一、自适应图像分块压缩算法的实现和性能分析（论文文献综述）
王叶斐[1]（2021）在《多模型联合优化的图像视频编码关键技术研究》文中研究说明随着如4K直播,远程会议,监控视频系统等应用的快速发展,图像视频数据量的爆炸式增长,海量图像视频数据的高效存储和传输给编码压缩技术带来前所未有的挑战。因此,探索更高效的图像视频压缩技术,进一步提升压缩的效率,是图像视频编码的根本目标。而编码问题本质是一个率失真优化问题。传统的编码方法主要采用了混合编码框架,这种方法依据图像处理以及计算机视觉的相关经验,通过人工设计算法如预测编码算法,变换编码算法,以及熵编码算法等一步步去除视频图像中的信息冗余,从而实现压缩。并在每一步通过多个不同压缩模式的优选来解率失真优化问题。但这种方法存在两个问题,一方面它首先高度依赖人工设计算法和参数调优,由于人工经验的局限性,在一些复杂或特殊场景下,算法的效率往往较低。另一方面不同模块的优化都是独立的,而没有考虑每个模块之间的联动,理论上会导致率失真优化处于局部最优。本文针对过去编码框架中多模型应用过程中存在的问题,首先研究在传统编码框架下的精准模型设计与多模型组合优选算法;然后将端到端压缩方法和传统框架结合,研究基于集成学习的端到端压缩算法;最后在此基础上将多模型编码代价也引入多模型训练,研究多模型率失真的联合优化。论文主要的研究工作与贡献如下:（1）本文针对传统编码框架下多模型精度差的问题,研究面向复杂场景的精准模型设计和多模型组合优化算法。对全景视频中存在的复杂运动畸变,首先从数学理论推导的角度设计一种基于球坐标变换的帧间预测运动模型,该运动模型可以更好刻画全景视频中的运动畸变。随后设计新运动模型的帧间编码算法,包括运动补偿算法和运动估计算法,并通过一些巧妙的方法简化算法并将其集成到现有编码框架。最后将新模型与现有框架中的多种运动模型相互融合,实现多运动模型的组合和快速优选算法。实验表明新运动模型和多模型组合优化方法可以有效提升帧间预测精度,提高对全景视频的压缩率,并降低解码复杂度。（2）本文针对传统编码框架中模块间无法联合优化问题,尝试进一步突破传统框架,将端到端网络压缩方法与传统框架相结合,并借助传统框架多模型优选的率失真优化方法的思想,解决端到端网络模型自适应差,复杂度高的问题,从而提出一种基于集成学习的端到端图像压缩框架。该框架采用分块自适应模型优选,本文为此框架的模型设计了多种模型生成算法,并采用如改进的提升方法,几何自集成等模型生成方法解决模型训练代价过高的问题,并同时保证模型的多样性。实验表明,基于集成学习的端到端图像压缩方法可以在不增加解码复杂度的情况下,有效提升压缩效率,反过来也可以在保证压缩效率情况下,减小解码复杂度。进一步的实验还证明了本文的方法具有良好的泛化能力。（3）本文针对多模型训练中并没有考虑多模型编码代价的问题,尝试将模型编码代价引入多模型训练,提出一种多模型率失真的联合优化方法,应用场景面向深度神经网络图像环路滤波。首先采用一种多模型联合训练的方法训练多个滤波网络,随后设计了一种在不同码率约束下控制模型的编码码率的方法。并通过基于退火的训练方法,解决模型训练中的坍缩问题。进一步地,设计了依据失真幅度的模型组优选+模型优选的两步优选方法,从而实现了比仅仅采用模型优选更优的率失真性能。在解码端通过图像块级自适应的两步模型优选,完成整个深度神经网络环路滤波的框架的构建。实验表明,该方法可以有效实现对多模型的编码码率控制,并且有效抑制模型坍缩,提高多模型深度神经网络滤波的率失真性能。
田伟[2]（2021）在《基于图像分块压缩感知的高效表征技术研究》文中指出传统的图像采样基于奈奎斯特采样定理,即以不低于图像信号频谱中最高频率两倍进行均匀采样。随着现代社会信息化的迅猛发展,图像承载的信息越来越多,这些图像信号所具有的带宽也变得越来越大。继续采用传统的采样方案对图像进行获取,所需的奈奎斯特采样率也会变得越来越大,这将导致更高复杂度的采样硬件设备,难以适用于一些采样时间、计算和存储资源受限的实际场景。近年来兴起的压缩感知技术作为一种可替代的解决方案,利用信号的稀疏性或在某些变换域的稀疏性,以低采样率对信号进行随机采样,仅需采样少量的线性观测数据,就可以大概率地通过非线性重构算法无失真地恢复出原始信号。本文专注于研究面向图像分块压缩感知的高效表征技术,在简要介绍压缩感知产生背景、发展趋势和一些基础理论知识后,首先提出一种新颖的观测数据编码算法,以提高观测端的编码效率;然后针对无法获取原始图像的应用场景,提出一种基于图像观测域的交叉子集导引自适应压缩感知方法,自适应地为每个图像块分配合适的采样率;最后基于图像分块压缩感知框架,在计算、存储资源受限的条件下,分析如何为每个图像块分配一组联合优化的采样率和量化深度。本文的主要工作介绍如下:（1）提出一种基于螺旋扫描顺序的观测数据编码算法,从图像的中心块出发,以螺旋扫描顺序逐块地观测整幅图像。所提方法相较于现在较为流行的观测数据编码算法,能够找到更加准确的最佳预测块,提高图像分块压缩框架中观测端的编码效率,从而有效提升了重构端恢复得到的重构图像率失真性能。（2）在无法获取原始图像数据的情况下,提出一种在图像观测域的交叉子集导引自适应压缩感知方法,并将该方法融入到实际的图像分块压缩感知框架中,可为不同的图像块自适应地分配合适的采样率,进一步提高观测端资源的利用效率,并从整体上提升重构端恢复得到的重构图像质量。（3）在计算、存储资源受限的条件下,分析如何在图像压缩感知框架中,为每个图像块分配一组优化的采样率和量化深度。所提方法首先通过多组实验统计出在图像分块压缩感知中,采样率、量化深度、重构图像与原始图像平均绝对值误差三者间的关系,进而设计出较为精确的重构图像失真模型,通过该模型最终推导一个简单高效、且具有合理解释性的采样率和量化深度联合优化算法。
