一、变换域滤波器组合系统（论文文献综述）
林佳祥[1]（2021）在《基于OFDM的宽带电力载波通信系统关键技术研究》文中研究指明随着我国电网的现代化建设,电力载波通信技术由于覆盖范围广、成本低廉等优势成为了重点研究内容,当前的大容量、低延时业务对电力载波通信技术的速率与可靠性提出了较高的要求。以实现高速率、低误码的通信为目标,本文研究了基于OFDM（Orthogonal Frequency Division Multiplexing）的宽带电力载波通信系统,并采用FPGA（Field Programmable Gate Array）与DSP（Digital Signal Processing）开发平台对接收子系统进行了软硬件协同设计和实现。本文在低压宽带电力载波信道的基本特征分析基础上,利用Middleton A类噪声模型进行随机脉冲噪声建模,并通过与自底向上法以及频域分析法的电力载波信道传递函数建模方法进行对比,选择采用M.Zimmermann与Klaus Dostert提出的自顶向下传递函数模型,结合噪声模型与传递函数模型建立了低压宽带电力载波通信信道,为后续仿真提供支撑。本文阐述了OFDM系统的基本原理与关键技术,对电力载波通信中采用OFDM技术的优势进行了分析,然后提出了宽带电力载波通信系统的总体方案,对物理层框架、主要参数与帧结构进行了设计,并简要介绍了接收子系统的主要功能模块。针对起始位置偏移导致的接收星座图旋转与符号间干扰问题,本文结合延时自相关与本地序列互相关算法,提出了基于本地序列的二次相关算法,可以消除测度函数的峰值平台与“小尖峰”现象,使符号同步结果更加精确。针对收发端采样时钟不匹配的情况,提出了基于相位叠加的采样时钟同步算法,与传统方法相比,准确度有3d B以上的增益。针对电力载波信道中的多径与噪声特性造成的通信误比特率过高问题,本文提出了基于噪声聚类的镜像扩展DFT（Discrete Fourier Transform）信道估计算法,相比传统LS（Least Square）算法在误比特率10-3处存在2.8d B左右的性能提升。在OFDM峰均功率比优化方面,本文提出哈达玛变换和迭代翻转部分传输序列相结合的方法,有效降低系统的峰均功率比。基于FPGA与DSP开发平台对提出的宽带电力载波通信系统接收端进行软硬件协同设计,实现了接收基带处理子系统,并通过功能仿真与上板调试对各个模块进行测试,结果表明接收端可以准确恢复出发送数据,验证了本文提出的宽带电力载波通信系统总体方案和关键算法的可行性,为后续产业化芯片的设计提供重要参考。
任继亭,李尉[2]（2021）在《海天线检测方法综述》文中研究指明海天线是无人艇利用视觉技术感知周围环境的重要因素。准确的海天线检测可以将海天区域准确地划分,对无人艇在海面上的安全航行和水面目标检测具有重要作用。复杂的海面环境一直是影响海天线准确检测的重要因素。本文对在复杂的海天背景下海天线的检测方法做了阐述。
曾扬[3]（2021）在《基于深度学习的图像篡改检测技术的研究与实现》文中提出图像篡改是一种恶意破坏网络中传播的图像信息内容的攻击手段,通过多种图像处理技术的综合应用将原本图像中想要表达的信息篡改为有意制造的虚假信息,被篡改的图像被用于视觉欺骗或伪造事实。在网络环境日益便捷的时代背景下,图像被广泛作为信息的载体在网络中快速传播,某些情况下图像甚至作为事实真相的证明在司法领域和生产生活中发挥重要的作用。图像篡改技术的快速发展对网络信息安全产生了极大的威胁,传统的图像篡改检测技术面对多样化发展的、甚至结合深度学习技术的图像篡改行为,其性能受到极大影响。依据某种特定特征的检测方法对新型图像篡改技术存在适应性差的问题,对具有不同篡改特征的图像检测任务存在局限性较大、灵活性差的问题。本文围绕图像篡改检测中的难点进行了研究,主要贡献如下:1、本文深入研究DeepFakes原理,并设计检测网络DFDM。检测方法针对结合了深度学习技术的新型图像篡改技术DeepFakes给传统图像篡改检测技术带来的新的问题,参照轻量级隐写分析模型基础网络构建检测网络的基础架构;引入自定义卷积核引导网络学习图像篡改区域的纹理差异;使用Max Pooling层降低网络参数的同时最大限度保留图像纹理特性;使用多层感知器（MLP）对图像样本进行分类。DFDM解决了深度学习分类网络无法检测GAN网络生成图像细节的问题。在FaceForensic++数据集上的仿真结果显示DFDM和同时期其他检测方法相比较具有较好检测能力。2、本文提出了图像内容篡改检测网络SFJNet。结合隐写分析成熟模型的关键组件,提高了检测模型对图像深层信息的学习能力;设计双网络联合检测模型改善单一网络检测在空间域或变换域上面临的局限性。鉴于图像篡改操作可能在图像空间域和变换域留有不同的篡改特征,双网络分别针对空间域和变换域的篡改特征做检测优化,变换域网络对数据进行离散DCT变换处理。针对双网络设计联合模块,使用极大似然估计法（Maximum Likelihood Estimate,MLE）对双网络做概率联合,使空间域判定和变换域判定相互弥补。仿真结果表明,SFJNet在CASIA数据集上的精确率、召回率、准确率等指标能够超过同类型方法。3、根据本文设计研究的算法实现基于Java Web的远端图像篡改检测系统。系统解决了图像篡改检测实际问题中自适应问题和分布式请求问题,通过远程云端服务器加载检测算法模型解决了对具有不同篡改特征的篡改样本使用传统检测算法检测时存在的局限性;通过远端服务器分布式计算解决了多请求处理的拥塞问题。
王泽[4]（2021）在《基于深度学习的联合隐写分析模型的研究与实现》文中进行了进一步梳理隐写算法和隐写分析技术在相互对抗中不断提升。隐写算法负责嵌入秘密信息,隐写分析负责检测秘密信息的存在。随着自适应隐写算法的发展,隐写分析研究变得更加困难。深度学习的飞速发展为隐写分析带来了新的研究思路。本文围绕深度学习中的图像隐写分析问题开展研究,主要包括以下三部分内容:（1）研究灰度图多图像域联合隐写分析问题。现有灰度图隐写分析工作仅孤立地关注空间域或变换域特征,而实际上隐写操作的干扰会同时反映在空间域和变换域。因此提出跨域检测机制,模拟空域富模型（Spatial Rich Model,SRM）和变换域离散余弦变换残差的特征提取方法来联合提取空间域和变换域的隐写信号;同时,提出非线性检测机制,模拟空间域SRM的MinMax方法以适应隐写信号的非线性嵌入状态;并提出迁移学习方法,采用嵌入较少隐写信号的图像集初始化模型网络,以便增强模型对隐写信号的灵敏感知能力。最终设计实现灰度图联合隐写分析模型Wang-Net。仿真结果表明,Wang-Net在嵌入率为0.2的WOW隐写算法、嵌入率为0.2的S-UNIWARD隐写算法、嵌入率为0.4的WOW隐写算法和嵌入率为0.4的S-UNIWARD隐写算法下的隐写检测准确率分别为81.2%、77.7%、92.0%和88.8%,各准确率分别比同期前沿算法Zhu-Net高4.6%、5.8%、3.8%和 4.1%。