一、基于小波变换的序列图像压缩编码算法（论文文献综述）
史启盟[1]（2021）在《高速运动物体图像识别与压缩方法研究》文中研究表明运动物体视频图像包含着许多重要的信息数据,而高速运动物体由于速度较快,其运动图像存在采集失真、处理复杂以及分析效果差等方面的问题。本课题以高速运动物体为研究对象,分别进行了图像识别与图像压缩方法的研究,并选取实际工业中的3D打印机高速移动激光点红外图像和高速运动固定翼无人机视频图像分别进行了算法验证及结果分析。主要研究内容如下:（1）分析了高速运动物体图像特征及图像识别过程,提出了基于改进卷积神经网络的高速运动物体图像识别方法。根据高速运动物体运动速度快导致的成像模糊,使得传统的图像识别方法人为提取图像特征困难的问题,采用基于卷积神经网络（CNN）的深度学习方法进行图像识别研究,并针对现有的CNN方法存在的训练效率差、准确率低的问题设计了相关改进方案来提高图像识别的快速性和准确性。（2）针对3D打印机高速移动激光点红外图像进行图像识别研究,分别建立了CNN和改进CNN两种激光点图像识别模型,对两种模型进行对比分析,实验结果表明改进后的CNN模型大大提高了识别效率和准确率;最后利用改进后的CNN模型进行激光中心点温度预测,在误差范围内取得了很好的预测结果。（3）研究了高速运动物体视频图像冗余信息,提出了基于帧内编码和帧间预测结合的高速运动物体视频压缩方法。以静态图像压缩为基础,在传统BP神经网络的基础上加入小波变换的方法进行图像压缩以减少帧内的空间冗余信息,同时针对高速运动物体的视频序列进行了运动信息补偿从而减少帧间的时间冗余信息,最终重构后的视频在保证关键运动信息的前提下大大减少视频数据量。（4）针对高速运动固定翼无人机视频进行图像压缩研究,先对单帧的无人机运动图像进行基于小波变换和神经网络结合的帧内有损压缩,再对压缩后的无人机序列进行基于运动估计和运动补偿的帧间预测编码,最后对压缩前后的无人机运动视频进行目标跟踪和视频传输效果方面的对比分析,结果表明该压缩系统在保留无人机运动信息的情况下可以大大减少冗余数据信息,提高传输效率。
王亚清[2]（2021）在《基于小波分析的医学图像压缩方法的研究》文中研究指明随着远程通信技术与现代医疗信息技术的发展与结合,一种新型医疗服务方式产生——远程医疗。在当今信息化的全面普及下,远程医疗技术因其可实现远距离诊断与便捷高效的治疗特性得以广泛应用。然而,由于远程医疗系统中通信带宽与存储空间的限制性,使得它无法满足与日俱增的医疗数据的存储与传输。因此,对医疗图像进行压缩处理已是必然趋势。小波变换凭借其优良的时频局部化性能以及多分辨率表征图像的特性,已然成为图像压缩领域的研究热点。本文主要针对基于小波分析的医学图像压缩问题进行了重点研究,并且通过MATLAB平台实现了算法的仿真与分析,取得了一定的研究成果。首先,阐述了课题研究的背景意义以及国内外图像压缩编码技术的发展历程,继而阐述了医学图像压缩的相关知识,包括医学图像压缩的基本原理和压缩方法的分类以及常用的图像压缩方法,并简要叙述了医学图像压缩质量的评价标准和图像压缩的国际标准。其次,对小波分析的相关理论进行简要概述,包括小波变换的基本概念及其反变换存在的条件、多分辨率分析的思想以及Mallat算法分解与重构原理,并将小波变换理论运用到实际图像压缩中,探讨了小波系数的特点和小波分解级数以及信号延拓方式的问题。对基于小波变换的图像压缩编码思想进行深入学习,并以基于小波变换的EZW算法和SPIHT算法为重点研究内容进行深度分析与探讨,详细介绍了二者的编码原理与实现过程,分析了二者在编码过程中的不足,并针对EZW算法中阈值过大问题及SPIHT算法中重复性扫描的问题分别提出了改进方法,从而提高了编码效率。最后,通过MATLAB实现对医学图像的压缩编码,实验证明,改进的算法较原有的算法,在一定程度上提高了重构图像的PSNR值,并且有更好的图像复原质量。
高硕[3]（2020）在《基于深度学习的三维高分辨率脑图像压缩》文中研究表明随着生物显微成像技术的快速发展,单神经元分辨率级的三维全脑成像技术取得了很大进展,其产生的三维脑图像具有很高的分辨率,可以清晰地显示脑神经元的胞体、树突和轴突等结构,对于神经元形态和结构的研究以及人工智能的发展有重要意义。然而,如此高分辨率的三维图像为存储和传输带来了巨大挑战,因此寻找三维高分辨率脑图像的高效压缩方法成为了一项迫切任务。目前三维医学图像压缩方法大多采用基于小波变换的方法,其中JP3D方法是JPEG2000压缩标准的三维扩展,它可以实现对高位深三维图像进行较高效的压缩。但是该方法有两个缺点,首先,经过该方法解码后的图像中存在失真效应,且压缩率越大,失真效应越明显,这些失真会对脑图的研究造成影响。其次,JP3D的熵编码算法EBCOT没有利用子带间的相关性信息,导致熵编码效率较低。近年来,基于深度学习的二维自然图像压缩方法实现了高效的压缩性能,其压缩性能优于现有的传统图像压缩方法,如BPG、JPEG2000、JPEG。虽然基于深度学习的二维图像压缩方法已经取得了很大进展,但是目前基于深度学习的三维图像压缩方法的研究还很少。本文旨在运用深度学习的方法提高三维高分辨率脑图像的压缩效率,使得在相同码率下可以获得质量更高的解码图像。受基于深度学习的二维图像压缩方法的启发,本文做了两方面的工作:1.研究基于深度学习的JP3D压缩方法的改进。一方面,为了减少压缩图像中的失真效应,本文提出了一个基于神经网络的三维脑图像压缩后处理方法,运用卷积神经网络提取三维脑图中每个维度的特征,同时引入三维残差模块以加速网络收敛,实验结果表明该方法显着减轻了压缩脑图像的失真效应,且在三维高动态范围脑图像上也有很好的效果。另一方面,本文将基于3D PixelCNN和RNN模型的熵编码算法与JP3D相结合,利用三维小波变换系数的子带间相关性提高熵编码效率。2.研究基于深度学习的三维图像压缩方法。本文提出了一个基于神经网络的三维端到端图像压缩方法,该模型采用自编码器将三维输入图像变换为维度较低的隐空间,然后利用超先验模型和条件上下文模型作为熵编码模型,共同估计隐空间的概率分布以提高编码效率。同时,本文引入三维非局部注意力模型以利用输入图像的全局相关性,且为了降低模型的复杂度,采用基于3D ConvLSTM的上下文熵编码模型,将隐空间特征沿通道维度展成序列依次对其进行编码,以提取通道间的因果相关性。压缩框架中的每个模块通过一个率失真损失函数进行优化。实验结果表明,相比于最优的基于深度学习的二维图像压缩方法,本文提出的三维图像压缩方法在压缩性能上有显着优势,且实验结果表明本文的方法性能优于JP3D及HEVC方法,尤其在较低码率点。
