一、一种基于整数平方量化阈值的小波图像编码算法(论文文献综述)
杨成林,高兴[1](2021)在《基于改进EZW算法的声纳图像数据压缩研究》文中研究表明本文提出了一种基于整数提升小波变换的声纳图像数据压缩方法。首先,小波变换后图像的主要能量集中在低频子带,将低频部分经过调整后直接存储;其次,将高频部分进行改进的嵌入式零树编码(Embedded Zero-tree Wavelet,EZW),即在主扫描的过程中输出当前数据的类型码之后,继续输出重要系数的幅值码,取消辅表及辅扫描;最后,将低高频数据合并,从而实现声纳数据的压缩。实验结果表明了该方法的有效性值得借鉴。
孙颖[2](2021)在《基于非线性变换的图像压缩算法研究》文中研究表明
史启盟[3](2021)在《高速运动物体图像识别与压缩方法研究》文中指出运动物体视频图像包含着许多重要的信息数据,而高速运动物体由于速度较快,其运动图像存在采集失真、处理复杂以及分析效果差等方面的问题。本课题以高速运动物体为研究对象,分别进行了图像识别与图像压缩方法的研究,并选取实际工业中的3D打印机高速移动激光点红外图像和高速运动固定翼无人机视频图像分别进行了算法验证及结果分析。主要研究内容如下:(1)分析了高速运动物体图像特征及图像识别过程,提出了基于改进卷积神经网络的高速运动物体图像识别方法。根据高速运动物体运动速度快导致的成像模糊,使得传统的图像识别方法人为提取图像特征困难的问题,采用基于卷积神经网络(CNN)的深度学习方法进行图像识别研究,并针对现有的CNN方法存在的训练效率差、准确率低的问题设计了相关改进方案来提高图像识别的快速性和准确性。(2)针对3D打印机高速移动激光点红外图像进行图像识别研究,分别建立了CNN和改进CNN两种激光点图像识别模型,对两种模型进行对比分析,实验结果表明改进后的CNN模型大大提高了识别效率和准确率;最后利用改进后的CNN模型进行激光中心点温度预测,在误差范围内取得了很好的预测结果。(3)研究了高速运动物体视频图像冗余信息,提出了基于帧内编码和帧间预测结合的高速运动物体视频压缩方法。以静态图像压缩为基础,在传统BP神经网络的基础上加入小波变换的方法进行图像压缩以减少帧内的空间冗余信息,同时针对高速运动物体的视频序列进行了运动信息补偿从而减少帧间的时间冗余信息,最终重构后的视频在保证关键运动信息的前提下大大减少视频数据量。(4)针对高速运动固定翼无人机视频进行图像压缩研究,先对单帧的无人机运动图像进行基于小波变换和神经网络结合的帧内有损压缩,再对压缩后的无人机序列进行基于运动估计和运动补偿的帧间预测编码,最后对压缩前后的无人机运动视频进行目标跟踪和视频传输效果方面的对比分析,结果表明该压缩系统在保留无人机运动信息的情况下可以大大减少冗余数据信息,提高传输效率。
胡瑞卿[4](2021)在《无人机飞行姿态的故障检测方法研究》文中研究指明无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:(1)针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。(2)针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。(3)针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。(4)由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
冯元彬[5](2021)在《基于多源信号特征融合的刀具磨损状态在线监测》文中提出加工过程中刀具与工件、切屑的相互作用,会将其材料微粒转移至切屑或工件上造成刀具的磨损,改变刀具状态从而影响工件的加工精度。研究能够及时准确掌握刀具服役状态的智能监测与诊断方法对提高零件的加工精度和效率以及延长刀具使用寿命具有重要意义。以铣刀为研究对象,对铣削加工过程进行信号采集、分析处理,开展刀具磨损状态智能在线监测研究,主要研究内容如下:在线实时采集变工况下的刀具处于不同磨损阶段时的声音和振动信号;采用正交布置传感器方式实现对切削过程中振动信号的全面准确描述,解决了单一传感器安装方向对信息完整性的影响。利用傅立叶变换方法将时域信号映射至频域,分析了刀具在切削状态与非切削状态下的信号成分分布特点,明确了振动信号中的低频干扰频段。以模拟巴特沃斯低通滤波器模型为基础,采用去归一化方法并结合双线性Z变换推导了数字巴特沃斯高通滤波器的数学表达。针对振动信号中的低频强干扰信号选择合适的滤波器参数,利用数字巴特沃斯高通滤波器通带内最大限度平坦特性对振动信号进行降噪处理;运用本文提出的周期平移自相关系数计算方法,确定了非线性小波阈值降噪的信号最佳滤波分解层数。采用sym5小波基函数剔除了声音和振动信号中信噪频段互相交叠的高频和随机干扰成分。通过分析刀具在不同磨损状态下信号中的成分分布,采用统计学方法,得到声音和振动信号的前六阶主成分。