一、图像数据压缩技术研究进展（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》文中提出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。
郑妍[2]（2021）在《基于云计算的数字建模展示平台研究与应用》文中认为NX是西门子公司用于工业化模型设计的交互式CAD/CAM平台。在云计算技术飞速发展的当下,西门子公司为满足用户对于快速办公的要求,提出在现有NX系统的基础上进行云平台开发,基于云计算高速且存储量大的特点,云平台的搭建将会为用户提供更加高效便捷的办公模式。云平台开发内容主要是构建基于云计算的NX数字化建模展示平台,通过将NX端的三维图像模型进行压缩、序列化、网络传输等工作,最终将三维模型展示在浏览器界面上,同时为用户提供与模型交互的基本功能。运用云计算技术将三维模型压缩的计算工作安排到后端的计算中去,极大地缩减了用户的工作冗余。本文实现了一个基于云计算的数字建模展示平台。在NX可视化架构的基础上构建云平台;通过改进的DEFLATE算法对NX的三维图像模型压缩;利用Google Flat Buffers序列化工具库对三维图像模型进行序列化操作后传输,最终将三维图像模型展示在浏览器端,同时实现简单的用户对三维图像模型的交互。本文的主要研究内容如下:（1）三维图像压缩技术。本文设计实现的云平台,需将NX端的三维图像模型展示到浏览器端,三维模型数据量大且复杂,为提升三维模型传输速率,需要对三维模型数据进行压缩解压操作。本文通过研究测试,提出对Zlib库中的DEFLATE算法的改进,在原有DEFLATE算法基础上,加入RLE算法,提高数据压缩效率,同时保证三维模型数据无损压缩。（2）数据交换方式。在数据传输阶段,选用Google Flat Buffers序列化数据,将三维图像转换为计算机可以识别的数据交换语言并存储在缓存中,这些序列化数据可以直接存储在文件中或通过网络传输,而无需任何解析开销。本文重点阐述Flat Buffers在云平台中的应用,序列化数据的过程和测试结果。（3）在上述工作的基础上,设计并实现基于云的数字建模展示平台。运用Web GL协议使三维模型更加流畅地展示在浏览器,用户在API窗口输入Java Script,系统进行解析,并通过后台一系列操作将三维模型展示在图形窗口,用户还可以在浏览器界面对模型进行简单交互。
冯峰[3]（2021）在《基于三次B样条曲线的一些算法研究》文中进行了进一步梳理B样条具有局部性与光滑性等良好的性质,能够灵活地表示复杂的自由型曲线和曲面,因此在计算机辅助几何设计等领域应用广泛.我们在本文中分别研究了 B样条在曲线演化问题和曲线矢量数据压缩问题中的应用,并由此提出了求解曲线演化问题的三次B样条参数有限元方法和一种带约束的三次B样条曲线矢量数据压缩算法.曲线演化问题属于一类常见的几何演化问题,通常由特定的时空相关的非线性几何偏微分方程所决定,我们将三次B样条应用于参数有限元方法中,用来求解平均曲率流和表面扩散流下平面闭曲线的演化问题.我们首先利用三次B样条有限元对曲线演化问题的变分形式进行离散,得到了基于三次B样条的空间半离散格式,随后应用半隐式方法在时间上进行离散,从而得到了该变分形式的全离散格式.同时,我们还引入了 Hausdorff距离和流形距离这两种度量方式来衡量闭曲线间的距离,并针对具有不同连续性的三次B样条曲线插值算例,展示了这两种距离度量的差异.在平均曲率流和表面扩散流下曲线演化的若干数值模拟算例表明,相对于传统线性参数有限元方法的二阶误差收敛阶,我们所提出的三次B样条参数有限元方法能够达到四阶误差收敛阶,其数值算例证实了我们所提出算法的优越性.为了便于大型矢量数据高效的检索分析,存储和传输,事先对矢量数据进行压缩是极为必要的.基于B样条良好的局部性和光滑性,我们利用带约束条件限制的三次B样条逼近方法对曲线矢量数据进行压缩.为了验证所提出算法的高效性,我们给出了 9种不同的曲线矢量数据压缩算例,并同时与传统的Douglas-Peucker矢量压缩算法进行对比.数值算例结果表明,我们所提出的曲线矢量数据压缩算法明显优于传统的Douglas-Peucker压缩算法.该算法不仅能够保证曲线整体的二阶光滑性以及满足压缩过程中对首尾端点的约束要求,还能够显着地降低数据的压缩率,因而在自动驾驶等领域具有广泛的应用前景.