张晶晶[4]（2019）在《基于小波与分形相结合的图像压缩编码算法》文中提出分形图像压缩算法有着在高压缩比下,保证较高的重构图像质量的优点,这使得其在图像压缩研究中占有一席之位。但是,分形图像编码过程中,需要在海量码本中搜索最佳匹配块,这需要耗费大量的时间,不利于分形图像压缩编码的推广和应用。并且在编码过程中会出现“块效应”,这也影响着重构图像质量。所以,在加编解码速度的同时,提高重构图像质量是本文的重点研究内容。本文的具体研究内容如下:（1）利用分形压缩编码的优点,并结合特征向量法,提出一种图像新的子块特征——框点和,并且从理论上证明了该特征与均方误差之间的关系。以这个关系作为该算法的理论依据,提出基于图像块框点和的快速分形图像编码。然后进行仿真实验,实验结果显示,在编解码时间相近的情况下,该算法的重构图像质量高于与其他算法。（2）在定义了新的子块特征——框点和的基础上,结合连续小波变换的平滑特性,提出基于小波与分形相结合的图像压缩编码。实验仿真结果表明,与基本分形算法以及其他算法相比,新算法的性能更优,达到了预期的效果,不仅缩短了编解码时间,同时也提高了重构图像质量。（3）通过对小波变换和特征向量的进一步研究,提出基于图像块差的分形与小波结合的图像压缩编码。通过与其他算法进行对比可知,新算法的性能更优。
张霞[5]（2019）在《基于小波变换的图像压缩算法在远程医学中的应用研究》文中研究表明网络通信技术和现代先进医学技术的迅猛发展,使得远程医学作为一种新兴的诊疗手段在各种医疗领域中得到了迅速普及和应用。由于网络带宽等因素的制约,大量医疗图像信息的存储和实时快速传输还不能很好地满足实际需求。对医疗图像进行有效的压缩是解决这一问题的优选方案。本文的主要研究基于小波变换的医学图像压缩。为了更好地满足临床医生的实际需要,根据医学图像自身的特点来选择更加合适的图像压缩方法,从而解决远程医学中图像存储量大、清晰度不够的问题。本文主要内容包括:（1）阐述了选题的研究背景与意义。简要描述了小波变换图像压缩算法的研究现状,介绍了有关医学图像、医学图像数据压缩的概念、图像压缩的必要性和图像压缩步骤。介绍了图像压缩编码的分类及几种压缩方法的特点,最后分析了评价图像压缩编码方法的准则。（2）介绍了小波变换的相关概念及基本原理,重点介绍了小波变换图像压缩编码的过程,其中包括信号的分解与重构步骤。选择不同的小波基会使压缩后的图像质量有所不同,本文详细分析了小波基选取时的诸多影响因素。（3）基于小波变换的EZW和SPIHT压缩算法及其改进。基本小波变换的两种压缩方法主要有EZW和SPIHT两种,都是基于零树的编码思想。详细介绍了这两种方法的压缩原理、步骤及两种量化方法的优缺点。两种量化方法使得编码效率提高,但仍然存在不足之处,本文针对现有SPIHT算法的不足提出了一种改进的SPIHT算法,实验结果表明提出的改进算法在相同的压缩比的情况下获得了更好的图像重构质量。（4）利用医学图像压缩算法的特点,结合临床工作中对医学图像的实际需要,提出一种在ROI编码方法基础之上的感兴趣区域医学图像的无损压缩方法。针对医生需求病变部位的医学图像信息进行有效的压缩,减少医生的无关阅读量。（5）为了验证本文提出改进算法的有效性,本文最后通过实际远程医学平台进行了原始图像与压缩图像的传输速率结果比较,实验结果表明本文提出的图像压缩改进算法很大程度地提高了图像传输速率。
武丽静[6]（2019）在《太阳磁场图像无损压缩算法优化研究及FPGA设计》文中进行了进一步梳理随着天文领域的发展,针对空间图像的研究日益重要。为探究太阳磁场对空间环境及天体活动的影响,“先进天基太阳天文台（ASO-S）背景型号研究”获批中国科学院空间科学战略性先导科技专项,旨在研制一颗太阳探测卫星用于太阳磁场图像的成像观测。在通过卫星获取高质量太阳磁场图像的同时,会得到大量数据,其回传受到传输信道及存储资源的限制,因此有必要在传输前对太阳磁场图像进行在轨压缩。而当前空间图像处理领域常用的压缩算法对此不具有针对性,难以做到在无数据损失的前提下有较高的压缩比。本文探究专用于太阳磁场图像的无损压缩算法,通过对图像的冗余分析,在预处理方法和熵编码方法两个方面对算法做出研究,然后基于FPGA进行设计以提高压缩效率。主要工作及成果包括:（1）基于MAlTLAB对（5,3）整数小波变换算法进行研究,该方法降低了太阳磁场图像信息熵,提高了极限压缩比,将其作为本文算法主要的预处理方法。（2）根据太阳磁场图像的像素特征,对RICE无损压缩算法适当改进,将其中的自适应熵编码部分作为本文算法的熵编码方法。（3）结合（5,3）整数小波变换算法与改进的RICE算法,基于MATLAB进行整体无损压缩算法的研究。针对单幅太阳磁场图像,提出了两种算法,并对算法进一步优化,使压缩比最高可达到4.465,优于现有的算法。针对多幅太阳磁场图像,提出了一种专用算法,使压缩比最高可达到5.668,满足工程要求。（4）基于FPGA对优化的太阳磁场图像无损压缩算法进行设计,将已有的RICE算法部分做改进,主要设计了（5,3）整数小波变换预处理和数据分块部分,然后对设计进行仿真及分析,并上板调试验证结果正确。经仿真与验证,本设计可以满足太阳磁场图像的无损压缩需求,压缩比与压缩时间符合实际要求。
王玲[7]（2019）在《基于SOPC的医学图像压缩方法研究》文中研究说明在医学成像设备飞速发展的同时,医学图像的分辨率不断提高,数据量成倍增长,为了缓解海量图像数据所占用存储空间和网络带宽的需求,研究一种高效的医学图像编码压缩方法非常必要。根据目前医学图像压缩算法的研究情况,基于DCT以及EZW的编码压缩方法性能较低,而借助CPU、DSP、ASIC等平台实现图像压缩算法存在处理速度慢、功耗高、开发周期长等问题。FPGA虽然具有高速运算、低功耗、开发周期快等特性,但在复杂图像处理算法的实现上仍然较为困难。鉴于上述问题,文本在JPEG2000图像压缩标准的基础上,研究了一种基于5/3整数提升小波变换的SPIHT分块编码压缩方法,并利用SOPC技术软硬件协同处理优势,设计实现了图像编码压缩算法的FPGA硬件架构。主要做了如下研究工作:（1）详细分析了医学图像的压缩原理、专有DICOM数据格式及压缩方法,研究了基于5/3整数提升小波变换的SPIHT分块编码方法。并采用Matlab对算法进行验证,在符合医学图像压缩质量要求的同时,和图像整体编码方法相比有较高的压缩比。（2）综合比较了各大平台对于实现图像编码压缩的特点,结合医学图像的难点和要点,对SOPC技术深入研究,提出了图像编码压缩的整体方案。本文在基于硬件设计二维图像的5/3整数提升小波变换和SPIHT编码压缩时主要利用了FPGA并行流水线的设计思想,提高了图像压缩的整体效率。（3）在实现5/3整数提升小波变换时通过将算法中的乘法运算用移位替代,并在图像行变换时通过片上资源缓存部分图像数据即可实现行列变换的并行流水输出。在实现SPIHT压缩前先对变换后的系数矩阵分块,然后将待编码子块中各元素的坐标信息及其对应的小波系数值一并存储在有序表里,可以减少编码的搜索时间,并对分块后的高频、低频子块进行不同深度的编码精炼,提高了算法的高效性。（4）采用XILINX公司的Cortex A9双核,在xc7z020clg484-1芯片上搭建了处理器与可编程逻辑端的数据通信测试,对ARM软件端的驱动程序做了相关配置,同时对FPGA逻辑端进行了硬件设计与实现。此方案有效利用IP核的稳定性、高效性以及FPGA可以反复擦除、编程的灵活性,避免了传统嵌入式系统不便管理、不易扩展的缺点。最后对实验结果进行比较分析,改进的医学图像压缩方法在基于SOPC的平台上能够取得33.77dB的峰值信噪比和17.65:1的图像压缩比,符合医学图像编码压缩的质量标准和性能要求。