提取出声音和振动信号中主成分幅值占比特征值、时域、频域以及经过小波包分解的不同频段能量占比特征值作为特征优选的原始特征集合。基于GA-RBF方法优选敏感特征,实现特征降维。染色体基因采用二进制编码方式,以RBF网络模型对特征值和刀具磨损等级映射关系作为染色体适应度值的计算函数,以识别准确率作为优化目标,设定种群规模和遗传代数,经迭代计算寻找到适用于不同切削参数下的最优特征组合。特征值优选能够寻找到识别度高、表征能力强的敏感特征,剔除冗余特征,减少网络输入参数,提高其识别准确度与识别速度。以二维卷积神经网络作为特征融合神经网络和模式识别分类器,将提取的特征值等间距布置构成特征矩阵样本作为网络输入,网络输出为刀具的磨损程度。利用卷积运算的自适应逐层特征识别和提取能力实现了多源信号的特征级融合和对刀具不同磨损等级状态的识别。实验结果表明多源信号特征值融合方法的优越性以及所建立的刀具磨损状态识别理论方法的有效性。稳定磨损阶段,通过监测刀具磨损状态优化加工参数及修正刀具,保证工件加工质量,延长刀具使用寿命,降低了刀具成本;刀具进入剧烈磨损阶段时,及时发现并报警,可避免断刀,解决了智能制造过程中确定刀具最佳更换时间的问题,降低了工件的报废率,从而减小生产制造成本。
邹梦玲[6](2021)在《大容量的视觉安全图像隐藏方法研究》文中认为互联网技术的进步使得用户可以便捷地共享多媒体数据。由于数字图像简单直观,并且包含丰富的颜色、纹理、亮度等信息,被人们视作信息交流的良好载体。然而,图像数据的爆炸式增长带来了非法篡改分析和隐私泄露等难题,处理不当会造成严重的后果。为了解决网络环境下图像内容存在的安全问题,研究人员最初采用加密技术对图像像素重新排列,并用置乱后的图像进行通信,在一定程度上保护了图像内容,但杂乱无章的密文图像会引起攻击者怀疑,而常规的信息隐藏技术又难以胜任大容量的嵌入。为了在保持高嵌入容量的同时实现更安全的图像传输,大容量的图像隐藏技术应运而生,其主要思想是将原始图像隐藏到另一幅载体图像中,形成具有视觉意义的含密载体图像。然而,该技术在发展过程中存在生成的含密图像视觉质量不高、原始图像无法无损恢复等问题,因此本文提出了改进的大容量视觉安全图像隐藏方法,详细研究成果如下:(1)提出了基于整数小波变换和菱形预测的视觉安全图像隐藏方案。为了进一步提高图像隐藏的视觉质量,该方案首先利用整数小波变换将载体图像分解成四个系数矩阵,然后对原始图像进行预测并使用最低有效位替换的方法将预测误差值嵌入到载体的中高频系数中。由于人眼视觉系统对图像中高频成分不敏感,能够有效保护含密图像的视觉安全,并且与空域相比,在频域内嵌入信息更加高效和稳健。实验结果表明,该方案的含密图像质量与近年来其他方法相比较高。(2)提出了基于可逆图像变换的多轮视觉安全图像隐藏方案。该方案选择灰度共生矩阵和标准差作为原始图像与目标图像块匹配的特征。多轮图像变换时,将前一轮产生的变换图像再次嵌入到目标图像中,通过分析变换图像与目标图像的相关性来调整变换过程中的参数,从而提高含密图像的质量。实验结果表明,该方法有效提高了图像块间匹配的精度,并且在多轮图像变换的情况下仍保持良好的视觉质量。综上所述,本文以图像为载体,通过分析所提方案的实验结果,证明了大容量的图像隐藏方法较传统的图像隐藏方法视觉质量更高。
刘宝莹[7](2021)在《基于分段分类的信号保峰平滑算法研究》文中指出信号平滑是信号处理领域中的经典问题,信号平滑通常导致信号中峰的钝化,这将影响信号的定性与定量分析。因此,信号的保峰平滑是一项具有挑战性的工作。为了保护峰形,在时域中通常采用高阶Savitzky-Golay方法进行平滑,而为了最大程度的消除噪声,通常又希望采用低阶Savitzky-Golay方法进行平滑,为了解决这一矛盾,本文采用分段分类的思想,结合协同平滑与深度学习的方法提出了两种有效的保峰平滑算法,主要工作包括:(1)提出了基于分段分类与协同平滑的信号保峰平滑算法。通过提取信号的相似段,利用相似段的段间信息以及选择合适的滤波方法,实现信号段的最佳平滑。首先,提取各段的相似段,并将每一段的相似段排成二维数组,分别记为X方向和Y方向,然后对这个二维数组进行平滑处理,在X方向根据这一类信号的曲率选用不同阶次的SavitzkyGolay方法平滑,Y方向是通过信号段的相似性构造出来的,用一个低阶多项式进行拟合,此处的两个方向协同处理称为协同平滑。最后,将处理好的信号段的重叠部分进行加权平均,进一步消除残余噪声,重构得到最终的平滑信号。该方法的优点在于利用了相似段的协同平滑,以及不同特征的信号段可采用不同阶次的Savitzky-Golay方法,在去除噪声的同时又能保护信号的细节特征。(2)提出了基于分段分类与深度学习的信号保峰平滑算法。利用深度学习代替协同平滑环节,更大程度地达到不同平滑方法处理不同信号段的目标。借助网络模型的学习能力,利用卷积自编码神经网络来结合信号分段分类实现保峰平滑。首先,随机产生大量峰信号,然后将噪声信号和对应的真实信号进行分段,接着使用卷积自编码神经网络对信号段进行训练,再利用训练好的卷积自编码网络对测试信号进行处理得到平滑信号段。最后,将这些信号段进行重构,得到最终的平滑信号。实验表明,基于分段分类与协同平滑的信号保峰平滑算法,相较于传统的信号平滑算法具有更佳的保峰平滑性能,用深度学习替代协同平滑环节能进一步提升保峰平滑性能。