（2）研究彩色图颜色通道联合隐写分析问题。针对当前彩色图隐写分析工作未考虑颜色通道间隐写痕迹的问题,提出跨通道检测机制,设计了矢量特征提取策略（简称VFES）、多平面特征提取策略的多平面特征提取方法1（简称MpFES1）和多平面特征提取方法2（简称MpFES2）。在VFES中,采用彩色图红绿蓝颜色像素矢量作为基本单元,以便联合提取颜色通道内和颜色通道间的隐写残差;在MpFES1中,采用可沿x和y轴旋转的平面作为基本单元,以便联合提取空间多平面内的隐写残差;在MpFES2中,采用xoy、xoz和yoz所在的空间平面作为基本单元,以便联合提取颜色通道内和通道间的隐写残差。仿真结果表明,MpFES2下模型的平均隐写检测准确率是92.6%,分别比常规特征提取策略（简称CFES）和同期前沿的分通道特征提取策略（简称ScFES）高约4.0%、1.0%;VFES下模型的平均隐写检测性能虽然略差于ScFES,但优于CFES,未来可研究像素颜色分量残差值空间结构的保全方法;MpFES1下模型的平均隐写检测性能虽然较差,但其新型矢量隐写算法检测准确率比逐通道隐写算法检测准确率高4.5%以上,未来可研究同阶残差求和操作引发的干扰的弱化方法。综合来说,MpFES2拥有最优的隐写检测能力,将其作为本文的彩色图联合隐写分析模型。（3）设计实现联合隐写分析系统,它既联合了灰度图和彩色图隐写分析功能,又在灰度图隐写分析系统中联合提取空间域和变换域隐写信号、在彩色图隐写分析系统中联合提取颜色通道内和通道间隐写信号。仿真结果表明此联合隐写分析系统可发挥灰度图WOW隐写算法、灰度图S-UNIWARD隐写算法、彩色图逐通道隐写算法和彩色图矢量隐写算法的检测功能,具有一定的应用价值。
董武[5]（2021）在《基于剪切波变换的图像质量评价方法研究》文中研究指明图像失真会使图像丢失信息,并使图像的质量下降,从而影响使用者的主观视觉感受。对于图像处理系统来说,进行图像质量的识别和客观量化评价是一项必不可少的工作。本文基于剪切波变换的特点并结合人眼视觉的感知特性,从四个方面对图像质量的评价进行了深入的研究。论文的主要工作如下:1.提出了一种在剪切波域中基于多尺度多方向感知差值（Multiscale and Multidirectional Perceptual Error,MMPE）的全参考自然图像质量评价方法,该方法能够解决现有的全参考方法中方向特征不明显的问题。该方法使用剪切波变换,并结合人眼的多个底层心理视觉特性,能够提高评价精度。首先,为了模拟人眼视觉的多通道机制,使用剪切波变换对图像进行分解,得到多个尺度和多个方向的子带。然后,在子带中定义局部方向带限对比度和视觉恰可感知差异门限。在处理视觉隐藏问题时,同时考虑了对比度隐藏效应和熵隐藏效应起到的作用。最后,把所有子带的多尺度多方向感知差值组合在一起作为图像质量的评价结果。实验结果表明,该方法比目前主流的评价方法具有更好的质量评价性能。2.提出了一种在剪切波域中基于子带结构相似性（Shearlet Transform Subband Structural similarity,STSS）的全参考自然图像质量评价方法,该方法能够解决严重失真的图像中空间结构特征受到破坏的问题。在该方法中,首先使用剪切波变换分别把参考图像和失真图像进行分解,得到多个不同尺度和不同方向的子带;然后,计算参考图像和失真图像每个子带之间的结构相似性;最后,根据人眼视觉的感知特性,对不同尺度和不同方向子带的结构相似性使用不同的权值进行加权求和,作为失真图像质量的评价结果。实验结果表明,此方法对于严重失真的自然图像具有更好的质量评价性能。3.提出了一种在剪切波域中基于区分归一化变换系数统计特征（Statistical Features of Divisive normalization transform coefficients in the Shearlet domain,SFDS）的部分参考自然图像质量评价方法,该方法能够解决现有的部分参考方法中线性变换子带系数之间存在着较强统计相关性的问题。首先,对图像剪切波域中子带的系数进行区分归一化变换,其目的是减少剪切波变换系数之间的统计相关性。然后,使用高斯分布近似描述归一化系数的统计分布,同时计算高斯分布和实际分布之间的差值,并把此差值和实际分布的统计特征作为图像子带的特征。最后,根据人眼的视觉感知特性,对不同尺度不同方向子带的特征设置不同的加权值,并把失真图像和参考图像在子带特征之间的相似性组合在一起,作为失真图像质量的评价结果。实验结果表明,该方法能够获得较好的质量评价效果。4.提出了一种基于分区域结构特征（Regionalized Structural Features based Evaluator,RSFE）的无参考屏幕内容图像质量评价方法,该方法能够解决屏幕内容图像中图像区域和文本区域具有不同特点的问题。首先,使用剪切波局部二值模式提取图像区域在剪切波域的多尺度多方向纹理特征,同时使用局部微分模式提取图像区域在空间域的纹理特征。对于图像区域,使用纹理特征作为它的结构特征,同时使用亮度特征作为它的辅助特征。对于文本区域,使用从多阶微分值中提取出来的方向梯度直方图作为它的结构特征。然后,把图像区域和文本区域各自的特征分别提供给支持向量回归,得到这两部分各自的质量评价结果。最后,使用活动性加权策略,把这两部分的质量评价结果组合在一起,作为屏幕内容图像整体内容质量的评价结果。实验结果表明,此方法比已有的屏幕内容图像评价方法获得了更好的质量评价效果。
于淼[6]（2021）在《基于光场重建的大景深高分辨率成像技术研究》文中认为军事侦查、医学检测、地质勘探以及自动驾驶等多个领域都需要获取大范围场景内的准确信息,这就要求在光学成像上实现大景深、高精度的图像采集。传统相机受到光学系统的固有限制,成像景深有限:在景深范围内的物体聚焦清晰,超出景深范围的物体因离焦而模糊,这使得图像传感器不能清晰记录全部的场景信息,造成信息丢失。全焦成像技术是实现景深扩展最直接有效的方法,最常见的全焦成像方式是进行多聚焦融合,此方法主要分为多聚焦图像的获取和全焦融合两个步骤。在多聚焦图像的获取方面,手动聚焦方法精度较低,且多聚焦图像获取效率低;基于机械结构的方法引入机械部件,增加了系统复杂度,且可以实现的景深扩展范围有限;基于特定光学部件的方法增加了成本,场景适应能力较差,不利于广泛应用。此外,传统多聚焦图像采集方法需要多次曝光,这种操作会导致背景信息不一致,极大地影响了全焦融合质量。