导读:本文包含了上下文模型去噪论文开题报告文献综述及选题提纲参考文献，主要关键词:图像去噪,小波变换,多元广义高斯分布,上下文模型
上下文模型去噪论文文献综述
吴宇宁[1]（2014）在《基于MGGD和上下文模型的小波域图像去噪》一文中研究指出考虑到自然图像小波系数分布的两个统计特性,用多元广义高斯分布(MGGD)模型描述小波系数的统计分布,采用基于上下文模型的自适应协方差矩阵估计,再利用最大后验概率估计原始图像的小波系数。实验表明,该方法在直观视觉上去噪效果明显,在信噪比方面也要优于其他的一些小波去噪方法。(本文来源于《莆田学院学报》期刊2014年05期）
蔡银珊[2]（2011）在《矢量空间上下文模型的LMMSE图像去噪算法研究》一文中研究指出线性最小均方误差估计LMMSE(wavelet-based multiscale linear minimum mean squareerror estimation)目前是小波去噪领域的热门课题,讨论了矢量空间的最小均方误差估计的新算法,主要考虑图像各层间的关系,将线性MMSE运用到矢量空间,对去噪图像边缘模糊问题有较大改善。(本文来源于《盐城工学院学报(自然科学版)》期刊2011年04期）
矫媛,黄斌文,羊秀青[3]（2010）在《基于上下文模型的非抽样小波图像去噪》一文中研究指出文章提出了一种新的基于上下文模型的非抽样小波图像去噪方法。与传统正交小波变换不同,非抽样小波在图像分解时不对小波系数进行下采样。分解后的每一个小波系数被模型化为一个广义高斯分布随机变量,应用上下文模型估计每一个小波系数的边缘方差,软阈值函数的构造充分考虑了待阈值化小波系数与其邻域小波系数的相关性,产生空间自适应阈值。通过对加噪图像的实验,可以看出本文方法与其它几种传统去噪方法相比,不仅去噪效果有很大的改进,具有更好的重建视觉效果,而且信噪比也有较为明显的提高。(本文来源于《科技信息》期刊2010年19期）
杨黎,庄成叁[4]（2005）在《基于非高斯分布和上下文法模型的小波阈值去噪算法》一文中研究指出提出了一种新的空间自适应小波阈值去噪算法,该算法是基于非高斯二元分布的贝叶斯统计模型和上下文法模型。非高斯二元分布由两个变元和一个参数组成,能够完全体现小波系数之间相关性,这是广义高斯分布所不能体现的特性。上下文法模型是图像编码技术,用来求取小波系数的方差。试验数据显示该算法不仅在直观视觉上去噪效果明显,而且在信噪比方面也要优于SureShrink、BayesShrink、Wiener2等方法。(本文来源于《计算机应用》期刊2005年05期）
杨黎[5]（2005）在《基于非高斯分布和上下文模型的小波去噪算法》一文中研究指出作者从事于图像去噪技术的研究有一年半左右的时间,其间参与了医学核磁共振MR 图像分割项目的图像去噪处理,同时针对MR 图像分割做过相应的研究工作。本文提出了一种新的空间自适应小波阀值去噪算法,该算法是基于非高斯二元分布的贝叶斯统计模型和上下文模型,并将该算法应用于MR 图像的去噪处理。本文的应用背景是医学核磁共振分割项目,图像去噪处理是分割项目的重要的预处理步骤之一。由MRI 得到的图像复数数据常受到高斯白噪声的干扰,该噪声部分来源于图像数据采样硬件系统,其他来源于生理学原因。为了更好地进行MRI 图像分割处理,我们需要更加精细准确的图像去噪算法。通常,图像去噪会影响原有图像包含的数据信息,因而图像算法会折中平衡图像去噪和图像质量的关系。为了很好平衡二者关系,要求图像去噪算法能够适应图像数据的非连续性。小波表示(wavelet representation)能够构造出这种具有空间自适应性的图像去噪算法。它能将基本数据信息压缩在数量较少,但数值较大的小波系数(wavelet coefficients)当中,这些小波系数能完全体现图像数据的细节。为了更好地进行MR 图像分割处理,本文提出了一种新的空间自适应小波阀值去噪算法,该算法是基于非高斯二元分布的贝叶斯统计模型和上下文模型。非高斯二元分布由两个变元和一个参数组成,能够完全体现小波系数之间相关性,这是广义高斯分布所不能体现的特性。上下文模型是图像编码技术,用来求取小波系数的方差。试验数据显示该算法不仅在直观视觉上去噪效果明显,而且在信噪比方面也要优于SureShrink, BayesShrink,Wiener2 等方法。(本文来源于《四川大学》期刊2005-04-30）
上下文模型去噪论文开题报告
（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：
线性最小均方误差估计LMMSE(wavelet-based multiscale linear minimum mean squareerror estimation)目前是小波去噪领域的热门课题,讨论了矢量空间的最小均方误差估计的新算法,主要考虑图像各层间的关系,将线性MMSE运用到矢量空间,对去噪图像边缘模糊问题有较大改善。
（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。
上下文模型去噪论文参考文献
[1].吴宇宁.基于MGGD和上下文模型的小波域图像去噪[J].莆田学院学报.2014
[2].蔡银珊.矢量空间上下文模型的LMMSE图像去噪算法研究[J].盐城工学院学报(自然科学版).2011
[3].矫媛,黄斌文,羊秀青.基于上下文模型的非抽样小波图像去噪[J].科技信息.2010
[4].杨黎,庄成叁.基于非高斯分布和上下文法模型的小波阈值去噪算法[J].计算机应用.2005
[5].杨黎.基于非高斯分布和上下文模型的小波去噪算法[D].四川大学.2005