一、改进的小波域阈值去噪方法（论文文献综述）
史瑞雪[1]（2021）在《基于Retinex理论的雾霾天气图像增强算法研究》文中研究表明近年来,随着全球气候的变化,雾霾天气出现的频率越来越高。由于采集图像的设备容易受环境的影响,在此环境下采集到的图像,会出现对比度下降,细节模糊、色彩失真等问题。图像作为信息传递的主要媒介,在交通、巡检、航空航天等领域已得到广泛应用。雾霾天气下采集到图像给这些领域的工作带来很大的影响。因此,提出一种有效的图像去雾算法是十分有必要的。本文在深入学习图像增强算法的基础上,结合雾霾图像自身的特点,对Retinex算法进行研究。Retinex算法是模仿人类视觉系统发展的算法。由于Retinex算法可以对不同类型的图像进行自适应增强,因此被广泛应用于图像增强的工作中。但是该算法处理后的图像存在光晕伪影、边缘锐化不足、高光区域过曝等现象。本文在了解增强算法的现状以及掌握经典增强算法的基础上,针对雾霾图像增强时存在的问题,提出了一种基于Retinex理论的雾霾图像增强算法。该算法首先选择YIQ颜色空间,并对该颜色空间中的Y分量进行小波变换,分解出低频和高频分量。然后选择改进的去雾算法有效的去除低频分量中存在的雾,提高图像的清晰度。之后选择一种新的阈值函数降低高频分量中的噪声,改善图像的质量。最后,通过提高全局对比度和补偿饱和度分量对图像进行修正,提升图像增强效果。本文包含以下两个创新点:（1）针对雾霾图像出现光晕伪影、细节模糊等问题,提出了一种基于小波域的Retinex去雾算法。该算法首先选择合适的颜色空间,并只对该颜色空间中的亮度分量进行小波分解。然后采用像素范围域中的辐射差异对双边滤波进行改进,并将其应用于Retinex算法中。最后使用改进的Retinex算法对低频分量进行去雾处理。该算法去雾具有针对性,有效提高了图像的清晰度。（2）针对雾霾图像中存在的噪声问题,提出了一种基于小波域的阈值函数降噪算法。该算法通过分析传统软、硬阈值函数存在的问题,提出采用一种可灵活调节参数的阈值算法,实现软、硬阈值函数的随意切换,克服了软、硬阈值函数的缺点。最后对图像采用了全局对比度增强和饱和度分量补偿,使处理后的图像更有利于人眼的视觉观察。综上所述,本文提出了基于Retinex理论的雾霾图像增强算法,并对实际拍摄的带雾图像和含噪图像进行实验。从主观和客观两个方面对实验结果进行了定性和定量的分析,表明本文所提出的雾霾图像增强算法的有效性。
李春萌[2]（2021）在《基于分数阶小波变换的图像处理》文中研究表明图像去噪、图像融合一直是数字图像处理领域的研究热点问题。近年来,分数阶小波变换成为了一种新的信号处理方法,其定义基于小波变换和分数阶傅里叶变换。它将多分辨率分析推广到时域-分数阶频域,成为一种新的时频域分析方法。因此,将分数阶小波变换应用到图像去噪、图像融合领域具有非常广阔的发展前景。本文的主要研究工作如下:（1）在图像去噪方面传统的阈值函数去噪主要是硬阈值函数去噪和软阈值函数去噪,但是这些阈值函数在阈值点处间断或者连续但不光滑。因此,本文提出一种基于改进阈值函数的分数阶小波图像去噪方法。首先通过分数阶小波变换将含噪信号进行多尺度分解,然后采用改进的阈值函数对各层分数阶小波域系数进行处理,最后对处理后的系数进行重构得到去噪后的信号。仿真实验表明,相比已有的软阈值和硬阈值方法,本文方法去噪后的图像信噪比较大、均方误差较小,取得了满意的视觉效果,是一种实用的去噪方法。（2）在图像融合方面随着图像采集技术的快速发展,现代图像处理系统对图像融合的要求不断提高。针对多聚焦图像因为焦点不同而产生的图像模糊问题,本文提出一种基于改进融合规则的分数阶小波多聚焦图像融合方法。首先,输入两幅源图像A和B,采用离散分数阶小波变换把源图像分解成高频和低频系数。其次由于各系数特征不同,选择局部区域梯度信息准则作为低频融合准则,选择邻域方差加权平均准则作为高频融合准则,得到融合系数。最后,进行分数阶小波逆变换得到融合图像。实验结果显示,本文方法方法无论在视觉质量还是定量评价方面都具有有效性和优越性。
田霁[3]（2021）在《声纳图像预处理与分割方法研究》文中指出声纳图像作为准确获取水下信息的重要途径之一,在国防、军事、工程等方面发挥着巨大作用。然而,由于水声信道的复杂多变和声波本身的传播损失,声纳图像往往呈现出分辨率和对比度不高、噪声干扰严重、目标轮廓模糊等特点。虽然对于光学图像的预处理和分割已有大量效果很好的算法,但研究针对声纳图像特点的处理方法仍是极具应用价值的。本文主要聚焦于声纳图像预处理中的去噪、增强两个方面和声纳图像分割方法,开展了以下研究工作。（1）针对单一考虑某种噪声的影响无法全面评价声纳图像去噪算法效果的问题,对声纳图像进行特征分析并建立混合噪声模型。针对非局部均值去噪在参数设置和边缘保持上的不足,提出了一种改进的非局部均值去噪算法:根据图像噪声水平动态调整相关参数,并对去噪之后的图像再进行保边处理。仿真结果表明了改进算法的有效性和鲁棒性。（2）将小波域增强、直方图均衡化和Retinex增强应用于声纳图像的对比度增强。针对直方图均衡化在处理灰度级较少的声纳图像时存在的问题,对其进行结合梯度信息的优化:利用图像梯度对无差别背景区域进行剔除,只对包含有用信息的部分进行灰度均衡。增强实验结果说明:优化后的算法在抑制噪声的同时提升了图像对比度。（3）对声纳图像分割中的活动轮廓模型方法和聚类方法进行了研究。首先分析了活动轮廓模型中的C-V模型和LBF模型,然后研究了模糊C均值聚类以及结合局部信息的模糊C均值聚类。接着通过分割实验对比了每种算法的分割性能:活动轮廓模型方法需要较多次的迭代运算且易受到噪声和伪边缘的影响,而结合局部信息的模糊C均值聚类针对声纳图像具有更强的适应性和更高的分割精度。最后对结合局部信息的模糊C均值聚类进行了参数选择的分析,并得出了需根据图像的信息丰富程度去调整局部邻域尺寸的结论。本文研究的声纳图像预处理与分割方法,经过仿真实验验证,不仅能有效地去除图像噪声、提升对比度,而且通过图像分割将水下目标抽象成更为紧凑和完整的形式,这对于后续正确进行目标的分类识别有较大帮助。