在全焦融合算法方面,主要包含基于空间域、基于变换域、空间域与变换域相结合以及基于深度学习的方法,其中基于变换域的方法如小波变换融合方法,不具有平移不变性、融合误差较大、信息冗余大;基于空间域的融合方法会出现时间损耗大的问题,而且区域边缘位置像素点融合质量差;空间域和变换域相结合的算法增加了系统复杂度,且对聚焦特性分布不明显的图像敏感度低;基于深度学习的融合算法对硬件的要求较高、易出现噪声,影响全焦融合质量。目前,仍然缺少一种获取高质量全焦图像的有效方法。为了解决传统全焦融合算法中出现的问题,本文应用基于引导滤波器的全焦融合算法对多聚焦图像进行全焦融合。引导滤波器是一种典型的非线性滤波器,可以最大限度地保留边缘信息,实现高速、高质量的全焦融合。为了提升多聚焦图像采集质量,本文采用光场成像的方法在单次曝光下进行多聚焦图像采集,保证了多聚焦图像背景信息的一致性和全焦融合输入信息的完备性,同时此方法还具有成本低、系统结构简单以及深度扩展范围广的优点,有效地实现了高质量的多聚焦图像采集。将基于引导滤波器的融合算法与光场成像相结合,本文提出了基于引导滤波的单次曝光光场全焦融合技术,实现了高质量、大景深全焦图像的采集。为了解决光场成像空间分辨率低的问题,本文提出了基于深度神经网络的高时-空分辨全焦成像技术。采用光场成像技术采集多聚焦图像,其特点是在单次曝光下同时获取场景光线的强度信息和角度信息,此操作具有很高的时间分辨率,但是通过光场成像获取的多聚焦图像,受到微透镜单元个数以及对应传感器个数的限制,其空间分辨率往往较低,因而无法获取高分辨率的全焦图像。为了解决此问题,本文提出了基于深度神经网络的高时-空分辨全焦成像技术,设计了卷积深度神经网络,用于实现光场低分辨率图像的单图超分辨,利用此网络对低分辨率的光场部分在焦图像进行上采样,有效地提升了多聚焦图像的分辨率,最后经过基于引导滤波器的全焦融合算法,得到具有高时-空分辨率的全焦图像,实现了对场景信息的高分辨率大景深的图像采集。本文提出的基于引导滤波的单次曝光光场全焦融合技术解决了传统多聚焦融合方法精度低、复杂度高、背景信息不一致、高频信息丢失等问题,实现了单次曝光下全焦图像的采集,有效获取了大景深的场景信息,为了提升全焦图像的分辨率,本文进一步提出了基于深度神经网络的高时-空分辨全焦成像技术,利用卷积深度神经网络实现了对低分辨率光场部分在焦图像的上采样,有效地提升了全焦图像的空间分辨率,进而实现了高时-空分辨率的全焦成像,达成了大景深范围内高分辨率全焦图像采集的目标,在军事侦查、医学检测、地质勘探以及自动驾驶等多种图像采集和定位的实际应用中有重要意义。
黄德智[7]（2021）在《基于反射波信号相似性的地震波场分离方法研究》文中研究说明地震波场分离本质上是分离地震波场内不同类型的地震波。根据波场分离目的,波场分离可以分很多类型,如信号和噪声的分离、不同类型信号的分离等。常用的滤波分离波场方法中,Radon变换和τ-p变换等方法将地震波场在其变换域中收敛到不同“点”上,根据信号和噪声的分布区域差异,通过切除噪声区域的方法实现噪声与信号的分离;F-K变换等频谱滤波方法,也是根据信号和噪声在频谱分布中的分布区域差异,采用切除噪声区域的方法实现噪声与信号的分离。虽然将信号变换到不同域内使信号和噪声的分布相对易于区分,但它们之间的分布范围仍然存在重叠。这使得切除的噪声区域中必然会包含信号成分,或者保留的信号区域中包含噪声成分,致使分离结果中的信号与噪声分离不完全;同时因为各种滤波方法的局限性,滤波时还会产生混波和假频等现象。经振幅补偿及纵波速度动校正后,多源地震混合采集地震波场（混采波场）、常规地震波场和多波多分量波场各分量中的纵波,在共中心点（CMP）道集内各地震道同时刻信号为同一反射点的信号,它们的振幅、相位基本一致,具有很好的相似性;经振幅补偿及横波速度动校正后,共转换点（CCP）道集内各地震道相同时刻横波地震信号为同一转换点的横波信号,它们的频谱也具有很好的相似性。根据叠加统计原理,动校正后CMP道集或CCP道集内各地震道中的随机噪声叠加结果趋于零,叠加道是由道集内各地震道与对应动校正速度的信号叠加生成,与噪声无关;所以叠加道的振幅、相位与道集内各地震道同时刻对应地震信号的振幅、相位也具有似性关系。因此,以叠加道为模型道对CMP道集或CCP道集内各地震道进行相似性滤波可以去除地震数据中的噪声。混采波场的滤波分离方法主要基于波场中信号的相干性,以及混叠噪声在非炮集时空域道集中的随机性。人们利用波场中信号和混叠噪声的这种差异,应用不同滤波方法在不同域内分离混采波场中的信号和混叠噪声;多波多分量地震波场的分离主要根据地震波的运动学特征和动力学特征等,在不同域采用滤波等方法对多波多分量地震数据进行波场分离;多次波的分离主要依据其与一次反射波在速度、极性、振幅、时间、周期等方面的差异进行分离。综上,本文对混采波场、多波多分量地震波场和含多次波地震波场,分别研究它们在CMP道集、CCP道集、炮集、共偏移距道集（COG）和共检波点道集（CRG）等时空域道集,以及它们在Radon变换、FK变换、傅里叶变换和S变换等域中不同类型信号和噪声的分布,提出基于反射波信号相似性的地震波场分离方法。本文根据混采波场、多波多分量地震波场和含多次波地震波场的波场特征,利用振幅补偿后应用纵波速度动校正后的各波场中CMP道集内地震道与叠加道间的信号相似性,以及振幅补偿后应用横波速度动校正的CCP道集内地震道与叠加道间的信号相似性,以叠加道的S变换频谱为模型设计自适应滤波器,对道集内各地震道的S变换频谱进行多级滤波,并用多级滤波的结果进行模型迭代,对原地震波场重新进行分离以提取波场中的信号,实现信号与噪声或不同类型信号的分离。本文试算过程中,采用理论地震数据合成理论混采地震数据和实际地震数据合成实际混采地震数据方法进行混采波场分离试算;多波多分量地震波场分离和多次波分离,分别采用理论地震数据和实际地震数据进行试算。为了验证本文方法的有效性,除对试算数据在波场分立前后采用同一振幅水平显示外,对波场分离前后的理论数据也分别进行S变换谱对比。试算结果表明,本文方法可有效提取混采波场中的有效反射信号,有效提取多波地震数据中的横波波场,有效去除地震波场中的多次波。本文方法是基于叠加道与地震道S变换频谱间相似性分析的一种自适应全频带信号提取方法,在信号提取过程中不会破坏信号的频谱和时空分布,可有效避免其它滤波方法所产生的假频、混波等现象。