戴慧东[8]（2019）在《基于小波稀疏测量的自适应压缩成像关键技术研究》文中认为压缩成像是利用自然图像的稀疏性同时进行采样和压缩,为解决庞大的数据采样需求和有限的探测器资源之间矛盾提供了新的思路。然而,现有基于压缩感知的压缩成像方法存在成像质量不可控、重建算法计算复杂度过高的问题,限制了系统的成像速度和应用范围。为此,本文以构建快速高分辨率多维压缩成像系统为目的,围绕目标场景反射率信息、时间信息以及深度信息的快速获取,开展基于小波稀疏测量的自适应压缩成像方法在图像、视频和三维成像领域的关键技术研究,以实现自适应的成像质量控制、高效率的测量以及低计算复杂度的图像重建。本文的主要内容包括:针对目标场景反射率信息的快速获取,提出了基于Haar小波稀疏测量的自适应压缩成像方法。首先,通过研究Haar小波兄弟系数间的相关性,提出扩展小波树模型,以描述代表目标场景稀疏信息的显着小波系数的分布规律;然后,根据扩展小波树按照分辨率由低到高的顺序预测显着小波系数位置,并使用DMD加载相应小波基测量模式直接进行测量;最后,通过低计算复杂度的小波逆变换重构目标场景,从而克服基于CS的压缩成像方法的缺点,实现质量可控、高分辨率图像实时重构。与现有基于小波树的自适应压缩成像方法相比,该方法根据扩展小波树进行预测,具有更好的预测准确性;并且,通过剔除基于小波基测量模式的显着系数测量过程中的冗余信息,减少了重构所需测量次数。仿真和实验结果表明,该方法仅用现有基于小波树的自适应压缩成像方法60%-70%的测量次数,即可获得相同峰值信噪比的成像结果。此外,针对彩色成像应用,提出了基于YUV彩色空间小波稀疏测量的自适应彩色压缩成像方法。该方法利用YUV彩色空间中亮度分量与色度分量的依存关系,以及人眼视觉特性,减少了重建所需的测量次数,提高了成像清晰度和色彩准确度。针对目标场景时间信息的快速获取,提出了基于小波稀疏测量的自适应视频压缩成像方法。该方法通过建立多分辨率的视频压缩成像框架,交替进行小波稀疏测量和运动估计,同时去除目标场景的空域冗余与时域冗余,从而实现快速高分辨率视频压缩成像。仿真和实验结果表明,相比传统数字视频成像方法,该方法能够减少85%-95%的采样数据;相比基于2DDWT、3DDWT和2DTV的三种视频压缩感知成像方法,在相同采样率下,该方法的峰值信噪比提高了约20%。针对目标场景深度信息的快速获取,将单光子探测与三维压缩成像相结合,在扩展压缩成像系统维度的同时,提高了其探测灵敏度。首先,构建单光子三维压缩成像系统,建立单光子压缩测量模型,为单光子三维压缩成像提供实验平台和理论基础。然后,通过比较三维场景深度信息与反射信息的稀疏性,得出深度信息比反射率信息在小波域更加稀疏的结论,并据此提出了基于深度小波树的自适应单光子三维压缩成像方法,以实现快速高分辨率单光子三维压缩成像。最后,提出基于深度压缩和自适应哈达玛基扫描的单光子三维压缩成像方法,通过建立深度压缩模型,将三维信息压缩到二维图像中,进一步降低了重建过程的计算复杂度,减少了成像时间;使用自适应哈达玛基扫描进行测量,提高了光子收集效率,进而提高了低照度条件下的系统成像质量。
张淼[9]（2018）在《基于混沌的图像加密压缩算法的研究》文中指出数字图像因其能够较为形象地传递信息而被广泛应用于人们的生活中,并成为现代通信领域重要的信息载体。然而,图像的数据量庞大且存在冗余,同时存储和传输过程中容易泄露信息。为了提高图像数据的存储、传输效率及安全性,对图像进行压缩和加密非常必要。将图像的加密和图像的压缩结合在一起同步完成可以带来设计上的灵活和计算上的简化。同时,加密和压缩混合完成,可以更好的保证安全性。然而,由于图像加密是对图像进行扩散和混淆,会破坏像素之间的相关性,而图像的压缩需要利用图像的相关性以去除冗余。因此,二者之间存在明显的矛盾。如何将二者的矛盾降低到最低限度,既能保证良好的压缩性能,又能保证良好的加密效果,将二者很好的结合起来是一个十分有意义的课题。混沌作为一种自由度很高的非线性动态系统,其良好的密码学特性使得基于混沌的密码系统具有良好的随机性。同时,混沌运动所存在的确定性,令其在密码领域容易实现,计算代价较低,非常适合大数据量的图像的加密处理。本文基于混沌理论,在图像压缩加密联合研究上做了以下几方面工作:（1）超混沌系统及伪随机序列产生算法。混沌系统的理论研究是保证混沌加密算法安全性的前提,同时计算机精度的限制使得低维混沌系统容易出现性能退化问题,影响了加密的安全性。本文针对这一需求,首先研究了超混沌系统的理论,通过增加线性和非线性状态反馈控制器构造五维超混沌系统并分析了其动力学特性。生成混沌系统,即混沌反控制或混沌化,用于密码学领域是一个十分重要的课题。超混沌系统动力学行为更加复杂,比低维混沌有明显的优势,生成的混沌序列依赖更多的参数和初值,其动态行为难以预测。构造的五维超混沌系统的最大Lyapunov指数大于很多经典的超混沌系统,具有更显着的混沌行为,更加适合应用到图像加密中。其次,在保证超混沌序列的非线性、随机性等特性的基础上,通过线性反馈移位寄存器（LFSR）的长周期特性来扰动超混沌序列构造了性能良好的伪随机序列发生器,有效地解决了离散化后的混沌序列的周期退化。最后,将设计的超混沌密码应用于多种压缩图像格式的图像加密中,算法采用双向扩散和基于超混沌动态分块的三维面包师置乱保证了安全性和效率。（2）图像有损压缩加密联合算法。在有损压缩加密联合算法方面,首先研究了基于离散余弦变换（discrete cosine transform,DCT）的图像压缩加密联合算法。DCT变换运行速度快,在图像处理领域得到了广泛应用。基于DCT的特点和超混沌系统,设计了能同时处理两幅图像的有损图像压缩与加密联合方法。方法将量化后的系数分组分别加密,从而实现了完全加密又降低了对压缩性能的影响,有效地解决了基于DCT的压缩加密联合算法不能很好地兼顾安全性和压缩性能的问题。其次,研究了基于曲波变换的图像压缩加密联合算法。曲波变换作为一种多尺度变换,和小波变换相比,具有良好的方位特性,更适合表现图像的曲线细节特征。然而,目前基于曲波变换的压缩处理都没有考虑安全性或者是压缩与加密分开处理。基于曲波变换的特点设计了量化矩阵,根据量化矩阵对曲波系数不同尺度和不同方向的曲波系数进行阈值处理,游程编码,基于超混沌系统的加密和Huffman编码,实现了加密和压缩的联合处理,有效地实现了完全加密的安全的曲波变换压缩方法。（3）基于内插双正交整数小波变换（interpolating the biorthogonal integer wavelet transform,IB-IWT）和多级树集合分裂算法（set partitioning in hierarchical trees,SPIHT）的无损图像压缩加密联合算法。在无损压缩加密联合算法方面,针对目前没有很好的适合于图像的无损压缩加密联合算法的问题,研究了基于IB-IWT和SPIHT的图像无损压缩加密算法。与其他的基于提升方法的整数小波变换相比,IB-IWT仅有两个提升步骤,减少了浮点运算的次数,非常适合实时无损图像压缩。算法在小波系数、SPIHT编码和码流上实现了基于超混沌系统的加密处理。提出的将加密融合进SPIHT排序扫描过程中的安全SPIHT编码（Secure SPIHT,SSPIHT）在增加安全性的同时没有对压缩性能造成影响。在加密算法上,将非线性操作即基于有限域Z65537上逆操作引入扩散过程以抵抗攻击。方法有效地实现了面向图像的无损压缩加密联合处理。（4）基于预测模式的CALIC图像无损压缩加密联合算法。在无损压缩加密联合算法方面,针对图像像素之间相关度比较高的情况,研究了基于CALIC图像压缩加密联合算法。CALIC具有易于实现和良好的无损压缩性能,却没有考虑安全性。首先研究了CALIC的编码原理,论述并评价了系统编码过程的可加密部分:GAP像素预测值、最终残差、预测模式需要的两行明文像素和熵编码码流。之后根据四个部分编码的不同特点,基于超混沌系统设计了相适应的加密方法。设计的方法有效地实现了图像的安全CALIC编码,在压缩比损失较小的情况下增加了安全性。
