一、Ridgelet变换及其在图象降噪中的应用（论文文献综述）
谭艳玲[1]（2021）在《基于稀疏模型和深度学习的图像去噪方法研究》文中研究说明数字图像为人们汲取实时信息提供了便利性,但是在信息处理和传递的过程中易受到噪声干扰,造成图像内容识别、分析和理解困难。因此,图像降噪技术对于获取清晰的视觉效果显得尤为关键。近年来基于信号稀疏表示和深度学习的方法成为了研究图像降噪技术的主要手段。然而,大部分基于稀疏模型的去噪方法直接从噪声图像中进行字典学习,因此字典的性能容易受到噪声影响而对深层特征提取能力不足。基于深度学习的去噪方法虽然获得了良好的性能,但是去噪过程机理不明,对不同噪声强度的适应性不好。因此为了获得高效的去噪性能,针对图像去噪研究中存在的问题以及现有去噪方法的短板,本文对以下两个方面展开了研究:（1）提出基于非局部块组稀疏特征距离约束的图像去噪方法针对现有方法的去噪性能受限于含噪图像中非局部先验且稀疏表示不够准确等问题,本文提出一种基于非局部块组稀疏特征距离约束的图像去噪方法。首先,利用预滤波处理减弱噪声以获取可靠的非局部图像先验并从中求取组稀疏估计作为原始图像的合理参考,并结合噪声图像内部先验同时用于图像去噪;其次,通过设计更符合二维图像块组数据特性的基于二维奇异值分解的学习字典提取图像本质特征,同时促进图块间和块内的稀疏性;再次,为了获得优良的图像去噪性能,提出了组稀疏特征距离约束,通过减小组稀疏系数矩阵之间的特征模式距离来逐步提高特征匹配度;最后,采用软阈值算法对模型进行求解,实现图像去噪。实验结果表明,所提出的去噪方法在视觉上呈现出清晰的边缘和轮廓,能够在有效保留图像结构特征的同时抑制视觉伪影。（2）提出统计模型引导下的深度学习图像去噪方法上述研究通过人为地设计先验正则约束模型的方式实现图像去噪,其中涉及到复杂的迭代优化过程,且线性字典的表示能力不足。为了进一步加强学习字典的深层次表征能力,在上述研究基础上,借助于能够在PGU上实现并行加速处理的深度神经的网络的大学习能力,本文提出统计模型引导下的深度学习图像去噪方法。首先,为了合理利用现有的退化模型和稀疏先验,让网络具有更灵活的学习的能力,建立基于最大化后验概率优化目标函数,采用梯度下降法更新稀疏参数;其次,根据模型的迭代优化过程推理出神经网络的构建形式并在该网络中进行卷积字典学习,利用网络非线性映射的逼近能力逐步优化稀疏系数使得深层特征得到更好表达;最后,在网络训练过程中,为了避免训练样本中噪声对字典表示能力的限制,将干净图像作为训练样本,以统计模型为引导,以稀疏性为约束条件建立损失函数来训练字典,以此有效提取图像特征。在Set5、Set12以及BSD68数据集上的实验结果表明,从量化指标和视觉效果对比中都体现出了本方法的有效性。同时,本研究为将图像去噪的优化模型集成到网络构建和训练中提供了一个新的思路。
王姝运[2]（2021）在《基于斑点统计特性保持的SAR影像迭代去噪方法研究》文中研究指明
陈廷广[3]（2021）在《基于多源数据融合的室外AGV自适应定位与导航方法研究》文中指出随着我国制造业转型升级,智慧工厂和智能仓储得到快速发展,造成AGV需求的爆发式增长,出现了 AGV市场繁荣。但存在室外AGV需求量大、应用较少的问题,这主要受室外场景宏大、环境复杂等原因的制约。随着传感器性能提升和定位导航方法的深入研究,AGV的应用逐渐从室内环境拓宽至室外环境,如何保证AGV准确感知自身在外部周围环境中的位姿状况并持续可靠沿规划路径安全行驶成为研究热点,室外AGV正面临前所未有的发展窗口。本文针对室外环境下AGV的精确定位和稳定导航展开相关研究。针对车载单源传感器定位与导航系统信息在室外环境下存在局限性和脆弱性以及室外车体位姿估计的非线性问题,研究室外复杂场景下多源异质车载传感器信息融合定位方法。采用容积卡尔曼滤波算法作为基础融合算法,利用基于航迹推算的系统方程对车体位姿的估计值与GPS和IMU给出的量测值经由卡尔曼增益系数加权计算获得车辆位姿的最优估计。将迭代过程中QR分解简化的CKF误差协方差平方根矩阵代替包含由字长限制引起的积累定位误差的病态矩阵,解决了室外环境下中由病态协方差矩阵导致定位失稳甚至发散的问题。采用基于时间序列的序贯滤波设计了不同长度量测信息的融合定位算法,充分利用传感器观测信息,解决了车载传感器的最高采样频率不一致造成传感器信息利用率不足等问题。利用QR平方根滤波法保证定位稳定性,通过时间序列序贯滤波提高传感器信息利用率,实现了稳定行驶下的多传感器数据融合的室外AGV准确定位。针对室外环境的不确定因素影响室外AGV定位鲁棒性的问题,研究室外不确定条件下的自适应强跟踪定位方法。采用改进Sage-Husa自适应滤波算法,由残差新息对量测噪声进行实时估计调整并同时监测,当出现非正定矩阵时采用有偏估计方式重新计算,保证定位滤波的稳定性,自适应实时调整噪声参数,提高系统模型不确定情况下的定位精度。采用基于多渐消因子的定位强跟踪算法,根据由不同行驶状况突变类型导致的位姿参数影响计算多渐消因子,修正突变后的误差协方差矩阵,激活卡尔曼增益系数,加权量测信息,解决由不可预测因素造成的室外车辆位姿突变后长时间定位数据发散问题。