张浩瑀[8](2021)在《基于非局部均值的图像去噪算法研究》文中提出在图像处理领域中,块匹配方法是图像去噪与运动估计中的常用方法,其通过查询指定区域找出相似块,进行信息的比对与联合去噪,从而削弱不符合图片规律的噪声。其中,三维块匹配算法(BM3D)结合了空间域与频率域的若干种算法,是当前图像去噪效果最好的算法之一。本文以非局部均值算法为基础对图像去噪算法进行研究,主要研究工作如下:首先,针对三维块匹配算法计算耗时长,针对相似块提取不够准确、分割块内分布不同的相似特征无法提取等问题。提出基于Radon变换进行图像信息降维,并通过求解降维函数的方差值、以及方差最大值坐标定位进行相似块信息的判断。另外计算各相似块相对参考块的像素均值比例,并放缩再用于去噪。实验结果显示,优化算法去噪图像相较于原算法去噪图像运行时间减短,图像质量提升。然后,针对图像含有的特征规律性少,随机性强,可能出现没有办法发挥去噪优势的问题。本文利用了自然图像中存在的非局部结构自相似性,扩展了BM3D模型,利用不同旋转角度检测自相似性可以得到更稀疏的表示以及更好地分离信号和噪声。由于不同旋转的匹配需要插值,在块匹配过程中会出现一些模糊,并且进行旋转匹配在某些图像区域中可能造成不利的效果。为此,本文还引入了低秩正则化过程和“混合”方法来自适应地确定权重以组合不同的去噪估计,所得方法提高了BM3D的性能。最后,本文将非局部稀疏建模的思想与新兴领域的深度学习相结合,提出了一种基于深度学习的去噪方法(DenseNet Denoiser,DND),该方法使用DenseNet结构和一种新型的非局部层来实现图像去噪的最佳效果。通过在MSCOCO数据集上进行训练和测试,实验结果表明,该方法在视觉质量、峰值信噪比等方面均优于其他方法。本文还提出一种新的非局部连接结构,使得网络在对图像进行去噪时可以有效地执行非局部协同滤波。通过添加非局部层进一步提高本方法性能,证明了非局部算法在深度学习中可用性。
李红旭[9](2021)在《基于激光雷达数据的气溶胶特性反演方法研究》文中研究指明气溶胶是大气系统的重要组成部分,虽然在大气中相对含量很少,但对气候环境和大气辐射传输具有重要的影响。相较于被动遥感、卫星等探测手段,地基激光雷达作为一种主动式光学遥感探测工具,具有时空分辨率高、探测距离远、测量精度高等优点,被广泛应用于气溶胶探测。因此,研究基于激光雷达数据精确测量气溶胶相关特性对大气遥感、环境监测等领域具有重要意义。随着工业制造技术的进步,激光雷达系统逐渐成熟,成本得到控制,应用也比较普遍。光学遥感行业对激光雷达的数据处理和反演模型的需求越来越迫切。然而,激光雷达信号中含有大量噪声,研究高效的激光雷达信号去噪方法,从强背景噪声中提取出有用信号,是保障数据精确反演的前提。此外,在使用激光雷达数据进行气溶胶参数反演时,往往需要先验信息的假设或根据经验确定模型参数等人工干预的手段,这容易造成较大的误差,且难以实现自适应、自动化处理。这些局限性主要体现在激光雷达数据的预处理,气溶胶层垂直结构和光学物理等特性的反演中,本文的研究工作将致力于解决这些难题,具体研究内容如下:(1)激光雷达回波信号容易受到噪声污染,特别是在强背景光下,噪声严重影响了激光雷达系统的反演精度和有效探测距离。针对强噪声干扰的问题,提出了基于鲸鱼优化算法和变分模态分解的自适应激光雷达回波信号去噪方法。通过鲸鱼优化算法获得变分模态分解的分解模态数和二次惩罚因子,使得变分模态分解模型能够获得更好的去噪效果。实验结果表明该方法可应用于激光雷达信号的降噪,能有效提高激光雷达信号的信噪比,并将实验所使用的激光雷达系统的有效探测距离从6 km提高至10 km。(2)行星边界层高度是描述气溶胶层垂直结构的主要参数,其估计的准确性对天气和空气质量的预测和研究至关重要的。最常用的边界层高度反演算法是小波协方差变换法,但它存在扩张系数的选定和容易受到云、气溶胶干扰等问题。本文基于鲸鱼优化算法与上限法,提出了改进的小波协方差变换法,无需其他辅助测量设备,仅基于简单的微脉冲激光雷达即可实现行星边界层高度的自动、准确、稳定探测,解决了上述技术难题。(3)气溶胶消光系数是气溶胶光学特性的核心参数,对大气过程的变化有着重要影响。Mie散射激光雷达作为应用最为普遍的激光雷达设备,需要经验假设和复杂的数值运算才能反演出气溶胶消光系数,制约了反演结果的精度。结合Mie散射激光雷达和高光谱分辨率激光雷达的优缺点,提出了一种基于深度信念网络的气溶胶消光系数反演模型,能够有效避免诸多假设带来的不确定性,提高Mie散射激光雷达的探测精度。实验结果表明训练后的深度信念网络模型具有良好的鲁棒性和稳定性,为Mie散射激光雷达反演气溶胶特性参数提供了一种具有竞争力的解决方案。(4)气溶胶的粒子谱分布等微物理特性参数可用于监测气溶胶的演变过程、研究大气气溶胶的时空变化规律。本文通过激光雷达方程、Mie散射原理等理论方法,揭示了气溶胶光学特性和微物理特性之间的关系。针对正则化算法反演气溶胶粒子谱分布存在的问题,通过广义交叉验证法获得正则化参数和最小偏差准则获取气溶胶复折射指数,实现了基于多波长激光雷达数据的气溶胶粒子分布反演。