张红志[10]（2018）在《雷达图像压缩算法研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）广泛用于导弹的制导,弹载SAR在导弹的平飞、大前斜、下压和末段各阶段的成像数据量都相当巨大,为了减少信息量,在SAR数据的不同应用场景可以通过对其图像降低到相应的分辨率之后再进行传输和存储的方法来应对数据量大的问题。即使如此,在导引头将SAR数据传输给飞控计算机或者地面控制中心时,仍需占用大量信道资源。因此进行SAR图像压缩算法研究可谓意义重大。本文对适用于弹载雷达图像的压缩算法做了深入研究,包括雷达图像帧内压缩算法和帧间压缩算法。针对图像压缩的每一个阶段进行了理论研究和实验对比,研究出一套局部最优算法组合,在此基础上,完成了对雷达图像帧内、帧间压缩算法完整程序的编写,并进行了相应的实验,对本文雷达图像压缩算法的研究成果进行了验证。本文的主要研究内容有:（1）通过对SAR成像原理及特征分析,得出SAR图像存在帧内冗余和帧间冗余;通过比较SAR图像与自然图像的物理意义与灰度直方图,得出SAR图像与自然图像特点不尽相同。为了对SAR图像进行有效压缩,本文根据其自身特点,通过对基于离散余弦变换（Discrete Cosine Transform,DCT）的压缩算法和基于小波变换的压缩算法的两种压缩算法优点和局限性的研究和对比,最终选取基于小波变换的算法进行雷达图像的帧内压缩算法研究。在差值编码（Differential Pulse Code Modulation,DPCM）、条件补充法、条件次取样法和运动补偿法四种压缩算法中,选取了性能最为强大的运动补偿算法进行雷达图像的帧间压缩算法研究。本文详细介绍了图像压缩编码评价标准。针对图像压缩编码参数的评价,本文选取压缩比作为本文评价指标;针对图像保真度标准的评价,本文选取客观评价中的峰值信噪比（Peak Signal to Noise Ratio,PSNR）作为本文的评价标准;针对图像压缩编码算法时间复杂度的评价,本文选取算法实验中的编解码总时间作为本文的评价标准。图像压缩编码评价指标的选取,为本文研究对象压缩算法的研究及选取提供了理论依据。（2）详细介绍了基于小波变换的雷达图像帧内压缩算法的实现步骤,之后分别详细介绍了压缩模型中三个阶段:小波变换、量化、熵编码。通过对三个阶段常用方法的研究和对比,针对小波变换阶段,采用提升小波变换实现,并采用Db9/7小波基;针对量化阶段,采用性能更优的多级树集合分裂（Set Partitioning in Hierarchical Trees,SPIHT）算法;针对熵编码算法,采用性能最优的算数编码算法。最终研究出一套适合本文研究对象的帧内图像压缩算法组合。（3）详细介绍了基于运动补偿的帧间预测压缩算法的实现步骤,并对每一步用到的算法进行了介绍和研究选取。其中运动估计的研究,本文根据研究对象压缩算法的实验环境以及实现途径,最终确定基于块匹配的运动估计算法,其中寻找最佳匹配块采用绝对误差和准则、三步搜索算法和半像素估计精度;运动向量预测采用运动向量时域预测。最终完成基于运动补偿的帧间预测压缩算法方案研究。（4）本文在Windows7操作系统的PC机上,通过MATLAB平台进行实验。基于小波变换的雷达图像帧内压缩算法对256*256、512*512、1024*1024的三张雷达图压缩,可在保证峰值信噪比分别为28.8388dB、28.3077dB、28.6403dB的情况下,压缩比分别为25.0616、18.0789、13.6517,算法整体耗时分别为1.8096s、5.6004s、20.9665s。本文基于小波变换且量化算法为SPIHT的算法与量化算法为EZW的算法相比,在峰值信噪比损失均值为2.34%的情况下,压缩比均值提高了45.10%,时间消耗减少了 41.63%。本文的创新之处是把基于小波变换且量化算法为SPIHT的帧内压缩算法同基于运动补偿的帧间预测算法相结合,既能发挥基于小波变换和SPIHT量化算法对雷达图像帧内压缩的优越性,又能发挥类似H.26x系列压缩标准的基于运动补偿的帧间预测算法对连续帧图像帧间压缩的优势。实验1采用该算法对本文五帧256*256的连续雷达图像压缩,可保证在峰值信噪比均值为32.7896dB的情况下,压缩比达到16.4695,算法整体耗时为11.4817s,同本文基于小波变换的帧内压缩算法相比,在PSNR下降0.6736dB的情况下,压缩比提高了 6.4233,算法耗时减少了 3.8907s;同H.265算法相比,在耗时增加了 1.135s的情况下,PSNR提高了 0.3111dB,压缩比提高了 0.4655。通过对实验1和实验2的实验结果和实验雷达图对比分析可知,雷达图背景像素值分布情况和目标物体的不同,会导致图像像素间相关性不同,相关性越差,压缩效果就会越差。本文帧内、帧间压缩算法对本文图像的压缩结果,满足项目中对雷达图像在保证峰值信噪比不低于28dB,压缩比大于10的相关压缩要求。
二、基于小波变换的序列图像压缩编码算法（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、基于小波变换的序列图像压缩编码算法（论文提纲范文）
（1）高速运动物体图像识别与压缩方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像识别研究现状 |
| 1.2.2 图像压缩研究现状 |
| 1.2.3 高速运动物体研究现状 |
| 1.3 课题主要内容和结构 |
| 2 高速运动物体图像识别方法 |
| 2.1 高速运动物体图像特征分析 |
| 2.2 图像识别过程 |
| 2.3 基于卷积神经网络的图像识别 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 卷积神经网络参数训练 |
| 2.3.3 卷积神经网络图像识别流程 |
| 2.4 卷积神经网络改进方法 |
| 2.4.1 网络结构改进 |
| 2.4.2 标准化和正则化 |
| 2.4.3 多层特征融合 |
| 2.5 本章小结 |
| 3 基于卷积神经网络的高速移动激光点图像识别 |
| 3.1 3D打印激光束特点分析 |
| 3.2 激光点图像数据采集系统设计 |
| 3.2.1 红外图像采集装置 |