白慧敏[4]（2021）在《基于节律特征约束的脑电数据图像压缩和复原》文中进行了进一步梳理脑电数据中包含人体各类生理信息,在情感识别、癫痫疾病的诊断中作为主要依据,为各类脑部疾病的临床诊断和情感识别的准确判断提供重要依据。远程诊断、云端监测等医疗模式的广泛应用,使得人们在日常生活中采集到的脑电数据需结合信息化远程技术,将数据传输至医疗中心,来进行专业和便利的诊疗分析。针对高采样率、多通道、长时间监测的大量脑电数据带来的传输时间长、系统消耗大、传输带宽高等的问题,本文基于脑电数据二维结构及通道数据关联性的特点,借助于图像压缩成功应用经验,将多路脑电数据看作图像信号,研究了基于节律特征约束的脑电数据压缩与深度学习复原方法。针对以上问题展开相关工作如下:（1）提出了一种基于节律波特征的脑电数据压缩方法。通过分析节律波在脑电数据诊断和分析中的特殊意义,验证节律波在提取和压缩过程中细节保留效果,引入数据矩阵重构过程将多通道多节律数据间建立时空关联性,分析重构模式差异给数据压缩带来的影响,再结合高效的图像压缩方案,实现对脑电数据压缩比的控制以及对节律细节信息保留的效果。通过客观评价指标证明该方法在提升压缩比和保留有效信息方面的有效性。（2）提出了一种基于深度学习的脑电数据复原方法。应用深度学习在捕获隐性特征方面的优势,在UNet网络的基础上引入改进模块进行适应性调整。利用UNet网络的编解码结构生成不同分辨率细节特征,再结合Res Net网络和UNet网络中的skip connect结构,减少特征退化,从保留的数据特征中依靠数据间的关联性生成更接近原始数据的细节信息。基于上述方法,对数据复原结果进行了实验验证,表明了本复原方法的有效性。
倪富陶[5]（2021）在《基于深度学习的结构外观病害检测与监测数据挖掘》文中研究指明土木基础设施是体现国家综合国力及科学技术发展水平的重要标志,其安全服役关乎国计民生。结构检测评估和结构健康监测是当前桥梁结构管养进行决策的主要依据,不管是结构检测评估还是结构健康监测,都会产生大量的数据,传统的数据分析手段难以对检、监测数据进行高效的分析处理。如何快速的分析海量数据、挖掘数据深层特征以及将分析结果反馈应用到后续桥梁运维管理中,成为土木领域当下研究的前沿热点。基于此研究背景,本文从结构外观检测数据和结构健康监测数据两方面出发,以数据挖掘中的分类问题为重点,利用深度学习技术深入挖掘大量外观检测数据和健康监测数据的内在特征。在依托海量检测数据的研究方面,本文主要研究了基于检测图像的裂缝自动分割方法,分为三个阶段逐步深入。在依托海量健康监测数据的研究方面,本文侧重于研究大数据问题处理框架中的前两个阶段,即数据预处理和数据存储阶段。论文的主要创新点如下:（1）提出了基于深度学习和Zernike正交矩的裂缝分割及宽度测量方法。针对传统方法适用性差的缺点,将深度学习算法和传统的基于数字图像处理的算法结合起来,在深度学习定性分类能力的基础上将图像中裂缝的检测分为“判断有无”、“自动勾画”和“宽度测量”三个层次。采用多个尺度的深度学习缩小裂缝的范围,并在传统方法初步分割出裂缝的基础上,再次利用深度学习筛选初步分割的裂缝,从而大大提高了裂缝分割的精度以及复杂环境下的抗噪性。在宽度测量方面,针对传统的“数像素”方法对于5像素以内细微裂缝测量误差大的缺点,提出了基于Zernike正交矩的细微裂缝宽度测量方法,直接利用裂缝的灰度信息计算裂缝的宽度,提高图像中细微裂缝的宽度测量精度。（2）提出了基于多尺度特征融合网络的像素级裂缝分割方法,实现完全依靠深度学习本身提取特征的裂缝分割。提出框架可以分为特征提取和特征融合两大块,而特征融合又可以分为不同尺度特征简单的像素级融合和不同尺度特征不同维度之间的深层次融合。在特征提取和像素级融合方面,采用自下而上和自上而下两种策略设计了不同的特征融合网络,基于不同裂缝测试集详细分析了高、低阶特征对最终裂缝分割结果的影响。发现低阶特征主要表征裂缝的形态信息,对于裂缝的细节描述更加有效,而高阶特征对于图像中裂缝的语义特征描述更加有效,需要把高低阶特征同时考虑到裂缝分割的框架中。（3）基于对抗深度学习增强的轻量级裂缝检测网络。前两章提出的裂缝分割方法虽然能高精度的分割出裂缝,但是其检测效率并不能够满足自动化检测的实时性要求。因此,本章提出了一种轻量级的裂缝检测框架,并提出了基于对抗深度学习的轻量级网络增强算法。提出框架从两方面对网络进行优化,一方面是深度学习特征提取模块的优化,采取更加轻型、高效的框架;另一方面,针对网络的训练策略提出算法创新,引入了生成对抗距离来衡量相似性,使轻量级网络的输出分布和人工标记的分布相逼近,从而提高轻量级网络的检测效果。最后,将本章提出的算法应用到新华路桥的桥墩裂缝检测中。（4）针对海量监测数据预处理的自动化异常检测需求,提出了基于一维卷积网络的健康监测异常数据识别方法,可以将健康监测系统采集数据直接输入到网络中,利用深度学习挖掘异常数据的本质特征,实现对异常数据的自动识别。随后将提出的方法应用到了江阴大桥吊杆监测数据的异常识别中,与人工检测的结果相对比,发现提出方法可以高精度的识别出健康监测系统采集的异常数据。相比传统的基于数学模型的异常数据识别方法,本文提出方法适用性广泛,可以高精度检测出各种类型的异常数据。相比于基于长短记忆网络的异常识别算法,提出方法不需要人工设定阈值。而相比于基于图像识别的异常检测方法,提出的方法不需要小心调整观测数据的尺度,不需要担心图像中超高维压缩带来的异常信息损失。（5）针对海量监测数据存储的问题,提出了基于卷积自编码网络的长期监测数据压缩方法。提出数据压缩方法可以分为数据压缩网络和数据重建网络两个部分,其中数据压缩网络用于将输入的原始数据压缩到指定的大小,数据数据重建网络用于将压缩后的数据进行还原。本文将提出方法和传统的基于DCT变换的数据压缩方法及压缩感知方法进行对比,发现在较低的压缩率下,本章提出的方法相对传统方法具有更小的重建误差和更高的相关系数。并将提出方法在江阴大桥长期吊杆监测数据下进行验证,发现对于识别为异常的数据,其压缩后重建的精度较低,而对于识别为正常的数据,能够在较低的压缩率下实现高精度的数据重建。
