导读:本文包含了无抽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:图像增强,无抽样Contourlet变换,细节信息
无抽样论文文献综述
李康,周锦标,赵乾宏[1]（2012）在《基于无抽样Contourlet变换的图像增强方法》一文中研究指出为了有效增强图像的细节信息,研究了基于无抽样Contourlet变换的图象增强方法。首先将待增强图像进行无抽样Contourlet变换,然后使用映射函数对无抽样Contourlet系数进行增强处理,最后进行无抽样Contourlet反变换得到增强后的图像。实验结果表明,该方法可以有效增强图像的微弱边缘信息。(本文来源于《电子设计工程》期刊2012年19期）
孙晓欢,张洁,杨丰[2]（2010）在《无抽样方向滤波器组用于图像去噪的方法研究》一文中研究指出提出一种基于无抽样方向滤波器组的图像去噪新方法,首先,将一维半带滤波器(half band filter)转换成二维低通滤波器,通过对此滤波器的各种操作获得4方向、8方向和16方向等无抽样方向滤波器组,同时,将各频域方向滤波器转换成空域模板;其次,采用Contourlet变换中的多尺度分解方法,利用上述空域模板实现图像方向分解,获得噪声图像的各尺度多方向系数;最后,根据各方向系数的统计特性,合理设定去噪阈值,方向合成只需各方向子带图像相加,多尺度合成过程与Contourlet变换相同,完成图像去噪。实验结果表明:该方法不仅有效地去除了图像噪声,而且能很好地保留图像的边缘纹理信息,并很好地去除了Contourlet变换去噪中无法避免伪吉布斯现象所引起的视觉失真,与现有阈值去噪方法相比,图像信噪比明显提高。(本文来源于《计算机工程与应用》期刊2010年16期）
李野,吴亚锋,裘焱,杨永锋[3]（2009）在《基于无抽样小波包变换的语音增强方法》一文中研究指出非均匀临界频带与人耳对固有语音的频率感知特性十分相似,并且可在听觉感知上近乎完美地使信号进行重构。文章基于此提出了一种新的语音增强方法。该方法首先采用易于计算的无抽样离散小波包(UDWP)模拟人耳的听觉特性滤波器组对带噪语音进行分解;其次在语音信号的子带层次上用一种类似于软阈值的无穷阶可导的函数进行阈值处理;最后应用谱减法进行二次增强。实验结果表明,该方法在有效去除语音噪声的同时可以较大地提高语音的清晰度和可懂度。(本文来源于《西北工业大学学报》期刊2009年05期）
张洁,杨丰[4]（2009）在《无抽样方向滤波器组的设计及其在医学图像增强中的应用》一文中研究指出本文提出一种无抽样的方向滤波器组设计方法,并应用于医学图像增强。该方法将多级滤波器组整合为单级滤波器组,并将各频域滤波器均转化为w×w的空间模板,分别与图像卷积,获得各方向的子带图像,且每幅子带图像的分辨率均与原图像相同,便于利用各方向子带图像的统计特性,实现图像增强。实验结果表明:本方法因避免了抽样与插值过程,操作简便。采用图像方向特征,降低由于设备问题造成的图像模糊的影响,与其他常见的图像增强方法相比,其图像增强效果明显。(本文来源于《信号处理》期刊2009年08期）
张洁[5]（2009）在《基于无抽样方向滤波器组的图像处理算法研究》一文中研究指出多速率数字信号处理(Multirate Digital Signal Processing)作为数字信号处理重要分支之一,在二十世纪70年代提出,迄今被国内外学者广泛重视和深入研究,其应用已从最初的语音子带编码(Subband Coding,SBC)领域扩展到数字通信、图像压缩、视频压缩、计算机视觉、噪声消除及天线系统等许多领域。特别是在多速率系统(Multirate System)中,最为典型的M带均匀最大抽取(Maximally Decimated)滤波器组(Filter Banks,FBs)系统,其研究经历了从基本概念的提出到理论体系的丰富、完善和发展,在小波变换(WaveletTransform,WT)与多尺度分析(Multiresolution Analysis,MRA)领域内更加体现了这一点,其研究内容涵盖了FBs理论、实现结构、设计方法及应用等诸多方面。