资料的分析和解释提供参考和依据。本文以时频分析方法为基础,研究了时频分析在高精度地震资料处理重要环节中的应用。初至自动拾取是地震资料处理中基础且重要的工作,关系到静校正和近地表速度模型的建立等后续地震资料处理的成败。地震勘探正向全方位、高密度、多维多分量、高分辨率、高保真度方向发展,地震勘探数据量越来越大。研究适合于海量地震数据精确高效拾取初至的方法十分必要。本文提出了基于CEEMD的初至拾取自动方法和基于约束线的初至自动拾取方法,与常规方法相比,新方法处理流程简单、高效,能够提供精确的初至信息,特别是适用于海量数据处理。地层吸收效应造成了地震波能量衰减、分辨率降低,反Q滤波能够有效恢复衰减能量、提高分辨率。本文针对常规反Q滤波采用的增益函数不能对信噪比进行自适应的问题,提出了时空变自适应反Q滤波方法。该方法在增益函数中设置与地震资料局部信噪比有关的具有时空变特征的增益参数,根据信噪比对高频成分进行自适应补偿。时频分析结果显示该方法兼顾分辨率和信噪比,对实际资料的适应性较好,具有较好的应用效果。频谱分解方法能够揭示地震资料中隐藏的有价值信息。利用基于瞬时频率二阶局部估计的二阶同步压缩变换对地震信号进行谱分解,能够获得聚焦性好、清晰度高的时频分布,同时还能够进行信号分离和重构。该方法能够精细刻画地震属性、反映储层流体性质和储层地质特征,具有广阔的应用前景。多次波会引起地震资料中有效反射波的频率、振幅以及相位产生畸变,降低地震资料的信噪比,造成地震资料偏移、速度分析等后期处理的误差,影响中深层目标储层的预测精度,进而影响地震资料解释的准确性和可靠性。针对多次波特别是层间多次波的问题,本文提出了自适应Shearlet变换和高分辨率Radon变换相结合的层间多次波压制方法。该方法不仅能有效去除层间多次波,还能够提高地震资料的信噪比、保真度和分辨率,具有较好的应用效果和前景。
王翠[9](2020)在《二进小波的构造及其边缘检测算法》文中研究指明边缘检测在图像处理中占据着不容忽视的重要位置,在生产、生活中的诸多方面应用广泛,例如机械部件的故障检测、医学影像分析及模式识别等。但图像在获取以及存储的过程中非常易于受到噪声的干扰,使得在对含有噪声的图像进行边缘提取时会出现边缘线条不清晰、间断或不准确等现象,大幅度降低了图像边缘检测的准确度。所以,在目前图像边缘检测研究中,如何兼顾边缘检测算法的去噪能力和边缘提取质量是一个热点研究内容。考虑到二进小波与数学形态学在图像处理中的优势,本文主要研究了两个不同性质的二进小波与数学形态学相结合的图像边缘检测算法。具体研究如下:首先,利用Shannon函数构造一个具有非正交性、对称性、频谱有限且几乎处处充分光滑的二进小波,然后讨论该二进小波的相关性质,给出该二进小波变换的积分表达式及反演公式。利用该二进小波函数构造一个非线性的新阈值函数,并应用于图像去噪。新阈值函数在图像噪声去除过程中效果更加明显。接下来,从结构元素和形态学运算性质两方面出发,对形态学边缘检测算法进行分析和改进,然后将数学形态学理论与阈值函数去噪相结合,得到一种边缘提取算法。与单一形态学边缘检测相比,将两种算法相融合得到的新边缘检测算法提取出的图像边缘有较大改善,不仅检测到的图像边缘更加清晰、噪声更少,而且边缘线条的连续性和位置的精确性也都有较好的提升。其次,本文通过对现有二进提升格式进行分析,结合消失矩的条件在已有格式基础上进行推广,给出一种新的提升格式来实现二进小波滤波器消失矩阶数的提升。通过以B样条二进小波滤波器作为基础,利用本文提出的新提升格式方法,得到一个新的二进小波滤波器,且是有4阶消失矩的、紧支撑的和对称的。仿真实验表明,随着滤波器消失矩阶数逐渐增大,二进小波图像边缘检测的效果有所改善,但还存在含有噪声的现象。考虑到形态学的各种运算可以较为有效的去除噪声,所以将改进的数学形态学边缘检测算子与具有高阶消失矩的二进小波滤波器结合在一起,从而实现一种更加显着的边缘检测,为图像处理提供了一种新途径。