扈媛媛[10](2021)在《基于视频PRNU噪声分条匹配的相机源检测算法》文中认为目前,现代网络通信中信息交流的主要载体为图像与视频组成的视觉信息。而随着视觉信息在网络中的频繁使用,各种图像与视频编辑软件也盛行起来。借助此类软件,普通人不再需要具备专业的知识技能即可对图像或视频进行编辑或篡改,而篡改后的图像或视频并不会留下明显的可视痕迹。这种情况便给不法分子进行违法犯罪活动提供了契机,使得网络上传播的图像与视频的真实性与原始性遭受质疑。因此,视觉信息的原始性与真实性判别成为了法医界愈加重视的研究方向,而其中的视频取证技术由于视频拍摄技术的发展与普及,使其在法庭取证中占据越来越重要的地位。本文对稳定视频和压缩视频的相机源检测技术进行了研究。首先,文章解释了智能手机相机的成像过程,对于相机中普遍使用的视频校正技术给视频来源取证带来的影响展开讨论。然后,以卷帘快门校正技术为起点,提出本文的算法,以满足基于光响应不一致性(Photo Response Non-uniformity,PRNU)噪声的稳定视频来源取证技术的要求。最后,针对网络中广泛传播的H.264压缩编码的稳定视频如何提取和匹配PRNU噪声,提出改进算法,以解决压缩的稳定视频相机源检测的问题。本文具体创新点如下:(1)智能手机相机在对视频帧进行稳定化过程中,造成相邻视频帧的帧内帧间PRNU噪声信号错位,导致参考和测试PRNU噪声不能准确提取和匹配,针对这样的问题,本文提出了一种基于PRNU噪声重叠分条匹配的相机源检测算法。首先本文对传统PRNU噪声最大似然估计模型进行扩展,提升稳定视频的PRNU噪声预测与提取精度;同时,提出基于重叠分条的PRNU噪声匹配策略,有效降低PRNU噪声错位对检测精度的影响。实验结果表明,与其它基于PRNU噪声的相机源检测算法相比,本文算法具有更好的检测性能。(2)对于压缩的稳定视频,本文算法在提取和匹配PRNU噪声两个方面与传统方式不同。常用的压缩编码标准实现了将大容量的视频压缩成较小的文件存储在一定区域内,比如H.264视频压缩标准。根据H.264编码标准的预测方式,在提取PRNU噪声时,使用未经过环路滤波的残差信息进行提取。一方面去除环路滤波器可以保持PRNU噪声的质量,另一方面从残差信息中提取PRNU噪声能够降低时间复杂度;在PRNU噪声匹配时,采取重叠分条的匹配方法,减少PRNU噪声视频帧内错位的影响。(3)在相机源检测的整个过程中,提取PRNU噪声占据大量的时间复杂度,所以在不降低准确率的前提下,为了提高效率,使用中值滤波来提取PRNU噪声时,以降低时间复杂度。
二、一种基于整数平方量化阈值的小波图像编码算法(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:
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、一种基于整数平方量化阈值的小波图像编码算法(论文提纲范文)
(1)基于改进EZW算法的声纳图像数据压缩研究(论文提纲范文)
0 引言 |
1 声纳图像特征分析 |
2 基于整数提升小波变换的EZW算法 |
2.1 整数提升小波变换 |
2.2 EZW编码的基本概念 |
2.2.1 零数的定义 |
2.2.2 扫描方式 |
2.3 典型的EZW编码分析 |
3 改进的EZW编码 |
4 实验结果及分析 |
5 结语 |
(3)高速运动物体图像识别与压缩方法研究(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 |
1.2.1 图像识别研究现状 |
1.2.2 图像压缩研究现状 |
1.2.3 高速运动物体研究现状 |
1.3 课题主要内容和结构 |
2 高速运动物体图像识别方法 |
2.1 高速运动物体图像特征分析 |
2.2 图像识别过程 |
2.3 基于卷积神经网络的图像识别 |
2.3.1 卷积神经网络基本结构 |
2.3.2 卷积神经网络参数训练 |
2.3.3 卷积神经网络图像识别流程 |
2.4 卷积神经网络改进方法 |
2.4.1 网络结构改进 |
2.4.2 标准化和正则化 |
2.4.3 多层特征融合 |
2.5 本章小结 |
3 基于卷积神经网络的高速移动激光点图像识别 |
3.1 3D打印激光束特点分析 |
3.2 激光点图像数据采集系统设计 |