孔婉秋[6]（2020）在《极光辐射机理研究及多波段光谱数据应用》文中提出绚丽壮观的极光现象多发生于高纬度地区,源于来自太阳风和磁层的能量粒子在极区大气沉降时与中性粒子的碰撞反应,为揭示其成因机理所实施的大量科学观测包括原始目测到当前常见的光谱测量,而因为极光光谱能表征沉降粒子的决定性特征,所以光谱测量对进一步补充有关地球对太阳活动响应机制的相关知识来说十分重要。复杂摄谱仪生成的极光光谱数据属于除空间信息外还包含极光瞬态高分辨谱信息的超光谱数据,尽管该数据具有极高的研究价值,但相较其他光谱数据来说并不常用,因此本论文围绕该数据的有效利用及解决在利用过程中面临的存储传输难题展开了研究,其主要创新点和所实现的技术成果如下:1.配置于我国极地南极中山站和北极黄河站的摄谱仪在过去二十多年间连续生成极光光谱数据从而采集可变的极光光谱信息,该类数据包含了丰富的信息,对其展开研究具有十分重要的意义,但进行相关研究时要求研究人员具备物理学、光谱学和计算机科学等多学科知识,极富挑战性,因此到目前为止该数据仍未得到充分运用。综合考虑这些因素,本文所提出模型和算法具有一定开拓性。2.对许多科研人员来说,极光光谱数据算是一种全新的数据,因此为便于全面了解该数据,本文讨论了其结构性和统计性细节:在数据采集过程中使光辐射信息将受到干扰的噪声信息大部分服从高斯分布,因此可借助均值滤波器去除噪声,代表性数据在空间域上的相关性高于谱域相关性,但谱域相关性随时间的动态变化更为显着。3.代表性极光包括在约150 km和250 km发光高度上分别呈黄绿色和红色的557.7 nm、630.0 nm光学辐射,这两种辐射生成于二次电子和原子态氧之间的碰撞,因为它们的辐射强度由沉降电子直接决定,所以通过对极光辐射成像得到的极光光谱数据能够推导这类沉降电子的特征信息。推导过程先后采用了三种不同的策略,最终以计算效率最高的自洽逼近策略用于实际处理,最终推导所得沉降电子特征能量的合理性在与基于卫星观测数据所得平均能量的对比中得到了验证。4.沉降电子特性推演实验中用到了海量极光光谱数据和与其相关的卫星同步观测数据,研究人员十分关注这些数据的本地存储问题并尝试在已有网络带宽条件下对其进行实时传输,基于此,本文针对纯光谱数据提出了结合空谱去相关与离群点识别的线性预测无损压缩方案,而针对混合类型同步观测数据提出的通用压缩方案则通过引入层次聚类,实现了其致密存储及高效管理。
王颖[7]（2020）在《无损数据压缩IP设计与实现》文中认为近年来,人类探索宇宙空间奥秘的进程加快。随着空间科学任务的要求越来越高以及科学探测设备和技术的不断发展,探测任务越来越多元化,探测器采集的数据量剧增,原始数据信息的传输、存储和处理的困难亟待解决,而数据压缩技术正是缓解这些压力的重要技术,因此,无损数据压缩技术已经成为了空间科学领域中的重要研究课题之一。本文进行的主要研究工作以及取得的成果主要包括以下三点:（1）对无损压缩算法的发展和研究现状进行调研,分析对比了在空间科学任务中常用的无损数据压缩算法的优缺点,归纳了通用的无损数据压缩技术研究现状中存在的问题。其中,CCSDS（The Consultative Committee for Space Data Systems）提出的基于RICE编码的通用无损数据压缩算法对硬件实现友好,结构简单,压缩比在1.6～3.0之间,所以,本文在RICE算法的基本框架上进行研究。（2）针对RICE算法的缺点进行优化探究,设计了一种面向空间科学数据的通用的无损数据压缩算法,具有结构简单、高压缩比的特点。该算法由线性一阶单位时间延迟预测和混合熵编码组成。线性一阶单位时间延迟预测可以利用空间科学数据的时间相关性消除冗余,使得原始数据转变为信息熵更低、更利于熵编码的预测误差数据。该预测方法计算复杂度低,有利于在资源和计算能力有限的星载设备上实现。混合熵编码充分利用预测误差分布的稀疏性和数据编码冗余性,创新性提出分为高熵编码和低熵编码两种不同的编码模式对数据进行编码,进一步提升了压缩效率。不同数据集测试的结果表明,本文提出的算法的压缩比在2.3～5.5之间,相比RICE算法,压缩比平均提升约23%。（3）针对本文提出的算法,设计并实现了基于FPGA的无损数据压缩系统方案,创新性提出对码表进行“升维”操作,减少了码表查询操作的复杂度,以较小的资源开销换得压缩速度的有效提升。最后,通过功能仿真和静态时序分析,设计的无损数据压缩系统可允许的最大工作频率为44.835MHz。
刘卫强[8]（2020）在《基于机器学习的分布式全波形激电信噪分离与反演成像方法》文中研究指明激发极化电法勘探（激电法）是一种针对地质体导电性和激电性差异进行探测的地球物理分支方法。近年来国内外先后研发了分布式全波形电法勘探仪器设备,激电数据采集效率得到迅速发展,但相应的数据处理解释方法依然有所滞后。本文的研究目的是针对分布式激电勘探产生的大规模数据,建立一套初步智能化的信噪分离与反演成像方法,提高激电勘探的数据质量和应用效果。为了提高分布式激电抗干扰数据处理的精度和效率,本文提出了基于降噪方法库与统计决策的抗干扰技术。首先实现了三维介质的激电全波形响应正演模拟,通过分析生成的激电全波形理论信号与不同类型噪声干扰特征,提取最能表征时间序列类型的八个时/频域统计分量。继而模拟生成激电信号库与噪声库,通过支持向量机（SVM）分类算法实现机器对时间序列中不同噪声干扰的判断识别。然后,通过学习总结信号处理领域的相关知识,优选并改进五种有针对性的信号处理技术,包括:经验模态分解、波形匹配、稳健估计、主成分分析和小波分析等,并集成为一个降噪方法库,供决策系统自动选择相应的信号处理技术,实现干扰压制。上述方法是一种基于统计分析与信号处理知识驱动的自动化抗干扰算法。为了克服激电反演成像中常规拟线性最优化算法依赖初始模型、分辨率不足等问题,本文对两种机器学习算法进行改进,提出了样本压缩神经网络算法和自适应聚类分析算法,分别应用于激电勘探数据反演和边界识别。首先通过随机介质模型理论生成电性介质模型样本,通过分布式计算正演产生理论响应,然后用理论模型和响应数据训练神经网络模型,对新数据进行预测。为降低数据冗余性,本文将数据压缩技术与人工神经网络相结合,降低输入输出样本维度,提高神经网络反演的速度与精度。为了进一步根据反演结果划分异常体的边界,本文对聚类分析进行改进,根据原始数据的分布特征和稳健统计,实现聚类数目的自动确定,进而对反演结果进行属性聚类、边界拾取和异常中心定位。上述方法进一步提高了激电反演成像的精度和自动化水平。最后,将本文提出的方法应用于我国西南某铅锌多金属矿区的实测激电数据,获得了超过5000个测点上的高品质激电数据。分析了不同电极极距与不同观测频率下的抗干扰效果,对误差进行了统计;并将抗干扰处理前后的电性扫面和测深数据进行了对比。同时采用新的反演成像算法,根据实测的全波形数据分别进行了平面激电参数反演、二维电测深反演、三维多剖面反演等处理,并对反演结果进行边界拾取和属性聚类。数据处理结果反映出了测区地下介质电阻率极化率的异常特征,结合测区地质资料推断了成矿有利区,算法效果得到验证。综上,为了提高分布式全波形激电勘探的数据质量和应用效果,本文开展了两种综合算法研究,包括:基于降噪方法库与统计决策的干扰压制算法,基于样本压缩神经网络和自适应聚类的反演成像算法。模拟和实测数据的测试表明,新算法可有效提高激电数据质量并增强观测数据对地下异常体的反映能力,同时提高数据处理解释的精度与自动化水平。本文的框架和算法可进一步迁移到其他人工源电磁勘探方法中,目前相关研究已经开展。