该自适应强跟踪算法提高了模型参数不确定条件下的定位鲁棒性,增强了车辆位姿不确定条件下的定位跟踪可靠性和及时性,可以稳定连续提供AGV的绝对定位信息。针对由于AGV绝对定位信息与行驶道路间未建立联系导致曲线运动时导航偏差获取困难及绝对位姿信息缺失时准确进行路径跟踪问题,将笛卡尔坐标系下的绝对位姿转换至Frenet坐标用于计算导航偏差。当室外环境下GPS存在失锁情况时,考虑导航信息冗余性采用车载相机获取行驶路面状况,将具有桶形畸变的图像正畸处理后转换至HSV色彩空间,分离饱和度高、对比度强的路径标识线,突出路面导航目标信息。经形态学滤波和双边滤波的图像预处理去除路面纹理和背景噪声。采用边缘检测及霍夫直线检测获取路径行驶区域的角点坐标。根据基准图像的路径区域角点计算逆透变换矩阵,建立图像坐标与实际位置的关系推导出导航偏差,实现GPS失锁时的路径跟踪导航偏差实时准确获取。通过模糊PID路径纠偏控制的实例仿真验证了该方法可以有效保证室外AGV的道路跟踪正确性和行驶安全性。室外AGV定位与导航实验研究。通过车载感知系统（RTK-GPS、IMU、车载相机、视觉传感器）接受多源异质信息,采用C++编写了 WIN系统下的基于QR分解的强跟踪自适应改进容积卡尔曼算法对AGV位姿进行最优估计。通过对GPS静态定位精度标定及按照给定距离设置二维码定位标签建立了位置精度为±1mm,方位精度为±1。的室外绝对定位基准。在无传感器噪声先验数据条件下通过室外动态直线和曲线行驶定位实验验证了本文所提出的多传感器信息融合自适应定位方法的有效性和可行性,其位置定位误差<5cm,误差标准差<4cm。将基准位置路径识别区域测量值与基准图像配准后计算逆透矩阵,把图像坐标投影至实际道路模型中计算导航偏差。视觉导航的横向定位精度<5cm,方位定位精度<0.5°,满足了在GPS失锁情况下的路径导航偏差信息的精度要求。综上本文室外自适应定位组合导航算法可提供动态厘米级定位精度,当GPS失锁时,根据路面图像信息提供厘米级导航偏差数据,为室外AGV提供了可靠的定位导航信息。
宋辉[4]（2021）在《基于深度学习的地震随机噪音衰减方法研究》文中指出
张浩瑀[5]（2021）在《基于非局部均值的图像去噪算法研究》文中提出在图像处理领域中,块匹配方法是图像去噪与运动估计中的常用方法,其通过查询指定区域找出相似块,进行信息的比对与联合去噪,从而削弱不符合图片规律的噪声。其中,三维块匹配算法（BM3D）结合了空间域与频率域的若干种算法,是当前图像去噪效果最好的算法之一。本文以非局部均值算法为基础对图像去噪算法进行研究,主要研究工作如下:首先,针对三维块匹配算法计算耗时长,针对相似块提取不够准确、分割块内分布不同的相似特征无法提取等问题。提出基于Radon变换进行图像信息降维,并通过求解降维函数的方差值、以及方差最大值坐标定位进行相似块信息的判断。另外计算各相似块相对参考块的像素均值比例,并放缩再用于去噪。实验结果显示,优化算法去噪图像相较于原算法去噪图像运行时间减短,图像质量提升。然后,针对图像含有的特征规律性少,随机性强,可能出现没有办法发挥去噪优势的问题。本文利用了自然图像中存在的非局部结构自相似性,扩展了BM3D模型,利用不同旋转角度检测自相似性可以得到更稀疏的表示以及更好地分离信号和噪声。由于不同旋转的匹配需要插值,在块匹配过程中会出现一些模糊,并且进行旋转匹配在某些图像区域中可能造成不利的效果。为此,本文还引入了低秩正则化过程和“混合”方法来自适应地确定权重以组合不同的去噪估计,所得方法提高了BM3D的性能。最后,本文将非局部稀疏建模的思想与新兴领域的深度学习相结合,提出了一种基于深度学习的去噪方法（DenseNet Denoiser,DND）,该方法使用DenseNet结构和一种新型的非局部层来实现图像去噪的最佳效果。通过在MSCOCO数据集上进行训练和测试,实验结果表明,该方法在视觉质量、峰值信噪比等方面均优于其他方法。本文还提出一种新的非局部连接结构,使得网络在对图像进行去噪时可以有效地执行非局部协同滤波。通过添加非局部层进一步提高本方法性能,证明了非局部算法在深度学习中可用性。
彭柯鑫[6]（2018）在《放射性药物针孔伽马成像系统关键技术研究》文中提出2011年美国医学界首次提出了“精准医学”的概念,2016年我国展开了“精准医学”重大专项科研行动,其中放射性药物是“精准医学”中重要的研究内容之一。当前针对放射性药物的研究,主要通过活体生物实验获取真实的数据,由于其研究的特殊性,实验通常采用小动物作为研究对象。如何评价放射性药物的诊治及预防效益,必须依赖先进的医学诊断手段,目前主要采用微型单光子发射层析成像（micro-single photon emission tomography,micro-SPECT）和微型正电子发射层析成像（micro-positron emission tomography,micro-PET）。这两种设备都靠国外进口,由于产品垄断,技术封锁,价格昂贵,体积庞大,很难满足国内生物及医学研究中要求便捷、低成本、多通道等需求。