一、模式识别与LUT相结合的误差分散类逆半调方法研究(英文)(论文文献综述)
许可[1](2019)在《基于深度学习的图像逆半调和正则化算法研究》文中研究指明半调技术将连续色调图像转换为二值图像,广泛应用于印刷业。逆半调将二值图像转换为连续色调图像,不仅减少图像中的半色调图案,还提供良好的细节和清晰的边缘,逆半调算法应用广泛。逆半调是一个不适定问题,逆半调算法研究是挑战性与前景并存的研究课题。深度学习发展迅速,越来越多性能优异的基于深度学习图像处理算法被提出,本文基于深度学习对逆半调问题进行求解,提出两种图像逆半调算法。生成对抗网络通过对抗过程训练生成模型,本文提出两种基于有监督GAN的改进图像逆半调算法。(1)结合稠密卷积神经网络和生成对抗网络的优点,提出结合紧密连接模块和有监督GAN的图像逆半调方法,促进特征信息在网络中的传播,加强特征重用,减少参数数量,实现特征提取,提取丰富的特征信息;(2)结合经典残差网络和生成对抗网络的优点,提出结合残差学习和有监督GAN的逆半调算法,生成器中包含若干残差块,残差块中的跳跃连接能缓解梯度消失现象,提升了网络提取特征的能力,更好地完成图像重建任务,结合残差模块的有监督GAN擅长进行特征提取。实验分别在误差分散半调图像和有序抖动半调图像上展开,实验结果表明本文提出的2个改进算法表现良好并且提高了逆半调图像质量,与其他逆半调方法相比具有好的逆半调效果。实验结果说明生成对抗网络没有发生模型坍塌问题,本文提出的两个逆半调算法能够有效地去除半色调图案。此外,本文还研究了深度学习正则化算法。本文依据现有深度学习正则化算法特性,提出如下改进算法:(1)基于AutoAugment、SpatialDropout相结合的正则化算法,(2)基于AutoAugment、SpatialDropout、DropBlock相结合的正则化算法,最后,将两个改进算法分别应用于基线模型Wide-ResNet-28-10上,利用正则化算法避免过拟合问题,通过Tensorflow在两个对象识别基准任务(CIFAR-10和CIFAR-100)上评估我们提出的改进算法,分析研究数据可以挖掘有效信息,仿真结果表明神经网络具有高的预测精度及好的泛化能力。与其他正则化方法相比,实验结果表明两个改进算法的处理效果更好,两个改进算法可用于解决其它相似的分类识别问题。
张燕[2](2017)在《基于机器学习的逆半色调技术研究》文中研究说明半色调图像是为了满足数字连续调图像在硬拷贝设备上输出、在一定距离下观察能够呈现连续调视觉效果而产生的一类数字图像,被广泛应用于印刷业、数字出版业、LED电子显示等领域。由于半色调图像仅包含0或1二个阶调,而现有的图像处理技术大多是针对连续调图像的,例如对图像的旋转、放大缩小、特征提取、分割等,因此如何实现半色调图像的连续调恢复,即逆半色调技术,成为了数字印前系统、半色调图像转换加网、数字化档案管理、印刷图像分类识别等具体应用领域的重要研究课题。本文在逆半色调技术研究方面,主要开展了如下4个方面的工作:1.不同类别的半色调图像可以选择相应的高质量逆半色调方法,由此对半色调图像进行准确分类是逆半色调研究中的一项基础性工作。针对此项工作,本文首次将深度学习应用到逆半色调的研究中,提出了一种基于堆栈稀疏自编码深度网络的半色调图像分类方法,实现了网点抖动、误差扩散、点扩散和直接二值搜索4个类别14种类型的半色调图像的精细化分类。在该方法中同时提出了基于局域熵统计的有效块提取算法,增强了用于半色调图像分类识别的基本单元的表征性,较大程度地提高了半色调图像块分类的准确率,并大幅度提升了半色调图像分类算法的效率。通过在两个公开图像集上测试,实验表明所提出的算法无论是半色调图像分类准确率还是可分类图像类型数量上均高于目前国内外研究结果。