汤正[3]（2020）在《压缩感知编码网络中的图像视觉隐私保护度评价方法研究》文中指出现在计算机能够对图像进行更快更深层次地分析与处理,这意味着数字图像可以提供更多的信息。人们可以通过机器自动理解和分析图像或视频内容来改善人们的日常生活。但与此同时,人们也希望自己的隐私不受到侵犯,因此如何在二者之间取得平衡,这对于许多实际应用来说是亟待解决的问题。针对此问题,通过对图像中的视觉隐私信息进行合理的分析与处理,能够在一定程度上消除图像视觉隐私威胁并保持图像满足要求的可视性和机器可理解性。因此,在对图像中的视觉隐私进行保护的同时,需要对图像进行客观准确的视觉隐私保护度评价,以解决计算机视觉处理与图像视觉隐私保护之间的矛盾。本文所关注的图像视觉隐私保护度评价方法研究,就是希望深入研究人类视觉与图像视觉隐私的关系,最终让计算机模拟人类视觉系统以及人类对图像视觉隐私的认知过程。本文在一种基于压缩感知的网络框架下实现了图像视觉隐私保护并对网络中图像进行可计算的图像视觉隐私保护度评价,从而能够为图像识别、分类等任务提供一种指导,在计算机视觉处理与图像视觉隐私保护之间实现平衡。本文首先提出了一种图像视觉隐私保护的新思路,即压缩感知编码网络（Compressed Sensing,CSCN）。网络每一层通过对上一层图像基于图像块的观测矩阵投影降维的方法获得分辨率更低的图像,从而不同深度的压缩感知编码网络可以获得不同视觉隐私保护度的图像,而这些图像应用于识别、分类等计算机视觉处理任务依然具有鲁棒性,实现了图像视觉隐私保护与图像表达之间的平衡。在该网络中,应用了一种修正非负高斯（Modified Non-Negative Gaussian,MNG）随机观测矩阵,解决了一般观测矩阵在压缩感知编码网络中易造成网络中图像特征丢失、识别性能差等问题。此外,还采用了一种高斯拟合归一化方法,解决了网络中图像像素值“溢出”的问题,从而能够高质量还原网络中图像。本文还研究了一种基于色度、对比度和显着性结构等三种特征的图像视觉隐私保护度评价模型（Visual Privacy-Preserving Level Evaluation for Compressed Sensing Coding Network,VPLE-CSCN）,用于对压缩感知编码网络中不同层图像的视觉隐私保护度进行分析和评估。该评价模型通过提出的基于散斑噪声自适应加权的色度测量模型（Speckle Noise Adaptive Weighting Based Colorfulness Measurement,SNAW-CM）、基于非对称修正?均值的对比度测量模型（Color/Cube Asymmetric Alpha-Trimmed Mean Enhancement,CAAME）和显着性广义中心对称局部二值模式（Salient Generalized Center-Symmetric Local Binary Pattern,SGCS-LBP）算子,分别提取图像的色度、对比度和显着性结构特征,再利用支持向量机回归与模糊C均值组合回归模型将这些特征映射到最终的图像视觉隐私保护度分数。从而可以根据评估结果和实际需要设定合适的网络深度,能够最大限度地保留有用的视觉信息,同时达到不同程度消除图像视觉隐私威胁的目的。最后,本文通过在ORL人脸数据集上的识别实验验证了压缩感知编码网络的识别鲁棒性和修正非负高斯随机观测矩阵的编码有效性,并探究了高斯拟合归一化方法对于压缩感知编码网络中灰度图像和彩色图像的归一化有效性。基于压缩感知编码网络,本文构建了带有图像主观质量分数、图像主观视觉隐私保护度分数双标签的图像质量与图像视觉隐私保护度评价数据集LIVE＿CS、TID2013＿CS和CSIQ＿CS。在这三个数据集上,本文通过实验分别研究和分析了图像色度和对比度测量模型的测量有效性与图像视觉隐私保护度评价模型参数的鲁棒性、图像质量评价的有效性、预测的合理性、与其他方法的性能对比、提取特征的有效性、计算复杂度和消耗计算资源度等。实验结果表明,压缩感知编码网络具有较好的视觉隐私保护下的识别鲁棒性,图像视觉隐私保护度评价模型具有较好的预测有效性。
王鹏[4]（2020）在《基于压缩感知理论的气象数据重构系统研究》文中认为随着气象行业的飞速发展,气象数据发生爆炸式增长,传统的奈奎斯特采样定律也随之暴露了些许缺点。压缩感知理论解决了其采样率需要大于信号带宽两倍的缺陷,压缩感知可使用低采样率对信号进行采样并将压缩采样一体化。传统的压缩感知算法对气象数据进行处理,需要一个能将整个原始信号进行观测的观测矩阵。为了解决这个问题,本文采用了分块压缩感知,该算法解决了观测矩阵的问题并且由于分块还降低了重构算法的复杂度。分块压缩感知算法对每块图像块采用相同的采样率,但是不同图像块之间的信息量是不同的,对每块图像块采用相同的采样率明显造成了资源上的分配不合理,本文对此进行了以下改进:（1）对于图像块之间信息量差距大的气象数据,本文采用了采样率自适应算法。衡量图像块信息量多少的方法为计算该图像块的纹理复杂度。由于压缩感知是在不知道图像为前提进行压缩采样,对此本文采用了预观测方法获取预估计图像,采样率分配就是通过预估计图像进行计算。该算法提高了该类气象数据的重构效果但同时也造成了计算复杂度的增加。（2）对于图像块之间信息量差距不大的气象数据,本文采用了自适应分块算法。衡量图像块信息量和预估计图像获取的方法如上述算法一样,不同的是通过提前设定阈值来判断该图像块是否继续进行分块,并对不同分块程度的图像块采取不同的采样率。该算法提高了该类气象数据的重构效果,但由于其算法复杂度高造成了计算时间增加。