因此,本论文结合研究室多年研究核仪器仪表的基础上,提出开展放射性药物针孔伽马成像系统研究,该系统便捷、价格低廉,并能以图像的方式进行放射性药物相关技术分析,这对推动我国个体化“精准医疗”的研究具有重要意义。本论文所研制的放射性药物针孔伽马成像系统主要通过放射性药物释放出的γ射线与小动物发生作用后,携带小动物信息的γ射线,穿过厚针孔与闪烁体发生作用后被转换为可见光,微弱光线再由MCP（Micro Channel Plate）像增强器增强,然后通过CCD（Charge-coupled Device）相机采集得到伽马图像。过程中由于受MCP像增强器和CCD相机等器件空间分辨率的局限和噪声的影响,所获得的伽马图像严重退化,难以真实反映出放射性药物在小动物体内的真实空间分布。因此,必须专门针对此开展伽马图像去噪、图像复原技术研究,以提高放射性药物针孔伽马成像系统诊断、分析水平。有鉴于此,本论文依托国家自然科学基金项目（批准号:61401049）和国家有关科技专项——新型中高端医疗器械（数字诊疗类）产品研发之“医学影像设备关键技术及新产品研究”项目（项目编号:cstc2015zdcy-0072）,开展了放射性药物针孔伽马射线成像系统的基本理论、仪器设备、方法技术及应用研究工作,研究并开发了一套放射性药物针孔伽马成像系统。本论文研究内容及取得的成果如下:1.采用理论计算和实验测量相结合的方式对厚针孔、闪烁体、MCP像增强器和CCD相机的点扩散函数开展了研究,利用傅里叶变换建立了调制传递函数模型,并评价了针孔成像系统的空间分辨率。2.在分析针孔成像系统各部件特性以及点扩展函数的基础上,通过理论论证和实验测量的方式,研究了针孔成像系统各器件,成功研制了放射性药物针孔伽马成像系统,同时通过系统响应、137Cs下限可测量剂量率、视场角等实验验证了该系统的成像效果。3.通过对系统成像图像的特点和噪声特性的分析研究,将图像噪声分解为伽马噪声、高斯噪声和泊松噪声。在小波变换域中,通过理论验证了泊松噪声和高斯噪声的特性具有相似性,借助高斯噪声模型,分别提出了一种基于系数分类的小波域混合模型图像降噪算法和一种基于Contourlet的图像自适应阈值降噪算法。针对高信噪比的图像,基于系数分类的小波域混合模型图像降噪算法,既反映了小波系数尺度间的依赖性,又反映了尺度内的相关性,该方法降低了图像噪声的同时保护好了细节信息,且效率较高。针对低信噪比的图像,基于Contourlet的图像自适应阈值降噪算法比基于系数分类的小波域混合模型图像降噪算法更好的恢复出图像边缘,具有更好的细节保护能力。实验结果表明,该算法在伽马图像处于低信噪比的情况下,降噪效果较好。4.在对小波降噪原理和Lucy-Richardson（L-R）迭代原理进行研究分析的基础上,提出了一种Wavelet-Lucy-Richardson（W-L-R）伽马图像复原算法,经验证,该方法复原的图像效果较好;它是将小波降噪算法融入到L-R算法中,有效地抑制了L-R算法过程中的噪声放大,使细节恢复与噪声放大达到平衡,相应的提高了图像空间分辨率。5.通过131I标记卟啉化合物的针孔伽马成像实验,采用本文所提出的两种降噪算法对实验获得的肿瘤伽马图像进行了降噪处理后,图像质量得到明显改善。另外,在99m9m Tc标记膦酸化合物的针孔伽马成像实验中,获得的白兔骨显图,该图像模糊不清、噪声较强。采用本文所提出的Wavelet-Lucy-Richardson算法对其进行复原后,细节较好,图像质量得到了明显改善,图像的空间分辨率也有所提高。
吕雪莹[7]（2015）在《基于Curvelet变换的图像去噪算法研究》文中研究说明针对工商档案影像扫描系统中,电子档案出现的“划痕”和“污点”等噪声,提出了两种基于Curvelet变换的两种改进去噪算法,分别是基于各向同性统计特性的图像Curvelet域循环平移去噪算法和基于各向异性统计特性的图像Curvelet域循环平移去噪算法。通过分析Curvelet变换系数的统计分布特性,分别用各向同性模型和各向异性模型对其进行近似统计,并在贝叶斯最大后验准则下推导系数估计的表达式。同时,模型的复杂也导致了不能获得估计系数的近似解,这里采用了Newton-Raphson数值方法,获得估计参数的近似值。此外,为了有效的消除由于不连续点所噪声的伪吉布斯现象,算法中还采用了循环平移环节,进一步提高了复原图像的质量。实验结果表明,本文去噪方法得到的峰值信噪比（PSNR）分别比传统Curvelet去噪方法平均提高2.5 d B和3.1 d B,避免了复原图像中“划痕”和“污点”的出现,同时保护了图像边缘和细节。