李文斌[4]（2020）在《光场图像去噪与空间超分辨率重建研究》文中提出光场成像作为一种新的成像技术,突破了传统二维成像的局限,能够在记录光线位置信息的同时获取光线的方向信息,这些额外信息能够使光场得到广泛的应用,例如深度估计,目标检测,光场三维渲染,三维重构等。但是由于光场相机硬件条件的限制与拍摄过程中由于环境、光线、抖动等外界因素的干扰,所获得的光场图像往往分辨率不高并有不同程度的噪声污染,很难满足实际应用的需要。本文针对这个问题,对光场图像的去噪方法和超分辨率方法展开了研究,主要工作如下:第一,针对光场图像获取时噪声较大的问题,对LFBM5D光场去噪算法进行研究,并改进了LFBM5D算法。针对原算法中使用固定图像块大小进行匹配滤波,没有考虑在块匹配滤波算法中不同形态成分区域的最佳图像分块大小不同的问题,结合图像块分类,对平滑,纹理和边缘图像块分别以不同的图像块大小进行匹配滤波,将原算法的基础估计和最终估计两个阶段分别拆分为平滑块去噪、纹理块去噪、边缘块去噪、整体去噪四个子阶段。并在相似块匹配时引入结构相似性判别标准,进一步增强匹配精度。实验结果表明,改进方法比原方法的去噪效果在主观视觉和客观指标两方面表现更好。第二,针对光场图像在获取时空间分辨率较低的问题,对光场超分辨率方法进行研究,改进了基于小波域字典学习的单图像超分辨率算法,并将其与光场超分辨率框架结合,实现了对光场的超分辨率重建。针对原算法中对于高低分辨率图像在两个冗余字典下的稀疏表示系数是相同的假设太过于理想,导致稀疏表示系数之间的弱学习问题,引入半耦合字典学习机制,通过学习一组映射矩阵建立高低分辨率图像的稀疏表示的映射关系,从而加强重建质量,实验结果表明改进方法比原方法在主观视觉和客观指标表现更好。进一步将改进算法与光场超分辨率框架结合,实现对光场图像的超分辨率重建,并与当前主流光场超分辨率算法比较,实验结果表明提出的方法具有一定的竞争力。
杨俊[5]（2020）在《小波与曲波组合域探地雷达数据去噪》文中指出探地雷达作为无损、快速、经济的浅地表地球物理探测方法,广泛应用于基础建设、工程勘察等领域。在复杂环境采集数据阶段,探地雷达观测受到人文、自然环境以及仪器本身等干扰,所采集数据遭受不同程度、不同类型噪声掺杂。因而,探地雷达含噪数据的定性、定量分析解译存在误差,其数据去噪处理一直备受人们关注。高分辨率、高信噪比和高保真性是探地雷达数据去噪处理的基本要求。传统探地雷达数据去噪方法,已无法满足当前复杂数据去噪需求。基于小波变换和曲波变换的优点及数据去噪处理方面的优势,本文开展小波与曲波组合域探地雷达数据去噪算法研究,为高分辨率、高信噪比和高保真性的探地雷达数据去噪提供理论依据,利用合成数据评价其去噪效果的有效性,并通过实测数据验证其可行性。具体工作如下:（1）开展探地雷达数据去噪研究内容和研究方法系统调研,详细介绍现有探地雷达数据去噪方法应用现状及发展趋势。对小波变换和曲波变换理论作详细推导,针对小波阈值问题,提出了“窗口”小波域高阶相关统计去噪算法（改进小波域高阶相关统计去噪算法）;针对曲波块状复数阈值函数和阈值控制系数问题,探讨曲波阈值控制系数范围,为小波与曲波组合域算法提供理论基础。（2）系统分析比较传统小波变换阈值算法、改进小波域高阶相关统计去噪算法和曲波变换算法去噪效果,明确小波变换和曲波变换在探地雷达数据去噪应用范围及去噪效果。基于小波变换和曲波变换算法及其应用局限性,在曲波变换域中应用小波域高阶相关统计计算（对曲波系数进行小波分析）,即可有效统计存在中、高频曲波系数层的随机噪声,同时有效分辨相关噪声曲波系数,进一步削弱相关噪声能量、突显有效信号,开展小波变换和曲波变换组合域去噪算法研究。（3）开展小波与曲波组合域算法应用于理论模拟数据、实测数据对比研究和分析。首先建立模型模拟合成数据,通过和改进小波域高阶相关统计去噪和曲波变换去噪结果对比,验证了该组合域算法的有效性。其次,通过探地雷达实测数据去噪研究,表明该组合域算法可有效滤除实测数据随机噪声和相关噪声,同时对有效信号的重构更细致精确,较好解决了曲波变换存在的“伪影”现象问题;而在曲波域中选择中、高频尺度的垂直方向系数置零,进而在曲波域中进行小波域高阶相关统计的组合域算法实现了去噪、突显弱有效信号的目的。
杜诗强[6]（2020）在《离散小波变换的研究与硬件实现》文中研究表明随着现代数字信号处理技术日益复杂,非平稳数字信号的处理越来越受到人们的关注和重视。小波变换（Wavelet Transform,WT）作为新一代数字信号处理技术之一,在信号去噪、视频图像压缩、图像边缘检测等领域具有广泛的应用,是进行数字信号时频分析的理想工具。本文首先对离散小波变换（Discrete Wavelet Transform,DWT）在信号去噪的应用方面进行研究,提出了一种改进的小波阈值去噪算法;之后对离散小波变换的硬件结构进行研究。主要工作内容如下:1. 在传统的小波阈值去噪算法的基础上,对已有阈值函数和阈值选取方式进行改进。新的阈值函数具有更好的连续性和更小的系数偏差,新的阈值选取方式具有更高的噪声信号去除率。2. 从数据的计算维度角度对一维和二维离散小波变换的硬件结构进行设计与实现。首先在基于Mallat算法的卷积滤波器组结构上,实现了通用型一维离散小波变换的硬件架构,然后结合多级展开和行并行结构,设计并实现了三级二维离散小波变换的硬件架构。3. 在Xilinx的XC7V2000T FPGA上对一维、二维离散小波变换硬件结构进行功能验证和性能测试。测试结果表明,本文设计的通用型一维离散小波变换硬件结构支持多种小波基的离散小波变换,本文设计的二维离散小波变换硬件电路结构能够完成db2小波的三级离散小波变换。对定点数据,两种架构均可提供10-3的结果精度。
刘娟花[7]（2019）在《多尺度数据融合算法及其应用研究》文中研究指明分别在多个尺度上对多个传感器的信息进行融合,不仅可获得比单个传感器更优的性能,而且与单尺度上的融合相比,多尺度数据融合能更好地刻画出目标的本质特性。MEMS陀螺是一种可以测量角速度的传感器,具有很多吸引人的优点。但噪声大,准确度不高也是不争的事实。于是如何去除MEMS陀螺仪中的噪声,并提高其精度就成为近年来的研究热点。对多MEMS陀螺应用多尺度数据融合算法,可以显着提高系统的精度及可靠性。本文证明了前人提出的多尺度数据融合算法的有效性,设计了 一种新的多尺度融合算法,讨论了多尺度数据融合中的重要技术问题,并通过对多个MEMS陀螺的融合应用,经仿真和硬件实验验证了本文多尺度融合算法的优越性。主要创新点和工作如下:1.从小波分析理论出发,证明了平稳和非平稳情况下的数据融合定理。从数学上解释了多尺度数据融合算法优于经典加权算法的原理,为该算法的推广应用奠定了数学基础。