王桢炜[10](2020)在《基于EMD的多源遥感影像融合的方法研究》文中指出随着遥感技术的飞速发展,遥感数字图像融合已成为航空、卫星图像处理领域的研究重点。遥感数字图像融合不仅能提高影像信息的可利用率,集成源图像的互补信息,降低单个遥感数字图像的差异性,获得信息更丰富、更精确的融合图像,而且融合后的图像信息量丰富,清晰度增强,具有较高的解释能力。本文主要是对同一地物的多光谱图像和全色图像的融合方法进行研究,在传统经验模式分解(Empirical Mode Decomposition,EMD)的基础上,提出了一种基于粒子群优化径向基神经网络权值的插值方法。并以此为基础,针对图像融合提出了一种基于彩色空间(luminance,Hue,Saturation,IHS)变换、小波滤波和改进二维EMD的遥感数字图像融合方法。该融合方法既可以保留融合图像的光谱信息,又可以提高其空间纹理细节信息。本文的主要研究工作和创新点如下:1、叙述了遥感数字图像融合算法的研究背景与意义以及国内外研究现状,讨论了遥感数字图像融合过程中的融合方法、融合规则、融合结果评价标准,最后分析比较了几种常用的图像滤波方法。2、分别介绍了一维EMD和二维EMD的基本原理和实验步骤,并指出二维EMD方法分解过程中需要注意的问题。3、在图像分解的过程中,本文对二维EMD方法进行了改进。针对二维EMD分解过程中包络面的插值拟合方法,以粒子群算法为基础,对径向基神经网络的权值进行优化;经验证,基于粒子群优化径向基神经网络权值的插值方法相比径向基函数插值法,具有插值精度高的优点;最后,使用改进的二维EMD方法分解遥感数字图像时,可以使图像得到充分分解。4、针对遥感数字图像融合,本文提出了一种基于IHS变换、小波滤波和改进二维EMD方法的图像融合方法,并进行了四组仿真实验。实验结果表明:融合图像不仅可以最大程度保留光谱信息,在空间纹理细节信息上相比于原图像也有所提高。最后,通过分析比较四组实验结果以及经过小波滤波后的全色背景图像和高频信息面,得出了本文算法的适用范围,即本文算法适用于地物信息丰富且区别明显的遥感数字图像融合。
二、小波变换及其在图像处理中的应用(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、小波变换及其在图像处理中的应用(论文提纲范文)
(1)基于改进小波变换的地震资料信噪比提升方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 地震资料去噪研究现状 |
1.2.2 小波变换研究现状 |
1.3 地震资料处理的基本知识 |
1.3.1 地震勘测流程 |
1.3.2 地震信号噪声 |
1.4 本文的研究内容 |
1.5 本文的结构安排 |
第二章 小波变换理论基础知识 |
2.1 小波变换理论介绍 |
2.2 小波变换基本理论 |
2.2.1 傅里叶变换 |
2.2.2 连续小波变换 |
2.2.3 离散小波变换 |
2.2.4 二进小波变换 |
2.2.5 二维小波变换 |
2.2.6 小波包变换 |
2.3 小波变换理论框架 |
2.3.1 多分辨率分析理论与方法 |
2.3.2 Mallat算法 |
2.4 常见的小波基函数 |
2.5 小波变换尺度的选择 |
2.6 小波阈值去噪算法 |
2.6.1 小波阈值去噪算法理论 |
2.6.2 常见的阈值选取算法 |
2.6.3 阈值函数的选取 |
2.7 去噪效果的评价标准 |
2.8 本章小结 |
第三章 改进小波变换阈值去噪算法去除地震资料随机噪声 |
3.1 GCV阈值选取函数 |
3.2 果蝇优化算法 |
3.2.1 参数初始化 |
3.2.2 嗅觉搜索 |
3.2.3 视觉搜索 |
3.3 模拟退火算法 |
3.4 改进小波变换阈值选取算法 |
3.5 仿真实验 |
3.6 实际地震资料处理 |
3.7 本章小结 |
第四章 改进基于NLM算法的小波变换去除地震资料随机噪声 |
4.1 NLM算法原理 |
4.2 基于一维小波熵的自适应NLM算法 |
4.3 基于二维小波熵的自适应NLM算法 |
4.4 仿真实验 |
4.5 实际地震资料处理 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读学位期间参加科研情况及获得的学术成果 |