杨帆[8]（2020）在《基于轮廓波变换和级联神经网络的数字水印算法研究》文中进行了进一步梳理随着多媒体技术的迅猛发展,给人们带来便利的同时,其在网络传播的过程中却极易遭到非法利用。作为多媒体信息的有效加密方案,数字水印技术近年来普遍被应用在多媒体产品的版权保护等领域中。数字水印能够有效解决版权保护和完整性认证问题,其一直以来都是模式识别和图像处理领域探讨的重要课题,故对于数学水印的研究不仅在理论研究上具有重要的意义,在实际应用中也具有不可替代的作用。本文主要研究工作和内容如下:首先对数字水印课题进行研究背景、研究意义及国内外发展现状等方面的简要介绍,通过阅读文献并对数字水印的特点和分类进行了解,并针对不同方法进行了优缺点分析。提出了轮廓波变换算法结合由RBF与Hopfield共同组成的级联神经网络的数字水印算法。算法是在传统的基于轮廓波变换的数字水印技术上,加入了级联神经网络。级联神经网络性能要优于传统单一的RBF网络,不仅保证算法性能,而且学习速度快,通过设计传递函数加速因子进行输出层和隐含层的权值修正,有利于改善算法的收敛性,提高计算效率。针对图像的嵌入,算法在轮廓波变换的基础上,对分块的宿主图片进行轮廓波变换,选取低频块进行再次分块,选取其中方差小的块进行嵌入水印,并且和嵌入的随机噪声进行级联神经网络训练,嵌入数字水印图像的不可见性得到了提高;针对水印的提取,采用了级联神经网络进行提取,利用级联神经网络提取水印不需要原图,提取的水印更接近于原图。在完善算法流程并验证其可行性后,选取了其他的融合性数字水印算法进行性能对比分析,设置了对比实验进行证明。通过仿真实验验证,表明本算法在数字水印的不可见性上有很好表现。本算法能够对常见的数字水印攻击有一定的抵御能力,说明了该算法对文中测试的各种攻击具有很强的鲁棒性。
马晋珺[9]（2020）在《基于神经网络及引导滤波的图像融合算法研究》文中提出图像融合技术是将两幅或多幅图像合成为一幅更高质量的图像,融合后的图像拥有更丰富的内容和视觉信息,更适合人类的视觉感官或者计算机的处理,该技术已广泛应用于医学、航空航天、遥感探测等技术领域。本文研究了基于神经网络及引导滤波的图像融合算法。具体研究内容如下:针对变换域图像融合算法中,对待融合图像常采用固定的变换方法,以及在融合变换系数时,常采用固定融合规则的问题,本文将反卷积神经网络视为一种变换方法,依据待融合图像的内容,自适应地设计出变换方法,使得待融合图像都有其对应的最佳变换,该变换能够最好地表达待融合图像的内容。根据将采取的融合规则形式,设计巴特沃斯低通及高通滤波器组,并作为反卷积神经网络的初始滤波器,对反卷积神经网络进行学习和训练,以获得图像的最佳变换方法。根据不同待融合图像,对巴特沃斯低通及高通滤波器截止频率的组合方式进行了实验研究,并依据不同的评价参数,获得了对应图像的最佳滤波器截止频率的组合方式。利用所设计的反卷积神经网络,对待融合图像进行其最佳变换,得到低频和高频特征图,并利用引导滤波对特征图进行处理。针对不同待融合图像的内容,设计不同遗传算法的适应度函数,对引导滤波器的参数进行优化,从而得到最佳融合图像。采用本文所提出的算法,对医学CT、MRI图像融合、多聚焦图像融合、遥感全色及多光谱图像融合的问题进行了实验研究。医学图像融合中选用15组初始化巴特沃斯滤波器对反卷积神经网络进行学习和训练,对15组CT及MRI医学图像进行了融合实验。将实验结果与基于小波变换的引导滤波图像融合算法进行了对比,本算法得到的融合图像更清晰,效果更好。多聚焦图像融合中选用15组初始化巴特沃斯滤波器对反卷积神经网络进行学习和训练,对12组多聚焦图像进行了融合实验。将实验结果与基于小波变换的引导滤波图像融合算法进行了对比,除去两组实验效果一般外,本算法得到的融合图像质量更高。遥感图像融合中选用15组初始化巴特沃斯滤波器对反卷积神经网络进行学习和训练,对12组遥感图像进行了融合实验。将实验结果与基于小波变换的引导滤波图像融合算法进行了对比,除去三组实验效果一般外,本算法得到的融合图像质量更高。
李雯[10]（2020）在《结构感知图像融合框架》文中指出图像融合是将多个传感器对同一场景或目标所获取的多幅源图像中的互补信息综合处理,融合生成复合图像的技术。融合图像集中了各张源图像中所包含的有效信息,因此比单一源图像的信息更加全面,也更加准确和稳定。常见的变换域融合方法将各张源图像转变为变换域系数,再融合各张源图像的对应变换域系数,最后对融合系数进行逆变换得到融合图像。变换域方法被广泛应用,其优点在于能够较好地获取图像中不同尺度的细节,然而这类方法的普遍问题是融合图像的对比度和灰度信息会发生偏差,甚至影响融合结果对源图像有效信息的保留。相比之下,空间域方法能够直接处理像素信息,从而保留源图像各个尺度的细节而不必受限于多尺度分解的有限尺度,同时避免了多尺度变换较大的计算负担。融合的目标不是对源图像中的互补信息进行简单的综合,而是通过一定的融合规则对源图像的互补特征加以精细的整合。许多图像融合算法虽然都能够在客观评价指标方面有很好的表现,然而由于不同特征间的边缘衔接处理不好造成像素灰度值突变,融合图像中目标边界看起来常常会显得不够自然,严重的甚至会出现“块效应”。针对上述问题,本文基于对空间域图像融合技术的研究,提出了一种空间域的结构感知图像融合框架（Structure-aware Image Fusion,SAIF）。首先,针对大尺度结构轮廓信息的提取,开发了显着结构提取模块（Salient Structure Extraction,SSE）。在该模块中,为了平滑噪声并消除小尺度纹理,引入L2正则化参数将局部维纳滤波器予以改进,对源图像进行预处理;同时,利用前向差分法实现图像的离散梯度,并以梯度模值作为显着衡量;接着,为了得到表征大尺度结构的初始权值图,通过显着衡量比较,并利用均值滤波器处理后得到决策图,再将决策图进行二值化操作获取显着结构图,它代表了源图像中具有最突出特征的像素点。SSE模块对源图像大尺度结构边缘特征提取效果显着,算法复杂度低,运算效率高。接下来,针对源图像大尺度结构边缘细节转移的问题,在总结两种典型的保边滤波器,即引导滤波器和双边滤波器的特点和共性的基础上,定义了一种联合滤波器,并基于联合滤波器保边平滑滤波与对显着结构边缘细节信息恢复的特性,开发了能够实现结构保持的迭代联合滤波器（Iterative Joint Filter,IJF）,将引导图中主要结构边缘的细节转移到显着图中,对显着结构提取模块中得到的初始融合权值图进行优化,使之与源图像的边缘特征更加匹配,得到的融合图像不同区域过渡的视觉效果更为自然,更符合人眼感知。最后,利用权值图对源图像进行加权求和得到最终融合结果,并且将算法推广到多张源图像融合的场景中。本文提出的空间域结构感知图像融合框架被证明融合视觉效果自然,计算效率高,运算速度快,适用于不同类型的图像融合场景中,并可以完成多张源图像的融合,是一种比一般图像融合算法用途更加广泛的新的通用框架。该框架克服了传统变换域图像融合算法复杂度高,运算效率低的缺点,解决了图像融合算法中常见的由于对不同区域之间边缘过渡衔接处理不好而产生的视觉效果不自然的问题。为了验证本文提出方法的有效性和优越性,我们使用了三种类型的图像与其他五种典型的图像融合方法进行了两张输入源图像和多张输入源图像的融合对比实验,通过从主观和客观两个评价角度给出的定性与定量分析表明,本文提出SAIF框架的最终融合图像边缘衔接更加自然,避免了晕影、视觉伪影和像素突变等问题的发生,在对比算法中具有最好的视觉效果,客观评价指标最高,算法运行时间最短,对不同类型的图像均能达到很好的融合效果,证实了本算法融合质量与融合效率的优势。