刘鸿涛[8]（2013）在《基于PCA的Curvelet变换域图像降噪研究》文中研究表明传统小波分析只能表达一维、二维信号中的点状奇异性,对于二维数字图像的边缘曲线特性并不能很好的表示。Curvelet（曲波）分析是一种结合多分辨率分析和方向性滤波的新方法,其在表达具有方向性特征的二维信号时具有显着地优势,较于小波分析,除了具有传统小波分析的多分辨率、时频局部性外,增加了各向异性、多方向性等特征。Curvelet能更有效地捕捉到自然图像中的纹理信息,由于其系数在特定的方向上具有更优的聚类性,因而其能够更有效地将二维数字信号进行稀疏表示。本文主要研究Curvelet理论在图像降噪方面的应用,在概述了图像降噪的研究背景以及重要意义后,进而讨论了基于小波、脊波以及曲波的传统阈值降噪算法,最后针对传统阈值降噪方法的不足,提出了一种基于曲波降噪的改进方案——基于Curvelet变换的图像PCA降噪算法。利用传统的阂值降噪算法在进行图像降噪时其自适应能力差,且利用Curvelet变换进行图像阂值降噪会引入一些不良现象,如引起不同程度的伪吉布斯现象。本文将Cycle spinning与基于Cu-rvelet变换的图像PCA降噪算法相结合,使峰值信噪比提高的同时,降噪过程中出现的伪吉布斯现象、“放射状条纹”也得到了有效的抑制。仿真实验结果表明,利用本文提出的算法对含噪图像进行降噪,降噪后图像的峰值信噪比得到了显着提高,且视觉效果也得到了明显地改善。
王梅[9]（2012）在《基于多尺度几何分析的图像去噪算法研究》文中进行了进一步梳理图像的边缘和轮廓包含图像的重要特征信息,当图像中数据混有噪声的时候,对边缘的检测比较困难,Ridgelet是继小波变换后提出的一种非自适应的高维函数表示方法,对于图像中的直线状和超平面的奇异性问题,Ridgelet变换体现了比小波变换更好的处理效果。本文的主要工作如下：1、给出了Ridgelet变换的理论,并提出了一种基于尺度因子与Ridgelet变换的图像去噪算法,将Ridgelet应用于图像去噪并和小波去噪加以比较并说明其优越性,实验表明该算法在高斯白噪声污染的图像去噪具有较好的效果,不仅可以提高处理图像的信噪比,而且图像的视觉效果也明显改善2、在多尺度几何分析理论的基础上,提出了一种基于尺度因子与Contourlet变换的图像去噪算法。实验表明该算法对高斯白噪声污染的图像去噪具有很好的效果,不仅可以提高处理图像的信噪比,而且图像的视觉效果也明显改善。
申阳[10]（2011）在《基于Curvelet变换的图像去噪算法研究》文中指出近些年来,小波分析在图像处理中得到了广泛地应用。这是由于小波具有时、频局域分析性能,并且对一维和二维的“点”奇异能够做到最优逼近,但是小波分析它一般只适用于各向同性（isotropic）奇异性的对象,并不能充分研究对象的几何特征,比如二维图像的边缘、轮廓等主要特征,而这些特征是人们最感兴趣的地方。Curvelet变换则是一种特别适合于表示各向异性的奇异性方法,在高维情况下,可以非常有效地表示信号中具有方向性的奇异特征一各向异性（anisotropic）的奇异性特征,而且它同时具有小波的局部时频分析能力。相对于小波变换,Curvelet变换不仅具有良好的多尺度、空域和频域局部特性,还具有多方向特性,能够更为精确地表示图像边缘的方向,具有最高的逼近阶,可以最优地表示图像平滑部分。目前Curvelet变换在图像处理方面的应用越来越广泛。本文介绍了三种小波变换的去噪方法,分别是小波收缩法、模极大值法和相关性法,并对三种方法进行了定性比较。主要讨论了小波收缩的阈值去噪方法,详细讲述了阈值和阈值函数等关键参数的选取问题,同时给出一些选取的常见方法；详细介绍第一代和第二代Curvelet变换的定义、实现过程等,讲述了Curvelet变换的性质、系数特征和稀疏特征；传统的阈值函数去噪方法会出现的一些不良现象,如硬阈值法产生伪吉布斯现象,软阂值去噪后图像过于平滑等,基于此本文的研究工作主要有两点：一是在硬阈值函数上用多项式进行插值,并把这种算法应用到Curvelet变换去噪中,实验表明,改进的方法不论是对小波变换还是对Curvelet变换,去噪效果都得到了提高；二是提出了Cycle spinning与第二代Curvelet变换相结合的去噪算法,去噪过程中阈值函数使用的是改进的Garrote阈值函数。为了说明本文方法的有效性,选择了三幅标准图像作为实验图像,对图像加入不同标准差后,从三个方面进行对比：各图像去噪后的峰值信噪比、图像去噪效果图以及峰值信噪比的曲线走势,实验结果可以看出,该方法去除噪声后的图像峰值信噪比有所提高,一定程度上有效扼制了去噪过程中出现的“伪吉布斯”效应,很好地保留图像的边缘信息,从而使得视觉效果得到了一些改善。
二、Ridgelet变换及其在图象降噪中的应用（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、Ridgelet变换及其在图象降噪中的应用（论文提纲范文）
（1）基于稀疏模型和深度学习的图像去噪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 传统的图像去噪方法 |
| 1.2.2 基于模型驱动的图像去噪方法 |
| 1.2.3 基于数据驱动的图像去噪方法 |
| 1.3 本文主要工作与章节安排 |
| 1.3.1 本文主要工作内容 |
| 1.3.2 本文章节安排 |
| 2 相关理论基础 |
| 2.1 图像去噪的基本原理 |
| 2.2 图像去噪的主要方法 |
| 2.2.1 基于稀疏模型的去噪方法 |
| 2.2.2 基于深度学习的去噪方法 |