(2)基于混合滤波算法的智能边缘检测技术研究与应用(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状及发展动态分析 |
1.2.1 图像去噪 |
1.2.2 图像二值化 |
1.2.3 图像边缘检测 |
1.3 图像质量评价方法 |
1.3.1 主观评价 |
1.3.2 客观评价 |
1.4 本文主要研究内容及组织结构 |
2 图像混合去噪 |
2.1 图像噪声 |
2.1.1 噪声来源 |
2.1.2 噪声分类 |
2.2 中值滤波算法 |
2.2.1 标准中值滤波器 |
2.2.2 加权中值滤波 |
2.2.3 开关中值滤波 |
2.2.4 极值中值滤波 |
2.2.5 自适应中值滤波器 |
2.3 基于极值中值和自适应中值滤波的改进算法 |
2.3.1 脉冲噪声点检测改进 |
2.3.2 脉冲噪声点的滤除改进 |
2.3.3 基于极值中值和自适应中值滤波的改进算法流程 |
2.3.4 实验仿真与结果分析 |
2.4 小波去噪及其改进算法 |
2.4.1 图像的小波变换 |
2.4.2 小波去噪原理及方法 |
2.4.3 小波阈值去噪方法 |
2.4.4 实验仿真与结果分析 |
2.5 图像混合噪声去噪方法 |
2.5.1 高斯噪声滤除性能对比 |
2.5.2 混合噪声去噪 |
2.5.3 实验仿真和结果分析 |
2.6 本章小结 |
3 图像二值化 |
3.1 OTSU算法与Niblack算法简介 |
3.1.1 OTSU算法 |
3.1.2 Niblack算法 |
3.2 Niblack算法优化改进 |
3.2.1 运用迭代思想优化算法复杂度 |
3.2.2 自适应阈值函数优化 |
3.3 实验仿真及结果分析 |
3.4 本章小结 |
4 图像边缘检测 |
4.1 图像边缘定义及分类 |
4.2 传统边缘检测算法 |
4.2.1 一阶微分边缘检测算法 |
4.2.2 二阶微分边缘检测算法 |
4.2.3 Canny算子边缘检测 |
4.2.4 Canny算法的缺陷 |
4.3 小波边缘检测 |
4.3.1 小波模极大值边缘检测算法 |
4.3.2 小波基的选取 |
4.3.3 阈值的选取 |
4.3.4 小波模极大值边缘检测算法流程 |
4.4 改进的边缘检测算法 |
4.4.1 Canny算法改进优化 |
4.4.2 小波模极大值边缘检测算法改进优化 |
4.5 实验仿真及结果分析 |
4.5.1 传统边缘检测算法比较分析 |
4.5.2 Canny算法与小波模极大值边缘检测算法比较 |
4.5.3 小波模极大值边缘检测算法改进效果比较 |
4.5.4 Canny算法改进效果比较 |
4.6 本章小结 |
5 改进算法应用 |
5.1 视觉应用场景 |
5.2 试验平台 |
5.3 图像处理应用 |
5.4 本章小结 |
6 结论 |
参考文献 |
附录 本人在攻读学位期间所发表的论文及获奖 |
致谢 |
(3)基于小波分析的医学图像预处理方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 小波分析在图像处理中国内外研究现状 |
1.3 医学图像预处理的国内外研究现状 |
1.4 主要研究内容 |
第2章 小波分析理论 |
2.1 小波分析概述 |
2.2 傅立叶变换到小波变换 |
2.3 连续小波变换 |
2.4 离散小波变换 |
2.5 多分辨率分析 |
2.5.1 一维多分辨率分析 |
2.5.2 一维Mallat算法 |
2.5.3 二维多分辨率分析 |
2.5.4 二维Mallat算法 |
2.6 小波分析与信号、图像 |
2.7 本章小结 |
第3章 基于小波分析与中值滤波的图像去噪方法 |
3.1 医学图像的处理 |
3.1.1 医学图像的分类与概述 |
3.1.2 图像处理系统的基本结构 |
3.1.3 图像数据的采样与量化 |
3.1.4 图像的传输与存储 |
3.2 小波去噪原理概述 |