二、变换域滤波器组合系统（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、变换域滤波器组合系统（论文提纲范文）
（1）基于OFDM的宽带电力载波通信系统关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 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 国外电力载波通信研究现状 |
| 1.2.2 国内电力载波通信研究现状 |
| 1.3 主要研究内容及后续章节安排 |
| 第2章 低压宽带电力载波信道建模 |
| 2.1 低压宽带电力载波的信道特性 |
| 2.1.1 衰减特性 |
| 2.1.2 噪声特性 |
| 2.1.3 多径传播 |
| 2.1.4 时变性 |
| 2.2 信道建模 |
| 2.2.1 噪声建模 |
| 2.2.2 传递函数建模 |
| 2.2.3 低压宽带电力载波信道模型 |
| 2.3 本章小结 |
| 第3章 宽带电力载波通信系统总体设计 |
| 3.1 典型的OFDM通信系统框架 |
| 3.1.1 OFDM系统的基本原理 |
| 3.1.2 循环前缀与加窗 |
| 3.1.3 OFDM系统的关键技术 |
| 3.1.4 OFDM在电力载波通信中的优势 |
| 3.2 宽带电力载波通信系统总体设计方案 |
| 3.2.1 系统物理层框架设计 |
| 3.2.2 系统物理层主要参数 |
| 3.2.3 通信帧结构 |
| 3.2.4 接收子系统主要模块 |
| 3.3 本章小结 |
| 第4章 宽带电力载波通信系统的关键技术 |
| 4.1 符号同步算法设计 |
| 4.1.1 符号同步偏差的影响 |
| 4.1.2 符号同步算法 |
| 4.1.3 仿真对比与分析 |
| 4.2 采样时钟同步算法设计 |
| 4.2.1 采样时钟偏移的影响 |
| 4.2.2 采样时钟同步算法 |
| 4.2.3 仿真对比与分析 |
| 4.3 信道估计算法设计 |
| 4.3.1 电力载波信道的影响 |
| 4.3.2 信道估计算法 |
| 4.3.3 仿真对比与分析 |
| 4.4 降峰均功率比算法设计 |
| 4.4.1 OFDM峰均功率比统计方法 |
| 4.4.2 降峰均功率比算法 |
| 4.4.3 仿真对比与分析 |
| 4.5 宽带电力载波系统整体仿真性能 |
| 4.6 本章小结 |
| 第5章 系统接收样机实现方案 |
| 5.1 样机整体框架 |
| 5.1.1 收发系统联调及测试等效方案 |
| 5.1.2 硬件平台简介 |
| 5.2 基于FPGA的硬件逻辑设计 |
| 5.2.1 A/D转换接口模块 |
| 5.2.2 降抽样模块 |
| 5.2.3 AGC模块 |
| 5.2.4 帧检测模块 |
| 5.2.5 符号同步模块 |
| 5.2.6 SRIO发送模块 |
| 5.2.7 FPGA资源占用情况 |
| 5.3 基于DSP的软件设计 |
| 5.3.1 SRIO接收模块 |
| 5.3.2 采样时钟同步模块 |
| 5.3.3 信道估计模块 |
| 5.3.4 符号解调模块 |
| 5.3.5 DSP存储资源占用情况 |
| 5.4 测试结果与分析 |
| 5.5 本章小结 |
| 第6章 全文总结与后续工作展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 作者简历及在学期间所取得的研究成果 |
（3）基于深度学习的图像篡改检测技术的研究与实现（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 研究现状 |
| 1.3 研究内容 |
| 1.4 本文结构 |
| 第二章 图像篡改检测研究基础 |
| 2.1 图像篡改检测概述 |
| 2.1.1 图像篡改类型 |
| 2.1.2 图像篡改检测 |
| 2.2 图像处理技术概述 |
| 2.2.1 图像处理简介 |
| 2.2.2 图像空间域处理方法介绍 |
| 2.2.3 图像变换域处理方法介绍 |
| 2.3 深度学习技术概述 |
| 2.3.1 深度学习网络结构 |
| 2.3.2 图像分类网络 |
| 2.3.3 隐写分析网络 |
| 2.3.4 生成式对抗网络 |
| 2.4 本章小结 |
| 第三章 DeepFakes检测模型DFDM的研究与设计 |
| 3.1 问题分析 |
| 3.1.1 DeepFakes安全问题 |
| 3.1.2 DeepFakes检测缺陷 |
| 3.2 DeepFakes研究分析 |
| 3.2.1 GAN拟合人脸生成 |
| 3.2.2 人脸定位 |
| 3.2.3 合成痕迹处理 |
| 3.3 DeepFakes篡改检测算法 |
| 3.3.1 算法流程 |
| 3.3.2 特殊卷积核卷积层的设计与分析 |
| 3.3.3 篡改痕迹特征学习网络的构建 |
| 3.4 仿真与分析 |
| 3.4.1 数据集 |
| 3.4.2 特殊卷积核卷积层能分析 |
| 3.4.3 最大池化卷积模块性能分析 |
| 3.4.4 模型检测性能对比分析 |
| 3.5 本章小结 |
| 第四章 图像篡改检测模型SFJNet的研究与设计 |
| 4.1 问题分析 |
| 4.1.1 问题背景 |
| 4.1.2 研究现状 |
| 4.2 图像篡改空间域与变换域联合检测算法 |
| 4.2.1 算法流程 |
| 4.2.2 图像篡改检测粒度 |
| 4.2.3 基础网络选择 |
| 4.2.4 空间域和变换域网络 |
| 4.2.5 联合检测模型 |
| 4.3 仿真与分析 |
| 4.3.1 数据集 |
| 4.3.2 基础网络性能分析 |
| 4.3.3 联合网络性能分析 |
| 4.3.4 模型检测性能对比分析 |
| 4.4 本章小结 |
| 第五章 图像篡改云检测系统CloudEye的设计与实现 |
| 5.1 图像篡改检测系统需求分析 |
| 5.1.1 功能需求 |
| 5.1.2 性能需求 |
| 5.2 图像篡改检测系统概要设计 |
| 5.2.1 图像篡改云检测系统总体架构 |
| 5.2.2 图像篡改云检测系统工作流程 |
| 5.3 系统环境搭建 |
| 5.3.1 模型加载环境搭建 |
| 5.3.2 网络通信环境搭建 |
| 5.4 主要功能模块的设计与实现 |
| 5.4.1 图像篡改检测模型加载模块 |
| 5.4.2 网络通信处理模块 |
| 5.4.3 数据存储模块 |
| 5.5 功能测试 |
| 5.5.1 PC终端功能测试 |