在过去的二十年里,众多研究者集中于一维(One-dimensional,1-D)FBs理论的研究并取得丰硕的成果,集中表现在对具有完全重构(PerfectlyReconstruction,PR)特性的M带正交镜像滤波器组(Quadrature Mirror FilterBanks,QMFBs)、离散傅立叶变换滤波器组(Discrete Fourier Transform FilterBanks,DFTFBs)和余弦调制滤波器组(Cosine Modulated Filter Banks,CMFBs)等几种典型滤波器组的研究上。对于一维的M带均匀滤波器组,已形成相当成熟的理论与设计方法。在近十年来,人们致力于2-D滤波器组的研究,取得了一定的成就与突破,但在2-D FBs理论和设计上至今仍存在尚未完全解决的问题,比如具有线性相位(Linear Phase)与完全重构特性的2-D余弦调制滤波器组(CMFBs),这在很大程度上依赖于一维线性相位和完全重构的CMFBs理论的发展。同时,在图像与视频处理领域,不可分离2-D滤波器组的应用问题也没有得到应有的重视。此外,尽管以多尺度几何分析为代表的一类新型的2-D函数最优表示方法正逐步成为该领域的研究热点,但是,如何根据图像包含的几何特征来自适应地实现图像任意方向的分解有待进一步解决。本论文研究工作着重从无抽样2-D方向滤波器组设计及其在图像处理中的应用上,丰富与完善多速率数字信号处理理论。方向滤波器作为图像方向特征描述的重要工具,广泛应用于图像压缩、图像增强、边缘检测和图像去噪等图像处理中。比如,在经典边缘检测算法中,Sobel算子、Prewitt算子、LoG算子等都归属于方向滤波器,但它们都仅局限于水平、垂直和对角方向。在目前的图像表示方法中小波变换已被广泛接受,它对处理一维分段光滑信号提供了一个非常稀疏或者说有效的表示方法,而小波在高维应用中却表现出了局限性。在图像进行二维小波变换后,代表图像细节的小波系数,即高频成分,表现在图像亮度值与周围区域有着强烈对比的边缘上。值得注意的是,这些有意义的小波系数位置反映出图像几何关联性,形成了简单的曲线。因此,二维小波变换能有效地捕获图像的边界点。但是因这些边界点仅由一些孤立的点组成,很难形成描述这些边界的光滑曲线。这是因为小波基仅对于零维点奇异值的目标函数是最优的,而对一维奇异性且光滑的图像边界不是最优的。Bamberger和Smith于1992年首次提出了方向滤波器组(Directional FilterBanks,DFB)设计,每个子带输出都具有特定的方向性,能较好地捕获图像的边缘信息,由于对原始图像要进行多倍抽样,造成各子带图像分辨率与原图像不同,并随着分解方向数的增加,子带图像分辨率越来越小,因此,它适用于图像压缩等少量系数能量集中描述,但在图像增强、边缘检测和图像去噪等应用中,还需对各子带图像进行插值恢复,获得相同分辨率的图像,便于各子带图像之间进行统计特性分析,图像的抽样与插值在一定程度上会造成图像信息损失,这在医学图像处理中,将影响临床诊断结果。因此,如何避免抽样与插值,是方向滤波器设计与应用的一个主要问题。本文在具有抽样的方向滤波器组设计基础上,提出一种无抽样方向滤波器组设计方法,即:由一维半带低通滤波器先变换为二维低通滤波器,此二维低通滤波器为后面所有多方向滤波器设计的基础,均是通过坐标变换或各滤波器之间的运算实现,由该二维低通滤波器分别变换为象限滤波器和平行四边形滤波器,扇形滤波器由象限滤波器变换而来,象限滤波器和扇形滤波器合成四方向滤波器,再与平行四边形滤波器合成八方向滤波器,八方向滤波器再与平行四边形滤波器合成十六方向滤波器,更多方向的滤波器也都可由以上各种滤波器经过不同的坐标变换以及各滤波器之间的加减乘等运算得到。