| 2.3 图像质量评估 |
| 2.3.1 客观评价 |
| 2.3.2 主观评价 |
| 2.4 本章小结 |
| 3 基于非局部块组稀疏特征距离约束的图像去噪方法 |
| 3.1 引言 |
| 3.2 基于块组的稀疏表示理论 |
| 3.3 基于组稀疏特征距离约束的图像去噪模型 |
| 3.3.1 基于2D-SVD的组稀疏表示模型 |
| 3.3.2 组稀疏特征系数矩阵距离约束 |
| 3.4 模型的求解和优化 |
| 3.4.1 字典的选择和设计 |
| 3.4.2 未知组稀疏的近似估计 |
| 3.4.3 求解与优化 |
| 3.4.4 迭代调整策略 |
| 3.5 图像去噪实验设计与结果分析 |
| 3.5.1 数据集简介 |
| 3.5.2 实验环境及参数设置 |
| 3.5.3 实验结果分析 |
| 3.6 本章小结 |
| 4 统计模型引导下的深度学习图像去噪方法 |
| 4.1 引言 |
| 4.2 统计模型引导下的深度去噪网络构建 |
| 4.2.1 整体优化的目标函数 |
| 4.2.2 稀疏系数优化更新 |
| 4.2.3 深度去噪网络的构建 |
| 4.3 网络模型的训练 |
| 4.3.1 卷积稀疏字典学习 |
| 4.3.2 网络参数选择 |
| 4.4 图像去噪实验设计与结果分析 |
| 4.4.1 数据集简介 |
| 4.4.2 实验环境及参数配置 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（3）基于多源数据融合的室外AGV自适应定位与导航方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室外AGV的定位方法研究现状 |
| 1.2.2 室外AGV的路径导航方法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 多传感器数据融合定位方法研究 |
| 2.1 容积卡尔曼滤波算法 |
| 2.1.1 多传感器融合系统与观测方程 |
| 2.1.2 容积卡尔曼滤波算法 |
| 2.2 传感器多频率下的最大信息利用率方法研究 |
| 2.3 仿真实验 |
| 2.3.1 非线性位姿变化的定位稳定性对比仿真 |
| 2.3.2 传感器频率不同时定位对比仿真 |
| 2.4 本章小结 |
| 第3章 不确定条件下的自适应定位方法研究 |
| 3.1 模型参数不确定下的自适应定位方法 |
| 3.1.1 模型不确定下的定位问题描述 |
| 3.1.2 系统稳定性判断 |
| 3.1.3 基于改进Sage-husa的自适应算法 |
| 3.2 车辆位姿突变情况下的定位方法研究 |
| 3.2.1 状态突变情况下的定位问题描述 |
| 3.2.2 基于多渐消因子的误差协方差修正 |
| 3.2.3 强跟踪算法研究 |
| 3.3 仿真实验 |
| 3.3.1 模型不确定下自适应算法对比仿真实验 |
| 3.3.2 状态突变的强跟踪仿真实验 |
| 3.4 本章小结 |
| 第4章 室外AGV的路径跟踪导航方法研究 |
| 4.1 计算路径导航偏差 |
| 4.1.1 组合导航偏差计算 |
| 4.1.2 路径标识线提取 |
| 4.1.3 视觉导航偏差计算 |
| 4.2 基于模糊PID的路径跟踪 |
| 4.2.1 模糊PID控制器设计 |
| 4.2.2 路径跟踪仿真实验 |
| 4.3 本章小结 |
| 第5章 室外AGV定位与导航实验研究 |
| 5.1 实验平台 |
| 5.1.1 实验平台硬件构成 |
| 5.1.2 实验平台软件构成 |
| 5.1.3 车载传感器数据处理 |
| 5.2 室外定位与导航偏差实验 |
| 5.2.1 定位基准设定 |
| 5.2.2 室外动态定位实验 |
| 5.2.3 车载视觉导航实验 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（5）基于非局部均值的图像去噪算法研究（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 国内外研究现状与发展趋势 |
| 1.3 本文的主要工作及创新 |
| 1.4 本文的组织结构 |
| 第二章 图像去噪的理论基础 |
| 2.1 图像的描述 |
| 2.1.1 像素点在图像中的关系 |
| 2.1.2 图像的特征与分析 |
| 2.2 图像噪声简介 |
| 2.2.1 噪声分类 |
| 2.2.2 噪声模型 |
| 2.3 图像去噪质量评价标准 |
| 2.3.1 均方误差 |
| 2.3.2 峰值信噪比 |
| 2.3.3 结构相似性 |
| 2.4 经典的图像去噪方法 |
| 2.4.1 均值滤波 |
| 2.4.2 中值滤波 |
| 2.4.3 维纳滤波 |
| 2.4.4 基于偏微分方程的图像去噪模型 |
| 2.4.5 小波阈值去噪 |
| 2.4.6 BM3D模型去噪 |
| 2.5 本章小结 |
| 第三章 基于Radon变换的BM3D改进图像去噪算法 |