2.结合小波域多尺度数据融合算法的原理、具体步骤及存在问题等,设计了基于小波包的多尺度数据融合算法,并用实测数据通过仿真实验,比较了小波多尺度数据融合和小波包多尺度数据融合。3.分析了多MEMS陀螺数据融合中的小波基、分解层数、加权因子等的选择方法,通过仿真实验验证了其可行性。4.比较了基于时间序列分析、基于小波去噪和基于小波变换的多尺度融合这三种融合方法不同方面的性能。另外,还比较了多尺度融合和前向线性预测（Forward Linear Prediction,FLP）融合方法,结果均表明本文所提出的多尺度融合方法的独特性和有效性。将上述研究成果应用于我们设计并制作的一套多MEMS陀螺仪数据融合实时处理系统平台中,对4个MEMS陀螺仪所采集的原始数据进行实时处理。分别在静态和动态环境下对该集成系统进行了测试,实验结果表明:该系统运行稳定可靠,将MEMS陀螺的精度提高了 1个量级。本文的研究工作不仅为有关多尺度融合系统的分析奠定了理论基础,还为算法的推广应用提供了实验依据。
孙畅[8]（2019）在《基于小波域的非局部均值医学图像降噪研究》文中认为医学图像是临床辅助诊断必不可少的重要参考,其中医学CT、MR、B超图像无论是在常规检查,还是疾病确诊都有广泛地运用。获得清晰可靠的医学图像是降噪工作的关键。本文选择上述三类医学图像作为研究对象,以获得纹理真实、细节清晰的降噪图像为目标,提出几种改进的降噪方法,并结合主观观察与客观指标,综合分析各种方法的降噪效果。具体研究内容如下:1.对比了几种常用的噪声估计方法与四种经典的降噪算法的处理效果,为本次算法改进工作提供思路。2.研究了非局部均值滤波（NLM）方法:（1）提出改进后的具备旋转不变性的衡量像素块之间相似程度的相似权重。（2）提出一种改进的基于拉普拉斯算子的噪声估计法,用于估计含噪图像的噪声方差。经实验表明:改进后的基于拉普拉斯算子的噪声估计法的估计精度更高。改进的NLM方法结合了经典降噪算法的优势,充分发挥出原NLM方法的优点,PSNR最多提升约1.5db。采用改进的NLM方法降噪后无论是在图像的视觉效果、噪声去除程度上,还是在结构相似程度、边缘细节保护等方面较原方法都更具优势,更适合处理上述医学图像噪声。3.研究了双边滤波降噪方法,提出一种新的处理CT、MR、B超图像的灰度相似度度量因子。经实验表明:改进方法的PSNR最多提高值高于4db,SSIM、EPI更接近1。由此说明,改进的双边滤波方法可以获得质量更好的降噪图像,并且在保护细节边缘的同时能有效减少过增强现象的发生。4.研究了小波降噪方法:（1）提出改进的小波软阈值函数。在小波变换理论的基础上,选择适合医学图像降噪的软阈值函数作为改进对象,并加入小波分解层级作为调整参数。经实验表明,该方法的PSNR最多提升约3db,较原软阈值方法的降噪效果更好。（2）提出了基于小波域的非局部均值滤波与双边滤波降噪方法。该方法运用小波分离信号的优势,先通过小波分解获得图像的高、低频区域;然后采用本文改进的NLM滤波对高频区域进行降噪,采用改进的双边滤波对低频区域降噪;最后经信号重构获得降噪后的图像。在同一仿真软件运行环境下对比本文改进的四种降噪方法的实际效果。经实验表明:（1）采用基于小波域的非局部均值滤波与双边滤波方法降噪兼具NLM方法与双边滤波的优势,噪声点在一定程度上被剔除,同时图像的边缘轮廓得到适度增强。（2）改进的NLM方法降噪图像的视觉效果最接近理想无噪声图像,尤其适合处理医学CT和MR图像,但处理纹理结构平滑的B超图像时的视觉效果略低于改进的双边滤波方法。（3）采用改进的双边滤波方法降噪的EPI最大可增至3,图像边缘细节增强的程度最大,是增强医学图像纹理细节的好方法。（4）改进的小波软阈值降噪方法无论是在噪点去除还是细节保护方面均低于另外三种方法。图83表21参82
谢鹏[9]（2019）在《基于卷积神经网络的图像去噪研究》文中认为随着各种数字仪器以及数码产品的普及,图像和视频已经成为人类生活中最常用的信息载体。生活中一幅简单的图像可以包含着大量的信息,这也使得图像成为了人们获取外界原始信息的主要途径。然而图像在获取、传递和保存的过程中会不可避免地带入各种噪声,从而使得图像质量降低。被噪声污染的图像不仅仅会影响人们的视觉体验,还会对后续的图像处理造成极大的影响。图像去噪在图像处理中仍然具有很大的挑战性,很多研究者都在思考如何才能在更彻底地去除噪声,并且最大程度地保留原始的图像信息。本论文主要研究了卷积神经网络在图像去噪中的应用,主要工作内容包括:（1）设计了一个基于深度卷积神经网络的图像去噪模型。为了更深层次地提取图像的特征,同时解决随着网络深度增加导致的学习效率低下的问题,本文引入了残差网络。目前大多去噪方法是通过训练不同的模型来处理不同强度的噪声,这样就需要先预估噪声强度,然后再选用与噪声强度相对应的模型来进行去噪处理。本文使用一个训练好的MLP[1]模型来对“Lena”进行测试,在标准差σ分别为10,25,50和70的高斯白噪声下,取得的峰值信噪比（Peak signal to noise ratio,PSNR）分别为28.87dB,31.28dB,17.66dB和13.82dB。从这样的一个结果中可以看出,只在一种噪声强度下训练出来的模型不能很好处理其他强度的噪声。本文设计的卷积神经网络模型使用不同噪声强度的数据训练,能同时兼顾处理不同强度的噪声。（2）本文去噪方法将卷积神经网络与平稳小波变换结合,在去噪同时能更好地保留原始的图像信息。目前许多深度学习去噪算法都利用卷积神经网络强大的非线性拟合能力,去学习含噪图像到无噪图像之间像素级的映射。但是在处理高强度噪声时,会产生过于粗糙的结果,并且会损失原始图像的纹理细节。为提高在高噪声下的去噪效果,本文提出了一种神经网络和平稳小波变换相结合的图像去噪方法。不是直接预测无噪图像的像素,而是先预测无噪图像的小波系数,然后通过预测的小波系数重建去噪图像。本文去噪模型由平稳小波变换、特征提取网络、小波系数预测网络和去噪图像重建四部分组成,含噪图像直接作为模型输入,在经过平稳小波变换后会产生不同的子带系数,每个子带系数都有一个与之对应的由卷积神经网络组成的小波系数预测网络,用来预测无噪图像在不同频段内的小波系数系数。实验结果表明,本文方法在低噪情况下,PSNR和SSIM基本上可以接近目前优秀的去噪算法;在高斯白噪声标准差高于25时,本文方法可以超越他们,并且可以很好地维持原始图像的结构,可以取得更好的视觉效果。