杜德[9]（2020）在《基于FLDCT-EZC的地形压缩绘制算法及优化》文中研究指明信息时代随着科学技术的快速发展,在3D游戏、城市规划、军事仿真等信息化领域,大规模地形实时绘制技术占有极其重要的作用。在地形绘制的过程中,海量地形数据的处理传输以及绘制的实时性对设备性能以及网络传输速率有较高的要求,但目前很多现有设备并不能很好的满足要求。因此,需要在数据处理阶段寻找一种压缩算法完成地形数据的压缩以及选择合适的优化绘制方案实现地形的大规模绘制,以此降低对设备和网速的要求,从而达到提升地形绘制速率的目的。本文在传统层式DCT算法及嵌入式零树编码算法的基础上,提出了一种快速层式DCT嵌入式零树编码压缩算法。同时结合LOD与GPU通用计算技术,利用GPU完成数据压缩后,根据视点与地形之间的距离,采用基于GPU的地形网格多分辨率绘制方案,实现大规模地形数据压缩解压及多分辨率地形模型的实时绘制。FLDCT-EZC压缩算法不仅具备小波变换和JPEG2000的优势,能够在数据变换之后直接生成切合人眼视觉感受的多分辨率特性的数据模型并且具有相对优异的压缩性能,而且改善了传统DCT的计算方法,采用了一种快速DCT计算方式,降低了对设备的要求和计算时间。同时能够很好的与LOD相结合,并利用GPU优秀的计算能力完成数据变换以及实现最后的地形绘制方案,整体上实现了对设备低要求、高压缩性能和高绘制效率的目标。主要工作具体如下:1、深入了解了一系列相关的图像压缩技术及编码方法,充分研究学习了传统层式DCT算法和嵌入式零树编码的算法流程及算法原理,同时采用了一种DCT的快速计算方法,并掌握了其快速算法的基本计算流程及原理,提出了一种FLDCT-EZC压缩算法。2、深入学习了地形模型构建的一系列方法以及实时绘制的相关技术,对经过FLDCT-EZC压缩算法处理后的地形数据,采用一种基于视点的动态LOD多分辨率地形绘制模型,根据视点与地形之间的距离,采用不同分辨率的地形模型,从而减少地形网格构建的复杂程度,从而加快地形构建的绘制速度。3、针对提出的结合FLDCT-EZC算法和基于视点的动态LOD算法实现地形的压缩绘制,采用一种基于GPU的大规模地形网格多分辨率模型构建方案,将原始图像数据通过GPU压缩之后,按照基于视点的调度方案将压缩后的地形数据直接调入GPU,使用GPU解压地形数据并完成地形网格构建。充分利用了GPU优秀的计算处理能力,优化了地形的构建方案,提高了绘制速率。
姜智翔[10]（2020）在《基于频域处理的全息图压缩方法研究》文中提出三维显示及成像技术拥有广阔的市场应用空间,近年来随着研究的不断深入已广泛应用于军事、通信、娱乐和医学等方面。然而目前已投入实际应用的三维显示技术多是基于人眼的双目视差,这种以有限深度线索呈现的视觉效果并不理想。而全息技术的应用使得真三维成像和显示成为现实,它能够提供连续的基于头部运动的视差、自然视觉聚散调节以及所有深度信息,应用潜力极大。由于全息技术可以记录物光场的全部信息,包含了大量的数据,这对于数据的传输、存储和处理极其不利,因此需要对全息数据进行压缩。而拍摄获得全息图是由包含大量不同亮点的干涉条纹组成的,其像素之间没有相关性,所以难以用现有的图像及视频编码方法进行压缩。因此,对于全息数据的压缩编码方法的研究已经引起了广泛的关注。基于此问题,本文主要研究的内容是如何改进或整合现有的压缩算法以提高全息图的压缩效率,并最大限度的降低再现像的质量损失。本文内容概述如下:首先,对全息压缩技术的研究进展进行了简单的概述,介绍全息数据压缩的研究意义、国际主流技术方法和未来具有潜力的研究方案。其中国际主流观点将现有的全息压缩编码方法分为基于量化、基于变换和基于标准三种,本文分别介绍并分析了这三种方法的优劣,为本文所提出的方法提供理论依据和研究思路。其次,从现有图像及视频的压缩编码方法和全息图生成及再现的原理出发,结合数字全息技术和衍射计算理论,说明全息数据压缩要求。接着,研究了小波变换用于全息图频域压缩编码的方法,采用频域小波分解、阈值、量化和空域编码的方法,对模拟生成的全息图进行了测试,确定各项参数的设置。然后利用选取最佳的参数,对实际拍摄的数字全息图进行压缩编码,并将最后结果进行了比较和分析。最后,提出并研究了小波变化与二次量化用于彩色数字全息图的压缩和编码方法,有效的实现了大压缩比下的全息图压缩。此外,这种方法利用按比例切割较长波长的全息图的颜色分量的方式,保证了压缩后的再现像不会出现颜色混叠和位置偏移等问题。并且这种方法可以在相对较短的时间内实现编解码,同时再现像的质量损失极小。
二、图像数据压缩技术研究进展（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、图像数据压缩技术研究进展（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）基于云计算的数字建模展示平台研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 三维图像压缩技术 |
| 1.2.2 主流数据交换语言 |
| 1.3 本文的主要研究工作 |
| 1.4 论文组织结构 |
| 2 图像数据压缩技术理论及其概述 |
| 2.1 图像压缩准则与过程 |
| 2.1.1 图像压缩的准则 |
| 2.1.2 图像压缩的过程 |
| 2.2 图像压缩算法的分类 |
| 2.3 常见的有损压缩编码算法JPEG |
| 2.4 常见的无损压缩编码算法 |
| 2.4.1 LZW算法 |
| 2.4.2 LZ77 算法 |
| 2.5 3D文件压缩库GoogleDraco |
| 2.6 Zlib技术及DEFLATE算法 |
| 2.6.1 Zlib简介 |