| 3.2.2 红外摄像头采集模块 |
| 3.2.3 串口数据传输模块 |
| 3.2.4 激光温度数据采集过程 |
| 3.3 激光点红外图像识别过程 |
| 3.3.1 激光图像识别流程 |
| 3.3.2 图像数据预处理 |
| 3.3.3 数据集制作及参数设置 |
| 3.3.4 CNN及改进CNN模型 |
| 3.3.5 模型训练及结果分析 |
| 3.4 激光中心点温度预测 |
| 3.4.1 测试集处理 |
| 3.4.2 预测结果及实验分析 |
| 3.5 本章小结 |
| 4 高速运动物体视频图像压缩方法 |
| 4.1 数据的冗余与压缩 |
| 4.1.1 数据的冗余类型 |
| 4.1.2 数据压缩分类 |
| 4.1.3 压缩评价指标 |
| 4.2 静态图像压缩 |
| 4.2.1 图像压缩系统构成 |
| 4.2.2 基于小波变换的图像数据压缩 |
| 4.2.3 基于BP神经网络的图像数据压缩 |
| 4.3 序列图像中的运动信息处理 |
| 4.3.1 运动序列图像特点 |
| 4.3.2 高速运动物体视频分割 |
| 4.3.3 基于运动估计的帧间预测编码 |
| 4.4 高速运动视频图像压缩系统 |
| 4.4.1 视频图像压缩整体流程 |
| 4.4.2 压缩重构示例 |
| 4.5 本章小结 |
| 5 基于帧内和帧间编码的高速无人机视频图像压缩 |
| 5.1 高速无人机视频传输系统 |
| 5.2 基于小波神经网络的无人机静态图像压缩 |
| 5.2.1 视频图像关键帧提取 |
| 5.2.2 小波神经网络图像压缩 |
| 5.2.3 图像重构及结果分析 |
| 5.3 基于帧间预测编码的无人机视频序列压缩 |
| 5.3.1 基于三帧差分的无人机目标分割 |
| 5.3.2 基于块匹配的无人机运动估计 |
| 5.4 无人机视频重构及结果分析 |
| 5.4.1 视频重构 |
| 5.4.2 视频压缩前后结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（2）基于小波分析的医学图像压缩方法的研究（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 |
| 1.3 本文主要研究内容 |
| 1.4 论文结论安排 |
| 第2章 小波变换及其在医学图像压缩中的应用 |
| 2.1 医学图像压缩原理以及压缩方法 |
| 2.2 图像压缩编码的国际标准 |
| 2.3 医学图像质量评价准则 |
| 2.4 小波分析理论 |
| 2.4.1 连续小波变换与离散小波变换 |
| 2.4.2 多分辨率分析及Mallat算法 |
| 2.5 小波变换在医学图像压缩中的应用 |
| 2.5.1 小波分解层数 |
| 2.5.2 边界延拓 |
| 2.5.3 小波系数的特点 |
| 2.6 本章小结 |
| 第3章 基于改进嵌入式零树编码的医学图像压缩算法 |
| 3.1 EZW算法原理 |
| 3.1.1 零树表示 |
| 3.1.2 系数类型 |
| 3.1.3 EZW基本思想 |
| 3.2 EZW算法实现 |
| 3.3 EZW算法的改进 |
| 3.3.1 EZW算法的分析 |
| 3.3.2 小波提升算法 |
| 3.3.3 改进算法编码 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 第4章 基于改进多级树集合分裂的医学图像压缩算法 |
| 4.1 SPIHT算法原理 |
| 4.1.1 符号和概念的说明 |
| 4.1.2 空间方向树 |
| 4.1.3 编码中的链表 |
| 4.1.4 集合分裂过程 |
| 4.1.5 量化过程 |
| 4.2 SPIHT算法编码实现 |
| 4.3 SPIHT算法的改进 |
| 4.3.1 SPIHT算法不足 |
| 4.3.2 SPIHT算法改进与实现 |
| 4.4 实验与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（3）基于深度学习的三维高分辨率脑图像压缩（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 研究内容 |
| 1.3 国内外研究现状 |
| 1.3.1 三维医学图像压缩 |
| 1.3.2 图像压缩后处理 |
| 1.3.3 基于深度学习的图像压缩 |
| 1.4 论文工作和安排 |
| 第2章 图像压缩及神经网络简介 |
| 2.1 数字图像概念及压缩原理 |
| 2.1.1 数字图像格式 |
| 2.1.2 图像压缩原理 |
| 2.2 图像压缩标准方法 |
| 2.2.1 JPEG压缩标准 |
| 2.2.2 JPEG2000压缩标准 |
| 2.2.3 三维图像压缩标准JP3D |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 非线性激活函数 |
| 2.3.3 损失函数 |
| 2.4 循环神经网络 |
| 2.4.1 长短时记忆网络 |
| 2.4.2 卷积长短时记忆网络 |
| 2.5 图像质量评价标准 |
| 2.6 本章小结 |
| 第3章 基于深度学习的JP3D压缩方法的改进 |
| 3.1 三维图像压缩后处理网络 |
| 3.1.1 脑图像数据 |
| 3.1.2 三维卷积神经网络 |
| 3.1.3 网络结构设计 |
| 3.1.4 实验结果及分析 |
| 3.2 基于深度学习的三维熵编码模型 |
| 3.2.1 基于三维PixelCNN的子带内熵编码 |
| 3.2.2 引入RNN的子带间熵编码 |
| 3.2.3 实验结果及分析 |
| 3.3 本章小结 |
| 第4章 基于深度学习的三维端到端脑图像压缩 |
| 4.1 三维端到端图像压缩框架 |
| 4.2 三维非局部注意力机制 |
| 4.2.1 三维非局部模块 |
| 4.2.2 三维非局部注意力模型结构 |
| 4.3 熵编码模型 |
| 4.3.1 超先验熵编码模型 |
| 4.3.2 基于3D ConvLSTM的上下文熵编码模型 |
| 4.3.3 熵参数网络 |
| 4.4 实验结果及分析 |
| 4.4.1 网络训练 |
| 4.4.2 测试数据 |
| 4.4.3 三维端到端图像压缩性能 |
| 4.4.4 消融实验结果及分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 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 |
（4）基于小波与分形相结合的图像压缩编码算法（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 图像压缩的背景知识 |
| 1.2.1 图像压缩编码原理 |
| 1.2.2 图像压缩编码的性能评价 |
| 1.3 分形图像压缩发展历程 |
| 1.4 分形图像压缩研究现状 |
| 1.5 本文结构安排 |
| 第二章 相关背景知识介绍 |
| 2.1 分形编码的理论基础 |