3.2.1 小波去噪的方法及原理 |
3.2.2 影响小波去噪的因素 |
3.2.3 图像去噪效果评价指标 |
3.3 基于小波分析与中值滤波相结合的图像去噪 |
3.4 实验结果和分析 |
3.4.1 实验结果 |
3.4.2 结论 |
3.5 本章小结 |
第4章 基于小波阈值与全变分的图像去噪方法 |
4.1 基于偏微分方程的图像去噪算法 |
4.1.1 全变分TV模型 |
4.1.2 全变分图像去噪原理 |
4.2 小波阈值与全变分结合图像去噪方法 |
4.3 实验结果分析及对比 |
4.4 本章小结 |
第5章 基于小波分析与塔式分解的图像增强算法 |
5.1 图像增强的基本概念 |
5.2 基于多尺度的图像图形增强方法 |
5.3 基于简单塔式分解的频域非线性增强 |
5.4 实验结果分析 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
(4)基于深度学习的心脏数据自动分类与分割关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 心电信号检测与分类任务国内外研究现状分析 |
1.2.2 心脏影像数据分割国内外研究现状分析 |
1.2.3 研究发展趋势 |
1.3 研究内容 |
1.3.1 基于深度学习的心电信号检测与分类 |
1.3.2 基于深度学习的心脏影像数据自动分割 |
1.4 论文的组织结构 |
第二章 研究基础及相关技术理论 |
2.1 心电信号分类研究基础理论 |
2.1.1 心电信号的产生机理 |
2.1.2 心电信号基本波形及意义 |
2.1.3 心律失常的分类 |
2.2 心脏影像数据分割研究基础理论 |
2.2.1 心脏核磁图像数据的产生机理 |
2.2.2 短轴核磁序列图像介绍 |
2.2.3 心脏核磁共振图像的分割 |
2.3 深度学习相关理论 |
2.3.1 深度学习的发展 |
2.3.2 卷积神经网络 |
2.3.3 循环神经网络 |
2.3.4 分类与分割任务 |
2.4 本章小结 |
第三章 心电信号预处理研究 |
3.1 引言 |
3.2 心电信号的噪声类型 |
3.3 基于改进的形态学小波变换理论的心电信号降噪方法 |
3.3.1 小波变换理论 |
3.3.2 小波变换理论去噪方法 |
3.3.3 基于改进的形态学小波变换理论的信号去噪方法 |
3.4 实验与结果 |
3.4.1 性能评价 |
3.4.2 实验数据 |
3.4.3 实验结果与分析 |
3.5 本章小结 |
第四章 基于深度学习的房颤信号分类研究 |
4.1 引言 |
4.2 基于CB-LinkNet模型的房颤信号分类研究 |
4.2.1 数据集分析 |
4.2.2 模型结构与参数分析 |
4.2.3 模型训练过程分析 |
4.3 消融性实验及分析 |
4.3.1 评价指标 |
4.3.2 实验结果及分析 |
4.4 本章小结 |
第五章 基于深度学习的心律失常信号分类研究 |
5.1 引言 |
5.2 基于MSF-CNN模型的心律失常信号分类研究 |
5.2.1 数据集分析 |
5.2.2 模型结构与参数分析 |
5.2.3 模型训练过程分析 |
5.3 消融性实验及分析 |
5.3.1 评价指标 |
5.3.2 实验结果及分析 |
5.4 本章小结 |
第六章 基于深度学习的心脏核磁影像数据分割研究 |
6.1 引言 |
6.2 基于Attention机制的左心室分割模型 |
6.2.1 数据集分析 |
6.2.2 课题研究所涉及的核心技术 |
6.2.3 模型结构与参数分析 |
6.2.4 模型训练过程分析 |
6.3 消融性实验及分析 |
6.3.1 评价指标 |
6.3.2 实验结果及分析 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 本文工作总结 |
7.2 下一步工作展望 |
参考文献 |
缩略语说明 |
致谢 |
攻读学位期间发表的学术论文目录 |