3.2.1 红外图像采集装置 |
3.2.2 红外摄像头采集模块 |
3.2.3 串口数据传输模块 |
3.2.4 激光温度数据采集过程 |
3.3 激光点红外图像识别过程 |
3.3.1 激光图像识别流程 |
3.3.2 图像数据预处理 |
3.3.3 数据集制作及参数设置 |
3.3.4 CNN及改进CNN模型 |
3.3.5 模型训练及结果分析 |
3.4 激光中心点温度预测 |
3.4.1 测试集处理 |
3.4.2 预测结果及实验分析 |
3.5 本章小结 |
4 高速运动物体视频图像压缩方法 |
4.1 数据的冗余与压缩 |
4.1.1 数据的冗余类型 |
4.1.2 数据压缩分类 |
4.1.3 压缩评价指标 |
4.2 静态图像压缩 |
4.2.1 图像压缩系统构成 |
4.2.2 基于小波变换的图像数据压缩 |
4.2.3 基于BP神经网络的图像数据压缩 |
4.3 序列图像中的运动信息处理 |
4.3.1 运动序列图像特点 |
4.3.2 高速运动物体视频分割 |
4.3.3 基于运动估计的帧间预测编码 |
4.4 高速运动视频图像压缩系统 |
4.4.1 视频图像压缩整体流程 |
4.4.2 压缩重构示例 |
4.5 本章小结 |
5 基于帧内和帧间编码的高速无人机视频图像压缩 |
5.1 高速无人机视频传输系统 |
5.2 基于小波神经网络的无人机静态图像压缩 |
5.2.1 视频图像关键帧提取 |
5.2.2 小波神经网络图像压缩 |
5.2.3 图像重构及结果分析 |
5.3 基于帧间预测编码的无人机视频序列压缩 |
5.3.1 基于三帧差分的无人机目标分割 |
5.3.2 基于块匹配的无人机运动估计 |
5.4 无人机视频重构及结果分析 |
5.4.1 视频重构 |
5.4.2 视频压缩前后结果分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间的研究成果 |
(4)无人机飞行姿态的故障检测方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 故障检测技术的发展现状 |
1.3 国内外研究现状 |
1.4 课题主要研究内容以及章节安排 |
1.4.1 本课题主要研究内容 |
1.4.2 章节安排 |
2 基于小波分析的无人机故障检测算法 |
2.1 小波分析原理 |
2.1.1 连续小波变换 |
2.1.2 离散小波变换 |
2.2 最佳小波基的选择 |
2.3 基于小波多尺度分析的故障特征提取 |
2.4 最佳分解层数的选择 |
2.5 小波阈值降噪 |
2.5.1 阈值降噪原理 |
2.5.2 阈值量化 |
2.6 利用小波分析进行故障检测的方法 |
2.6.1 小波故障检测原理 |
2.6.2 基于小波去噪的特征提取方法 |
2.6.3 基于小波分析的无人机故障检测 |
2.6.4 实验数据分析 |
2.7 本章小结 |
3 融合小波去噪和PCA的无人机故障检测算法 |
3.1 主元分析方法 |
3.1.1 PCA的基本原理 |
3.1.2 主元分析算法 |
3.2 基于主元分析的故障检测方法 |
3.2.1 主元选取方法 |
3.2.2 故障检测统计量 |
3.2.3 各变量贡献的计算 |
3.2.4 综合统计量的故障检测 |
3.3 融合小波去噪与PCA的故障检测方法 |
3.3.1 融合小波去噪与PCA的故障检测步骤 |
3.3.2 实验数据分析 |
3.4 本章小结 |
4 融合小波去噪和BP神经网络的无人机故障检测算法 |
4.1 BP神经网络 |
4.1.1 BP神经网络原理 |
4.1.2 BP神经网络的特点以及局限性 |
4.2 故障检测的BP网络结构确定 |
4.2.1 BP网络层数的确定 |
4.2.2 输入输出层及隐含层节点个数的确定 |
4.2.3 激活函数的确定 |
4.3 无人机故障检测方案设计 |
4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
4.4.1 BP神经网络的识别与分析 |
4.4.2 实验数据分析 |
4.5 本章小结 |
5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
5.1 遗传算法的基本思想 |
5.2 遗传算法的基本操作 |
5.2.1 染色体编码 |
5.2.2 群体规模的设定 |
5.2.3 适应度函数值的计算 |
5.2.4 遗传操作的设计 |
5.3 遗传算法优化神经网络 |
5.4 实验数据分析 |
5.5 故障检测方法对比 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要学术成果 |
(5)基于多源信号特征融合的刀具磨损状态在线监测(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究目的及意义 |