王敏[10]（2019）在《无人机载折反射式实时全景遥感成像及图像处理技术研究》文中研究指明无人机遥感成像由于重量轻、体积小、成本低、可重复使用、损耗低、风险小等优点,特别是具有的高机动性、高分辨率和高时效性能,已成功应用于侦察和早期预警等军事领域,以及资源勘探、应急救灾和大气海洋观测等非军事领域,具有广阔的应用前景。由于受到飞行高度和相机焦距的限制,无人机遥感单幅成像往往不能完全覆盖到所需的大视场区域。目前,无人机全景遥感成像技术主要采用两种技术体制:图像拼接和鱼眼镜头。基于图像拼接技术的全景成像方式最大的优势是成像分辨率高,但由于要进行先配准再拼接的处理过程,使得成像速度慢、实时性差,数据量巨大,拼接算法繁琐。鱼眼镜头可以获得半球左右的大视场图像,但也会产生严重且难以校正的桶形畸变,且成像分辨率较低、系统结构复杂、造价高昂。本课题重点研究基于微型无人机平台的实时全景遥感成像及其图像处理技术。从光学成像、遥感学、图像处理等理论出发,研究内容如下:（1）建立了微型无人机载折反射式实时全景遥感成像系统。基于折反射式实时全景成像原理和相关概念,采用抛物面反射镜设计了搭载于微型无人机平台上的折反射式实时全景成像光学系统,将球面全景图像投影为柱面图像,并研究了基于数据缓冲占用比的无人机载航空图像自适应无线传输系统及其传输方法。（2）研究了图像去噪处理算法。由于在获取和生成过程中,图像不可避免地会受到噪声影响,因此有必要对图像进行去噪预处理以便提高图像质量。基于小波变换的多分辨率特性以及奇异值的行列方向特征的深入研究,以及柱面图像的区块细节差异性,提出了一系列基于奇异值分解和小波变换的图像去噪新算法。具体包括:1)提出了一种利用小波变换与奇异值分解增强方向特征的图像去噪算法;2)提出了一种基于小波域奇异值差分模型的图像去噪算法;3)基于小波域分块旋转奇异值分解的图像去噪方法。（3）研究了模糊图像复原处理算法。为了解决微型无人机平台震动和相对运动引起图像的模糊畸变问题,通过提取模糊图像的刃边函数或奇异值函数来估计图像模糊的点扩散函数,加最优窗维纳滤波对模糊图像进行恢复,以获得最终具有高清晰度和高分辨率的复原去噪图像。（4）将上述处理方法应用至水陆分割图像识别领域,采用水域灰度特征将水面和陆地加以识别,并基于无人机载实时遥感成像装置和图像处理技术对大气水平能见度自适应探测进行了探讨,给出了大气能见度计算的理论模型,对本文提出的硬件设备以及软件处理算法在大气能见度探测领域的可行性,给出了一定的验证。结果表明,该实时全景遥感探测成像设备及后续的图像处理辅助技术可以获取实时、全方位、高质量的遥感图像。基于本课题构建的无人机实时全景遥感成像系统及其图像处理方法,可用来监测全天空云、大雾、霜露、海浪、潮汐等与天气预报以及军事作战相关的气象水文保障信息。还可以应用于有人飞机、微型飞行器、机器人等平台,以及海关、银行等其它社会安全监测场所,构成实时全方位监控系统。研究成果可为无人机搭载气象水文信息成像设备实时获取高质量图像奠定技术基础,为工程上实现微型无人机实时全景遥感成像系统提供技术途径。
二、改进的小波域阈值去噪方法（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、改进的小波域阈值去噪方法（论文提纲范文）
（1）基于Retinex理论的雾霾天气图像增强算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究主要工作和结构安排 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文结构安排 |
| 1.4 本章小结 |
| 第2章 基于Retinex理论的图像去雾算法相关理论 |
| 2.1 图像增强的概述 |
| 2.1.1 图像增强的基本概念 |
| 2.1.2 人眼视觉特性 |
| 2.2 Retinex理论 |
| 2.2.1 颜色恒常性 |
| 2.2.2 Retinex理论 |
| 2.3 基于Retinex理论的经典算法 |
| 2.3.1 单尺度Retinex算法 |
| 2.3.2 多尺度Retinex算法 |
| 2.3.3 带色彩恢复的多尺度Retinex算法 |
| 2.4 本章小结 |
| 第3章 基于Retinex理论的雾霾天气图像增强算法概述 |
| 3.1 算法概述 |
| 3.1.1 基于小波变换的图像去雾算法分析 |
| 3.1.2 图像去雾的小波域降噪算法 |
| 3.2 算法概述流程图 |
| 3.3 本章小结 |
| 第4章 图像去雾的Retinex算法 |
| 4.1 色彩模型 |
| 4.1.1 RGB与YIQ颜色空间的相互转换 |
| 4.1.2 不同色彩模型去雾效果比较 |
| 4.2 亮度分量的小波变换 |
| 4.2.1 小波变换 |
| 4.2.2 使用Mallat算法去对亮度分量进行小波变换 |
| 4.3 运用改进的MSR算法对小波变换后的低频图像去雾 |
| 4.3.1 基于改进的双边滤波的Retinex算法 |
| 4.3.2 小波系数增强 |
| 4.4 本章小结 |
| 第5章 图像去雾的小波域降噪算法 |
| 5.1 小波去噪 |
| 5.1.1 阈值函数的选取 |
| 5.1.2 改进的小波阈值函数 |
| 5.2 饱和度分量增强 |
| 5.2.1 全局对比度增强 |
| 5.2.2 饱和度分量补偿 |
| 5.3 本章小结 |
| 第6章 实验结果与分析 |
| 6.1 实验环境、数据与评价指标 |
| 6.2 实验设计与评价指标 |
| 6.3 实验结果与分析 |
| 6.3.1 去雾算法的有效性 |
| 6.3.2 降噪算法的有效性 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（2）基于分数阶小波变换的图像处理（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分数阶小波变换研究现状 |
| 1.2.2 图像去噪研究现状 |
| 1.2.3 图像融合研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 分数阶小波变换 |
| 2.1 小波变换 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 分数阶小波变换 |