(5)基于边缘特征检测的遥感影像角点提取的研究及其应用(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外相关研究现状 |
1.2.1 小波降噪的研究现状 |
1.2.2 边缘检测的研究现状 |
1.2.3 角点检测的研究现状 |
1.2.4 JGraph研究现状 |
1.3 研究目标和内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 论文组织结构 |
1.5 本章小结 |
2 相关理论基础 |
2.1 小波算法简介 |
2.1.1 小波函数 |
2.1.2 小波去噪 |
2.1.3 小波变换 |
2.2 角点检测算法简介 |
2.2.1 角点的意义 |
2.2.2 角点检测算法 |
2.3 JGraph技术简介 |
2.4 本章小结 |
3 遥感影像边缘特征的提取 |
3.1 边缘检测算子 |
3.1.1 一阶微分边缘检测 |
3.1.2 二阶微分边缘检测 |
3.2 小波变换原理 |
3.3 基于小波变换的遥感影像边缘检测 |
3.3.1 小波分解 |
3.3.2 小波去噪及边缘特征提取 |
3.3.3 实验验证与分析 |
3.4 本章小结 |
4 基于边缘特征的遥感影像角点提取 |
4.1 Harris角点检测 |
4.1.1 Harris角点检测原理 |
4.1.2 Harris角点检测在遥感影像中的应用 |
4.2 基于边缘特征的角点检测 |
4.2.1 方法概述 |
4.2.2 实验验证与分析 |
4.3 本章小结 |
5 基于JGraph的图像处理过程可视化 |
5.1 基于JGraph的图像处理平台简述 |
5.2 JGraph中组件的封装与调度 |
5.2.1 可视化组件的封装 |
5.2.2 可视化组件的调度 |
5.2.3 可视化过程的合法性检查 |
5.3 实验验证与分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 工作总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文与参加的项目 |
(6)基于小波变换的血管影像结构增强算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 视网膜疾病的诊断 |
1.1.2 生物识别技术 |
1.1.3 手术中导航设备 |
1.2 图像增强算法的发展与应用 |
1.3 图像增强算法基本分类 |
1.4 论文研究内容与章节安排 |
2 典型的图像增强算法 |
2.1 带色彩恢复的多尺度视网膜增强算法 |
2.1.1 最基本的Retinex理论与算法 |
2.1.2 多尺度Retinex算法与MSRCR |
2.2 直方图均衡化 |
2.2.1 直方图均衡化 |
2.2.2 限制对比度自适应直方图均衡化 |
2.3 局部的对比度增强算法 |
2.4 基于去雾模型的低照度增强算法 |
2.5 基于深度学习的图像增强算法 |
2.6 图像增强算法主要优劣势分析 |
2.6.1 典型的图像增强算法的主要优劣势 |
2.6.2 现有的图像质量评估指标 |
2.7 本章小结 |
3 基于双边滤波改进的反锐化掩膜血管增强算法 |
3.1 双边滤波 |
3.2 高斯滤波 |
3.3 改进的反锐化掩膜血管增强算法 |
3.3.1 高频提取 |
3.3.2 原始图像后处理 |
3.3.3 叠加后图像效果分析 |
3.4 本章小结 |
4 基于小波变换滤波改进的反锐化掩膜血管增强算法 |
4.1 图像的小波变换 |
4.1.1 小波变换及其数学原理 |
4.1.2 小波变换在图像处理中的应用 |
4.2 限制对比度的自适应的直方图均衡化 |
4.3 改进的反锐化掩膜血管增强算法 |
4.3.1 高低频分离 |
4.3.2 高低频部分后处理 |
4.3.3 叠加后图像效果分析 |
4.4 本章小结 |
5 基于三维彩色图像的血管增强算法 |
5.1 常用的颜色空间 |
5.1.1 RGB颜色空间 |
5.1.2 HSV颜色空间 |
5.1.3 YUV/YCbCr颜色空间 |