宋雪梅[5]（2020）在《基于集成成像的压缩感知技术研究》文中进行了进一步梳理三维集成成像技术具有观看无视觉疲劳且不需要辅助设备等优点,是一种新兴的裸眼3D显示技术。在立体图像研究领域,集成成像技术是科研学者们重点研究的方向之一。人们通过集成立体成像技术可以观看到具有真实深度感的场景。但是加强这种视觉真实感的同时,集成成像图像的传输及存储也成为了一个急需解决的问题。传统的图像压缩方式不仅增加了存储压力,对硬件设备要求很高,还必须满足奈奎斯特定理,无法对集成成像图像进行有效的压缩。压缩感知技术是一种新的图像压缩技术,具有方便传输、减小资源浪费等优点。因此,本文将压缩感知技术应用到集成成像图像压缩中。在仔细研究了传统方法的基础上,提出了几种针对集成成像图像的压缩感知算法。为了对集成成像图像进行有效的压缩与重构,提出一种基于集成成像图像的压缩感知算法,选用分块压缩感知算法对图像进行压缩处理。集成成像图像具有数据量大,冗余度高的特点,所以先对图像进行抽取式采样,然后对图像进行自适应分块,再对图像进行离散余弦变换,依据图像块内相邻像素间的离散余弦变换系数差值进行块分类,对不同类别的图像块使用不同采样率进行测量采样。在重构阶段使用全变分算法对每一个图像块进行重构,将图像块重组在一起,获取整幅图像,再对图像进行等间隔恢复,最终获得完整的重构图像。为了进一步提高图像的重构精度,提出一种稀疏度自适应正交匹配追踪算法,该算法能自适应的估计出信号的稀疏度K值,将自适应稀疏度估计的方法与正交匹配追踪算法结合到一起,对正交匹配追踪算法进行改进,使算法具备更优的图像恢复质量和效率。最后,将提出的两种算法结合在一起,在压缩感知的稀疏步骤和重构步骤同时进行改进,对集成成像图像进行观测和重构。实验结果表明,本文提出的算法能够对集成成像图像进行有效地压缩和重构,恢复的图像整体及细节部分都非常清晰,不仅提高了集成成像图像的重构精度,还减少了运行时间,算法具有明显的优势。
陈逸野[6]（2020）在《压缩感知图像编码算法研究》文中研究表明图像数据的不断增加,对存储资源和带宽资源提出了更高的要求。压缩感知是一种可以突破奈奎斯特采样定理的新型采样方式,为数据的采集和存储提供了新的方向和思路,但采样数量的降低并不意味着存储空间减少。本文主要从采样率和比特率两个角度对图像压缩感知重建进行研究,作为采样方式的对比,还研究了基于图像内容的空间域自适应采样和重建算法。首先从采样率的角度对图像压缩感知重建算法进行研究,提出了一种联合图像先验的压缩感知重建算法。压缩感知初始退化图像核范数会明显增大,在基于稀疏表示的压缩感知重建模型基础上,引入图像降噪中基于非局部低秩的带权核范数最小化模型,借助于局部图像块的稀疏特性和非局部低秩特性,提出了联合图像先验的压缩感知重建算法。通过交替更新变量将联合先验模型分为多个子问题进行求解,实验结果验证了模型的有效性。空间域采样是一种经典的图像采样方式,但均匀采样在平坦区域采样冗余,细节区域采样不足。本文通过图像纹理边缘分析,提出了一种空间域自适应采样方案,利用迭代近邻插值和自适应滤波重建采样图像。在此基础上,提出基于联合先验的自适应采样重建模型,进一步提升图像的重建质量。现阶段对于压缩感知的研究集中于从采样率的角度考虑图像重建,而从数据存储角度考虑,采样维度的降低并不能带来实际存储效率的提高,因此本文从比特率的角度对压缩感知进行了研究。首先对压缩感知量化编码进行分析,对观测矩阵、量化方案和重建算法进行讨论。在此基础上,设计压缩感知量化编码结构,利用压缩感知部分观测值之间存在的隐性相关性对测量值进行预测,提出了分组渐进预测的压缩感知图像编码结构,提升了率失真性能。
郭超乐[7]（2020）在《红外遥感侦察弱小目标图像智能压缩方法与实时实现》文中提出随着我国在外太空探索和对地观测等空间领域的发展,图像分辨率、帧频越来越高,导致星地传输数据量与有限下传带宽的矛盾愈加突出,提升图像压缩性能成为卫星数据传输的关键。本论文的研究内容涉及红外遥感侦察弱小目标扫描图像数据的压缩系统设计与实现。针对保持目标信息与提高压缩比的矛盾,以及在星上有限资源条件下设计高实时系统的难题,本文通过分析带目标图像的特点,提出面向对象的智能压缩思路,主要包括弱小目标检测和分块压缩两个步骤,分别进行算法研究和改进并设计基于FPGA的高实时智能压缩系统。对弱小目标检测问题,本文以多尺度块对比度测量算法（Multiscale Patchbased Contrast Measure,MPCM）为基础,对比传统红外弱小目标特点和红外遥感侦察弱小目标扫描图像的特点,针对扫描图像中的条带噪声和大场景下的多尺度、非均匀性对检测的影响,提出了条带噪声抑制和多尺度多阈值分割两种改进方案,并整合为一种适用于大场景扫描图像的红外弱小目标检测方法IMPCM（Improved Multiscale Patch-based Contrast Measure）。经验证,对于含有条带噪声的图像,IMPCM在信噪比增益、背景抑制比性能上提升约2～3倍;对于背景复杂的图像,虚警和漏警情况大大减少,准确率和召回率等指标均提升明显。针对图像压缩问题,以JPEG-LS压缩算法为基础。基于星载抗误码的需求,需采用分块压缩方式。本文针对这种方法对压缩性能下降的原因进行分析,进而提出一种利用局部低动态范围自适应调节BPP压缩参数的分块压缩方法,能够有效提高遥感图像压缩比。进一步的,通过结合IMPCM目标检测算法与分块压缩方法,搭建智能压缩算法的框架。经验证,该方法相对JPEG-LS分块无损压缩方法,在保持目标信息的前提下,能提高3～5倍压缩比。最后针对星载系统的低资源消耗和高实时要求,设计并优化了智能压缩算法FPGA系统架构和功能模块,对智能压缩系统进行板级开发和地面测试平台搭建。经验证,该系统在本文场景下的典型数据测试中未出现漏警,平均压缩比为5.7167,像素吞吐率38.36 Mpixel/s,压缩延时小于1ms,完成了系统级验证,满足系统要求,验证了本文成果的有效性。