| 2.6.2 DEFLATE算法概述 |
| 2.7 本章小结 |
| 3 DEFLATE压缩算法改进与应用 |
| 3.1 DEFLATE算法详解 |
| 3.1.1 DEFLATE算法对LZ77 算法的改进 |
| 3.1.2 DEFLATE算法中的哈夫曼编码 |
| 3.2 改进的DEFLATE压缩算法 |
| 3.3 算法性能分析 |
| 3.4 本章小结 |
| 4 三维图像数据交换方式 |
| 4.1 Flat Buffers简介 |
| 4.2 NX可视化架构概述 |
| 4.2.1 DSS概述 |
| 4.2.2 CGP概述 |
| 4.2.3 图像更新控制 |
| 4.2.4 NX Display Modes& Analysis Displays |
| 4.2.5 Open GL的使用 |
| 4.3 Flat Buffers在云平台的使用 |
| 4.3.1 总体框架 |
| 4.3.2 序列化概念 |
| 4.3.3 FlatBuffers在云平台序列化过程 |
| 4.4 FlatBuffers测试 |
| 4.5 本章小结 |
| 5 基于云计算的数字建模展示平台 |
| 5.1 云平台设计 |
| 5.1.1 开发环境 |
| 5.1.2 云平台设计框架 |
| 5.1.3 代码实现 |
| 5.2 云平台展示 |
| 5.3 本章小结 |
| 6 总结及展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（3）基于三次B样条曲线的一些算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 B样条的研究背景及意 |
| 1.1.2 几何演化问题的研究背景及意义 |
| 1.1.3 矢量数据压缩问题的研究背景及 |
| 1.2 国内外研究现状 |
| 1.2.1 几何演化问题的研究现 |
| 1.2.2 矢量数据压缩问题的研究现状 |
| 1.3 本文主要研究内容 |
| 2 B样条曲线理型 |
| 2.1 B样条基函数 |
| 2.2 B样条曲线 |
| 2.2.1 B样条曲线基本定义及性质 |
| 2.2.2 B样条闭曲线 |
| 2.2.3 B样条开曲线 |
| 2.3 B样条曲线插值与逼近方法 |
| 2.3.1 数据点的参数化 |
| 2.3.2 B样条曲线插值方法 |
| 2.3.3 B样条曲线逼近方法 |
| 3 求解曲线演化问题的三次B样条参数有限元方法 |
| 3.1 变分形式 |
| 3.2 三次B样条参数有限元离散 |
| 3.3 曲线间距离度量 |
| 3.3.1 Hausdorff距离 |
| 3.3.2 流形距离 |
| 3.3.3 B样条曲线插值算例 |
| 3.4 数值结果 |
| 3.4.1 收敛阶 |
| 3.4.2 数值模拟 |
| 4 带约束的三次B样条曲线矢量数据压缩算法 |
| 4.1 Douglas-Peucker算法 |
| 4.2 带约束三次B样条曲线逼近与压缩算法 |
| 4.3 数值模拟 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
（4）基于节律特征约束的脑电数据图像压缩和复原（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究意义及背景 |
| 1.2 脑电数据压缩和复原的研究现状 |
| 1.3 论文内容及结构 |
| 2 常用的脑电数据节律特征提取及压缩复原方法 |
| 2.1 脑电数据特征及常用特征提取方法 |
| 2.1.1 脑电数据特征 |
| 2.1.2 常用节律特征提取方法 |
| 2.2 脑电数据压缩方法 |
| 2.3 基于深度学习的脑电数据复原方法 |
| 2.4 量化评价标准 |
| 2.5 本章小结 |
| 3 基于节律波特征的脑电数据压缩 |
| 3.1 脑电数据的采集与节律波提取 |
| 3.1.1 脑电数据采集 |
| 3.1.2 节律波提取 |
| 3.2 节律波的图像化处理 |
| 3.2.1 节律波排列 |
| 3.2.2 图像转化 |
| 3.3 基于JPEG2000 的脑电节律波图像压缩 |
| 3.4 基于压缩图像的脑电节律波分析与评价 |
| 3.5 本章小结 |
| 4 基于深度学习的脑电数据复原 |
| 4.1 脑电数据复原网络 |
| 4.1.1 基于JPEG2000 图像压缩的数据集生成 |
| 4.1.2 网络模型 |
| 4.2 脑电数据复原网络细节 |
| 4.3 网络实现和结果 |
| 4.3.1 实验环境与参数设置 |
| 4.3.2 复原脑电节律数据的分析与评价 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（5）基于深度学习的结构外观病害检测与监测数据挖掘（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 桥梁维护管理现状 |
| 1.1.1 桥梁维护管理现状及意义 |
| 1.1.2 桥梁检测评估 |
| 1.1.3 结构健康监测 |
| 1.2 结构维护管理与大数据技术融合发展的趋势 |
| 1.2.1 大数据背景技术 |
| 1.2.2 融合发展的需求 |
| 1.3 传统数据挖掘方法 |
| 1.3.1 数据挖掘主要解决的四类问题 |
| 1.3.2 数据挖掘经典算法 |
| 1.4 深度学习的发展 |
| 1.4.1 深度学习相关领域学科关系 |
| 1.4.2 深度学习5 种常见网络类型 |
| 1.5 深度学习在土木工程中的应用 |
| 1.5.1 一维数据 |
| 1.5.2 二维数据 |
| 1.5.3 多维数据 |
| 1.6 本文研究目标与研究内容 |
| 1.6.1 研究思路及内容 |
| 1.6.2 论文结构安排及创新点 |
| 第2章 基于深度学习和Zernike正交矩的裂缝分割及宽度测量 |
| 2.1 基于数字图像处理的裂缝检测 |
| 2.1.1 传统裂缝分割方法及其局限性 |
| 2.1.2 传统裂缝宽度测量方法及其局限性 |
| 2.2 基于多尺度深度学习的裂缝分割 |
| 2.2.1 整体思路 |
| 2.2.2 GoogLeNet网络结构 |
| 2.2.3 深度残差网络结构 |
| 2.2.4 基于深度学习的裂缝定位及初始分割 |