5.1.4 Lab颜色空间 |
5.2 颜色空间的转换 |
5.3 基于RGB颜色空间的彩色图像血管增强 |
5.4 基于HSV颜色空间的彩色图像血管增强 |
5.5 本章小结 |
6 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(7)改进的小波提升算法及其在地质雷达信号精细化分析中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 前言 |
1.2 国内外研究现状与进展 |
1.2.1 隧道衬砌结构隐伏质量缺陷检测方法研究 |
1.2.2 地质雷达图像强干扰信号去除方法研究 |
1.2.3 地质雷达隐伏质量缺陷偏移处理研究 |
1.2.4 小波基函数构造研究 |
1.2.5 地质雷达信号定量分析研究 |
1.3 本研究课题的来源及主要研究内容 |
1.4 本文研究采取的技术路线 |
第二章 提升格式小波构造理论 |
2.1 前言 |
2.2 双正交小波分析基本原理与算法 |
2.2.1 小波分析原理 |
2.2.2 多分辨率分析 |
2.2.3 双正交小波性质及其传统构造方法 |
2.3 提升格式小波变换 |
2.3.1 小波提升方案基本概念 |
2.3.2 完全重构滤波器原理 |
2.3.3 小波提升分解方法 |
2.4 提升格式小波构造一般算法 |
2.5 本章小结 |
第三章 改进的提升格式小波构造理论及其算法实现 |
3.1 前言 |
3.2 改进的提升格式小波构造算法 |
3.3 改进的提升格式小波构造流程及其构造举例 |
3.3.1 提升格式小波构造流程 |
3.3.2 小波基构造举例 |
3.4 改进提升格式的GPR信号分析用小波基构造及其优势验证 |
3.4.1 GPR信号分析用双正交小波滤波器组构造 |
3.4.2 基于粒子群算法的滤波器组自由参数优化 |
3.4.3 小波正则性验算 |
3.5 本章小结 |
第四章 基于二维小波变换和小波熵的地质雷达强干扰信号处理 |
4.1 前言 |
4.2 图像二维小波变换及其mallat算法 |
4.2.1 图像二维小波变换理论 |
4.2.2 二维双正交小波变换mallat算法 |
4.3 小波熵理论 |
4.4 小波基的选取 |
4.4.1 小波基基本性质比较 |
4.4.2 小波能量熵的计算 |
4.5 正演信号分析 |
4.5.1 FDTD正演原理 |
4.5.2 钢筋-空洞模型与正演试验 |
4.5.3 基于二维小波变换与小波熵的强反射干扰去除 |
4.6 实测地质雷达信号强干扰去除分析 |
4.6.1 钢筋-空洞检测试验 |
4.6.2 基于二维小波变换与小波熵的强反射干扰去除 |
4.7 本章小结 |
第五章 基于UWFK法的地质雷达目标信号偏移处理 |
5.1 前言 |
5.2 F-K域偏移方法 |
5.3 非抽样小波变换原理 |
5.3.1 一维非抽样小波变换 |
5.3.2 二维非抽样小波变换 |
5.4 图像信息熵估计 |
5.5 二维非抽样小波F-K偏移法基本流程 |
5.6 正演模拟信号偏移处理 |
5.7 实测信号偏移处理 |
5.7.1 方形空洞偏移处理 |
5.7.2 角形空洞偏移处理 |
5.8 本章小结 |
第六章 提升格式小波在地质雷达信号定量分析中的应用 |
6.1 前言 |
6.2 基于小波分析的信号奇异点识别方法 |
6.2.1 小波变换模极大值法 |
6.2.2 小波变换时-能密度法 |
6.3 模拟信号定量分析 |
6.3.1 地质雷达多频率脉冲信号间隔时间识别分析 |
6.3.2 正演模拟试验及其信号分析 |
6.4 空洞探测试验及其信号分析 |
6.4.1 沙箱纵向测线定量分析结果 |
6.4.2 沙箱横向测线定量分析结果 |
6.5 空洞三维可视化分析 |
6.6 本章小结 |
结论与展望 |
结论 |
展望 |
参考文献 |
致谢 |
附录 |
(8)时频分析在高精度地震资料处理中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
创新点 |