| 3.1 Radon模型 |
| 3.1.1 图像Radon变换及其性质 |
| 3.1.2 Radon与频域算法的结合 |
| 3.2 BM3D算法 |
| 3.3 新算法的提出 |
| 3.3.1 对于相似块匹配的改进 |
| 3.3.2 对于组合滤波的改进 |
| 3.3.3 改进后的算法步骤 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于旋转块的BM3D改进图像去噪算法 |
| 4.1 旋转块匹配 |
| 4.2 块匹配分组和协同滤波 |
| 4.2.1 相似块分组 |
| 4.2.2 低秩正则化 |
| 4.2.3 聚合 |
| 4.3 新算法的提出 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于DenseNet的非局部均值图像去噪算法 |
| 5.1 网络结构 |
| 5.2 共享非局部特征 |
| 5.3 改进的DenseNet去噪算法 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）放射性药物针孔伽马成像系统关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 针孔伽马射线成像系统研究意义 |
| 1.2 针孔伽马射线成像系统国内外研究现状 |
| 1.3 针孔伽马射线成像系统图像复原研究现状 |
| 1.3.1 图像复原技术研究现状 |
| 1.3.2 针孔伽马射线成像系统图像复原研究现状 |
| 1.4 研究目的及主要研究内容 |
| 1.5 本章小结 |
| 第2章 针孔伽马射线成像系统基本理论 |
| 2.1 针孔伽马射线成像系统工作原理 |
| 2.2 针孔伽马射线成像系统器件结构原理及点扩展函数 |
| 2.2.1 PSF和MTF |
| 2.2.2 厚针孔 |
| 2.2.3 闪烁体 |
| 2.2.4 MCP像增强器 |
| 2.2.5 CCD相机 |
| 2.3 本章小结 |
| 第3章 放射性药物针孔伽马成像系统研制 |
| 3.1 便携式针孔伽马成像系统原理结构 |
| 3.2 针孔准直器 |
| 3.3 闪烁体 |
| 3.4 像增强器与光锥 |
| 3.5 CCD芯片及其驱动硬件 |
| 3.6 系统设计 |
| 3.6.1 硬件部分 |
| 3.6.2 软件部分 |
| 3.7 系统验证 |
| 3.7.1 系统响应实验 |
| 3.7.2 ~(137)Cs限可测剂量率 |
| 3.7.3 视场角和137Cs角分辨 |
| 3.8 本章小结 |
| 第4章 放射性药物针孔伽马图像去噪算法研究 |
| 4.1 概述 |
| 4.1.1 伽马图像特点 |
| 4.1.2 系统噪声分析 |
| 4.1.3 高斯噪声和泊松噪声的性态 |
| 4.1.4 不同阈值去噪方法的比较 |
| 4.2 伽马图像的小波去噪算法 |
| 4.2.1 Bayes降噪 |
| 4.2.2 基于小波零树结构的系数分类 |
| 4.2.3 基于分类的混合模型降噪算法 |
| 4.2.4 降噪算法步骤 |
| 4.2.5 Gibbs效应的消除 |
| 4.2.6 数值实验 |
| 4.3 基于Contourlet的伽马图像自适应阈值去噪算法 |
| 4.3.1 小波的局限 |
| 4.3.2 多尺度几何分析 |
| 4.3.3 Contourlet变换阈值降噪原理 |
| 4.3.4 Contourlet系数阈值萎缩降噪 |
| 4.3.5 局部自适应窗口估计阈值萎缩因子 |
| 4.3.6 算法步骤 |
| 4.3.7 数值实验 |
| 4.4 本章小结 |
| 第5章 放射性药物针孔伽马图像复原算法研究 |
| 5.1 概述 |
| 5.2 图像降晰模型 |
| 5.3 图像复原算法的研究 |
| 5.3.1 频域的图像复原算法 |
| 5.3.2 小波域的图像复原算法 |
| 5.3.3 Lucy-Richardson图像复原算法 |
| 5.3.4 Wavelet-Lucy-Richardson图像复原算法 |
| 5.3.5 复原算法效果比较 |
| 5.4 本章小结 |
| 第6章 放射性药物针孔伽马成像系统实验研究 |
| 6.1 概述 |
| 6.2 放射性药物131I-TPPNH的针孔伽马成像实验 |
| 6.2.1 肿瘤标定实验 |
| 6.2.2 实验数据处理 |
| 6.3 ~(99m)Tc标记膦酸化合物的针孔伽马成像实验 |
| 6.3.1 小动物的骨显实验 |
| 6.3.2 实验数据处理 |
| 6.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（7）基于Curvelet变换的图像去噪算法研究（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 图像去噪概述 |
| 1.2.1 图像噪声分类 |
| 1.2.2 图像降噪效果的比较 |
| 1.3 基于CURVELET变换的图像去噪技术研究现状 |