1.2 研究现状及分析 |
1.2.1 刀具磨损检测方法研究 |
1.2.2 信号降噪方法研究现状 |
1.2.3 特征值提取与选择方法研究现状 |
1.2.4 信息融合状态识别研究现状 |
1.3 本文主要研究内容 |
第2章 刀具状态信号降噪处理方法研究 |
2.1 铣削加工刀具磨损实验 |
2.1.1 刀具检测信号采集实验 |
2.1.2 实验内容 |
2.2 振动信号合成 |
2.3 信噪频带互相分离的降噪方法 |
2.3.1 巴特沃斯滤波降噪方法 |
2.3.2 刀具磨损信号高通滤波 |
2.4 信噪频带混叠的降噪方法 |
2.4.1 非线性小波阈值法降噪法 |
2.4.2 周期平移自相关系数法 |
2.4.3 刀具磨损信号降噪 |
2.5 本章总结 |
第3章 刀具磨损信号特征值提取与选择 |
3.1 小波包分解法 |
3.2 特征值提取 |
3.2.1 信号主成分特征值 |
3.2.2 小波包分解能量占比特征值 |
3.2.3 时域和频域特征值 |
3.2.4 振动及声音信号特征值提取 |
3.3 基于GA-RBF的最优特征选择 |
3.3.1 基于GA的刀具磨损特征值选择 |
3.3.2 基于RBF的适应度函数 |
3.4 刀具磨损状态特征值选择 |
3.4.1 特征值组合数量的确定 |
3.4.2 特征值组合结果 |
3.5 本章总结 |
第4章 多源信号特征融合卷积网络识别方法研究 |
4.1 刀具磨损信号特征值CNN融合方法 |
4.2 刀具磨损状态识别 |
4.2.1 单一振动信号的刀具磨损状态识别 |
4.2.2 单一声音信号的刀具磨损状态识别 |
4.2.3 融合特征信号的刀具磨损状态识别 |
4.2.4 识别结果对比 |
4.3 本章总结 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
(6)大容量的视觉安全图像隐藏方法研究(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 国内外研究现状 |
1.2.1 信息隐藏 |
1.2.2 图像隐藏 |
1.3 主要研究内容 |
1.4 论文组织结构 |
1.5 本章小结 |
第二章 系统框架以及评价指标 |
2.1 基于加密和信息嵌入的LCIH-VS框架 |
2.2 基于可逆图像变换的LCIH-VS框架 |
2.3 基于神经网络的LCIH-VS框架 |
2.4 评价指标 |
2.5 本章小结 |
第三章 基于整数小波变换和菱形预测的视觉安全图像隐藏 |
3.1 相关技术 |
3.1.1 整数小波变换 |
3.1.2 菱形预测 |
3.1.3 高级加密标准 |
3.1.4 最低有效位嵌入 |
3.2 详细方案 |
3.2.1 图像预处理 |
3.2.2 图像嵌入 |
3.2.3 图像重构 |
3.3 实验结果分析 |
3.3.1 图像视觉质量 |
3.3.2 方案性能比较 |
3.4 安全性分析 |
3.4.1 密钥空间分析 |
3.4.2 密钥敏感性分析 |
3.4.3 噪声攻击 |
3.4.4 裁剪攻击 |
3.5 本章小结 |
第四章 基于可逆图像变换的多轮视觉安全图像隐藏 |
4.1 相关技术 |
4.1.1 可逆图像变换框架 |
4.1.2 图像块匹配 |
4.1.3 均值调整和图像块旋转 |
4.2 详细方案 |
4.2.1 多轮可逆图像变换 |
4.2.2 特征选择 |
4.2.3 图像嵌入 |
4.2.4 图像重构 |
4.3 实验结果分析 |
4.3.1 参数设置 |
4.3.2 特征值选择 |
4.3.3 视觉质量比较 |
4.3.4 多轮可逆图像变换 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 研究展望 |
致谢 |
参考文献 |
作者简介 |
(7)基于分段分类的信号保峰平滑算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 前言 |
1.1 选题背景与研究意义 |
1.2 发展现状 |
1.2.1 传统平滑算法的研究现状 |
1.2.2 深度学习去噪发展现状 |
1.3 主要研究内容 |
1.3.1 基于分段分类与协同平滑的信号保峰平滑算法 |
1.3.2 基于分段分类与深度学习的信号保峰平滑算法 |
1.4 论文工作安排 |
第二章 研究基础与基本算法模型介绍 |
2.1 基本算法理论 |
2.1.1 信号模型 |
2.1.2 多项式拟合算法 |
2.1.3 Savitzky-Golay滤波算法 |
2.1.4 小波去噪算法 |
2.2 深度学习网络基础 |
2.2.1 自动编码器(AE) |
2.2.2 去噪自动编码器(DAE) |
2.2.3 LSTM自编码网络 |
2.2.4 卷积神经网络 |
2.3 实验数据 |
2.3.1 基于分段分类与协同平滑的信号保峰平滑算法实验数据 |