| 5.5.2 移动端功能测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）基于深度学习的联合隐写分析模型的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 隐写算法概述 |
| 1.2.2 传统隐写分析研究现状 |
| 1.2.3 基于CNN的隐写分析研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 研究基础 |
| 2.1 隐写分析系统 |
| 2.2 性能评价指标 |
| 2.3 深度学习卷积神经网络 |
| 2.3.1 卷积神经网络概述 |
| 2.3.2 卷积运算 |
| 2.3.3 池化和激活函数 |
| 2.4 本章小结 |
| 第三章 灰度图联合隐写分析模型设计与实现 |
| 3.1 问题分析 |
| 3.2 联合隐写分析模型框架 |
| 3.2.1 预处理阶段 |
| 3.2.2 特征提取阶段 |
| 3.2.3 分类阶段 |
| 3.3 非线性和跨域检测机制 |
| 3.3.1 非线性检测机制 |
| 3.3.2 跨域检测机制 |
| 3.4 仿真及分析 |
| 3.4.1 实验环境 |
| 3.4.2 非线性检测机制仿真分析 |
| 3.4.3 跨域检测机制仿真分析 |
| 3.4.4 迁移学习仿真分析 |
| 3.5 本章小结 |
| 第四章 彩色图联合隐写分析模型设计与实现 |
| 4.1 问题分析 |
| 4.2 跨通道检测机制理论分析 |
| 4.3 彩色图隐写算法安全性分析 |
| 4.4 VFES仿真及分析 |
| 4.4.1 最大均值差异仿真分析 |
| 4.4.2 空间统计分析 |
| 4.4.3 模型仿真分析 |
| 4.4.4 小结 |
| 4.5 多平面特征提取策略仿真及分析 |
| 4.5.1 策略设计 |
| 4.5.2 空间统计分析 |
| 4.5.3 模型仿真分析 |
| 4.5.3.1 MpFES1下模型仿真分析 |
| 4.5.3.2 MpFES2下模型仿真分析 |
| 4.5.4 小结 |
| 4.6 本章小结 |
| 第五章 联合隐写分析系统设计与实现 |
| 5.1 联合隐写分析系统设计 |
| 5.1.1 需求分析 |
| 5.1.2 系统架构设计 |
| 5.2 隐写分析系统设计与实现 |
| 5.2.1 灰度图系统设计与实现 |
| 5.2.2 彩色图系统设计与实现 |
| 5.3 联合隐写分析系统应用及测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（5）基于剪切波变换的图像质量评价方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 图像质量评价的研究现状 |
| 1.2.1 自然图像质量客观评价的研究现状 |
| 1.2.2 屏幕内容图像质量客观评价的研究现状 |
| 1.3 论文的研究内容和组织结构 |
| 1.3.1 论文的研究内容 |
| 1.3.2 论文的组织结构 |
| 第二章 基于多尺度和多方向感知差值的全参考自然图像质量评价方法 |
| 2.1 引言 |
| 2.2 剪切波变换的性质 |
| 2.3 基于多尺度和多方向感知差值的全参考图像质量评价方法 |
| 2.3.1 DNST域中的局部方向带限对比度 |
| 2.3.2 DNST域中的对比度敏感函数 |
| 2.3.3 DNST域中的恰可感知差异门限 |
| 2.3.4 DNST域中多尺度多方向感知差值的合并 |
| 2.4 实验结果 |
| 2.4.1 图像质量评价方法的性能评估指标 |
| 2.4.2 全面的性能比较实验 |
| 2.4.3 统计意义实验 |
| 2.4.4 计算复杂度比较实验 |
| 2.5 本章小结 |
| 第三章 基于剪切波变换子带结构相似性的全参考自然图像质量评价方法 |
| 3.1 引言 |
| 3.2 SSIM方法的基本原理 |
| 3.2.1 SSIM方法的计算过程 |
| 3.2.2 SSIM方法的缺点 |
| 3.3 基于剪切波变换子带结构相似性的全参考图像质量评价方法 |
| 3.3.1 STSS方法的结构框图 |
| 3.3.2 每个剪切波变换子带的结构相似性 |
| 3.3.3 所有剪切波变换子带结构相似性值的组合 |
| 3.3.4 STSS方法详细的实现步骤 |
| 3.4 实验结果 |
| 3.4.1 图像质量客观评价方法散点图的比较 |
| 3.4.2 加权策略的验证实验 |
| 3.4.3 对严重失真的图像进行质量评价的比较实验 |
| 3.5 本章小结 |
| 第四章 基于区分归一化变换系数特征的部分参考自然图像质量评价方法 |
| 4.1 引言 |
| 4.2 在剪切波域中基于区分归一化变换系数特征的评价方法 |
| 4.2.1 SFDS方法的结构框图 |
| 4.2.2 区分归一化变换系数的统计分布特点 |
| 4.2.3 发送端进行参考图像特征的提取 |
| 4.2.4 接收端对失真图像质量的评价 |
| 4.3 实验结果 |
| 4.3.1 区分归一化变换系数统计特征的优势 |
| 4.3.2 全面的性能比较实验 |
| 4.3.3 对于每种失真类型的性能比较实验 |
| 4.4 本章小结 |
| 第五章 基于分区域结构特征的无参考屏幕内容图像质量评价方法 |
| 5.1 引言 |
| 5.2 基于分区域结构特征的无参考屏幕内容图像评价方法 |
| 5.2.1 RSFE方法的框图 |
| 5.2.2 提取图像区域的特征 |
| 5.2.3 提取文本区域的特征 |
| 5.2.4 回归模型和加权组合 |
| 5.3 实验结果及性能分析 |
| 5.3.1 图像质量评价方法性能的比较实验 |
| 5.3.2 文本区域结构特征中微分阶数的选择实验 |
| 5.3.3 图像区域特征和文本区域特征产生的不同作用 |
| 5.3.4 活动性加权策略的验证实验 |
| 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 缩略词语 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）基于光场重建的大景深高分辨率成像技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 多聚焦图像的采集方法 |
| 1.2 全焦融合算法 |
| 1.3 本文开展的主要工作 |
| 1.4 本章小节 |
| 第二章 基于引导滤波的光场全焦融合技术的基础理论 |
| 2.1 基于光场成像的多聚焦图像采集原理 |
| 2.2 基于引导滤波器的多聚焦图像融合算法 |
| 2.3 本章小结 |
| 第三章 基于引导滤波的单次曝光光场全焦融合技术 |