2.针对彩色逆半色调LUT算法中颜色通道信息关联恢复的问题,提出了采用超限学习机ELM(Extreme learning machine)进行多颜色通道非空项数值非线性拟合模型,运用获得的模型可估计出彩色LUT表中各颜色通道的空项值。该算法解决了彩色LUT表的构建,不仅提高了表中空值项填充的准确率,也因算法具有极高的运算效率而没有影响LUT逆半色调算法图像转换速度快的突出优势。与已有的基于彩色模版优化LUT算法相比较,采用所提出算法恢复的连续调图像消除了绝大部分空值填充误差所产生的噪声,提升了恢复图像的质量。3.针对逆半色调中异质图像数据空间非线性映射模型构建的问题,提出了一种局域结构聚类和稀疏表示半耦合多字典学习相结合的逆半色调算法,用于解决由半色调图像到连续调图像的不同模态图像恢复问题。所构建的模型能够有效地松弛耦合字典学习中稀疏系数严格相等的约束条件,使半色调图像和连续调图像在各自的数据空间中更加准确地进行稀疏特征表示,同时增强了半耦合字典学习中映射关系的稳定性,提高了特征映射精度。与具有代表性的已有算法相比较,采用所提出算法恢复的连续调图像的峰值信噪比和结构相似度指标绝大部分优于其它算法,人眼视觉观察图像平滑区域去网和边缘结构细节信息恢复两方面均获得了好的视觉效果。4.针对逆半色调图像恢复与重构的模型构建和优化问题,本文首次将深度学习与逆半色调图像恢复相结合,提出了演进式深度学习的逆半色调模型,实现了由半色调图像到连续调图像的端对端的转换。首先通过深度CNN(Convolutional neural network)网络将半色调图像特征表示、连续调图像特征的非线性映射以及连续调图像重构的参数一起进行训练学习,获得由半色调图像初步恢复的连续调图像。在此基础上,再通过引入残差学习策略的深度CNN网络模型去除初步恢复图像中网点或记录点分布特征信息,重构出高质量的连续调图像。实验结果表明,所提出的算法无论是在恢复图像的客观评价还是在人眼视觉观察的主观评价方面性能都有了大幅的提升。
叶德刚[3](2016)在《图像逆半调技术中查找表模板优化方法研究》文中进行了进一步梳理图像半调技术和逆半调技术是图像处理技术的一个边缘分支。将噪声植入连续图像,变为二值图像的过程称之为半调过程,其逆过程称为逆半调过程。查找表法是逆半调技术众多方法中机器学习方法的一种,计算简单、能并行处理是查找表法的优点,因而成为当前逆半调方法的主要技术之一。针对查找表的最优模板选择问题进行深入研究,主要工作如下:1)提出一种基于正交差分进化算法的最佳查找表模板选择方法。针对查找表最优模板选择问题,利用正交差分进化算法来寻找最优模板。建立了带约束的最佳模板选择模型,依据该模型设计了正交实验方案、编码方式、交叉算子、变异算子及约束个体算子、个体评价函数。在差分进化算法的交叉步骤运用正交实验法来提高差分进化算法的种群优化速度从而达到提升收敛速度的效果。最后实验表明,该算法与遗传算法和模拟退火算法相比,有着全局收敛速度快、结果稳定的优点。2)提出一种基于结构相似度的最佳查找表模板选择模型。对于现有的查找表模板选择算法在评判模板坏程度时没有考虑人眼视觉的特性,设计了一种基于人眼视觉特性的模板选择模型。该模型首先利用提升结构的5/3小波将图像分解成四个区域,针对四个区域所保留的图像信息,由于结构相似度是结合人眼视觉的亮度和对比度特性的方法,因此对着四个区域分别采用经典的结构相似度及基于梯度的结构相似度进行评判,最后将评判结果合成为最终结果。实验表明,该模型求得的模板在重建逆半调图像时比较符合人眼的视觉特性。