| 2.2.1 连续分数阶小波变换 |
| 2.2.2 离散分数阶小波变换 |
| 2.3 DFRWT系数分解与重构 |
| 2.3.1 DFRWT系数分解 |
| 2.3.2 DFRWT系数重构 |
| 2.3.3 一维信号DFRWT分解 |
| 2.3.4 二维图像DFRWT分解 |
| 2.3.5 图像DFRWT子带模系数直方图 |
| 2.4 本章小结 |
| 第3章 基于改进阈值函数的分数阶小波图像去噪 |
| 3.1 阈值滤波 |
| 3.2 改进的阈值函数 |
| 3.3 改进后的最优FRWT去噪算法 |
| 3.4 图像去噪效果评价 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第4章 基于改进融合规则的分数阶小波图像融合 |
| 4.1 改进的图像融合规则 |
| 4.1.1 高频分量的融合 |
| 4.1.2 低频分量的融合 |
| 4.2 融合性能评价方法 |
| 4.3 算法流程 |
| 4.4 融合实验 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）声纳图像预处理与分割方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声纳图像预处理技术 |
| 1.2.2 声纳图像分割技术 |
| 1.3 本文的研究目标与研究内容 |
| 1.4 本文的结构安排 |
| 第二章 声纳图像特征分析与噪声建模 |
| 2.1 声纳图像特征分析 |
| 2.2 声纳图像噪声建模 |
| 2.2.1 混响噪声 |
| 2.2.2 海洋环境噪声 |
| 2.2.3 噪声模型 |
| 2.3 本章小结 |
| 第三章 非局部均值声纳图像去噪方法研究 |
| 3.1 局部去噪及小波阈值去噪 |
| 3.1.1 均值去噪与中值去噪 |
| 3.1.2 小波阈值去噪 |
| 3.2 非局部均值去噪 |
| 3.2.1 基本原理 |
| 3.2.2 仿真实验 |
| 3.3 改进的非局部均值去噪 |
| 3.3.1 噪声的标准差估计 |
| 3.3.2 邻域窗口和搜索窗口的动态调整 |
| 3.3.3 针对去噪后边缘模糊的改进 |
| 3.4 改进算法的仿真验证与结果分析 |
| 3.4.1 改进算法的定量定性评价 |
| 3.4.2 改进算法的鲁棒性测试 |
| 3.5 本章小结 |
| 第四章 声纳图像增强算法研究 |
| 4.1 小波域增强与直方图均衡化 |
| 4.2 Retinex增强方法 |
| 4.2.1 单尺度Retinex算法 |
| 4.2.2 多尺度Retinex算法 |
| 4.2.3 带色彩恢复的多尺度Retinex算法 |
| 4.3 结合梯度信息的直方图均衡化 |
| 4.4 图像增强实验 |
| 4.5 本章小结 |
| 第五章 声纳图像分割方法研究 |
| 5.1 基于活动轮廓模型的声纳图像分割 |
| 5.1.1 Snakes模型 |
| 5.1.2 C-V模型 |
| 5.1.3 LBF模型 |
| 5.2 基于聚类的声纳图像分割 |
| 5.2.1 FCM算法 |
| 5.2.2 FLICM算法 |
| 5.3 声纳图像分割实验 |
| 5.3.1 活动轮廓模型分割实验 |
| 5.3.2 聚类分割实验 |
| 5.3.3 分割性能对比 |
| 5.4 FLICM算法的参数调整 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 论文期间研究成果 |
（4）光场图像去噪与空间超分辨率重建研究（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 |
| 1.2.1 图像去噪研究现状 |
| 1.2.2 图像超分辨率研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关理论技术 |
| 2.1 稀疏表示理论 |
| 2.1.1 稀疏表示的基本理论 |
| 2.1.2 稀疏编码的求解方法 |
| 2.1.3 字典构造方法 |
| 2.2 LFBM5D光场去噪算法 |
| 2.2.1 BM3D算法基本思想 |
| 2.2.2 LFBM5D算法基本思想 |
| 2.2.3 五维相似块的构成 |
| 2.2.4 协同滤波 |
| 2.2.5 聚合 |
| 2.3 基于小波域字典学习的图像超分辨率 |
| 2.3.1 算法基本思想 |
| 2.3.2 字典学习阶段 |
| 2.3.3 图像重建阶段 |
| 2.4 图像质量评价方法 |
| 2.4.1 主观质量评价 |
| 2.4.2 客观质量评价 |
| 2.5 本章小结 |
| 第3章 光场图像去噪方法研究 |
| 3.1 基于图像块分类的LFBM5D算法改进 |
| 3.1.1 问题分析 |
| 3.1.2 图像块分类 |
| 3.1.3 基于图像块分类的LFBM5D算法改进 |
| 3.2 实验结果与分析 |
| 3.2.1 对于图像块大小参数的实验 |
| 3.2.2 与原算法对比实验 |
| 3.3 本章小结 |
| 第4章 光场图像超分辨率方法研究 |
| 4.1 基于小波域半耦合字典学习的图像超分辨率 |
| 4.1.1 问题分析 |
| 4.1.2 字典学习阶段 |
| 4.1.3 图像重建阶段 |
| 4.1.4 实验结果与分析 |
| 4.2 光场图像超分辨率框架 |
| 4.2.1 框架基本思想 |
| 4.2.2 实验结果与分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（5）小波与曲波组合域探地雷达数据去噪（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状以及趋势 |
| 1.2.1 小波分析应用研究现状 |
| 1.2.2 曲波变换应用研究现状 |
| 1.2.3 小波与曲波组合域算法研究现状 |
| 1.2.4 探地雷达数据去噪研究现状及发展趋势 |
| 1.3 存在主要问题 |
| 1.4 本文研究内容 |
| 1.5 本文章节结构 |
| 1.6 本章小结 |
| 第2章 理论方法 |
| 2.1 小波变换理论 |