| 1.4 主要研究内容 |
| 第2章 图像去噪方法 |
| 2.1 引言 |
| 2.2 传统去噪方法 |
| 2.2.1 空间域滤波 |
| 2.2.2 频域低通滤波 |
| 2.3 WAVELET变换去噪方法 |
| 2.3.1 模极大值检测法 |
| 2.3.2 Wavelet系数相关去噪法 |
| 2.3.3 阈值去噪法 |
| 2.4 本章小结 |
| 第3章 CURVELET变换及其相关理论 |
| 3.1 RIDGELET变换 |
| 3.2 CURVELET变换的概念及算法实现 |
| 3.2.1 Curvelet变换概念的提出 |
| 3.2.2 Curvelet变换的算法实现 |
| 3.3 CURVELET变换存在的问题 |
| 3.3.1 Radon变换中的频谱混叠 |
| 3.3.2 离散Wavelet变换存在的缺陷 |
| 3.4 CURVELET变换进一步研究的方向 |
| 3.5 本章小结 |
| 第4章 基于CURVELET变换的传统去噪方法 |
| 4.1 基于CURVELET变换的图像去噪 |
| 4.1.1 基于Curvelet变换的去噪算法的数字实现 |
| 4.1.2 基于Curvelet变换的去噪算法的实际应用 |
| 4.2 基于CURVELET变换的传统去噪方法 |
| 4.2.1 基于Curvelet变换和LLT模型的权函数图像去噪方法 |
| 4.2.2 基于Curvelet变换的自适应阈值图像去噪方法 |
| 4.2.3 基于复数Curvelet变换复数高斯尺度混合模型的图像去噪方法 |
| 4.2.4 基于复数Curvelet变换非高斯模型的图像去噪方法 |
| 4.3 本章小结 |
| 第5章 基于CURVELET变换的图像去噪改进算法 |
| 5.1 基于CURVELET变换的循环平移的图像去噪方法 |
| 5.1.1 循环平移法 |
| 5.1.2 基于系数统计模型的多变量去噪方案的分析 |
| 5.1.3 各向同性多变量模型 |
| 5.1.4 实验结果与分析 |
| 5.2 基于CURVELET变换的各向异性多变量模型的图像去噪方法 |
| 5.2.1 各向异性多变量模型 |
| 5.2.2 实验结果及分析 |
| 5.3 改进算法与传统算法的对比分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（8）基于PCA的Curvelet变换域图像降噪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究历程和发展趋势 |
| 1.3 本文的主要研究内容及结构安排 |
| 第二章 小波变换基本理论 |
| 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 多分辨率分析框架(MRA) |
| 2.2.1 基本理论 |
| 2.2.2 小波与多分辨率分析 |
| 2.3 Mallet金字塔算法 |
| 2.4 图像的二维离散小波的分解与重构 |
| 第三章 小波降噪方法研究 |
| 3.1 小波降噪问题描述 |
| 3.2 小波降噪常用方法及分类 |
| 3.2.1 常用方法 |
| 3.2.2 阈值降噪法 |
| 3.2.3 阈值的选择方法 |
| 3.2.4 噪声的方差的确定 |
| 3.2.5 仿真实验 |
| 第四章 Curvelet变换基本理论 |
| 4.1 多尺度几何分析技术 |
| 4.2 Ridgelet变换 |
| 4.2.1 连续Ridgelet变换 |
| 4.2.2 离散Ridgelet变换及其实现 |
| 4.2.3 Ridgelet变换与Wavelet变换的联系 |
| 4.3 Curvelet变换 |
| 4.3.1 曲线特征的稀疏表示 |
| 4.3.2 第一代Curvelet变换 |
| 4.3.3 变换实现过程 |
| 4.3.4 Curvelet变换的性质 |
| 4.3.5 第二代Curvelet变换算法 |
| 第五章 基于Curvelet的图像降噪算法 |
| 5.1 图像的噪声特性及降噪图像质量评价方法 |
| 5.1.1 图像中白噪声的特性 |
| 5.1.2 图像降噪性能评价方法 |
| 5.2 主成分分析法 |
| 5.2.1 主成分分析法的基本原理 |
| 5.2.2 主成分分析法的实现过程 |
| 5.3 基于Curvelet变换阈值除噪算法 |
| 5.3.1 基于Curvelet变换的传统阂值降噪 |
| 5.3.2 基于Curvelet变换的PCA除噪算法 |
| 5.3.3 改进的基于Curvelet变换的PCA除噪算法 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（9）基于多尺度几何分析的图像去噪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 插图和附表清单 |
| 1 引言 |
| 1.1 多尺度分析理论的提出以及发展状况 |
| 1.2 研究意义 |