段晓萌[8]（2020）在《针对图像分块压缩感知的自适应测量方法研究》文中研究说明基于奎斯特采样定理的传统图像采样方法不仅对传感器提出了高成本要求,且在采样时间、内存消耗、计算速度等受限的实际应用场合很不适用。压缩感知理论突破奈奎斯特采样定理的限制,利用信号的稀疏性、可压缩性能高概率重构原始信号,在图像编码领域得到广泛应用。针对图像分块压缩感知的自适应测量方法,本文在对相关研究背景及基础理论知识综述后,首先,对自适应分块压缩感知的测量结构进行了分析研究;接着,在测量结构的基础上,在像素域中设计图像特征度量块稀疏性,并设计自适应测量方法;最后,考虑到在压缩成像应用中原始图像数据不可获取的情况,在感知域进行自适应测量方法设计。本文的主要工作如下:（1）提出三种图像分块压缩感知的测量结构。首先,提出的光栅结构,该测量结构将二维图像按列编写,进而存储测量;接着,考虑到块效应现象通常产生于稀疏度有明显差异的图像块相邻区域,提出片状结构,将二维图像分为重叠图像块,对重叠块进行重复测量;最后,根据较小块计算复杂度小、易测量,而较大块可提高重构质量的特点,提出层状结构。层状结构对原始图像进行两次划分,小块划分构成底层、大块划分构成顶层,通过底层逐小块测量、顶层逐大块重构,进而确保原始图像的重构质量。（2）提出两种像素域特征用于度量图像块稀疏性。为减少块效应现象,提出利用空间熵度量图像块的稀疏度,自适应地分配测量次数,有效改善了重构图像中的块效应现象。利用图像块间的相关性,提出利用块间视觉对比度衡量图像块的稀疏度,并作自适应测量分配,块间视觉对比度可较好地反映块稀疏度分布,从而有效制约了重构图像中的块效应。（3）提出感知域特征导向的自适应测量方法。针对压缩成像设备构建的编码端中原始图像数据未可知的难题,提出感知域特征导向的自适应测量方法。该方法可直接利用压缩感知测量值计算各图像块的感知熵,以感知熵度量图像块稀疏度,并设计测量次数的自适应分配方案。与像素域特征相比,感知熵仍能较好地反映块稀疏度分布,在有效减少冗余测量的同时,显着抑制了块效应,有效改善了重构图像的视觉质量。
张侠[9]（2020）在《视频监控中图像压缩技术的研究》文中研究指明随着社会的进步发展,将视频监控和嵌入式的有效结合,为人们的生活和安全提供了极大的方便。由于图像采集设备和硬件设备的不断更新,获取的图像数据越来越庞大,大大的增加了传统图像压缩算法的计算复杂度,同时也会耗费大量的图像传输和存储资源,所以通过研究优质的压缩算法来获取低数据和高质量的图像成为人们关注的重点。压缩感知的过程主要是使用过完备字典对输入信号的稀疏表示,然后通过对采样观测后的观测值进行重构恢复信号。本文将压缩感知理论和图像分块技术应用于视频监控系统进行图像压缩,然后针对压缩图像产生的块效应,提出块效应的抑制算法,以期在视频监控系统中获取高质量的压缩图像。本文的主要研究内容如下:1.对稀疏表示过程中的过完备字典的设计,通常采用传统的KSVD算法结合OMP算法对预先准备好的样本集进行训练获得相应的学习字典。在对稀疏系数矩阵的求解通常使用OMP算法近似求得,并在每次迭代中完成字典的不断更新。然而实际中大部分图像的稀疏度未知,此时在图像重构过程中,随着迭代次数的不断增加,重构算法恢复的图像误差的不收敛导致图像效果较差。因此,本文引入不需要稀疏度K的StOMP算法取代目前主流的OMP算法计算稀疏系数,提出了基于改进KSVD字典学习算法。改进算法极大的改善了算法的收敛速度,同时在图像重构效果方面也有小幅度的提升。2.在传统分块压缩感知中,图像分块使得不同图像块纹理信息各不相同,但仍然采用相同的字典进行稀疏表示,导致重构图像精度较差。本文引入了结构稀疏度理论,并对图像块分类为平滑块集合、边缘块集合和纹理块集合,然后采用基于改进KSVD字典学习算法分别对分类完成的图像块集合进行训练,并得到针对不同图像块类型的冗余字典。3.由于改进后的压缩感知算法中引入了图像分块的思想,在一定程度上会有块效应的产生。为了能够有效地降低块效应,本文在经典的CES图像增强算法的基础上提出了基于频域的图像增强技术的改进算法。该算法依据结构稀疏度理论将图像进行分块和分类,并对不同的图像块采取不同的图像处理算法。4.为了验证本文提出的基于SSKSVD分类稀疏字典的图像压缩感知算法和基于频域的图像增强技术改进算法有效性,搭建了基于Zynq-7000的视频监控系统。利用FPGA处理器处理图像算法的高效性,将改进算法封装成IP核,同时在ARM处理中移植Linux操作系统和相关的驱动配置,然后移植OpenCV和Qt库,设计相应的控制操作图形界面,最终在嵌入式平台实现图像压缩技术。该论文有图44幅,表7个,参考论文71篇。
杨佳佳[10]（2020）在《自适应分块压缩感知遥感影像融合》文中提出图像融合自提出以来,其应用领域涉及广泛,特别在国防建设和经济发展方面发挥着至关重要的作用。随着获取的影像数据量日益剧增,传统像素级图像融合方法已经逐渐不适合大数据处理的要求,并且数据存储及传输都有巨大压力。压缩感知理论的提出,缓解了大数据量的影像处理问题,它能将信号的采样与压缩同时实现,大大降低了采样数据量。而针对较大规模信号的图像,分块压缩感知理论具有明显优势,它引入了分块思想,主要是对图像小块而并非整幅图像进行采样与重构,能够解决压缩感知存在的采样与重构计算量较大的问题。但分块压缩感知对每个图像块采取相同的采样率,忽略了图像块所含的特征信息,造成采样率分配不均因而得不到更好的重构。因此,本文将分块压缩感知理论应用到图像融合中,提出自适应分块压缩感知遥感影像融合算法,主要研究工作和取得的成果有:（1）针对传统分块压缩感知存在采样率分配不均的问题,本文提出基于全变差的自适应采样率算法。该算法将图像块的全变差作为衡量该块最佳采样率的指标,在总体采样率一定的情况下,以图像块全变差所占权重大小来分配采样率。该算法可以使每个图像块分配到最佳采样率,达到同等条件下最优重构的目的。（2）对于影像稀疏化,采用联合字典作为稀疏基,该方法得到的冗余字典具有原始影像的结构特征,能提高影像的稀疏表示能力。另外,采用BCS＿SPL算法对融合影像进行重构,该方法能消除因分块带来的块效应。同时,通过与其它重构算法对比,该算法也呈现一定的优势。（3）对于不同图像块纹理不同的现象,融合规则引入了粒子群算法。该算法以每个图像块的融合系数作为粒子,测量值的信息熵及平均梯度作为优化目标函数,求取每个图像块的最优融合系数。它可以使不同纹理块得到最优融合,在某种程度上达到不同影像及不同纹理特征融合权值自适应调整的目的。（4）采用本文融合算法与三种传统像素级图像融合（IHS融合算法、PCA融合算法、Brovey融合算法）及两种未改进的基于压缩感知的融合算法（CS＿IHS融合算法及BCS＿IHS融合算法）分别进行了实验,并且用主观质量评价及客观质量评价方法进行对比分析,最后发现本文算法无论在光谱保真度方面还是提升空间分辨率及细节纹理方面都存在较大优势。