| 2.1.1 仿射变换 |
| 2.1.2 压缩映射和不动点定理 |
| 2.1.3 拼贴定理 |
| 2.1.4 迭代函数系统和局部迭代函数系统 |
| 2.2 分形图像编码的算法描述与实现 |
| 2.3 本章小结 |
| 第三章 基于图像块框点和的快速分形图像编码 |
| 3.1 基本分形编码算法 |
| 3.2 算法理论依据 |
| 3.3 算法分析与实现 |
| 3.3.1 算法分析 |
| 3.3.2 算法实现 |
| 3.4 实验仿真结果 |
| 3.5 本章小结 |
| 第四章 基于小波与分形相结合的图像压缩编码 |
| 4.1 小波变换 |
| 4.2 图像块框点和特征的理论基础 |
| 4.3 算法分析与实现 |
| 4.3.1 算法分析 |
| 4.3.2 算法实现 |
| 4.4 实验仿真结果 |
| 4.5 本章小结 |
| 第五章 基于图像块差的分形与小波结合的图像压缩编码 |
| 5.1 小波变换 |
| 5.2 理论基础 |
| 5.3 算法实现 |
| 5.3.1 算法步骤 |
| 5.3.2 实验仿真结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 程序清单 |
| 附录2 攻读硕士学位期间撰写的论文 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（5）基于小波变换的图像压缩算法在远程医学中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 小波变换图像压缩算法的研究现状 |
| 1.3 感兴趣区域编码思想 |
| 1.4 论文的主要内容 |
| 第二章 医学图像的数据压缩 |
| 2.1 医学图像数据压缩的概念 |
| 2.2 医学图像数据压缩的可行性与必要性 |
| 2.3 医学图像压缩的基本步骤 |
| 2.4 医学图像压缩编码方法分类 |
| 2.5 医学图像压缩方法的评价准则 |
| 2.6 本章小结 |
| 第三章 小波变换医学图像压缩 |
| 3.1 小波变换的基本原理 |
| 3.2 小波变换 |
| 3.2.1 小波定义 |
| 3.2.2 小波变换 |
| 3.2.3 连续小波变换 |
| 3.2.4 离散小波变换 |
| 3.3 小波变换图像压缩编码 |
| 3.3.1 基于小波变换的图像压缩过程 |
| 3.3.2 一维信号的分解 |
| 3.3.3 一维信号的重构 |
| 3.3.4 二维信号的分解与重构 |
| 3.4 小波基的选择 |
| 3.5 小波变换的优越性 |
| 3.6 本章小结 |
| 第四章 嵌入式小波编码算法 |
| 4.1 EZW编码算法 |
| 4.1.1 算法原理 |
| 4.1.2 零树预测 |
| 4.1.3 有效值映射 |
| 4.1.4 逐次逼近的嵌入式编码 |
| 4.1.5 EZW的具体步骤 |
| 4.1.6 EZW算法分析 |
| 4.2 SPIHT算法 |
| 4.2.1 SPIHT编码算法原理 |
| 4.2.2 SPIHT编码算法描述 |
| 4.2.3 SPIHT算法的不足 |
| 4.3 改进SPIHT算法 |
| 4.3.1 改进初始化算法 |
| 4.3.2 改进重要性判断 |
| 4.3.3 改进系数符号编码 |
| 4.3.4 综合改进算法 |
| 4.3.5 仿真结果分析 |
| 4.4 本章小结 |
| 第五章 基于ROI医学图像压缩算法 |
| 5.1 ROI医学图像压缩方法概述 |
| 5.1.1 ROI医学图像压缩现状 |
| 5.1.2 ROI医学图像压缩原理介绍 |
| 5.2 形状自适应ROI医学图像无损压缩方法 |
| 5.2.1 ROI形状信息的提取 |
| 5.2.2 形状自适应整数小波变换 |
| 5.2.3 形状自适应整数小波变换系数的编码 |
| 5.2.4 ROI形状信息的表示 |
| 5.2.5 仿真结果分析 |
| 5.3 本章小结 |
| 第六章 图像压缩算法在实际远程医学平台的验证 |
| 6.1 远程医学平台中的医学影像上传 |
| 6.2 仿真结果与实际医学平台传输速率分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文主要研究内容 |
| 7.2 下一步工作 |
| 参考文献 |
| 申硕期间的主要成果 |
| 附录 |
| 致谢 |
（6）太阳磁场图像无损压缩算法优化研究及FPGA设计（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像压缩技术发展 |
| 1.2.2 图像压缩国际标准 |
| 1.2.3 空间图像压缩研究现状 |
| 1.2.4 FPGA发展现状 |
| 1.3 论文内容与结构 |
| 1.3.1 论文内容 |
| 1.3.2 论文结构 |
| 2 图像压缩技术研究及太阳磁场图像分析 |
| 2.1 图像压缩技术 |
| 2.1.1 图像压缩基本原理 |
| 2.1.2 图像压缩评价方法 |
| 2.1.3 图像压缩编码方法及分类 |
| 2.2 太阳磁场图像分析 |
| 2.2.1 MATLAB简介 |
| 2.2.2 图像特征分析 |
| 2.2.3 图像冗余分析 |
| 2.3 小结 |
| 3 基于整数小波变换的太阳磁场图像预处理方法研究 |
| 3.1 整数提升小波变换方法 |
| 3.1.1 小波变换基础 |
| 3.1.2 整数提升小波变换 |
| 3.1.3 整数提升小波逆变换 |
| 3.2 太阳磁场图像的(5,3)整数小波变换预处理设计 |
| 3.2.1 二维图像的小波变换 |
| 3.2.2 (5,3)整数小波变换方法 |
| 3.2.3 太阳磁场图像的小波变换测试 |
| 3.3 小波变换预处理结果分析 |
| 3.3.1 无损验证 |
| 3.3.2 信息熵分析 |
| 3.4 小结 |
| 4 基于RICE编码的太阳磁场图像无损压缩算法设计与优化 |
| 4.1 RICE无损压缩算法研究 |
| 4.1.1 RICE算法简介 |
| 4.1.2 RICE编码方法 |
| 4.1.3 RICE算法改进及编程测试 |
| 4.2 太阳磁场图像无损压缩算法设计 |
| 4.2.1 算法设计 |
| 4.2.2 算法测试与结果分析 |
| 4.3 太阳磁场图像无损压缩算法优化研究 |
| 4.3.1 优化算法设计 |
| 4.3.2 优化算法测试与结果分析 |
| 4.4 多幅太阳磁场图像无损压缩方法研究 |
| 4.5 无损压缩算法综合对比分析 |
| 4.6 小结 |
| 5 太阳磁场图像优化无损压缩算法的FPGA设计 |
| 5.1 FPGA开发环境 |
| 5.1.1 Verilog硬件描述语言 |
| 5.1.2 FPGA硬件开发平台 |
| 5.1.3 FPGA软件开发平台 |
| 5.2 二维(5,3)整数小波变换的FPGA设计与仿真 |
| 5.2.1 结构设计 |
| 5.2.2 (5,3)整数小波变换模块设计与仿真 |
| 5.2.3 地址产生模块设计与仿真 |