2.3.2 基于分段分类与深度学习的信号保峰平滑算法实验数据 |
2.4 性能评价指标 |
2.5 本章小结 |
第三章 基于分段分类与协同平滑的信号保峰平滑研究 |
3.1 基于分段分类与协同平滑的信号保峰平滑算法设计方案 |
3.1.1 分段分类 |
3.1.2 阈值 |
3.1.3 协同平滑 |
3.1.4 信号重建 |
3.2 算法流程及复杂度分析 |
3.3 仿真实验与分析 |
3.3.1 最优Savitzky-Golay平滑算法(SGM) |
3.3.2 最优小波去噪算法(WM) |
3.3.3 实验结果 |
3.4 算法应用 |
3.4.1 应用实例一 |
3.4.2 应用实例二 |
3.4.3 应用实例三 |
3.4.4 应用实例四 |
3.5 本章小结 |
第四章 基于分段分类与深度学习的信号保峰平滑研究 |
4.1 算法设计方案 |
4.1.1 制作数据集 |
4.1.2 方案设计 |
4.2 基于分段分类与深度学习信号保峰平滑算法网络框架 |
4.2.1 网络框架 |
4.2.2 编码Encoder |
4.2.3 解码Decoder |
4.3 模型优化与网络参数 |
4.3.1 网络参数 |
4.3.2 模型优化 |
4.4 算法验证 |
4.4.1 确定训练方案 |
4.4.2 测试结果 |
4.5 实验结果对比分析 |
4.6 本章小结 |
第五章 基于分段分类的信号保峰平滑算法对比分析 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
个人简介 |
(8)基于非局部均值的图像去噪算法研究(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 国内外研究现状与发展趋势 |
1.3 本文的主要工作及创新 |
1.4 本文的组织结构 |
第二章 图像去噪的理论基础 |
2.1 图像的描述 |
2.1.1 像素点在图像中的关系 |
2.1.2 图像的特征与分析 |
2.2 图像噪声简介 |
2.2.1 噪声分类 |
2.2.2 噪声模型 |
2.3 图像去噪质量评价标准 |
2.3.1 均方误差 |
2.3.2 峰值信噪比 |
2.3.3 结构相似性 |
2.4 经典的图像去噪方法 |
2.4.1 均值滤波 |
2.4.2 中值滤波 |
2.4.3 维纳滤波 |
2.4.4 基于偏微分方程的图像去噪模型 |
2.4.5 小波阈值去噪 |
2.4.6 BM3D模型去噪 |
2.5 本章小结 |
第三章 基于Radon变换的BM3D改进图像去噪算法 |
3.1 Radon模型 |
3.1.1 图像Radon变换及其性质 |
3.1.2 Radon与频域算法的结合 |
3.2 BM3D算法 |
3.3 新算法的提出 |
3.3.1 对于相似块匹配的改进 |
3.3.2 对于组合滤波的改进 |
3.3.3 改进后的算法步骤 |
3.4 实验结果与分析 |
3.5 本章小结 |
第四章 基于旋转块的BM3D改进图像去噪算法 |
4.1 旋转块匹配 |
4.2 块匹配分组和协同滤波 |
4.2.1 相似块分组 |
4.2.2 低秩正则化 |
4.2.3 聚合 |
4.3 新算法的提出 |
4.4 实验结果与分析 |
4.5 本章小结 |
第五章 基于DenseNet的非局部均值图像去噪算法 |
5.1 网络结构 |
5.2 共享非局部特征 |
5.3 改进的DenseNet去噪算法 |
5.4 实验结果与分析 |
5.5 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 |
作者简介 |
(9)基于激光雷达数据的气溶胶特性反演方法研究(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 激光雷达信号去噪技术研究现状 |
1.3 行星边界层高度探测方法研究现状 |
1.4 气溶胶消光特性反演方法研究现状 |
1.5 气溶胶微物理特性探测技术研究现状 |
1.6 本文研究内容及章节安排 |
第二章 激光雷达系统和数据预处理 |
2.1 激光雷达系统 |
2.1.1 Mie散射激光雷达 |
2.1.2 Raman散射激光雷达 |
2.1.3 高光谱分辨率激光雷达 |
2.1.4 多波长激光雷达 |
2.2 .激光雷达数据预处理 |
2.2.1 探测器延时校正 |
2.2.2 背景噪声订正 |
2.2.3 后脉冲订正 |
2.2.4 距离平方校准 |
2.3 基于变分模态分解和鲸鱼优化算法的激光雷达信号去噪方法 |
2.3.1 变分模态分解算法 |
2.3.2 鲸鱼优化算法 |
2.3.3 基于变分模态分解和鲸鱼优化算法的去噪方法 |
2.3.4 实验结果与讨论 |
2.4 本章小结 |
第三章 基于激光雷达数据的行星边界层高度反演 |
3.1 边界层高度反演资料 |
3.1.1 微脉冲激光雷达资料 |