| 2.2.5 基于深度学习的裂缝精细化分割 |
| 2.3 基于Zernike正交矩的裂缝宽度测量 |
| 2.3.1 正交矩宽度测量原理 |
| 2.3.2 原理误差补偿 |
| 2.3.3 裂缝宽度测量数值计算步骤 |
| 2.4 实验验证 |
| 2.4.1 裂缝定性检测 |
| 2.4.2 裂缝自动勾画 |
| 2.4.3 裂缝宽度测量 |
| 2.5 本章小结 |
| 第3章 基于多尺度特征融合网络的像素级裂缝分割 |
| 3.1 多尺度特征融合网络 |
| 3.1.1 特征提取网络及特征可视化 |
| 3.1.2 像素级特征融合 |
| 3.1.3 连续全卷积层 |
| 3.1.4 损失函数 |
| 3.2 两种策略搭建特征融合网络 |
| 3.2.1 自下而上的融合策略 |
| 3.2.2 自上而下的融合策略 |
| 3.3 不同尺度特征影响分析 |
| 3.3.1 搭建数据库 |
| 3.3.2 特征影响直观分析 |
| 3.3.3 训练过程对比分析 |
| 3.4 其他网络参数影响分析 |
| 3.4.1 全卷积层参数影响分析 |
| 3.4.2 特征提取层参数影响分析 |
| 3.5 模型测试结果与讨论 |
| 3.5.1 不同区间测试样本分析 |
| 3.5.2 完整图像裂缝检测 |
| 3.6 本章小结 |
| 第4章 基于对抗深度学习增强的轻量级裂缝检测网络 |
| 4.1 轻量级网络优化方法 |
| 4.1.1 生成对抗网络的发展 |
| 4.1.2 基于生成对抗的距离 |
| 4.1.3 轻量化网络结构设计 |
| 4.1.4 对抗分支网络 |
| 4.2 网络训练与对比分析 |
| 4.2.1 考虑模糊的数据集增强 |
| 4.2.2 网络优化策略 |
| 4.2.3 提出方法和传统FCN对比分析 |
| 4.2.4 对抗策略对不同网络影响分析 |
| 4.3 实桥裂缝检测 |
| 4.4 本章小结 |
| 第5章 基于一维卷积网络的健康监测异常数据检测 |
| 5.1 健康监测常见异常数据 |
| 5.1.1 数据异常检测的意义 |
| 5.1.2 异常数据类型 |
| 5.2 传统数据异常检测方法及其局限性 |
| 5.2.1 基于单个传感器数据的异常检测 |
| 5.2.2 基于多元统计分析的异常检测 |
| 5.2.3 基于深度学习的异常检测 |
| 5.2.4 传统方法的局限性 |
| 5.3 基于一维卷积网络的数据异常检测方法 |
| 5.3.1 一维卷积网络框架 |
| 5.3.2 损失函数 |
| 5.3.3 Adam优化策略 |
| 5.4 江阴大桥吊杆监测数据异常检测 |
| 5.4.1 数据集准备 |
| 5.4.2 网络训练及参数设置 |
| 5.4.3 基于T-SNE降维的特征分析 |
| 5.4.4 长期监测数据异常识别结果 |
| 5.5 本章小结 |
| 第6章 基于卷积自编码网络的长期监测数据压缩 |
| 6.1 传统数据压缩技术 |
| 6.1.1 无损压缩 |
| 6.1.2 有损压缩 |
| 6.2 卷积自编码网络结构 |
| 6.2.1 研究框架 |
| 6.2.2 重建网络 |
| 6.2.3 损失函数 |
| 6.3 江阴大桥吊杆长期监测数据压缩 |
| 6.3.1 数据集准备 |
| 6.3.2 网络训练及参数设置 |
| 6.3.3 压缩率对重建精度影响分析 |
| 6.3.4 与传统数据压缩方法对比 |
| 6.3.5 长期监测数据压缩结果 |
| 6.4 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 本文主要成果与创新 |
| 7.2 后续工作展望 |
| 参考文献 |
| 个人简历、在读期间发表学术论文与研究成果 |
| 致谢 |
（6）极光辐射机理研究及多波段光谱数据应用（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 围绕太阳风、磁层和电离层展开的空间天气研究 |
| 1.2 极光的研究意义 |
| 1.3 多波段极光观测数据的应用范围 |
| 1.4 论文主要内容及方案 |
| 1.5 特色与创新之处 |
| 第二章 极光观测与数据来源 |
| 引言 |
| 2.1 观测技术和平台 |
| 2.2 观测设备分类 |
| 2.3 数据来源 |
| 2.3.1 ZHS、YRS地基台站 |
| 2.3.2 DMSP卫星 |
| 2.3.3 其他 |
| 2.4 极区地基光谱数据ZHS-ASD、YRS-ASD |
| 2.5 本章小结 |
| 第三章 基于极区地基光谱数据的沉降电子特性推演 |
| 引言 |
| 3.1 研究背景 |
| 3.2 沉降电子特性推演模型 |
| 3.2.1 ASG摄谱仪定标 |
| 3.2.2 计数值-光强转换 |
| 3.2.3 电子碰撞激发反应模拟 |
| 3.2.4 电子能量推演策略 |
| 3.3 基于氧原子谱的推演实验 |
| 3.3.1 实验所采用的范例ASD |
| 3.3.2 真实光强比推导 |
| 3.3.3 电子碰撞激发模拟结果 |
| 3.3.4 采用不同推演策略的实验结果对比 |
| 3.4 实验有效性评估 |
| 3.4.1 极光联合观测体系 |
| 3.4.2 SSJ5 能量校准 |
| 3.4.3 有效性评估结果 |
| 3.5 本章小结 |
| 第四章 具有低复杂度的高性能光谱无损压缩技术研究 |
| 引言 |
| 4.1 高光谱/超光谱数据压缩 |
| 4.2 结合空谱去相关和离群点识别的无损压缩方案 |
| 4.2.1 ZHS/YRS-ASD数据特性 |
| 4.2.2 SPCC编码与渐进式解码 |
| 4.2.3 实验设计与结果 |
| 4.3 基于层次聚类的通用压缩方案 |
| 4.3.1 通用数据压缩 |
| 4.3.2 基于链接距离的层次聚类 |
| 4.3.3 以类簇为中心的通用压缩方案 |
| 4.3.4 实验设计及结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 附录 A 摄谱仪波长定标参数 |
| 附录 B ZHS-ASD、YRS-ASD的空谱相关性 |
| 附录 C C-DPCM-RLSO |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）无损数据压缩IP设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无损压缩算法的研究现状 |