| 5.2.4 数据暂存模块 |
| 5.2.5 控制模块设计与仿真 |
| 5.3 优化压缩算法的FPGA设计与仿真 |
| 5.3.1 整体结构设计 |
| 5.3.2 数据分块部分设计与仿真 |
| 5.4 小波变换预处理及数据分块部分的FPGA验证 |
| 5.4.1 仿真验证 |
| 5.4.2 资源、功耗及时间分析 |
| 5.4.3 板级调试 |
| 5.5 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于SOPC的医学图像压缩方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 医学图像压缩技术的研究现状 |
| 1.3 本文主要内容及章节安排 |
| 2 SOPC技术概述及FPGA设计思想 |
| 2.1 SOPC技术概述 |
| 2.2 基于ZYNQ的 SOPC系统架构 |
| 2.2.1 处理器系统 |
| 2.2.2 处理器系统外部接口 |
| 2.2.3 可编程逻辑部分 |
| 2.3 基于FPGA的设计思想 |
| 2.4 本章小结 |
| 3 医学图像压缩原理方法及相关评价 |
| 3.1 医学图像压缩原理 |
| 3.2 医学图像压缩方法介绍 |
| 3.2.1 提升小波变换 |
| 3.2.2 SPIHT算法分析 |
| 3.3 医学图像压缩的相关评价 |
| 3.3.1 质量评价 |
| 3.3.2 压缩性能评估 |
| 3.4 本章小结 |
| 4 改进的图像压缩方法研究与仿真验证 |
| 4.1 医学图像压缩方法的选择 |
| 4.2 医学图像中小波基的选择 |
| 4.3 5/3 整数提升小波变换 |
| 4.4 SPIHT分块算法 |
| 4.5 仿真结果与分析 |
| 4.5.1 5/3 整数提升小波变换的仿真与分析 |
| 4.5.2 SPIHT分块算法的仿真与分析 |
| 4.6 本章小结 |
| 5 基于SOPC的医学图像压缩方法设计与实现 |
| 5.1 基于SOPC图像压缩系统的整体实现方案 |
| 5.2 基于FPGA的医学图像压缩算法实现 |
| 5.2.1 5/3 整数提升小波变换的FPGA实现 |
| 5.2.2 SPIHT编码压缩的FPGA实现 |
| 5.3 基于SOPC的系统搭建与测试 |
| 5.3.1 基于Vivado Design Suite的硬件工程搭建 |
| 5.3.2 基于SDK的软件工程建立 |
| 5.4 实验结果分析及性能评估 |
| 5.5 实验环境 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（8）基于小波稀疏测量的自适应压缩成像关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 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 压缩成像理论研究现状 |
| 1.2.2 图像压缩成像研究现状 |
| 1.2.3 视频压缩成像研究现状 |
| 1.2.4 三维压缩成像研究现状 |
| 1.3 论文的主要研究内容与结构安排 |
| 2 小波稀疏测量理论 |
| 2.1 小波基础理论 |
| 2.1.1 小波与小波变换 |
| 2.1.2 多分辨率分析 |
| 2.1.3 二维离散小波变换 |
| 2.2 图像的稀疏表示和图像压缩 |
| 2.2.1 图像的稀疏表示 |
| 2.2.2 图像压缩 |
| 2.2.3 小波变换用于图像压缩的优势 |
| 2.3 小波稀疏测量 |
| 2.3.1 基于小波树模型的显着系数位置预测 |
| 2.3.2 基于小波基测量模式的显着系数测量 |
| 2.3.3 小波域自适应测量与重构 |
| 2.4 压缩感知 |
| 2.4.1 非自适应压缩测量 |
| 2.4.2 稀疏约束下的重构 |
| 2.5 本章小结 |
| 3 基于小波稀疏测量的自适应压缩成像 |
| 3.1 单像素成像系统 |
| 3.1.1 系统组成 |
| 3.1.2 测量模型 |
| 3.2 基于Haar小波稀疏测量的自适应压缩成像 |
| 3.2.1 扩展小波树模型 |
| 3.2.2 基于Haar小波基测量模式的显着系数测量 |
| 3.2.3 基于扩展小波树的显着系数位置预测 |
| 3.2.4 算法流程 |
| 3.2.5 仿真结果与分析 |
| 3.2.6 实验结果与分析 |
| 3.3 基于YUV彩色空间小波稀疏测量的自适应彩色压缩成像 |
| 3.3.1 彩色压缩成像技术研究现状 |
| 3.3.2 彩色图像的稀疏表示 |
| 3.3.3 彩色图像显着系数位置预测及测量 |
| 3.3.4 算法流程 |
| 3.3.5 仿真结果与分析 |
| 3.3.6 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于小波稀疏测量的自适应视频压缩成像 |
| 4.1 多分辨率视频压缩成像架构 |
| 4.2 基于小波域帧差的运动估计 |
| 4.3 多分辨率自适应视频压缩成像算法流程 |
| 4.4 仿真结果与分析 |
| 4.4.1 不同运动区域的对比仿真 |
| 4.4.2 无噪条件下的对比仿真 |
| 4.4.3 噪声条件下的对比仿真 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 5 基于小波稀疏测量的自适应单光子三维压缩成像 |
| 5.1 单光子三维压缩成像系统 |
| 5.1.1 系统搭建 |
| 5.1.2 噪声分析 |
| 5.1.3 单光子压缩测量模型 |
| 5.2 基于深度小波树的自适应单光子三维压缩成像 |
| 5.2.1 深度小波树模型 |
| 5.2.2 算法流程 |
| 5.2.3 实验结果与分析 |
| 5.3 基于深度压缩和哈达玛基扫描的自适应单光子三维压缩成像 |
| 5.3.1 深度压缩模型 |
| 5.3.2 自适应哈达玛基扫描 |
| 5.3.3 算法流程 |
| 5.3.4 实验结果与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究成果与创新点 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于混沌的图像加密压缩算法的研究（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 混沌理论研究 |
| 1.2.1 混沌定义与动力学特征 |
| 1.2.2 混沌运动的分析方法 |
| 1.2.3 混沌密码学 |
| 1.3 图像压缩编码技术研究 |
| 1.3.1 统计编码 |
| 1.3.2 面向变换域的图像编码 |
| 1.3.3 预测编码 |
| 1.4 课题国内外研究现状 |
| 1.4.1 基于混沌的图像加密技术研究现状 |
| 1.4.2 图像压缩技术研究现状 |
| 1.4.3 图像压缩加密联合技术研究现状及分析 |
| 1.4.4 国内外研究现状存在问题分析 |
| 1.5 评价方法与评价指标 |