二、自适应图像分块压缩算法的实现和性能分析（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、自适应图像分块压缩算法的实现和性能分析（论文提纲范文）
（1）多模型联合优化的图像视频编码关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 简介 |
| 1.1 研究背景和意义 |
| 1.2 研究历史与现状 |
| 1.3 论文主要工作和内容安排 |
| 第2章 视频图像编码与深度学习基础 |
| 2.1 图像与视频编码的概念与框架 |
| 2.2 传统图像视频编码框架 |
| 2.2.1 JPEG |
| 2.2.2 JPEG 2000 |
| 2.2.3 HEVC标准 |
| 2.3 深度学习编码 |
| 2.3.1 深度学习基础 |
| 2.3.2 深度学习编码 |
| 2.4 集成学习基础 |
| 2.4.1 提升法 |
| 2.4.2 装袋法 |
| 第3章 面向全景视频的多运动模型联合优化 |
| 3.1 全景视频压缩概述 |
| 3.1.1 全景视频压缩概述 |
| 3.1.2 现有方法 |
| 3.1.3 本章贡献 |
| 3.2 算法框架 |
| 3.3 基于球坐标变换的运动模型 |
| 3.3.1 经纬图投影格式与球坐标变换 |
| 3.3.2 球坐标变换运动模型的推导与构建 |
| 3.4 球坐标变换运动模型的帧间预测算法 |
| 3.4.1 运动补偿算法 |
| 3.4.2 运动估计算法 |
| 3.4.3 合并模式算法 |
| 3.5 组合优化加速算法 |
| 3.6 编码与语法设计 |
| 3.7 实验 |
| 3.7.1 实验配置 |
| 3.7.2 测试结果分析 |
| 3.7.3 实验总结 |
| 3.8 本章小结 |
| 第4章 基于集成学习的端到端图像压缩 |
| 4.1 端到端图像压缩概述 |
| 4.1.1 动机 |
| 4.1.2 现有方法 |
| 4.1.3 本章贡献 |
| 4.2 框架 |
| 4.3 基于改进提升法的多模型训练 |
| 4.3.1 模型的多样性 |
| 4.3.2 基于改进提升法的模型生成方法 |
| 4.4 几何自集成 |
| 4.5 四叉树块划分 |
| 4.6 多概率分布模型 |
| 4.7 集成融合和模式选择 |
| 4.8 实验 |
| 4.8.1 实验设置 |
| 4.8.2 总体性能 |
| 4.8.3 消融实验 |
| 4.8.4 简化模型实验 |
| 4.8.5 计算复杂度分析 |
| 4.8.6 讨论 |
| 4.8.7 实验总结 |
| 4.9 本章小结 |
| 第5章 多模型率失真联合优化的深度神经网络图像环路滤波 |
| 5.1 研究背景 |
| 5.1.1 动机 |
| 5.1.2 现有方法 |
| 5.1.3 本章贡献 |
| 5.2 框架 |
| 5.3 多模型联合训练方法 |
| 5.4 基于退火思想的模型训练 |
| 5.5 基于残差幅度块级自适应模型组优选 |
| 5.6 实验 |
| 5.6.1 实验设置 |
| 5.6.2 实验结果与分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（2）基于图像分块压缩感知的高效表征技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究工作和组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 图像压缩感知基础 |
| 2.1 压缩感知基本理论 |
| 2.1.1 压缩感知的数学模型 |
| 2.1.2 信号稀疏表示 |
| 2.1.3 观测矩阵构造 |
| 2.1.4 压缩感知重构 |
| 2.2 图像分块压缩感知 |
| 2.3 观测数据编码 |
| 2.4 自适应压缩感知 |
| 2.5 采样率与量化深度的分配策略 |
| 2.6 本章小结 |
| 第三章 图像分块压缩感知的观测编码 |
| 3.1 现有观测数据编码算法 |
| 3.2 基于螺旋扫描顺序的观测数据编码 |
| 3.3 总体框架 |
| 3.4 实验结果与分析 |
| 3.4.1 预测精度评估 |
| 3.4.2 重构图像的率失真性能 |
| 3.4.3 重构图像的主观视觉质量评价 |
| 3.5 本章总结 |
| 第四章 观测域交叉子集导引的自适应压缩感知 |
| 4.1 传统的观测域自适应压缩感知 |
| 4.2 交叉子集导引自适应压缩感知 |
| 4.3 观测端架构 |
| 4.4 实验结果与分析 |
| 4.4.1 实验参数设置及仿真结果 |
| 4.4.2 计算复杂度评估 |
| 4.4.3 通用性评估 |
| 4.5 本章总结 |
| 第五章 像素域采样率和量化深度的联合优化 |
| 5.1 观测参数的分配策略 |
| 5.2 采样率和量化深度的联合优化 |
| 5.2.1 压缩感知中的量化模型 |
| 5.2.2 重构图像失真模型 |
| 5.2.3 联合优化算法 |
| 5.3 实验结果与分析 |
| 5.3.1 实验条件设置 |
| 5.3.2 图像失真模型的准确性评估 |
| 5.3.3 重构图像的质量评价 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的论文和参与的项目 |
| 致谢 |