3.1.2 无线电探空仪资料 |
3.2 行星边界层高度的常用反演方法 |
3.2.1 梯度法 |
3.2.2 曲线拟合方法 |
3.2.3 小波协方差变换法 |
3.3 改进的行星边界层高度自适应确定方法 |
3.4 实验结果与讨论 |
3.4.1 合成信号实验 |
3.4.2 实测数据实验 |
3.5 本章小结 |
第四章 基于激光雷达数据的气溶胶消光特性反演 |
4.1 常见激光雷达系统的气溶胶消光系数反演方法 |
4.1.1 基于Mie散射激光雷达反演消光系数 |
4.1.2 基于Raman散射激光雷达反演消光系数 |
4.1.3 基于高光谱分辨率激光雷达反演消光系数 |
4.2 深度信念网络 |
4.3 基于深度信念网络的气溶胶消光系数反演方法 |
4.4 实验结果与讨论 |
4.5 本章小结 |
第五章 基于多波长激光雷达数据的气溶胶微物理特性反演 |
5.1 气溶胶微物理特性 |
5.1.1 气溶胶的粒径 |
5.1.2 气溶胶的粒径谱分布 |
5.1.3 粒子尺度描述参数 |
5.1.4 复折射指数 |
5.2 Mie散射理论 |
5.3 不适定问题概述 |
5.4 基于GCV正则化反演气溶胶粒子谱分布 |
5.5 基于气溶胶微物理参数正演气溶胶光学特性 |
5.5.1 粒子谱分布的选择 |
5.5.2 气溶胶复折射指数的选择 |
5.5.3 气溶胶光学特性和激光雷达信号的模拟 |
5.6 基于气溶胶光学参数反演气溶胶微物理特性 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 研究内容与总结 |
6.2 创新点 |
6.3 研究展望 |
致谢 |
参考文献 |
作者简介 |
在研期间的工作成果 |
(10)基于视频PRNU噪声分条匹配的相机源检测算法(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 国内外研究现状及分析 |
1.3 本文研究内容与工作 |
1.4 本文结构 |
第2章 视频相机源检测基础研究 |
2.1 问题阐述 |
2.2 视频取证 |
2.3 手机相机成像原理 |
2.4 数字视频来源 |
2.5 光响应不一致性噪声 |
2.5.1 数字图像相机源检测方法 |
2.5.2 数字视频相机源检测方法 |
2.6 本章小结 |
第3章 视频PRNU噪声分条匹配的源检测算法 |
3.1 问题阐述 |
3.2 基于分条匹配的相机源检测算法 |
3.2.1 PRNU噪声的提取 |
3.2.2 PRNU噪声的匹配 |
3.3 实验设置 |
3.4 结果分析 |
3.4.1 算法可行性测试 |
3.4.2 基于带宽检测实验 |
3.4.3 与其他算法性能比较 |
3.4.4 时间复杂度 |
3.5 结论 |
第4章 H.264 编码稳定视频提取和匹配PRNU噪声的算法 |
4.1 问题阐述 |
4.2 H.264 视频编解码 |
4.2.1 环路滤波 |
4.2.2 预测编码 |
4.3 基于H.264 的相机源检测改进算法 |
4.3.1 PRNU噪声的提取 |
4.3.2 PRNU噪声的匹配 |
4.4 实验设置 |
4.5 结果分析 |
4.5.1 压缩对估计PRNU噪声的影响 |
4.5.2 去除环路滤波器的影响 |
4.5.3 算法可行性测试 |
4.5.4 与其他算法性能比较 |
4.5.5 计算复杂度 |
4.6 结论 |
第5章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
在学期间主要科研成果 |
一、发表学术论文 |
二、其它科研成果 |
四、一种基于整数平方量化阈值的小波图像编码算法(论文参考文献)
- [1]基于改进EZW算法的声纳图像数据压缩研究[J]. 杨成林,高兴. 信息与电脑(理论版), 2021(14)
- [2]基于非线性变换的图像压缩算法研究[D]. 孙颖. 重庆邮电大学, 2021
- [3]高速运动物体图像识别与压缩方法研究[D]. 史启盟. 西安理工大学, 2021(01)
- [4]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [5]基于多源信号特征融合的刀具磨损状态在线监测[D]. 冯元彬. 西安理工大学, 2021(01)
- [6]大容量的视觉安全图像隐藏方法研究[D]. 邹梦玲. 南京信息工程大学, 2021(01)
- [7]基于分段分类的信号保峰平滑算法研究[D]. 刘宝莹. 南京信息工程大学, 2021(01)
- [8]基于非局部均值的图像去噪算法研究[D]. 张浩瑀. 南京信息工程大学, 2021(01)
- [9]基于激光雷达数据的气溶胶特性反演方法研究[D]. 李红旭. 南京信息工程大学, 2021(01)
- [10]基于视频PRNU噪声分条匹配的相机源检测算法[D]. 扈媛媛. 齐鲁工业大学, 2021(10)