| 1.2.2 存在的问题及差距分析 |
| 1.3 本文的主要研究工作 |
| 1.4 本文章节安排 |
| 第2章 相关理论和技术 |
| 2.1 空间科学数据的特征 |
| 2.2 信息论基础 |
| 2.3 数据压缩技术 |
| 2.3.1 压缩的评价标准 |
| 2.3.2 数据压缩的分类 |
| 2.4 常用的无损压缩算法 |
| 2.4.1 基于统计的压缩算法 |
| 2.4.2 基于字典的压缩算法 |
| 2.5 本章小结 |
| 第3章 无损数据压缩方案设计 |
| 3.1 压缩与解压缩过程 |
| 3.2 预测与还原设计 |
| 3.2.1 线性一阶单位时间延迟预测法 |
| 3.2.2 隐马尔科夫预测法 |
| 3.2.3 位重组构造零块法 |
| 3.2.4 分块设计思想的引入 |
| 3.3 编码及解码的研究和设计 |
| 3.3.1 k值选择机制的探索 |
| 3.3.2 模式自适应选择机制 |
| 3.3.3 高熵模式下的编码 |
| 3.3.4 低熵模式下的编码 |
| 3.3.5 码表的结构 |
| 3.4 压缩方案测试 |
| 3.5 本章小结 |
| 第4章 无损数据压缩IP设计与实现 |
| 4.1 硬件实现方案 |
| 4.2 FPGA设计与实现 |
| 4.2.1 顶层模块 |
| 4.2.2 误差计算及映射模块 |
| 4.2.3 统计变量更新模块 |
| 4.2.4 模式选择模块 |
| 4.2.5 高熵模式模块 |
| 4.2.6 低熵模式模块 |
| 4.2.7 码流整合模块 |
| 4.2.8 时序说明 |
| 4.3 本章小结 |
| 第5章 无损数据压缩IP功能仿真测试 |
| 5.1 输出正确性验证 |
| 5.2 功能仿真验证 |
| 5.2.1 顶层模块 |
| 5.2.2 误差计算及映射模块 |
| 5.2.3 统计变量更新模块 |
| 5.2.4 模式选择模块 |
| 5.2.5 高熵编码和低熵编码 |
| 5.3 关键性能指标评估 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）基于机器学习的分布式全波形激电信噪分离与反演成像方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据及意义 |
| 1.1.1 激电法基本原理与最新进展 |
| 1.1.2 本文的研究方向与研究意义 |
| 1.2 研究现状 |
| 1.2.1 激电法抗干扰研究现状 |
| 1.2.2 激电反演方法研究现状 |
| 1.2.3 机器学习算法应用现状 |
| 1.3 研究内容及方案 |
| 1.3.1 整体研究框架 |
| 1.3.2 主要研究内容 |
| 1.4 本章小结 |
| 第二章 三维主轴各向异性介质的激电全波形响应正演模拟 |
| 2.1 三维正演方法 |
| 2.1.1 有限体积三维正演算法 |
| 2.1.2 大型方程组加速求解策略 |
| 2.1.3 Cole-Cole模型参数估计 |
| 2.1.4 傅里叶级数分解与合成 |
| 2.2 算法精度验证 |
| 2.3 模型响应分析 |
| 2.3.1 各向异性模型响应计算与分析 |
| 2.3.2 激电时间序列响应计算与分析 |
| 2.3.3 不同激电视参数的分辨率对比 |
| 2.4 本章小结 |
| 第三章 基于降噪知识驱动的全波形激电自动化抗干扰方法 |
| 3.1 统计决策与信噪识别 |
| 3.1.1 激电勘探常见噪声干扰及统计特征分析 |
| 3.1.2 基于激电时间序列统计决策的信噪识别 |
| 3.2 降噪方法库的建立与完善 |
| 3.2.1 改进经验模态分解用于压制低频趋势项干扰 |
| 3.2.2 波形匹配法用于短时强干扰剔除与数据挑选 |
| 3.2.3 稳健统计方法用于压制尖峰脉冲离群值干扰 |
| 3.2.4 主成分分析与小波分析法用于压制随机噪声 |
| 3.3 仿真数据测试分析 |
| 3.4 本章小结 |
| 第四章 基于模型数据驱动的激电二三维反演成像方法 |
| 4.1 样本压缩人工神经网络反演算法 |
| 4.1.1 人工神经网络反演基本原理与算法 |
| 4.1.2 输入输出样本数据的压缩重构方法 |
| 4.1.3 基于随机介质模型的样本生成方法 |
| 4.2 自适应聚类分析与边界识别 |
| 4.2.1 自适应聚类分析计算方法 |
| 4.2.2 二三维图像边界识别效果 |
| 4.3 仿真数据测试分析 |
| 4.3.1 激电数据频谱参数反演测试 |
| 4.3.2 激电仿真数据二维反演测试 |
| 4.3.3 激电仿真数据三维反演测试 |
| 4.3.4 神经网络反演影响因素分析 |
| 4.4 本章小结 |
| 第五章 分布式全波形激电勘探实测数据的综合处理与分析 |
| 5.1 激电勘探分布式全波形数据采集 |
| 5.2 激电抗干扰处理效果与误差统计 |
| 5.2.1 不同频率/不同极距下抗干扰处理分析 |
| 5.2.2 激电扫面与测深数据抗干扰处理效果 |
| 5.3 激电法实测数据反演测试与分析 |
| 5.3.1 中梯数据激电谱参数反演 |
| 5.3.2 二维电测深激电数据反演 |
| 5.3.3 三维多剖面激电数据反演 |
| 5.3.4 成矿背景及激电数据解释 |
| 5.4 本章小结 |
| 第六章 机器学习算法在电磁测深数据处理中的应用分析 |
| 6.1 基于多尺度分解与波形匹配的可控源电磁抗干扰研究 |
| 6.2 基于改进神经网络与自适应聚类的大地电磁反演研究 |
| 6.3 本章小结 |
| 第七章 结论与下一步研究 |
| 7.1 主要结论 |
| 7.2 存在问题 |
| 7.3 下一步研究计划 |
| 致谢 |
| 参考文献 |
| 个人简历及攻读博士期间学术成果清单 |
（9）基于FLDCT-EZC的地形压缩绘制算法及优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 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 研究内容与组织结构 |
| 第二章 地形图像压缩绘制相关理论 |
| 2.1 图像数据压缩理论基础 |