| 1.5.1 安全性能评价 |
| 1.5.2 压缩性能评价 |
| 1.5.3 运行效率评价 |
| 1.6 本文的主要研究内容与章节安排 |
| 第2章 超混沌系统构造及伪随机序列产生算法 |
| 2.1 引言 |
| 2.2 超混沌系统构造及分析 |
| 2.2.1 超混沌系统构造 |
| 2.2.2 超混沌系统性能分析 |
| 2.3 基于超混沌的伪随机序列产生算法 |
| 2.3.1 基于超混沌的伪随机序列产生 |
| 2.3.2 基于超混沌的伪随机序列性能分析 |
| 2.4 超混沌密码在多种格式图像加密中的应用 |
| 2.4.1 整体方案设计 |
| 2.4.2 加密设计 |
| 2.4.3 身份校验设计 |
| 2.4.4 实验结果与安全性分析 |
| 2.5 本章小结 |
| 第3章 图像有损压缩加密联合算法研究 |
| 3.1 引言 |
| 3.2 基于DCT图像压缩加密联合算法研究 |
| 3.2.1 DCT原理 |
| 3.2.2 整体方案设计 |
| 3.2.3 加密设计 |
| 3.2.4 实验结果与安全性分析 |
| 3.3 基于曲波变换的图像压缩加密联合算法研究 |
| 3.3.1 整体方案设计 |
| 3.3.2 基于曲波变换的压缩设计 |
| 3.3.3 加密设计 |
| 3.3.4 实验结果与安全性分析 |
| 3.4 本章小结 |
| 第4章 基于IWT和 SPIHT的图像无损压缩加密联合算法研究 |
| 4.1 引言 |
| 4.2 IWT和 SPIHT原理 |
| 4.2.1 整数小波变换 |
| 4.2.2 SPIHT编码 |
| 4.3 方案总体框架 |
| 4.3.1 Zp上的逆操作 |
| 4.3.2 小波系数加密 |
| 4.3.3 安全SPIHT编码 |
| 4.3.4 SPIHT码流加密 |
| 4.4 实验结果与安全性分析 |
| 4.4.1 实验结果 |
| 4.4.2 压缩性能分析 |
| 4.4.3 安全性能分析 |
| 4.4.4 计算复杂度和效率分析 |
| 4.4.5 无损恢复测试 |
| 4.5 本章小结 |
| 第5章 基于CALIC的图像无损压缩加密联合算法研究 |
| 5.1 引言 |
| 5.2 CALIC算法原理 |
| 5.2.1 梯度自适应预测器 |
| 5.2.2 上下文选择和量化 |
| 5.2.3 预测误差的上下文建模 |
| 5.2.4 二进制模式 |
| 5.3 方案总体框架 |
| 5.4 加密设计 |
| 5.4.1 明文像素加密 |
| 5.4.2 熵编码码流加密 |
| 5.4.3 GAP预测值与最终残差加密 |
| 5.5 实验结果与安全性分析 |
| 5.5.1 实验结果 |
| 5.5.2 压缩性能评估 |
| 5.5.3 安全性能分析 |
| 5.5.4 算法容错性分析 |
| 5.5.5 计算复杂度和效率分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（10）雷达图像压缩算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 图像压缩标准研究现状 |
| 1.2.1 静态图像压缩标准研究现状 |
| 1.2.2 动态图像压缩标准研究现状 |
| 1.3 雷达图像压缩算法的研究现状 |
| 1.4 本论文主要研究内容 |
| 2 雷达图像特征分析与压缩编码评价 |
| 2.1 雷达图像特征分析 |
| 2.1.1 雷达图像压缩的可行性分析 |
| 2.1.2 雷达图像与自然光学图像的比较 |
| 2.2 雷达图像压缩方法选取及本文技术路线解析 |
| 2.2.1 SAR成像标准 |
| 2.2.2 雷达图像压缩方法初步选取 |
| 2.2.3 本文算法研究技术路线解析 |
| 2.3 雷达图像压缩编码评价指标 |
| 2.3.1 基于图像压缩编码参数的评价 |
| 2.3.2 基于图像保真度标准的评价 |
| 2.3.3 基于图像压缩编码算法时间复杂度的评价 |
| 2.3.4 雷达图像压缩编码评价指标的选取 |
| 2.4 本章小结 |
| 3 基于小波变换的雷达图像帧内压缩算法研究 |
| 3.1 基于小波变换的雷达图像帧内压缩模型 |
| 3.2 小波变换算法研究 |
| 3.2.1 小波变换 |
| 3.2.2 多分辨率分析 |
| 3.2.3 Mallat算法实现小波变换 |
| 3.2.4 提升小波算法实现小波变换 |
| 3.2.5 小波变换实现算法研究及选取 |
| 3.2.6 小波基研究及选取 |
| 3.3 量化算法研究 |
| 3.3.1 量化算法研究及对比 |
| 3.3.2 量化算法实验对比及选取 |
| 3.4 熵编码算法研究 |
| 3.4.1 游程编码 |
| 3.4.2 哈夫曼编码 |
| 3.4.3 算数编码 |
| 3.4.4 熵编码算法研究及选取 |
| 3.5 本章小结 |
| 4 基于运动补偿的帧间预测雷达图像帧间压缩算法研究 |
| 4.1 雷达图像帧间压缩 |
| 4.1.1 雷达图像帧间压缩模型 |
| 4.1.2 运动估计算法研究及选取 |
| 4.2 基于块匹配的运动估计算法研究 |
| 4.2.1 基于块匹配的运动估计算法简介 |
| 4.2.2 寻找最佳匹配块 |
| 4.2.3 运动向量预测 |
| 4.3 本章小结 |
| 5 雷达图像压缩算法实验 |
| 5.1 帧内压缩算法实验 |
| 5.1.1 软件设计 |
| 5.1.2 实验及结果分析 |
| 5.2 帧间压缩算法实验 |
| 5.2.1 软件设计 |
| 5.2.2 实验及结果分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 论文存在的问题及展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
四、基于小波变换的序列图像压缩编码算法（论文参考文献）
- [1]高速运动物体图像识别与压缩方法研究[D]. 史启盟. 西安理工大学, 2021(01)
- [2]基于小波分析的医学图像压缩方法的研究[D]. 王亚清. 沈阳理工大学, 2021(01)
- [3]基于深度学习的三维高分辨率脑图像压缩[D]. 高硕. 中国科学技术大学, 2020(01)
- [4]基于小波与分形相结合的图像压缩编码算法[D]. 张晶晶. 南京邮电大学, 2019(02)
- [5]基于小波变换的图像压缩算法在远程医学中的应用研究[D]. 张霞. 山东师范大学, 2019(02)
- [6]太阳磁场图像无损压缩算法优化研究及FPGA设计[D]. 武丽静. 北京交通大学, 2019(01)
- [7]基于SOPC的医学图像压缩方法研究[D]. 王玲. 西华大学, 2019(02)
- [8]基于小波稀疏测量的自适应压缩成像关键技术研究[D]. 戴慧东. 南京理工大学, 2019(06)
- [9]基于混沌的图像加密压缩算法的研究[D]. 张淼. 哈尔滨工业大学, 2018
- [10]雷达图像压缩算法研究[D]. 张红志. 北京交通大学, 2018(07)