（3）压缩感知编码网络中的图像视觉隐私保护度评价方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 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 图像视觉隐私保护 |
| 1.2.2 图像视觉隐私保护度评价 |
| 1.3 本文研究内容与主要创新 |
| 1.3.1 研究内容 |
| 1.3.2 主要创新 |
| 1.4 本文结构与各章节内容安排 |
| 第二章 相关技术介绍 |
| 2.1 压缩感知基本原理 |
| 2.1.1 压缩感知理论框架 |
| 2.1.2 信号的稀疏表示 |
| 2.1.3 观测矩阵的构造 |
| 2.1.4 彩色图像分块压缩感知 |
| 2.2 人类视觉系统与图像质量评价 |
| 2.2.1 人类视觉系统 |
| 2.2.2 图像质量评价 |
| 2.3 基于稀疏表示的分类算法 |
| 2.4 本章小结 |
| 第三章 压缩感知编码网络 |
| 3.1 压缩感知编码网络结构 |
| 3.1.1 编码机制 |
| 3.1.2 多层扩展 |
| 3.2 观测矩阵的分析与改进 |
| 3.2.1 观测矩阵的分类 |
| 3.2.2 修正非负高斯随机观测矩阵 |
| 3.3 图像归一化方法的分析与设计 |
| 3.3.1 常用的图像归一化方法与分析 |
| 3.3.2 高斯拟合归一化方法 |
| 3.4 本章小结 |
| 第四章 图像视觉隐私保护度评价 |
| 4.1 图像色度特征 |
| 4.1.1 压缩感知编码网络中图像的色度分析 |
| 4.1.2 基于散斑噪声自适应加权的色度测量模型 |
| 4.2 图像对比度特征 |
| 4.2.1 压缩感知编码网络中图像的对比度分析 |
| 4.2.2 基于非对称修正α均值的对比度测量模型 |
| 4.3 图像显着性结构特征 |
| 4.3.1 压缩感知编码网络中图像的亮度分析 |
| 4.3.2 局部二值模式算子 |
| 4.3.3 视觉显着性模型 |
| 4.3.4 显着性广义中心对称局部二值模式算子 |
| 4.4 图像特征映射视觉隐私保护度模型 |
| 4.4.1 支持向量机与支持向量机回归 |
| 4.4.2 模糊C均值聚类算法 |
| 4.4.3 支持向量机回归与模糊C均值组合回归模型 |
| 4.5 本章小结 |
| 第五章 实验与分析 |
| 5.1 实验设置 |
| 5.1.1 实验数据集 |
| 5.1.2 性能评价指标 |
| 5.2 压缩感知编码网络的相关实验 |
| 5.2.1 压缩感知编码网络的识别鲁棒性 |
| 5.2.2 修正非负高斯随机观测矩阵的编码有效性 |
| 5.2.3 高斯拟合归一化方法的归一化有效性 |
| 5.3 图像视觉隐私保护度评价模型的相关实验 |
| 5.3.1 基于散斑噪声自适应加权的色度测量模型的有效性 |
| 5.3.2 基于非对称修正α均值的对比度测量模型的有效性 |
| 5.3.3 评价模型参数的鲁棒性与选择 |
| 5.3.4 评价模型图像质量评价的有效性 |
| 5.3.5 评价模型图像视觉隐私保护度预测的合理性 |
| 5.3.6 评价模型与其他方法的性能对比 |
| 5.3.7 评价模型提取特征的有效性 |
| 5.3.8 评价模型的计算复杂度 |
| 5.3.9 评价模型的消耗计算资源度 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（4）基于压缩感知理论的气象数据重构系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文主要贡献及创新 |
| 1.4 本文研究内容和结构安排 |
| 2 压缩感知理论基础及重构算法 |
| 2.1 压缩感知理论框架 |
| 2.2 信号的稀疏表示 |
| 2.3 观测矩阵的设计 |
| 2.4 信号重构算法 |
| 2.4.1 正交匹配追踪算法(OMP) |
| 2.4.2 稀疏度自适应匹配算法(SAMP) |
| 2.4.3 基追踪算法(BP) |
| 2.5 本章小结 |
| 3 基于气象数据的分块压缩感知算法 |
| 3.1 分块压缩感知原理 |
| 3.2 分块压缩感知SPL重构算法 |
| 3.3 分块压缩感知之稀疏变化 |
| 3.3.1 压缩感知稀疏基之离散余弦变化(DCT) |
| 3.3.2 压缩感知稀疏基之离散小波变换 |
| 3.3.3 DWT和DCT重构效果对比 |
| 3.4 本章小结 |
| 4 基于纹理信息的自适应分块压缩感知 |
| 4.1 基于纹理信息的采样率自适应分块压缩感知算法 |
| 4.1.1 基于纹理信息的采样率自适应原理 |
| 4.1.2 采样率自适应分块压缩感知算法性能分析 |
| 4.2 基于纹理信息的自适应分块压缩感知算法 |
| 4.2.1 自适应分块原理 |
| 4.2.2 利用纹理信息的自适应分块压缩感知性能分析 |
| 4.3 算法实验分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作与展望 |
| 致谢 |
| 参考文献 |
（5）基于集成成像的压缩感知技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 集成成像现状 |
| 1.2.2 压缩感知现状 |
| 1.3 论文的主要内容 |
| 第2章 压缩感知理论 |
| 2.1 压缩感知基本内容 |
| 2.1.1 信号的稀疏表示 |
| 2.1.2 观测矩阵的基本介绍 |
| 2.1.3 重构算法的基本概述 |
| 2.2 压缩感知的测量矩阵 |
| 2.2.1 高斯随机测量矩阵 |
| 2.2.2 部分傅里叶测量矩阵 |
| 2.2.3 伯努利随机观测矩阵 |
| 2.3 压缩感知的重构算法 |
| 2.3.1 正则化正交匹配追踪算法 |
| 2.3.2 最小L1范数法 |