并将各种多方向频率域滤波器经过反傅立叶变换转化成空间模板,此模板使用方法与Sobel算子、Prewitt算子相同,直接与图像卷积实现图像滤波,其滤波过程不需要对图像抽样、旋转等操作,只需设计滤波器本身,所以,对图像进行方向分解时就避免了由于对图像抽样引起的混迭现象以及其他失真现象,利用设计的各方向子带滤波器的空间模板对图像滤波实现多方向分解,每个方向子带图像的分辨率均与原图像保持一致,免除插值恢复过程,有利于在相同空间位置上对各子带图像像素进行统计特性的分析,同时,可以减少由于对图像的插值引起的视觉失真现象,并且在方向子带图像各自独立处理之后,直接相加合成,无需类似小波分析的反变换,操作简便。本文针对两种不同的情况将无抽样方向滤波器的空间模板应用到图像增强,一种是比较干净但纹理较模糊的图像,一种是带噪声的图像。对于前者,主要利用本文设计的无抽样方向滤波器空间模板(decimation-free directional filterbanks spatial operators,DFDFBOs),提取最能代表原图像方向信息的方向子带系数来实现增强;对于后者,将DFDFBOs与多尺度分析相结合,针对不同的高频信息(分为强边缘、弱边缘和噪声)分别进行处理。其增强结果较传统方法及DFB方法都有很大改善。采用Contourlet变换的思想实现图像去噪,与其不同的是:在多方向分解时,利用本文设计的无抽样方向滤波器空间模板。实验结果表明本文方法不仅有效地去除图像噪声、保留图像的边缘纹理信息,并很好的减少了Contourlet变换去噪中无法避免的伪吉布斯现象(pseudo-Gibbsphenomenon)所引起的视觉失真,与现有阈值去噪方法相比,去噪后图像信噪比明显提高,视觉效果明显改善。(本文来源于《南方医科大学》期刊2009-04-01）
黄玉伟[6]（2009）在《无抽样的线性抽样法及其数值实验》一文中研究指出本文首先简要介绍了声学正反散射问题的模型,给出了Helmholtz方程解的Green表示定理和远场算子等一些研究反散射问题必不可少的工具.接下来文章主要阐述了线性抽样法[29]的一种新的实现方法,即无抽样的线性抽样法.在无抽样的线性抽样法中,线性抽样法中逐点采样过程被希尔伯特空间的一个单函数方程代替,这个希尔伯特空间是由L2空间做直和得到的.这样离散的远场方程集合被一个方程所替代,使得在数值求解过程中只需一次正则化,而不是逐点正则化.在抽样法中离散的远场方程正则解的L2范数被定义为示性函数,通过描述示性函数图像,可以给出散射体的轮廓.而在新的实现方法中,对离散的远场矩阵做奇异值分解,我们可以得到解析形式的示性函数Ψ(z).本文从对Ψ(z)做Fourier变换出发,获得示性函数的带宽,进而可以给出线性抽样法空间分辨率的一些理论分析.而且从线性抽样法的空间分辨率出发可以类似的得到因子法等一类可视化方法的空间分辨率.(本文来源于《吉林大学》期刊2009-04-01）
张洁,杨丰,赵祺阳[7]（2009）在《一种基于无抽样方向滤波器组的抑制噪声的医学图像增强算法》一文中研究指出目的:针对传统的图像增强算法中存在弱边缘增强效果差、同时噪声抑制较弱等问题,本文提出的一种无抽样方向滤波器组,并将其用在医学图像增强中。方法:首先,将一维低通滤波器转换成二维低通滤波器,此滤波器再经平移、旋转等操作得到其他多方向无抽样频域滤波器,并将各频域滤波器转化成空间模板,便于使用;其次,将多尺度分析方法与无抽样方向滤波器组结合对图像进行分解得到各子带图像,对各子带图像进行统计特性分析,确定图像的强边缘、弱边缘和噪声;最后,对此叁类信息不同的线性变换分别进行处理,获得增强后的图像。结果:由于无抽样方向滤波器能够较好的捕获图像的方向信息,多尺度分析能够较好区分不同的边缘信息,所以该方法的结果很好的保护了图像的边缘及细节,同时有效的去除了图像的噪声,层次结构清晰,视觉效果有了显着改善。结论:将无抽样方向滤波器与多尺度分析结合,并根据不同纹理信息的特点,对各类信息采用不同的处理,是一种行之有效的图像增强方法。(本文来源于《中国医学物理学杂志》期刊2009年02期）