| 1.3 论文的主要研究内容 |
| 1.4 论文章节安排 |
| 2 图像去噪原理及典型去噪算法 |
| 2.1 图像去噪及其研究进展 |
| 2.2 阈值去噪的基本原理 |
| 2.3 噪声模型的分类 |
| 2.4 经典图像去噪方法 |
| 2.4.1 均值滤波 |
| 2.4.2 中值滤波 |
| 2.4.3 空域Wiener滤波 |
| 2.4.4 低通滤波 |
| 2.5 各种阈值函数 |
| 2.5.1 软阈值法 |
| 2.5.2 硬阈值法 |
| 2.5.3 Garrote函数 |
| 2.6 去噪效果的衡量标准 |
| 2.6.1 客观评价准则 |
| 2.6.2 主观评判准则 |
| 3. 小波变换与多尺度分析理论 |
| 3.1 小波变换 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.1.3 二进小波变换 |
| 3.1.4 多分辨率分析 |
| 3.2 脊波变换 |
| 3.2.1 Radon变换 |
| 3.2.2 连续脊波变换 |
| 3.2.3 离散脊波变换 |
| 3.3 Contourlet变换 |
| 3.3.1 Contourlet变换的提出 |
| 3.3.2 离散Contourlet变换 |
| 4. 改进的基于Ridgelet变换的图像去噪算法研究 |
| 4.1 脊波变换与其它变换的关系 |
| 4.2 基于Ridgelet变换的图像去噪算法 |
| 4.3 实验结果与分析 |
| 4.4 结论 |
| 5. 改进的基于轮廓波(CONTOURLET)变换的图像去噪算法研究 |
| 5.1 拉普拉斯金子塔式分解 |
| 5.2 方向滤波器组多方向分解 |
| 5.3 基于Contourlet变换的图像去噪算法 |
| 5.4 实验结果与讨论 |
| 5.5 结论 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）基于Curvelet变换的图像去噪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 课题研究现状 |
| 1.3 小波图像去噪方法概述 |
| 1.4 本文的主要工作 |
| 第2章 图像去噪 |
| 2.1 引言 |
| 2.2 图像去噪的性能评价标准 |
| 2.3 小波去噪的基本方法 |
| 2.3.1 小波去噪模型 |
| 2.3.2 三种经典的小波去噪方法 |
| 2.4 小结 |
| 第3章 Curvelet变换理论 |
| 3.1 Curvelet变换概述 |
| 3.2 Curvelet变换的构建原理 |
| 3.2.1 第一代Curvelet变换基本理论 |
| 3.2.2 第二代Curvelet变换基本理论 |
| 3.3 Curvelet变换的性质 |
| 3.4 曲线特征的稀疏表示 |
| 3.5 Curvelet变换的系数特征 |
| 3.6 小结 |
| 第4章 应用改进的多项式插值阈值函数去噪 |
| 4.1 引言 |
| 4.2 小波阈值去噪算法 |
| 4.3 Curvelet变换阈值去噪算法 |
| 4.4 实验分析 |
| 4.5 小结 |
| 第5章 结合Cycle spinning的Curvelet变换的图像去噪算法 |
| 5.1 引言 |
| 5.1.1 基于Cycle spinning小波图像去噪 |
| 5.1.2 改进的Garrote阈值函数去噪 |
| 5.1.3 基于Curvelet变换的Wrapping算法实现 |
| 5.2 实验结果与分析 |
| 5.3 算法比较 |
| 5.4 小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、Ridgelet变换及其在图象降噪中的应用（论文参考文献）
- [1]基于稀疏模型和深度学习的图像去噪方法研究[D]. 谭艳玲. 西安理工大学, 2021(01)
- [2]基于斑点统计特性保持的SAR影像迭代去噪方法研究[D]. 王姝运. 辽宁工程技术大学, 2021
- [3]基于多源数据融合的室外AGV自适应定位与导航方法研究[D]. 陈廷广. 西安理工大学, 2021(01)
- [4]基于深度学习的地震随机噪音衰减方法研究[D]. 宋辉. 长江大学, 2021
- [5]基于非局部均值的图像去噪算法研究[D]. 张浩瑀. 南京信息工程大学, 2021(01)
- [6]放射性药物针孔伽马成像系统关键技术研究[D]. 彭柯鑫. 成都理工大学, 2018(01)
- [7]基于Curvelet变换的图像去噪算法研究[D]. 吕雪莹. 哈尔滨工业大学, 2015(03)
- [8]基于PCA的Curvelet变换域图像降噪研究[D]. 刘鸿涛. 安徽大学, 2013(11)
- [9]基于多尺度几何分析的图像去噪算法研究[D]. 王梅. 内蒙古农业大学, 2012(07)
- [10]基于Curvelet变换的图像去噪算法研究[D]. 申阳. 哈尔滨工程大学, 2011(05)