| 2.3.3 基于多假设的恢复算法 |
| 2.4 压缩图像性能指标 |
| 2.5 本章小结 |
| 第3章 基于集成成像图像的压缩感知算法 |
| 3.1 图像分块压缩感知 |
| 3.2 传统分块压缩感知算法 |
| 3.2.1 基于DCT的图像分块自适应OMP算法 |
| 3.2.2 基于图像块方差的分块压缩感知算法 |
| 3.3 提出的基于集成成像图像的压缩感知算法 |
| 3.3.1 自适应分块算法 |
| 3.3.2 图像块分类与采样策略 |
| 3.4 基于全变差的压缩感知重构算法 |
| 3.5 基于集成成像图像的抽取式采样 |
| 3.5.1 图像抽取式采样技术 |
| 3.5.2 等间隔恢复图像 |
| 3.6 算法实现过程 |
| 3.7 实验结果分析 |
| 3.8 本章小结 |
| 第4章 稀疏度自适应正交匹配追踪算法 |
| 4.1 传统压缩采样匹配追踪算法 |
| 4.2 提出的稀疏度自适应正交匹配追踪算法 |
| 4.2.1 稀疏度自适应估计算法 |
| 4.2.2 正交匹配追踪算法 |
| 4.2.3 提出的SAOMP算法 |
| 4.3 仿真实验结果与分析 |
| 4.4 联合IBCS算法与SAOMP算法对图像重构结果分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论及创新点 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（6）压缩感知图像编码算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 压缩感知研究现状 |
| 1.2.1 信号的稀疏表示 |
| 1.2.2 观测矩阵设计 |
| 1.2.3 压缩感知重构算法 |
| 1.3 压缩感知与图像编码 |
| 1.3.1 图像压缩与压缩感知图像编码 |
| 1.3.2 图像压缩感知编码研究现状 |
| 1.4 本文内容安排 |
| 1.4.1 内容安排 |
| 1.4.2 主要创新点 |
| 2.联合先验的压缩感知重建算法 |
| 2.1 图像稀疏表示和非局部低秩特性 |
| 2.1.1 压缩感知稀疏表示模型 |
| 2.1.2 图像的低秩特性 |
| 2.2 联合先验的压缩感知重构模型 |
| 2.2.1 联合先验模型 |
| 2.2.2 低秩子问题求解 |
| 2.2.3 自适应稀疏子问题求解 |
| 2.2.4 重建子问题求解 |
| 2.3 联合先验的空间域自适应采样和重建 |
| 2.3.1 基于纹理边缘的图像空间域自适应采样 |
| 2.3.2 基于迭代近邻插值和自适应滤波的重建算法 |
| 2.3.3 联合先验的自适应采样重建算法 |
| 2.4 联合先验模型的实验结果与分析 |
| 2.4.1 不同采样方式重建实验 |
| 2.4.2 压缩感知重建实验 |
| 2.5 本章小结 |
| 3.基于压缩感知的图像编码研究 |
| 3.1 图像采样和压缩 |
| 3.2 QDAMP压缩感知编码算法 |
| 3.2.1 结构随机观测矩阵 |
| 3.2.2 DAMP重构算法 |
| 3.2.3 量化编码方案 |
| 3.3 分组渐进预测编码结构设计 |
| 3.3.1 测量值渐进预测 |
| 3.3.2 分组渐进预测并行编码结构 |
| 3.3.3 分组渐进预测串行编码结构 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 4.总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 作者攻读硕士学位期间的科研工作 |
（7）红外遥感侦察弱小目标图像智能压缩方法与实时实现（论文提纲范文）
| 摘要 |
| Abstract |
| 中英文对照表 |
| 1 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容与结构安排 |
| 2 基于改进MPCM的红外弱小目标检测方法 |
| 2.1 红外弱小目标图像特点分析 |
| 2.2 多尺度红外弱小目标检测-MPCM |
| 2.3 改进方案及算法IMPCM |
| 2.4 IMPCM算法性能分析 |
| 2.5 本章小结 |
| 3 面向对象的智能压缩方法 |
| 3.1 JPEG-LS算法分析 |
| 3.2 基于JPEG-LS分块压缩的算法改进 |
| 3.3 算法性能分析 |
| 3.4 本章小结 |
| 4 基于FPGA的星载实时实现架构设计 |
| 4.1 系统整体架构 |
| 4.2 系统实现难点分析 |
| 4.3 模块设计优化 |
| 4.4 本章小结 |
| 5 系统实现结果与分析 |
| 5.1 星载图像压缩系统实现 |
| 5.2 地面测试平台 |
| 5.3 智能压缩系统性能评估 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间的成果 |
（8）针对图像分块压缩感知的自适应测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究工作和组织结构 |
| 第2章 相关背景知识 |
| 2.1 压缩感知原理 |
| 2.1.1 数学模型 |
| 2.1.2 信号的稀疏表示 |
| 2.1.3 测量矩阵的构造 |
| 2.1.4 信号重构算法 |
| 2.2 图像分块压缩感知 |
| 2.3 自适应测量方法 |
| 2.4 本章小结 |
| 第3章 图像分块压缩感知的测量结构 |
| 3.1 传统测量结构 |
| 3.1.1 整体结构 |
| 3.1.2 分块结构 |
| 3.2 提出的测量结构 |
| 3.2.1 光栅结构 |
| 3.2.2 片状结构 |
| 3.2.3 层状结构 |
| 3.3 实验结果与分析 |
| 3.3.1 客观性能评估 |
| 3.3.2 主观性能评估 |
