导读:本文包含了纹理变换论文开题报告文献综述及选题提纲参考文献，主要关键词:缺陷检测,离散傅里叶变换,滤波器设计,随机纹理瓷砖
纹理变换论文文献综述
段春梅,张涛川[1]（2019）在《基于傅里叶变换的随机纹理瓷砖的高精度表面缺陷检测》一文中研究指出针对经典缺陷检测算法不能很好地提取随机纹理瓷砖图像的缺陷的问题,提出一种基于傅里叶变换的随机纹理瓷砖表面缺陷高精度检测方法;在此基础上,完成了瓷砖表面缺陷检测硬件系统设计;对采集的瓷砖图像,首先利用傅里叶变换得到频率谱图像,然后研究截止频率参数对滤波的影响,设计最优化滤波器进行滤波,再通过傅里叶逆变换获得重构图像,达到抑制背景纹理信息,加强缺陷区域信息的目的,最后通过阈值化和形态学操作获得缺陷区域;实验结果表明:该方法对不同的随机纹理瓷砖样本进行缺陷检测的准确率高,在瓷砖缺陷检测中具有较高的实用价值。(本文来源于《计算机测量与控制》期刊2019年10期）
李红卫,杜锐,胡银伟[2]（2019）在《基于波原子变换的超声图像纹理特征分类》一文中研究指出目的:提出一种基于波原子变换的超声图像纹理特征分类方法,并验证其分类效果。方法:首先选取肝硬化超声图像,运用波原子变换提取感兴趣区域的图像纹理特征,然后利用奇异值分解(singular value decomposition,SVD)寻找最佳特征组合,最后运用支持向量机(support vector machine,SVM)对样本图像进行分类。结果:实验结果表明该方法区分正常肝脏与肝硬化组织、血管和远场阴影有较高的分类率,其准确度分别为77.58%、92.74%和63.55%。结论:波原子变换作为一种新的多尺度图像分析工具,用来提取和表征医学超声图像纹理特征具有显着的效果,可用于手术指导和超声设备的辅助诊断。(本文来源于《医疗卫生装备》期刊2019年05期）
黎明,邢冬冬,汪宇玲[3]（2019）在《基于多分辨率Trace变换的纹理图像分类》一文中研究指出针对Trace变换提取的图像特征缺乏对纹理边缘信息描述和计算代价高的问题,利用小波变换对图像轮廓的表征优势,提出了多分辨率Trace变换并应用于纹理图像分类.首先,将小波变换引入到Trace变换中,对纹理图像进行非下采样小波变换,得到不同频率的低频特征子图及高频边缘子图;其次,在各级子图上进行一组泛函的Trace变换,获取纹理图像的融合特征,在获得图像边缘信息的同时避免了Trace变换不同泛函组合计算代价过高的问题;最后,把融合特征送入支持向量机对图像进行分类.实验结果表明,对图像采用多分辨率Trace变换提取的融合特征具有更好的纹理描述能力,相对于传统Trace变换及MCM等对比方法具有更高的鉴别性能,且在时间效率上相对于传统Trace变换有大幅提升.(本文来源于《电子学报》期刊2019年04期）
赵玥[4]（2019）在《基于图小波变换的纹理分类与SAR图像识别》一文中研究指出纹理是物体结构或表面上的属性,例如图案,形状,粗糙度等等。纹理的普遍性较强,它作为图像处理领域内一个基础研究单元,在众多实际应用中发挥着重要的作用,其中包括雷达图像处理,医学图像分析,森林物种识别等等。而SAR图像识别作为以纹理分析为基础的应用扩展而被广泛应用于军事,国防等众多实际领域。以往纹理分析多是基于小波变换的方法。而图小波变换与传统小波变换相比,在保留其多尺度分析与降噪特性的同时可以明确考虑信号样本之间的结构和关系,因而比传统小波变换更适合用作纹理分析。本文主要采用基于图小波变换的纹理分析方法,完成图像纹理分类与SAR图像识别,其主要研究内容包括以下两个方面:(1)提出了一种基于图小波变换框架的图像纹理分类方法。