钟智彦,文志强,叶德刚,杨维,杨凡稳[4](2015)在《半色调图像纹理特征提取方法》文中研究指明提出基于局部二值化模式和像素相关算子的半色调图像纹理特征提取方法,以实现误差分散类半色调图像的分类。该方法是将误差分散类图像先进行局部二值化模式变换,再以任一像素点为中心,取适当的距离提取八个方向的像素相关值作为图像的特征向量,最后将提取的特征通过BP神经网络进行分类。实验结果表明,提出的算法适用于二值图像的特征提取,能够降低局部二值模式的特征维数,提高时间效率和空间利用率;相对灰度共生矩阵算法提出的算法在计算复杂度、识别精度等性能方面都有所改善。
卢永乐[5](2015)在《基于查找表的图像逆半调模板选择方法研究》文中研究说明半调技术将连续色调图像转变为二值图像,大幅降低了图像在打印、印刷和显示等设备上的再现成本。如果图像增强、压缩、缩放等操作要用到半调图像上,那么首先需对其进行逆半调处理。查找表法(LUT)逆半调技术以其计算简单、复杂度低、易于程序化和可并行处理等优势,逐渐成为当前最主要的逆半调技术之一。论文针对影响LUT图像逆半调质量的模板选择问题进行了深入研究,主要研究工作如下:1)提出了一种基于遗传算法的最优LUT模板选择方法。针对传统模板选择方法在求取LUT模板的过程中易陷入局部最优解的问题,提出了一种基于遗传算法的最优模板选择方法。该算法具有高效、全局收敛性强和可并行处理等优点。运用该算法求得的LUT模板大幅改善了逆半调图像的峰值信噪比。2)提出了一种融合遗传算法与模拟退火算法的混合最优LUT模板选择方法。首先针对遗传算法容易出现“早熟”的缺点,文章设计了一种基于模拟退火算法的LUT模板选择方法,并改进了传统模拟退火算法的温度更新方式。在此基础上融合遗传算法整体寻优能力强,模拟退火算法局部搜索精细等优势,提出了一种混合最优模板选择算法。混合算法在求解最优LUT模板过程中,搜索时间较单独采用GA、SA算法的时间长,但该算法求得的LUT模板质量更高,算法稳定,全局寻优能力更强。3)提出了一种基于色彩通道相关的彩色图像LUT逆半调算法。对传统彩色图像LUT逆半调算法进行改进,将传统LUT逆半调算法的单通道模板扩展至三通道模板,充分考虑彩色图像R、G、B三通道之间的色彩相关性。并将混合最优模板选择算法运用至彩色图像LUT逆半调中,用其求取彩色图像的最优LUT逆半调模板。通过实验,验证了基于色彩通道相关的彩色图像LUT逆半调算法比传统彩色图像逆半调算法在客观及人眼视觉上效果更优,色彩还原更真实。
孙东伟[6](2014)在《基于自适应中值滤波的逆半调研究》文中研究说明数字半调是指通过量化操作将连续图像转化为二值图像的技术,而逆半调是半调的逆过程,由半调图像重构成连续图像的过程称为逆半调。现实生活中我们往往只能获取半调图像,如果要对它们进行分类识别、数据压缩、图像增强缩放等处理,就必需先对半调图像做逆半调处理。本文针对灰度图像的逆半调算法和逆半调图像质量评价方法进行了研究,主要研究工作如下:1)提出了一种基于自适应中值滤波的逆半调算法。该算法主要针对快速逆半调算法中中值滤波处理会造成图像细节的损失而进行改进,用自适应中值滤波代替中值滤波对图像进行处理,并且对自适应中值滤波器进行改进。通过判断待处理像素点8个方向梯度的关系来判断噪声点,对于噪声点中脉冲点和非脉冲点采取不同的处理策略,增强了自适应中值滤波器的噪声判定和去除能力,进而提高了快速逆半调算法的细节保留能力。2)提出了一种基于信息熵加权的梯度结构相似度评价指标,该指标将梯度和信息熵两个概念引入到结构相似度理论,并且构造了相应的梯度结构相似度函数来替换原来的结构相似度函数,并对被测图像作n×n分块处理,通过计算每个像素块的信息熵来决定该像素块的权重,实验表明,该方法能够有效评价逆半调图像的细节保留水平。