第1章 绪论 |
1.1 研究目的和意义 |
1.2 国内外研究现状 |
1.2.1 时频分析技术研究现状 |
1.2.2 初至拾取技术研究现状 |
1.2.3 反Q滤波方法研究现状 |
1.2.4 多次波压制技术研究现状 |
1.3 本文主要研究内容 |
第2章 时频分析技术概述 |
2.1 常规时频分析方法 |
2.1.1 短时傅里叶变换 |
2.1.2 连续小波变换 |
2.1.3 S变换 |
2.1.4 WVD分布 |
2.1.5 经验模态分解 |
2.1.6 时频谱重排 |
2.1.7 稀疏反演谱分解 |
2.2 高分辨率时频分析新方法 |
2.2.1 同步压缩变换 |
2.2.2 二阶同步压缩变换 |
2.3 本章小结 |
第3章 初至拾取新方法研究 |
3.1 常规初至拾取方法 |
3.1.1 能量比法 |
3.1.2 相关法 |
3.1.3 神经网络法 |
3.1.4 图像处理法 |
3.2 基于CEEMD的初至自动拾取方法 |
3.2.1 方法原理 |
3.2.2 模型数据测试 |
3.2.3 实际数据处理 |
3.3 基于约束线的初至自动拾取方法 |
3.3.1 方法原理 |
3.3.2 实际数据处理 |
3.4 本章小结 |
第4章 时空变自适应反Q滤波 |
4.1 常规反Q滤波方法 |
4.1.1 基于波场延拓的反Q滤波方法 |
4.1.2 截止频率反Q滤波方法 |
4.1.3 稳定因子反Q滤波方法 |
4.1.4 自适应增益反Q滤波方法 |
4.2 时空变自适应反Q滤波 |
4.2.1 反Q滤波基本原理 |
4.2.2 时空变自适应增益函数 |
4.3 模型数据测试 |
4.3.1 无噪模型 |
4.3.2 含噪模型 |
4.4 实际数据处理 |
4.5 本章小结 |
第5章 基于二阶同步压缩变换的高精度谱分解方法 |
5.1 同步压缩变换(SST) |
5.2 基于短时傅里叶变换的同步压缩变换(FSST) |
5.2.1 STFT和多分量信号 |
5.2.2 基于短时傅里叶变换的同步压缩变换 |
5.3 二阶同步压缩变换(FSST2) |
5.3.1 基本原理 |
5.3.2 模型数据测试 |
5.4 实际数据处理 |
5.4.1 实例一 |
5.4.2 实例二 |
5.5 本章小结 |
第6章 基于自适应Shearlet变换和高分辨率Radon变换的层间多次波压制 |
6.1 多次波成因及特征分析 |
6.1.1 多次波的成因 |
6.1.2 多次波的分类 |
6.1.3 多次波的时距曲线 |
6.1.4 多次波的特征 |
6.2 多次波压制方法研究 |
6.2.1 预测反褶积 |
6.2.2 Radon变换多次波压制技术 |
6.2.3 聚束类滤波多次波压制技术 |
6.2.4 基于波动方程理论的多次波压制技术 |
6.3 基于自适应Shearlet变换和高分辨率Radon变换压制层间多次波 |
6.3.1 Shearlet变换 |
6.3.2 基于Shearlet变换的自适应阈值算法 |
6.3.3 高分辨率Radon变换 |
6.3.4 组合方法压制层间多次波 |
6.4 模型测试和实际资料处理 |
6.4.1 模型测试 |
6.4.2 实际资料处理 |
6.5 本章小结 |
第7章 结论 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
学位论文数据集 |
(9)二进小波的构造及其边缘检测算法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源及研究的目的及意义 |
1.1.1 课题来源 |
1.1.2 课题研究的目的及意义 |
1.2 国内外研究发展状况 |
1.2.1 二进小波 |
1.2.2 小波阈值去噪 |
1.2.3 数学形态学图像边缘检测 |
1.3 本文主要研究内容 |
第2章 预备知识 |
2.1 Fourier变换及其逆变换 |
2.2 小波变换 |
2.2.1 连续小波变换 |
2.2.2 二进小波变换及二进对偶小波 |
2.3 窗口函数 |
2.4 形态学基本运算 |