该方法将纹理图像经过图小波滤波器组分解为多尺度分量。针对奇异值分解所得系数较少,无法很好的进行模型估计的缺点,本研究将经过图小波变换得到的子带进行局部奇异值分解。为了在一定程度上使得该方法对噪声具有鲁棒性,方法中提取了所求局部奇异值中的最大值,平均值和中值。而后,将每个集合中的元素分别建模为Weibull分布,采用两个分布函数的KL散度作为样本距离对纹理样本进行分类。本方法采用两个数据库构建的叁个数据集完成实验,实验结果证明了本文所提方案的有效性。(2)采用上述纹理分析框架,提出了一种应用于SAR图像目标识别的方法。由于SAR图像识别属于目标检测中的面目标识别,因此纹理分析依旧是雷达图像识别的决定因素。该方法采用图小波变换为SAR图像提供了一种多尺度分析。针对于SAR图像背景杂波较乱,相干斑噪声较强的特点,采用二维主成分分析(2DPCA)方法,在提取图像主要特征的同时抑制图像噪声。而后采用加权稀疏表示分类器对SAR图像进行目标识别,并在分类时改进了现有计算权重距离的方法,将样本之间的相关距离用于计算稀疏表示时所需的权重。最终采用MSTAR数据库中的叁类与十类SAR图像用于实验,实验结果证明了该方案相比于现有方案的优越性。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
邱甲军,吴跃,惠孛,刘彦伯[5]（2019）在《基于小波变换的分数阶微分算法在肝脏肿瘤CT图像纹理增强中的应用》一文中研究指出图像纹理增强过程中容易丢失平滑区域纹理细节,而分数阶微分增强虽然能够非线性保留平滑区域纹理细节,但对频率分辨率敏感。针对这个问题,提出一种基于小波变换的分数阶微分纹理增强算法,应用于平扫计算机断层扫描(CT)图像的肝脏肿瘤区域的纹理增强。首先,通过小波变换将图像感兴趣区分解成多个子带分量;其次,基于分数阶微分定义构造一个带补偿参数的分数阶微分掩膜;最后,使用该掩膜与每个高频子带分量进行卷积并利用小波逆变换重组图像感兴趣区。实验结果表明,该方法在使用较大分数阶次显着增强肿瘤区域的高频轮廓信息的同时,有效地保留了低频平滑的纹理细节:增强后的肝细胞癌区域与原区域相比,信息熵平均增加36.56%,平均梯度平均增加321.56%,平均绝对差值平均为9.287;增强后的肝血管瘤区域与原区域相比,信息熵平均增加48.77%,平均梯度平均增加511.26%,平均绝对差值平均为14.097。(本文来源于《计算机应用》期刊2019年04期）
汪宇玲,黎明[6]（2018）在《圆迹变换及图像纹理分析》一文中研究指出针对迹变换提取的特征对于含圆弧形纹理图像描述欠佳的问题,提出了圆迹变换及其纹理特征提取方法.圆迹变换使用圆迹线来跟踪图像,并将圆迹线上的泛函结果映射到由半径、长度和角度叁个参数生成的空间上,对该结果继续做泛函积分,能得到图像四重圆迹空间特征.在圆迹线上使用不同的泛函能得到不同的圆迹变换结果,不同的泛函组合能获得不同的圆迹变换特征,能表示图像不同的纹理性质和更深层次的图像信息,产生多维的圆迹变换纹理特征信息.在Coil-20对象图库及Brodatz纹理库上对含圆弧形图像的分类实验表明,在训练样本较少的情况下,利用圆迹变换提取的纹理特征,其识别能力比迹变换都有明显提升,对于包含圆形、弧线形纹理的图像具备了更好的分辨能力.(本文来源于《电子学报》期刊2018年10期）