| 2.1.1 小波变换 |
| 2.1.2 阈值函数 |
| 2.1.3 高阶相关统计量 |
| 2.2 曲波变换理论 |
| 2.2.1 离散曲波变换 |
| 2.2.2 离散曲波变换算法实现 |
| 2.2.3 曲波系数 |
| 2.2.4 阈值函数 |
| 2.3 组合域理论 |
| 2.4 数据评价理论 |
| 2.5 本章小结 |
| 第3章 合成数据去噪分析 |
| 3.1 小波域高阶相关统计去噪 |
| 3.2 改进小波域高阶相关统计去噪 |
| 3.3 曲波变换算法去噪 |
| 3.4 小波与曲波变换去噪对比分析 |
| 3.5 组合域合成数据去噪 |
| 3.5.1 含10%噪声数据去噪 |
| 3.5.2 含25%噪声数据去噪 |
| 3.6 本章小结 |
| 第4章 实测数据去噪 |
| 4.1 改进小波域高阶相关统计与曲波变换去噪 |
| 4.2 曲波域方向重构小波域高阶相关统计去噪 |
| 4.3 组合域实测数据去噪 |
| 4.4 本章小结 |
| 第5章 总结 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果与发表的学术论文 |
| 致谢 |
（6）离散小波变换的研究与硬件实现（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 离散小波变换发展现状 |
| 1.2.1 离散小波变换发展历程 |
| 1.2.2 小波阈值去噪算法研究现状 |
| 1.2.3 DWT硬件实现研究现状 |
| 1.3 离散小波变换的应用 |
| 1.4 论文的主要工作及结构安排 |
| 1.5 课题来源 |
| 第二章 小波变换理论基础 |
| 2.1 小波变换 |
| 2.1.1 小波基函数 |
| 2.1.2 连续小波变换 |
| 2.1.3 离散小波变换 |
| 2.2 多分辨率分析和Mallat算法 |
| 2.2.1 多分辨率分析 |
| 2.2.2 Mallat算法 |
| 2.3 提升小波变换 |
| 2.4 二维离散小波变换 |
| 2.5 本章小结 |
| 第三章 小波域去噪算法研究 |
| 3.1 小波域去噪原理和方法 |
| 3.1.1 小波域去噪原理 |
| 3.1.2 小波域去噪方法 |
| 3.2 小波阈值去噪原理 |
| 3.3 改进的小波阈值去噪算法 |
| 3.3.1 改进的阈值函数 |
| 3.3.2 改进的阈值选取方式 |
| 3.4 仿真实验结果分析 |
| 3.5 本章小结 |
| 第四章 离散小波变换的硬件设计与实现 |
| 4.1 离散小波变换的滤波器组结构 |
| 4.2 有限脉冲响应滤波器结构的研究 |
| 4.2.1 FIR滤波器的基本结构 |
| 4.2.2 FIR滤波器的硬件实现结构 |
| 4.3 一维离散小波变换处理器 |
| 4.3.1 一维离散小波变换处理器系统架构 |
| 4.3.2 DWT控制单元 |
| 4.3.3 DWT运算单元 |
| 4.3.4 存储控制单元 |
| 4.4 二维离散小波变换硬件设计实现 |
| 4.4.1 多级变换结构 |
| 4.4.2 运算单元结构设计 |
| 4.4.3 暂存单元及存储规则设计 |
| 4.4.4 多级二维离散小波变换设计方案 |
| 4.4.5 二维离散小波变换硬件结构 |
| 4.5 本章小结 |
| 第五章 FPGA验证和结果分析 |
| 5.1 验证方案 |
| 5.2 FPGA验证 |
| 5.2.1 FPGA验证平台及流程 |
| 5.2.2 运算误差分析 |
| 5.2.3 硬件资源分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）多尺度数据融合算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的概念和优点 |
| 1.2.2 信息融合的模型 |
| 1.2.3 信息融合的方法 |
| 1.2.4 信息融合技术的研究现状 |
| 1.3 多尺度数据融合有关技术及进展 |
| 1.3.1 多尺度系统估计理论研究概况 |
| 1.3.2 多尺度数据融合的应用及研究现状 |
| 1.3.3 多尺度数据融合概念的演变 |
| 1.4 MEMS陀螺仪中漂移信号处理方法研究现状 |
| 1.5 陀螺仪中的多尺度数据融合及需要解决的问题 |
| 1.6 本文的主要研究内容及结构安排 |
| 2 多尺度数据融合算法及其有效性的证明 |
| 2.1 引言 |
| 2.2 小波分解原子时算法 |
| 2.2.1 常见时间尺度 |
| 2.2.2 原子时算法 |
| 2.2.3 小波分解原子时算法的提出 |
| 2.2.4 小波分解原子时算法有待解决的问题 |
| 2.2.5 小波分解原子时算法的基本原理 |
| 2.3 预备知识 |
| 2.3.1 原子钟的噪声特性 |
| 2.3.2 相关说明 |
| 2.4 随机信号数据融合的理论体系 |
| 2.4.1 平稳单尺度数据融合 |
| 2.4.2 平稳多尺度数据融合 |
| 2.4.3 非平稳单尺度数据融合 |
| 2.4.4 非平稳多尺度数据融合 |
| 2.5 非平稳多尺度数据融合定理的证明 |
| 2.6 分析与讨论 |
| 2.7 本章小结 |
| 3 多尺度数据融合算法的小波包实现 |
| 3.1 引言 |
| 3.2 小波变换和小波包变换 |
| 3.3 小波包的基本理论 |
| 3.3.1 正交小波包的定义与性质 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 小波库及小波包基的定义 |
| 3.3.4 小波包的分解与重构算法 |
| 3.3.5 最优小波包基的概念 |
| 3.3.6 最优基的快速搜索 |
| 3.4 基于小波包的多尺度数据融合方案 |
| 3.4.1 基于小波变换的多尺度数据融合算法 |
| 3.4.2 基于小波包的多尺度数据融合方案 |
| 3.5 基于小波包的多尺度陀螺融合实验研究 |
| 3.5.1 MEMS陀螺概述 |
| 3.5.2 MEMS陀螺随机误差分析 |
| 3.5.3 MEMS陀螺随机误差的Allan方差分析 |
| 3.5.4 MEMS陀螺漂移的数学模型 |
| 3.5.5 MEMS陀螺信号实时小波处理方法 |