| 3.1 基于引导滤波的单次曝光光场全焦融合技术的基础原理 |
| 3.2 基于单次曝光光场成像的引导滤波全焦图像重建技术的模拟 |
| 3.3 基于引导滤波的单次曝光光场全焦融合技术的实验结果 |
| 3.4 全焦融合结果定量分析 |
| 3.5 本章小结 |
| 第四章 基于深度神经网络的高时-空分辨全焦成像 |
| 4.1 基于深度神经网络的高时-空分辨全焦成像技术的基本原理 |
| 4.1.1 单图像超分辨算法 |
| 4.1.2 基于深度神经网络的高时-空分辨全焦成像的网络结构 |
| 4.2 基于深度神经网络的高时-空分辨全焦成像技术的数值模拟 |
| 4.3 基于深度神经网络的高时-空分辨全焦成像技术的实验 |
| 4.4 本章小结 |
| 总结与展望 |
| 主要总结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录: 作者在攻读硕士学位期间发表的论文 |
（7）基于反射波信号相似性的地震波场分离方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 多源地震混合采集地震数据分离研究现状 |
| 1.3 多波多分量地震波场分离研究现状 |
| 1.4 多次波地震波场分离研究现状 |
| 1.5 论文主要研究内容及创新点 |
| 1.5.1 论文主要研究内容 |
| 1.5.2 论文研究的技术路线 |
| 1.5.3 论文创新点 |
| 第2章 地震波场中信号的相似性分析 |
| 2.1 常用变换和滤波方法的基本原理 |
| 2.1.1 Radon变换基本原理 |
| 2.1.2 F-K变换基本原理 |
| 2.1.3 S变换基本原理 |
| 2.1.4 非局部均值滤波 |
| 2.2 信号相似性分析 |
| 2.2.1 共炮集的信号相似性分析 |
| 2.2.2 COG道集的信号相似性分析 |
| 2.2.3 CRG道集的信号相似性分析 |
| 2.2.4 CMP道集的信号相似性分析 |
| 2.2.5 不同时空域地震道集间动校正后的相似性差异 |
| 2.3 滤波器设计 |
| 2.3.1 模型道建立和滤波域的选择 |
| 2.3.2 滤波器设计 |
| 2.3.3 信号保护和模型道的改进 |
| 2.3.4 算法流程 |
| 2.4 本章小结 |
| 第3章 基于波场频谱相似性的混采波场反射信号提取 |
| 3.1 混采波场的矩阵表示及波场数值模拟 |
| 3.1.1 混采地震数据的伪分离 |
| 3.1.2 混采波场的矩阵表示 |
| 3.1.3 多震源同时采集数值模拟 |
| 3.2 时空域混采波场分析 |
| 3.2.1 共炮集道集的混采波场 |
| 3.2.2 COG道集的混采波场 |
| 3.2.3 CRG道集的混采波场 |
| 3.2.4 CMP道集的混采波场 |
| 3.2.5 混采波场叠加道的特征 |
| 3.3 数据试算 |
| 3.3.1 理论数据试算 |
| 3.3.2 实际数据试算 |
| 3.4 本章小结 |
| 第4章 多波多分量波场分离 |
| 4.1 多波地震波场的角度旋转 |
| 4.2 横波分量中的纵波投影及去除 |
| 4.3 针对多波多分量波场的波场分离方法调整 |
| 4.3.1 滤波前后的振幅一致性 |
| 4.3.2 算法流程图 |
| 4.4 数据试算 |
| 4.4.1 理论数据试算 |
| 4.4.2 实际数据试算 |
| 4.5 本章小结 |
| 第5章 多次波的压制 |
| 5.1 多次波的成因和分类 |
| 5.1.1 多次波的成因 |
| 5.1.2 多次波的分类 |
| 5.2 多次波的运动学特征 |
| 5.3 数据试算 |
| 5.3.1 算法流程图和注意事项 |
| 5.3.2 理论数据试算 |
| 5.3.3 实际地震数据试算 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 论文中有待深入研究的内容 |
| 参考文献 |
| 作者简介及攻读博士期间参与的科研项目和成果 |
| 致谢 |
（8）基于轮廓波变换和级联神经网络的数字水印算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 主要研究内容与结构框架安排 |
| 第2章 相关理论 |
| 2.1 数字水印技术概述 |
| 2.1.1 数字水印技术基本原理 |
| 2.1.2 数字水印的特性 |
| 2.2 数字图像水印性能的评估 |
| 2.2.1 数字水印的攻击方式 |
| 2.2.2 数字水印的性能评价标准 |
| 2.3 变换域技术原理 |
| 2.3.1 离散傅里叶变换 |
| 2.3.2 离散余弦变换 |
| 2.3.3 离散小波变换 |
| 2.3.4 轮廓波变换 |
| 2.4 本章小结 |
| 第3章 级联神经网络模型的构建 |
| 3.1 神经网络及其数字水印应用 |
| 3.1.1 神经网络的特性 |
| 3.1.2 神经网络与数字水印 |
| 3.2 RBF神经网络和Hopfield神经网络 |
| 3.2.1 RBF神经网络 |
| 3.2.2 Hopfield神经网络 |
| 3.3 级联神经网络的构建 |
| 3.3.1 基于RBF和Hopfield的级联神经网络的构建 |
| 3.3.2 级联神经网络的学习 |
| 3.3.3 混合参数分析及稳态性分析 |
| 3.4 实验与验证 |
| 3.5 本章小结 |
| 第4章 基于轮廓波变换和级联神经网络的算法 |
| 4.1 水印的生成 |
| 4.2 水印的嵌入 |
| 4.3 水印的提取 |
| 4.4 本章小结 |
| 第5章 实验对比与结果分析 |
| 5.1 实验设计 |
| 5.2 嵌入算法实验 |
| 5.3 提取算法实验 |
| 5.4 本章小结 |
| 第6章 结论 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于神经网络及引导滤波的图像融合算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作内容及章节安排 |
| 第二章 基于神经网络及引导滤波的图像融合理论基础 |
| 2.1 反卷积神经网络的基本理论 |
| 2.1.1 反卷积神经网络的结构 |
| 2.1.2 反卷积神经网络的推断和学习 |
| 2.2 引导滤波的基本理论 |
| 2.2.1 引导滤波的定义 |
| 2.2.2 引导滤波参数分析 |
| 2.2.3 基于引导滤波的融合规则思路 |
| 2.3 遗传算法的基本理论 |
| 2.3.1 遗传算法的理论基础 |
| 2.3.2 遗传算法的基本流程 |
| 2.4 融合图像的评价方法 |