2.5 本章小结 |
第3章 新阈值函数的构造 |
3.1 引言 |
3.2 由Shannon函数构造的二进小波及其性质 |
3.3 二进小波变换的性质 |
3.3.1 二进小波变换的冗余性 |
3.3.2 二进小波变换的展开式及反演公式 |
3.4 新阈值函数的构造 |
3.4.1 传统的阈值函数 |
3.4.2 几种改进的阈值函数 |
3.5 本章小结 |
第4章 改进阈值去噪与改进形态学融合的边缘检测 |
4.1 引言 |
4.2 改进的新阈值函数去噪 |
4.3 传统的形态学边缘检测算法 |
4.4 数学形态学边缘检测算法的改进 |
4.5 融合算法仿真实验 |
4.6 本章小结 |
第5章 提升格式的二进小波与数学形态学融合的图像边缘检测 |
5.1 引言 |
5.2 具有高阶消失矩的二进小波的构造 |
5.2.1 B样条二进小波 |
5.2.2 利用新提升格式构造的二进小波滤波器 |
5.3 融合算法仿真实验 |
5.4 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
(10)基于EMD的多源遥感影像融合的方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 经验模态分解研究现状 |
1.2.2 其它图像融合方法研究现状 |
1.3 图像融合概述 |
1.3.1 融合方法 |
1.3.2 融合规则 |
1.3.3 融合评价 |
1.4 研究的主要内容及论文结构 |
2 相关理论基础 |
2.1 一维EMD基本原理 |
2.1.1 瞬时频率 |
2.1.2 时间尺度 |
2.1.3 固有模态函数 |
2.1.4 一维EMD分解过程 |
2.2 二维EMD基本原理 |
2.2.1 二维EMD分解过程 |
2.2.2 二维EMD分解中的关键问题 |
2.3 本章小结 |
3 改进的二维EMD方法及其在图像分解中的应用 |
3.1 改进的径向基插值算法 |
3.1.1 粒子群算法 |
3.1.2 基于粒子群算法优化RBF网络权值 |
3.2 分量融合规则 |
3.3 改进二维EMD方法的分解过程 |
3.3.1 改进二维EMD方法实现过程 |
3.3.2 改进二维EMD方法的仿真实验 |
3.4 本章小结 |
4 基于改进二维EMD的遥感数字图像融合 |
4.1 遥感数字图像融合过程 |
4.1.1 遥感数字图像融合步骤 |
4.1.2 图像滤波实验及评价结果 |
4.2 数据来源 |
4.3 遥感数字图像融合实验及评价结果 |
4.3.1 遥感数字图像融合的仿真实验 |
4.3.2 遥感数字图像融合结果评价 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
四、小波变换及其在图像处理中的应用(论文参考文献)
- [1]基于改进小波变换的地震资料信噪比提升方法研究[D]. 董广凯. 西安石油大学, 2021(09)
- [2]基于混合滤波算法的智能边缘检测技术研究与应用[D]. 丁登峰. 武汉纺织大学, 2021(08)
- [3]基于小波分析的医学图像预处理方法研究[D]. 李野. 沈阳理工大学, 2021(01)
- [4]基于深度学习的心脏数据自动分类与分割关键技术研究[D]. 党豪. 北京邮电大学, 2020(01)
- [5]基于边缘特征检测的遥感影像角点提取的研究及其应用[D]. 牛晓星. 河南大学, 2020(02)
- [6]基于小波变换的血管影像结构增强算法研究[D]. 郑雅兰. 北京交通大学, 2020(03)
- [7]改进的小波提升算法及其在地质雷达信号精细化分析中的应用[D]. 张亮. 长沙理工大学, 2020
- [8]时频分析在高精度地震资料处理中的应用研究[D]. 郭志伟. 中国石油大学(北京), 2020(02)
- [9]二进小波的构造及其边缘检测算法[D]. 王翠. 哈尔滨理工大学, 2020(02)
- [10]基于EMD的多源遥感影像融合的方法研究[D]. 王桢炜. 华北水利水电大学, 2020(01)