| 3.5.6 基于小波包的多尺度陀螺融合算法仿真实验 |
| 3.6 本章小结 |
| 4 小波多尺度数据融合中关键技术 |
| 4.1 MEMS陀螺噪声特性与小波熵 |
| 4.1.1 MEMS陀螺误差及噪声特性 |
| 4.1.2 小波熵 |
| 4.2 常见的小波簇 |
| 4.2.1 小波基的性质 |
| 4.2.2 常用小波基 |
| 4.3 基于小波变换的数据融合中小波基的选取 |
| 4.3.1 小波基选取原则 |
| 4.3.2 小波基的比较 |
| 4.3.3 小波簇的选取 |
| 4.3.4 陀螺数据融合效果评价 |
| 4.3.5 最佳小波基选取实验 |
| 4.4 小波分解层数的设定 |
| 4.5 数据融合加权因子的选择 |
| 4.6 本章小结 |
| 5 多尺度融合与其它MEMS陀螺信号处理方法的比较 |
| 5.1 MEMS陀螺仪噪声抑制方法研究概述 |
| 5.1.1 MEMS陀螺仪噪声抑制方法研究现状 |
| 5.1.2 卡尔曼滤波和小波阈值去噪法的缺点 |
| 5.1.3 多尺度数据融合算法的优点 |
| 5.2 MEMS陀螺数据处理中的多传感器数据融合 |
| 5.2.1 多尺度融合 |
| 5.2.2 卡尔曼滤波融合 |
| 5.2.3 小波阈值融合 |
| 5.3 基于仿真信号对三种融合方法的比较 |
| 5.3.1 仿真信号的产生 |
| 5.3.2 第一组仿真实验(Chirp信号+高斯白噪声) |
| 5.3.3 第二组仿真实验(Chirp信号+有色噪声) |
| 5.4 基于实测信号对三种融合方法的比较 |
| 5.5 三种融合方法比较的结论 |
| 5.6 多尺度数据融合与FLP(前向线性预测)方法的比较 |
| 5.6.1 FLP算法 |
| 5.6.2 基于FLP滤波的多传感器融合方法 |
| 5.6.3 FLP滤波融合结果和分析 |
| 5.7 本章小结 |
| 6 多尺度数据融合系统设计与验证 |
| 6.1 系统的总体设计方案 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统整体框图 |
| 6.1.3 系统中的主要器件选型 |
| 6.2 硬件电路设计 |
| 6.2.1 陀螺仪模块 |
| 6.2.2 协处理器模块 |
| 6.2.3 主处理器模块 |
| 6.2.4 系统实物图 |
| 6.3 系统软件设计 |
| 6.3.1 接口部分 |
| 6.3.2 融合处理部分 |
| 6.4 实验研究 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文的主要研究成果 |
| 7.2 创新研究 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表和收录的论文 |
| 攻读博士学位期间获奖 |
| 攻读博士学位期间参加的科研项目 |
（8）基于小波域的非局部均值医学图像降噪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 注释说明清单 |
| 引言 |
| 1 绪论 |
| 1.1 医学图像降噪的背景及意义 |
| 1.2 国内外相关研究现状 |
| 1.3 医学图像质量的评价标准 |
| 1.3.1 主观评价 |
| 1.3.2 客观指标 |
| 1.4 本文内容安排 |
| 2.医学图像降噪相关理论与方法 |
| 2.1 图像噪声及噪声分布 |
| 2.2 图像噪声估计方法 |
| 2.2.1 基于直方图的局部方差法(Local Variance Estimation Based onHistogram Hist-NE) |
| 2.2.2 基于小波域的Donoho噪声方差估计法(Donoho Noise VarianceEstimation Based on Wavelet Domain Donoho-E) |
| 2.2.3 基于拉普拉斯算计的噪声估计法(Noise Estimation Method Basedon Laplacian Operator Laplac-NE) |
| 2.2.4 主成分分析噪声估计(Principal Component Analysis NoiseEstimation PCA-NE) |
| 2.2.5 实验对比 |
| 2.3 经典的降噪处理方法 |
| 2.3.1 均值滤波 |
| 2.3.2 中值滤波 |
| 2.3.3 低通滤波器 |
| 2.3.4 各向异性扩散(P-M)算法 |
| 2.3.5 实验对比 |
| 2.4 本章小结 |
| 3 非局部均值降噪与双边滤波 |
| 3.1 NLM降噪的基本原理 |
| 3.2 改进的NLM降噪方法 |
| 3.2.1 基本原理 |
| 3.2.2 实验结果及分析 |
| 3.3 双边滤波原理 |
| 3.4 改进的双边滤波方法 |
| 3.4.1 基本原理 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于小波域的非局部均值与双边滤波相结合的降噪 |
| 4.1 小波变换的基本理论 |
| 4.1.1 离散小波变换 |
| 4.1.2 多分辨分析 |
| 4.2 图像的小波分解与小波重构 |
| 4.3 小波降噪 |
| 4.3.1 小波阈值降噪 |
| 4.3.2 改进的小波软阈值函数降噪 |
| 4.4 基于小波域的非局部均值滤波与双边滤波降噪 |
| 4.4.1 实现原理 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 5 总结 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（9）基于卷积神经网络的图像去噪研究（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 图像去噪研究现状 |
| 1.3 本文主要工作及结构安排 |
| 第2章 图像去噪基本理论 |
| 2.1 噪声模型 |
| 2.1.1 高斯噪声模型 |
| 2.1.2 白噪声模型 |
| 2.1.3 椒盐噪声 |
| 2.1.4 泊松噪声 |
| 2.2 传统图像去噪算法 |
| 2.2.1 空间域去噪算法 |
| 2.2.2 变换域去噪算法 |