| 2.1.1 图像压缩技术实现 |
| 2.1.2 图像压缩编码方法 |
| 2.1.3 图像压缩技术评价 |
| 2.2 离散余弦变换 |
| 2.2.1 一维DCT定义 |
| 2.2.2 二维DCT定义 |
| 2.3 地形绘制多分辨率模型 |
| 2.3.1 地形模型概念 |
| 2.3.2 多分辨率地形模型及分类 |
| 2.4 本章小结 |
| 第三章 结合FLDCT-EZC和动态LOD的地形压缩绘制算法 |
| 3.1 FLDCT-EZC压缩算法总述 |
| 3.2 层式DCT嵌入式零树编码算法原理 |
| 3.2.1 层式DCT原理 |
| 3.2.2 对抽样后的变换数据按照零树框架执行编码操作 |
| 3.3 快速DCT实现原理 |
| 3.3.1 快速DCT算法及流程图 |
| 3.3.2 无乘法的整数DCT的基本原理 |
| 3.3.3 无乘法的整数DCT快速算法实现流程 |
| 3.4 基于视点的动态LOD多分辨率地形绘制 |
| 3.4.1 地形分块策略 |
| 3.4.2 视景体裁剪 |
| 3.4.3 地形多分辨率等级选择 |
| 3.5 本章小结 |
| 第四章 基于GPU的压缩绘制算法的优化加速 |
| 4.1 GPU直接编程技术 |
| 4.1.1 GPU计算特性 |
| 4.1.2 基于GPU的通用计算 |
| 4.2 基于GPU的大规模地形快速绘制技术途径 |
| 4.2.1 基于GPU的大规模地形快速调度机制 |
| 4.2.2 基于GPU的大规模地形简化机制 |
| 4.3 基于GPU大规模地形快速绘制的一般流程 |
| 4.4 基于GPU构建地形数据多分辨率模型的方法 |
| 4.4.1 基于FLDCT-EZC数据压缩和多分辨率模型表示方法 |
| 4.4.2 基于GPU的地形数据多分辨率表示方法 |
| 4.5 本章小结 |
| 第五章 优化后的压缩绘制算法的实验结果分析 |
| 5.1 实验说明 |
| 5.2 压缩性能的比较 |
| 5.3 分块变换后渲染效果比较 |
| 5.4 本章小结 |
| 第六章 论文总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（10）基于频域处理的全息图压缩方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 课题研究现状 |
| 1.2.1 基于量化的全息压缩 |
| 1.2.2 基于变换的全息压缩 |
| 1.2.3 基于标准的全息压缩 |
| 1.2.4 其它具有研究潜力的全息压缩方法与存在的问题 |
| 1.3 论文主要内容及结构安排 |
| 第二章 全息技术与图像压缩原理研究 |
| 2.1 标量衍射理论 |
| 2.1.1 惠更斯—菲涅耳原理与基尔霍夫衍射公式 |
| 2.1.2 衍射的角谱理论 |
| 2.1.3 菲涅耳衍射理论 |
| 2.2 全息术原理与分类 |
| 2.2.1 光学全息术概述 |
| 2.2.2 波前记录 |
| 2.2.3 波前再现 |
| 2.3 图像压缩理论和方法分析 |
| 2.3.1 图像的无损压缩 |
| 2.3.2 图像的有损压缩 |
| 2.4 图像标准编码格式 |
| 2.4.1 JPE G与 JP EG200 0 图像压缩编码系统 |
| 2.4.2 MPE G与 H.26x系列标准 |
| 2.5 全息图的压缩编码要求及分析 |
| 2.6 本章小结 |
| 第三章 频域小波变换的全息图压缩实现 |
| 3.1 用于图像压缩的小波变换概述 |
| 3.1.1 二维离散小波变换 |
| 3.1.2 适应于应用环境的快速算法 |
| 3.1.3 小波变换用于图像压缩的实例 |
| 3.2 全息图空域与频域的小波变换 |
| 3.2.1 度量标准与测试说明 |
| 3.2.2 全息图空域小波变换 |
| 3.2.3 全息图频域小波变换 |
| 3.3 模拟仿真实验与分析 |
| 3.3.1 小波变换频域测试 |
| 3.3.2 系数量化 |
| 3.3.3 编码压缩 |
| 3.4 实际全息图的压缩测试 |
| 3.5 本章小结 |
| 第四章 空域和频域复合压缩用于彩色数字全息图 |
| 4.1 彩色数字全息图的记录与再现 |
| 4.1.1 彩色数字全息图的记录 |
| 4.1.2 割补法再现彩色数字全息图 |
| 4.1.3 彩色数字全息图再现的其它方法 |
| 4.2 小波阈值的类型与分析 |
| 4.2.1 缺省的阈值模型 |
| 4.2.2 Bir ge-Mas sart策略确定阈值 |
| 4.2.3 小波包变换中的penal ty阈值 |
| 4.2.4 硬阈值和软阈值 |
| 4.3 模拟仿真与对比分析 |
| 4.3.1 模拟生成彩色全息图 |
| 4.3.2 频域小波分解、阈值及量化 |
| 4.3.3 空域二次量化 |
| 4.4 实际彩色全息图的压缩测试 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要工作总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间发表论文 |
四、图像数据压缩技术研究进展（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]基于云计算的数字建模展示平台研究与应用[D]. 郑妍. 中北大学, 2021(09)
- [3]基于三次B样条曲线的一些算法研究[D]. 冯峰. 武汉大学, 2021(12)
- [4]基于节律特征约束的脑电数据图像压缩和复原[D]. 白慧敏. 中北大学, 2021(09)
- [5]基于深度学习的结构外观病害检测与监测数据挖掘[D]. 倪富陶. 东南大学, 2021
- [6]极光辐射机理研究及多波段光谱数据应用[D]. 孔婉秋. 西安电子科技大学, 2020(02)
- [7]无损数据压缩IP设计与实现[D]. 王颖. 中国科学院大学(中国科学院国家空间科学中心), 2020(02)
- [8]基于机器学习的分布式全波形激电信噪分离与反演成像方法[D]. 刘卫强. 中国地质科学院, 2020
- [9]基于FLDCT-EZC的地形压缩绘制算法及优化[D]. 杜德. 太原理工大学, 2020(07)
- [10]基于频域处理的全息图压缩方法研究[D]. 姜智翔. 昆明理工大学, 2020(04)