殷保忠,杨学志,张武松[8]（2007）在《基于无抽样小波变换和MCE训练的纹理分类》一文中研究指出提出了一种新的纹理分类的方法,该方法把基于无抽样小波变换的特征提取器和基于欧几里得距离的分类器进行了合并。把方差、偏态系数、峰态系数、叁者的联合及谱直方图作为描述纹理图像不相重迭的图像窗的特征。一个使用线性转换矩阵的特征提取器对分类导向的特征做进一步的提取。利用基于欧几里得距离的分类器,每个纹理图像不相重迭的图像窗被确定到属于它的那一类。基于最小分类错误训练方法的特征提取器和分类器设计的合并使分类错误达到了最小化。使用该方法对25类BrodTex纹理图像进行了评估,分类精确度达到90%以上。(本文来源于《计算机工程与应用》期刊2007年32期）
王发牛,梁栋,程志友,唐俊[9]（2007）在《一种无抽样Contourlet变换的图像去噪方法》一文中研究指出提出一种基于Contourlet变换的图像去噪方法,Contourlet变换采用无抽样形式,系数萎缩处理阈值门限与尺度相关。通过模拟产生不同方差噪声信号进行Contourlet变换,确定各尺度子带系数阈值,得到噪声方差与各尺度子带阈值对应表。对噪声污染图像进行Contourlet变换并估计噪声方差,查表得到各子带阈值,进行系数萎缩处理。实验表明提出的处理方法简单有效,去噪结果具有良好去噪视觉效果和较高峰值信噪比。(本文来源于《计算机应用》期刊2007年10期）
陈奋,闫冬梅,赵忠明[10]（2007）在《基于无抽样小波的遥感影像薄云检测与去除》一文中研究指出针对全色波段遥感影像提出了一种基于无抽样小波变换的薄云去除算法。对实际的卫星影像和航空影像所进行的试验结果表明,该方法是十分有效的。(本文来源于《武汉大学学报(信息科学版)》期刊2007年01期）
无抽样论文开题报告
（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：
提出一种基于无抽样方向滤波器组的图像去噪新方法,首先,将一维半带滤波器(half band filter)转换成二维低通滤波器,通过对此滤波器的各种操作获得4方向、8方向和16方向等无抽样方向滤波器组,同时,将各频域方向滤波器转换成空域模板;其次,采用Contourlet变换中的多尺度分解方法,利用上述空域模板实现图像方向分解,获得噪声图像的各尺度多方向系数;最后,根据各方向系数的统计特性,合理设定去噪阈值,方向合成只需各方向子带图像相加,多尺度合成过程与Contourlet变换相同,完成图像去噪。实验结果表明:该方法不仅有效地去除了图像噪声,而且能很好地保留图像的边缘纹理信息,并很好地去除了Contourlet变换去噪中无法避免伪吉布斯现象所引起的视觉失真,与现有阈值去噪方法相比,图像信噪比明显提高。
（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。
无抽样论文参考文献
[1].李康,周锦标,赵乾宏.基于无抽样Contourlet变换的图像增强方法[J].电子设计工程.2012
[2].孙晓欢,张洁,杨丰.无抽样方向滤波器组用于图像去噪的方法研究[J].计算机工程与应用.2010
[3].李野,吴亚锋,裘焱,杨永锋.基于无抽样小波包变换的语音增强方法[J].西北工业大学学报.2009
[4].张洁,杨丰.无抽样方向滤波器组的设计及其在医学图像增强中的应用[J].信号处理.2009
[5].张洁.基于无抽样方向滤波器组的图像处理算法研究[D].南方医科大学.2009
[6].黄玉伟.无抽样的线性抽样法及其数值实验[D].吉林大学.2009
[7].张洁,杨丰,赵祺阳.一种基于无抽样方向滤波器组的抑制噪声的医学图像增强算法[J].中国医学物理学杂志.2009
[8].殷保忠,杨学志,张武松.基于无抽样小波变换和MCE训练的纹理分类[J].计算机工程与应用.2007
[9].王发牛,梁栋,程志友,唐俊.一种无抽样Contourlet变换的图像去噪方法[J].计算机应用.2007
[10].陈奋,闫冬梅,赵忠明.基于无抽样小波的遥感影像薄云检测与去除[J].武汉大学学报(信息科学版).2007
标签：图像增强; 无抽样Contourlet变换; 细节信息;