宋伟杰,关山,庞弘阳[7]（2018）在《基于S变换时频图纹理特征的刀具磨损状态识别》一文中研究指出针对刀具磨损状态监测问题,将图像纹理特征提取技术引入到刀具磨损故障诊断中,提出一种基于S变换时频图纹理特征的刀具磨损状态识别方法。首先采用S变换对刀具切削过程中采集的声发射信号进行时频分析,将时频图像转换为等高线灰度图,通过灰度共生矩阵算法提取图像纹理特征;然后采用散布矩阵算法对提取的特征向量进行敏感度分析,构建敏感特征向量;最后采用敏感特征向量训练离散隐马尔科夫模型,建立分类器,从而实现刀具磨损状态的识别。实验结果表明:该方法可以有效地识别刀具磨损状态,识别率为96.67%。(本文来源于《组合机床与自动化加工技术》期刊2018年07期）
朱自娟,张怀清,刘金鹏[8]（2019）在《结合LBP变换的GF影像纹理特征提取》一文中研究指出为了更好地提取高分辨率影像的纹理特征,该文以GF-1影像为实验对象,引入局部二进制模式(LBP)算子增强图像纹理信息,并且结合灰度共生矩阵计算图像纹理特征。实验通过使用3个不同的半径参数的LBP变换对GF-1影像的全色波段做计算,然后分别将此计算结果加入影像分类过程中。3种分类均采用相同尺度的面向对象分类方法、相同的训练样本和测试方法。最终结果显示,半径参数为3个像元的LBP变换提高分类精度幅度最大,参数为1个像元的没有提高分类精度,参数为2个像元的分类精度居中。实验表明,使用LBP变换能够很好地提取纹理信息、帮助分类,但需要找到合适的半径参数。(本文来源于《测绘科学》期刊2019年02期）
邢冬冬[9]（2018）在《基于Trace变换的纹理图像分析》一文中研究指出目前人工智能的发展势头迅猛,图像已然成为互联网世界交流的主要媒介。纹理作为图像的一种重要的视觉特征,包含丰富的图像信息,具有较高的研究价值。纹理分析是对纹理图像处理的学科,纹理分类是其研究的重要方向,而影响分类性能最重要的因素是提取的特征信息的鉴别能力。但由于纹理没有精确和统一的定义,导致纹理分析中的问题更具有挑战性,同时也衍生了各种各样的特征提取算法。Trace变换是一种新颖有效的图像特征提取算法,能提取旋转、缩放及平移不变特征,现已成为图像处理及计算机视觉领域的研究热点之一。Trace变换经过叁重泛函的级联运算获得图像特征,在这个过程中不可避免的会损失图像的一些信息,并且需要较多组泛函,存在实时性不足的问题。因此对其改进具有一定的理论和应用价值。基于此,本文的研究内容和成果如下:(1)分析了相关主流纹理特征提取算法,详细研究了Trace变换的原理,对其性能做了深入的探索。(2)针对Trace变换提取的图像特征缺乏对图像纹理边缘信息描述和计算代价高的问题,提出一种新的融合特征提取算法—多分辨率Trace变换。首先,将小波变换引入到Trace变换中,对纹理图像进行非下采样小波变换,得到不同频率的低频特征子图及高频边缘子图,弥补了Trace变换对图像纹理信息描述不足的缺陷;其次在各级子图上进行一组泛函组合的Trace变换,获取纹理图像的融合特征,在获得图像边缘信息的同时避免了Trace变换不同泛函组合计算代价过高的问题;最后,把融合特征送入支持向量机进行分类验证。实验结果表明,多分辨率Trace变换提取的融合特征相比原Trace变换对图像纹理具有更好的描述能力,在纹理图像库上具有更高的平均分类准确率,在时间效率上相对传统Trace变换有较大提升,与其他算法相比分类性能具有一定的优势。(3)Trace变换作为一种全局特征提取算法,与局部特征相结合也是对其深入研究的方向之一。局部二值模式LBP作为一种有效的局部纹理特征描述算子,可与全局特征相结合得到信息更丰富的特征,在图像处理领域已有诸多成功应用。