| 2.3 基于神经网络的图像去噪算法 |
| 2.3.1 神经网络简介 |
| 2.3.2 基于卷积神经的图像去噪算法 |
| 2.3.3 基于多层感知器的图像去噪算法 |
| 第3章 小波域卷积神经网络图像去噪方法 |
| 3.1 平稳小波变换与卷积神经网络简介 |
| 3.1.1 平稳小波变换 |
| 3.1.2 卷积神经网络 |
| 3.1.3 残差网络 |
| 3.1.4 批归一化 |
| 3.1.5 神经元随机失活 |
| 3.1.6 PRe LU激活函数 |
| 3.2 去噪模型框架及去噪原理 |
| 3.2.1 去噪模型结构 |
| 3.2.2 去噪原理 |
| 3.3 去噪模型参数设置 |
| 3.3.1 权重参数初始化 |
| 3.3.2 批归一化参数设置 |
| 3.3.3 随机失活参数设置 |
| 第4章 实验结果分析与对比 |
| 4.1 去噪效果衡量指标 |
| 4.2 实验数据库介绍 |
| 4.3 高斯白噪声对比实验分析 |
| 4.4 椒盐噪声对比实验分析 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录 在学期间的研究成果 |
（10）无人机载折反射式实时全景遥感成像及图像处理技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 无人机全景遥感和图像预处理技术简介 |
| 1.1.1 无人机遥感技术 |
| 1.1.2 全景成像技术 |
| 1.1.3 图像预处理技术 |
| 1.2 国内外研究现状 |
| 1.2.1 无人机遥感影像拼接技术发展现状 |
| 1.2.2 折反射全景成像发展现状 |
| 1.2.3 图像去噪复原技术发展现状 |
| 1.3 课题研究意义 |
| 1.4 论文的主要研究内容及思路 |
| 1.4.1 论文主要内容 |
| 1.4.2 论文主要思路 |
| 1.4.3 论文结构 |
| 第二章 无人机载折反射式实时全景成像系统研究 |
| 2.1 折反射全景成像基础理论 |
| 2.1.1 折反射全景成像基本原理 |
| 2.1.2 折反射全景实时成像的反射镜面形式 |
| 2.1.3 折反射式实时全景成像尺寸确定 |
| 2.1.4 反射镜面形的统一表达式 |
| 2.2 抛物面全景成像技术基础理论 |
| 2.2.1 抛物面全景成像结构 |
| 2.2.2 抛物面全景成像系统设计 |
| 2.3 微型无人机载折反射实时全景成像设备 |
| 2.3.1 微型无人机载折反射实时全景成像设备 |
| 2.3.2 全景图到柱面全景图的投影变换 |
| 2.4 机载无线图像传输算法研究 |
| 2.4.1 无人机载无线图像自适应传输系统 |
| 2.4.2 机载图像自适应无线传输算法 |
| 2.5 系统测试 |
| 2.5.1 静态测试 |
| 2.5.2 动态测试 |
| 2.6 本章小结 |
| 第三章 图像去噪算法 |
| 3.1 图像去噪基础理论 |
| 3.1.1 噪声的来源及数学模型 |
| 3.1.2 小波变换去噪原理 |
| 3.1.3 奇异值分解去噪原理 |
| 3.1.4 去噪效果评价 |
| 3.2 小波变换和奇异值分解的方向特性 |
| 3.2.1 小波变换方向特性 |
| 3.2.2 奇异值分解方向特性 |
| 3.3 小波域旋转奇异值分解与边缘保留的图像去噪算法 |
| 3.3.1 高频子图SVD滤波 |
| 3.3.2 重构奇异值个数的确定 |
| 3.3.3 高频子图像多方向边缘提取 |
| 3.3.4 算法流程 |
| 3.3.5 仿真与实验 |
| 3.4 基于小波域奇异值差分建模的图像去噪算法 |
| 3.4.1 奇异值SV差分特点 |
| 3.4.2 算法流程 |
| 3.4.3 SV差值建模 |
| 3.4.4 确定去噪奇异值SV |
| 3.4.5 仿真与实验 |
| 3.5 基于小波域分块旋转奇异值分解的图像去噪方法 |
| 3.5.1 算法流程 |
| 3.5.2 仿真与实验 |
| 3.6 本章小结 |
| 第四章 模糊图像复原算法 |
| 4.1 模糊图像复原基本原理 |
| 4.1.1 像移及像移补偿基本概念 |
| 4.1.2 图像的模糊退化模型 |
| 4.1.3 模糊图像的复原 |
| 4.1.4 复原图像质量评价 |
| 4.2 点扩散函数估计 |
| 4.3 基于刃边函数和最优窗维纳滤波的模糊图像复原算法 |
| 4.3.1 最优窗维纳滤波 |
| 4.3.2 点扩散函数的确定 |
| 4.3.3 算法流程 |
| 4.3.4 仿真与实验 |
| 4.4 本章小结 |
| 第五章 图像解释及气象水文应用初探 |
| 5.1 水陆分割 |
| 5.1.1 双峰阈值分割原理 |
| 5.1.2 基于双峰阈值的水陆分割方法 |
| 5.2 大气能见度探测 |
| 5.2.1 基于图像的能见度探测法 |
| 5.2.2 基于亮度对比法的无人机载自适应能见度探测方法 |
| 5.2.3 基于双目标法的无人机载能见度探测方法 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、改进的小波域阈值去噪方法（论文参考文献）
- [1]基于Retinex理论的雾霾天气图像增强算法研究[D]. 史瑞雪. 太原理工大学, 2021(01)
- [2]基于分数阶小波变换的图像处理[D]. 李春萌. 华北电力大学(北京), 2021(01)
- [3]声纳图像预处理与分割方法研究[D]. 田霁. 电子科技大学, 2021(01)
- [4]光场图像去噪与空间超分辨率重建研究[D]. 李文斌. 北京工业大学, 2020(06)
- [5]小波与曲波组合域探地雷达数据去噪[D]. 杨俊. 桂林理工大学, 2020(01)
- [6]离散小波变换的研究与硬件实现[D]. 杜诗强. 合肥工业大学, 2020
- [7]多尺度数据融合算法及其应用研究[D]. 刘娟花. 西安理工大学, 2019
- [8]基于小波域的非局部均值医学图像降噪研究[D]. 孙畅. 安徽理工大学, 2019(01)
- [9]基于卷积神经网络的图像去噪研究[D]. 谢鹏. 湘潭大学, 2019(02)
- [10]无人机载折反射式实时全景遥感成像及图像处理技术研究[D]. 王敏. 国防科技大学, 2019(01)