| 3.3.3 测量矩阵的影响 |
| 3.3.4 重构算法的影响 |
| 3.4 本章小结 |
| 第4章 基于空间熵的自适应测量方法 |
| 4.1 系统框架 |
| 4.2 空间熵计算 |
| 4.3 基于空间熵的自适应测量率设定 |
| 4.4 实验结果与分析 |
| 4.4.1 客观性能评估 |
| 4.4.2 主观性能评估 |
| 4.5 本章小结 |
| 第5章 基于视觉对比度的自适应测量方法 |
| 5.1 系统框架 |
| 5.2 视觉对比度计算 |
| 5.3 基于视觉对比度的自适应测量方法 |
| 5.4 实验结果与分析 |
| 5.4.1 客观性能评估 |
| 5.4.2 主观性能评估 |
| 5.5 本章小结 |
| 第6章 感知域特征导向的自适应测量方法 |
| 6.1 系统框架 |
| 6.2 感知熵计算 |
| 6.3 自适应测量率设定 |
| 6.4 实验结果与分析 |
| 6.4.1 测量矩阵的影响 |
| 6.4.2 客观性能评估 |
| 6.4.3 主观性能评估 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果目录 |
| 致谢 |
（9）视频监控中图像压缩技术的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容及结构安排 |
| 2 基于压缩感知的图像压缩理论 |
| 2.1 压缩感知的理论研究 |
| 2.2 压缩感知理论的关键技术 |
| 2.3 几种典型的稀疏重构算法 |
| 2.4 基于分块压缩感知算法的实现 |
| 2.5 本章小结 |
| 3 分类稀疏表示算法的研究及其改进 |
| 3.1 字典学习算法 |
| 3.2 基于结构稀疏度的图像块分类方法 |
| 3.3 基于SS_KSVD分类稀疏表示的图像压缩感知算法 |
| 3.4 实验分析 |
| 3.5 本章小结 |
| 4 压缩图像增强算法的研究及其改进 |
| 4.1 彩色图像增强算法 |
| 4.2 基于频域的图像增强改进算法 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 5 视频监控系统中压缩和增强算法的应用 |
| 5.1 视频监控系统平台 |
| 5.2 图像处理硬件加速设计 |
| 5.3 基于嵌入式平台的系统搭建 |
| 5.4 系统设计与实现 |
| 5.5 本章小结 |
| 6 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）自适应分块压缩感知遥感影像融合（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像融合的研究现状 |
| 1.2.2 压缩感知的研究现状 |
| 1.3 论文研究内容与框架安排 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 框架安排 |
| 第2章 压缩感知与图像融合理论基础 |
| 2.1 图像融合 |
| 2.1.1 图像融合层次 |
| 2.1.2 像素级图像融合方法 |
| 2.2 压缩感知理论简介 |
| 2.2.1 压缩感知理论框架 |
| 2.2.2 信号的稀疏表示 |
| 2.2.3 测量矩阵 |
| 2.2.4 重构算法 |
| 2.3 分块压缩感知 |
| 2.4 本章小结 |
| 第3章 基于自适应分块压缩感知的图像融合 |
| 3.1 影像预处理 |
| 3.2 影像稀疏化 |
| 3.2.1 影像分块试验 |
| 3.2.2 字典训练 |
| 3.3 测量矩阵的构建 |
| 3.4 确定融合规则 |
| 3.5 影像重构 |
| 3.6 影像融合过程及流程图 |
| 3.7 本章小结 |
| 第4章 常见遥感图像像素级融合方法 |
| 4.1 传统像素级图像融合 |
| 4.1.1 IHS融合 |
| 4.1.2 PCA融合 |
| 4.1.3 Brovey融合 |
| 4.1.4 Gram-Schmidt融合 |
| 4.2 CS-IHS融合 |
| 4.3 BCS-IHS融合 |
| 4.4 本章小结 |
| 第5章 遥感影像融合质量分析 |
| 5.1 融合质量评价方法 |
| 5.1.1 主观质量评价 |
| 5.1.2 客观质量评价 |
| 5.2 融合结果评价 |
| 5.2.1 主观质量评价 |
| 5.2.2 客观质量评价 |
| 5.2.3 评价结果分析 |
| 5.3 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
四、自适应图像分块压缩算法的实现和性能分析（论文参考文献）
- [1]多模型联合优化的图像视频编码关键技术研究[D]. 王叶斐. 中国科学技术大学, 2021(09)
- [2]基于图像分块压缩感知的高效表征技术研究[D]. 田伟. 东华大学, 2021(09)
- [3]压缩感知编码网络中的图像视觉隐私保护度评价方法研究[D]. 汤正. 南京邮电大学, 2020(03)
- [4]基于压缩感知理论的气象数据重构系统研究[D]. 王鹏. 华北水利水电大学, 2020(01)
- [5]基于集成成像的压缩感知技术研究[D]. 宋雪梅. 长春理工大学, 2020(01)
- [6]压缩感知图像编码算法研究[D]. 陈逸野. 浙江大学, 2020(02)
- [7]红外遥感侦察弱小目标图像智能压缩方法与实时实现[D]. 郭超乐. 华中科技大学, 2020(01)
- [8]针对图像分块压缩感知的自适应测量方法研究[D]. 段晓萌. 信阳师范学院, 2020(07)
- [9]视频监控中图像压缩技术的研究[D]. 张侠. 中国矿业大学, 2020(01)
- [10]自适应分块压缩感知遥感影像融合[D]. 杨佳佳. 成都理工大学, 2020(04)