| 2.5 本章小结 |
| 第三章 基于神经网络及引导滤波的图像融合方案和其在医学图像融合的算法研究 |
| 3.1 基于神经网络及引导滤波的图像融合方案 |
| 3.2 基于神经网络及引导滤波的医学图像融合算法方案 |
| 3.3 基于神经网络及引导滤波的医学图像融合算法实现 |
| 3.3.1 基于医学图像融合的反卷积神经网络初始化滤波器特性 |
| 3.3.2 医学图像遗传算法适应度函数和评价参数的确定 |
| 3.3.3 引导滤波器的参数选取和优化 |
| 3.3.4 基于引导滤波的医学图像融合规则 |
| 3.4 基于神经网络及引导滤波的医学图像融合实验 |
| 3.4.1 基于引导滤波的小波变换图像融合对比算法 |
| 3.4.2 基于神经网络及引导滤波的医学图像融合实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于神经网络及引导滤波的多聚焦图像融合算法研究 |
| 4.1 基于神经网络及引导滤波的多聚焦图像融合算法方案 |
| 4.2 基于神经网络及引导滤波的多聚焦图像融合算法实现 |
| 4.2.1 基于多聚焦图像融合的反卷积神经网络初始化滤波器特性 |
| 4.2.2 多聚焦图像遗传算法适应度函数和评价参数的确定 |
| 4.2.3 引导滤波的参数选取和优化 |
| 4.2.4 基于引导滤波的多聚焦图像融合规则 |
| 4.3 基于神经网络及引导滤波的多聚焦图像融合实验 |
| 4.3.1 基于引导滤波的小波变换图像融合对比算法 |
| 4.3.2 基于神经网络及引导滤波的多聚焦图像融合实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于神经网络及引导滤波的遥感图像融合算法研究 |
| 5.1 基于神经网络及引导滤波的遥感图像融合算法方案 |
| 5.2 基于神经网络及引导滤波的遥感图像融合算法实现 |
| 5.2.1 基于遥感图像融合的反卷积神经网络初始化滤波器特性 |
| 5.2.2 遥感图像融合遗传算法适应度函数和评价参数的确定 |
| 5.2.3 引导滤波器的参数选取和优化 |
| 5.2.4 基于引导滤波的遥感图像融合规则 |
| 5.3 基于神经网络及引导滤波的遥感图像融合实验 |
| 5.3.1 基于引导滤波的小波变换图像融合对比算法 |
| 5.3.2 基于神经网络及引导滤波的遥感图像融合实验结果及分析 |
| 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 |
| 致谢 |
| 作者简介 |
（10）结构感知图像融合框架（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题来源与意义 |
| 1.2 图像融合的分类及模型 |
| 1.2.1 图像融合的分类 |
| 1.2.2 图像融合的一般模型 |
| 1.3 图像融合技术发展历程与现状 |
| 1.3.1 变换域融合 |
| 1.3.2 空间域融合 |
| 1.3.3 其他 |
| 1.4 本文研究内容及章节安排 |
| 第二章 算法基础理论 |
| 2.1 滤波器 |
| 2.1.1 双边滤波器(BF) |
| 2.1.2 引导滤波器(GIF) |
| 2.1.3 改进的维纳滤波 |
| 2.1.4 滚动引导滤波器(RGF) |
| 2.2 线性岭回归(Ridge Regression)模型 |
| 2.3 基于图像梯度的融合方法 |
| 2.4 本章小结 |
| 第三章 结构感知图像融合框架 |
| 3.1 显着结构提取(SSE) |
| 3.1.1 改进的维纳滤波 |
| 3.1.2 提取显着结构 |
| 3.2 迭代联合滤波(IJF) |
| 3.3 融合图像 |
| 3.4 扩展到多个图像 |
| 3.5 本章小结 |
| 第四章 常用图像融合算法 |
| 4.1 基于方向对比度的图像融合算法 |
| 4.2 基于引导滤波器的图像融合算法 |
| 4.3 基于多尺度变换以及稀疏表示的图像融合算法 |
| 4.4 基于梯度变换以及全变分最小化的图像融合算法 |
| 4.5 基于神经模糊的图像融合算法 |
| 4.5.1 简化自适应脉冲耦合神经网络模型(RPCNN) |
| 4.5.2 基于神经模糊的图像融合算法实现 |
| 4.6 本章小结 |
| 第五章 图像融合客观评测标准 |
| 5.1 一般的融合图像质量评价方法 |
| 5.1.1 基于统计特征的评价指标 |
| 5.1.2 基于融合图像和理想参考图像比较的评价指标 |
| 5.1.3 基于融合图像和源图像比较的评价指标 |
| 5.2 基于加权边缘信息保持值的客观评价标准 |
| 5.3 基于互信息的客观评价标准 |
| 5.4 基于图像结构相似度的客观评价标准 |
| 5.5 本章小结 |
| 第六章 图像融合实验结果分析 |
| 6.1 参数设置 |
| 6.2两幅源图像融合实验 |
| 6.2.1 多聚焦图像融合比较 |
| 6.2.2 可见光-红外图像融合比较 |
| 6.2.3 医学图像融合比较 |
| 6.2.4 小结 |
| 6.3多幅源图像融合实验 |
| 6.3.1 多聚焦图像多图融合结果比较 |
| 6.3.2 可见光-红外图像多图融合结果比较 |
| 6.3.3 医学图像多图融合结果比较 |
| 6.3.4 小结 |
| 6.4 参数影响分析 |
| 6.5 计算效率 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
四、变换域滤波器组合系统（论文参考文献）
- [1]基于OFDM的宽带电力载波通信系统关键技术研究[D]. 林佳祥. 浙江大学, 2021(01)
- [2]海天线检测方法综述[J]. 任继亭,李尉. 青岛远洋船员职业学院学报, 2021(02)
- [3]基于深度学习的图像篡改检测技术的研究与实现[D]. 曾扬. 北京邮电大学, 2021(01)
- [4]基于深度学习的联合隐写分析模型的研究与实现[D]. 王泽. 北京邮电大学, 2021(01)
- [5]基于剪切波变换的图像质量评价方法研究[D]. 董武. 北京邮电大学, 2021(01)
- [6]基于光场重建的大景深高分辨率成像技术研究[D]. 于淼. 江南大学, 2021(01)
- [7]基于反射波信号相似性的地震波场分离方法研究[D]. 黄德智. 吉林大学, 2021(01)
- [8]基于轮廓波变换和级联神经网络的数字水印算法研究[D]. 杨帆. 南昌大学, 2020(01)
- [9]基于神经网络及引导滤波的图像融合算法研究[D]. 马晋珺. 西安电子科技大学, 2020(05)
- [10]结构感知图像融合框架[D]. 李雯. 兰州大学, 2020(01)