鉴于此,提出基于Trace变换和LBP的多特征融合算法,并把其成功应用到断口图像分类。首先利用Trace变换提取图像全局纹理特征,局部二值模式提取图像局部纹理特征;采用动态加权鉴别能量分析对两种特征进行优选和自适应加权融合;最后使用支持向量机进行分类识别。在金属断口图像库上的实验结果表明该方法具有较高的识别率,与其它算法相比具有明显的优势,且在其他的纹理数据库上也有显着的效果,具有一定的泛化能力。(本文来源于《南昌航空大学》期刊2018-06-01）
吴继辉,郝国强,梁华,吴琼,孙异[10]（2018）在《基于S变换谱图纹理特征的输油泵轴承故障诊断》一文中研究指出为了实现输油泵轴承故障的智能诊断与识别,针对输油泵轴承振动信号S变换时频图包含丰富故障信息的特点,提出了一种利用纹理分析对S变换等高线时频图进行特征提取的输油泵滚动轴承智能故障诊断方法。该方法对轴承振动信号进行S变换,将S变换获得的等高线时频图作为纹理图像进行分析,提取其Tamura纹理特征中的粗糙度、对比度、方向度作为纹理特征组成特征向量,采用支持向量机作为分类器实现轴承故障的智能诊断。通过实测轴承故障信号表明:该方法能够获得较高的故障模式分类精度,实现滚动轴承的自动故障识别,因而具有较高的工程应用价值。(本文来源于《油气储运》期刊2018年05期）
纹理变换论文开题报告
（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：
目的:提出一种基于波原子变换的超声图像纹理特征分类方法,并验证其分类效果。方法:首先选取肝硬化超声图像,运用波原子变换提取感兴趣区域的图像纹理特征,然后利用奇异值分解(singular value decomposition,SVD)寻找最佳特征组合,最后运用支持向量机(support vector machine,SVM)对样本图像进行分类。结果:实验结果表明该方法区分正常肝脏与肝硬化组织、血管和远场阴影有较高的分类率,其准确度分别为77.58%、92.74%和63.55%。结论:波原子变换作为一种新的多尺度图像分析工具,用来提取和表征医学超声图像纹理特征具有显着的效果,可用于手术指导和超声设备的辅助诊断。
（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。
纹理变换论文参考文献
[1].段春梅,张涛川.基于傅里叶变换的随机纹理瓷砖的高精度表面缺陷检测[J].计算机测量与控制.2019
[2].李红卫,杜锐,胡银伟.基于波原子变换的超声图像纹理特征分类[J].医疗卫生装备.2019
[3].黎明,邢冬冬,汪宇玲.基于多分辨率Trace变换的纹理图像分类[J].电子学报.2019
[4].赵玥.基于图小波变换的纹理分类与SAR图像识别[D].哈尔滨工程大学.2019
[5].邱甲军,吴跃,惠孛,刘彦伯.基于小波变换的分数阶微分算法在肝脏肿瘤CT图像纹理增强中的应用[J].计算机应用.2019
[6].汪宇玲,黎明.圆迹变换及图像纹理分析[J].电子学报.2018
[7].宋伟杰,关山,庞弘阳.基于S变换时频图纹理特征的刀具磨损状态识别[J].组合机床与自动化加工技术.2018
[8].朱自娟,张怀清,刘金鹏.结合LBP变换的GF影像纹理特征提取[J].测绘科学.2019
[9].邢冬冬.基于Trace变换的纹理图像分析[D].南昌航空大学.2018
[10].吴继辉,郝国强,梁华,吴琼,孙异.基于S变换谱图纹理特征的输油泵轴承故障诊断[J].油气储运.2018