黄丽君[7](2013)在《基于查找表的图像逆半调方法研究》文中指出图像半调技术给图像的输出降低了再现成本,同时根据半调算法的不同,给图像加入了不同程度的噪声,降低了图像质量。若要对这些半调图像进行增强、压缩、数字化等操作,必须对它们进行重构、还原,即逆半调处理。目前,灰度图像的半调及逆半调技术比较成熟,但随着数码设备的盛行,彩色图像的处理成为主流处理对象。在众多逆半调方法中,查表法是一种容易实现、处理效果较好、存储空间小、且不依赖于任何线性滤波器的机器学习方法。本文对基于查找表的图像逆半调方法研究的主要工作如下。1)优化了经典查找表图像逆半调方法。在优化算法中,选择了优化的训练模板,改进了“空值”估值方法,针对常用“空值”估值法的缺点,提出了一种八邻域动态均值估值法,提高了逆半调图像的质量。2)提出了一种基于色彩分类的图像逆半调方法。该方法改变了传统方法中单向建表的形式,提出了双向建表的思想,并将加入噪声多的连续值存入替补表中,作为“空值”估值的重要依据,该方法所得彩色逆半调图像视觉效果要好,且各项评价指标值均高。3)提出了一种彩色逆半调图像质量评价方法—RGB分量直观评价法。该评价方法由色彩还原程度和色彩还原倾向两个评价指标构成。色彩还原程度反映了逆半调图像与连续图像之间颜色的差异程度;色彩还原倾向反映了逆半调图像颜色还原的倾向方向及程度。这两项指标所得值直观、易懂,且符合人眼视觉。基于查找表的图像逆半调方法充分利用了连续图像的特征及先验知识,减少了逆半调图像信息的损失和失真程度,处理速度也要优于目前其它逆半调算法,具有更高的后续研究价值。
孙东伟,朱文球,文志强[8](2013)在《基于自适应中值滤波的逆半调算法》文中提出针对误差分散半调图像,提出了一种基于自适应中值滤波的逆半调算法。该算法是在传统低通滤波逆半调算法基础上进行改进,先用一个大小为11×11、方差为1.3的高斯低通滤波器对半调图像A进行平滑处理,利用自适应中值滤波器得到图像B,在平滑非脉冲噪声的同时试图保留细节;然后通过带通滤波器得到图像B的边缘,并对边缘进行去噪增强处理,得到边缘图像F;最后把处理后的边缘图像F以一定的增益倍数与图像B进行线性相加,得到最终逆半调图像。试验结果表明,该算法在进行图像平滑的同时有效地保留了图像细节,处理后的图像的峰值信噪比比传统低通滤波方法高,图像的信息熵也有了提高。
张晓杰[9](2013)在《彩色半调图像的3D-DCT变换及压缩算法研究》文中研究表明半调图像作为一种特殊的二值图像被广泛应用于传真、印刷、打印等二值输出领域。目前对半调图像压缩算法的研究大多集中在灰度半调图像上,若采用灰度半调图像压缩算法对彩色半调图像进行分通道压缩,忽略了彩色半调图像通道间的相关性。现有的彩色半调图像压缩算法较少,且存在冗余信息多、适用范围窄、压缩比有限等缺点。针对以上问题,利用三维离散余弦变换的正交性,将彩色半调图像作为一个整体进行三维变换,达到同时去除彩色半调图像的行、列像素间以及各颜色通道间的相关性的目的,再辅以变换后不同频率成分的量化处理,实现图像冗余信息的压缩。因此,本文先对三维离散余弦变换进行了深入的研究,分析了彩色半调图像经三维离散余弦变换后能量的分布特征,在此基础之上提出基于概率的相同系数分布规律的统计方法,并设计了基于概率统计的彩色半调图像压缩算法。实验结果表明,本文算法冗余信息少,适用范围扩大,且压缩比有所提高。
崔文竹[10](2010)在《半调图像的有损压缩算法研究》文中指出半调图像被广泛用于连续色调图像的打印、印刷和显示,为节约图像存储容量和传输时间,以实现快速传输和实时处理,就要减少表示图像的数据量,并且要求解码图像有较好的质量。因此,有必要对半调图像进行压缩。现有半调图像压缩算法较少考虑半调图像特性,有序抖动半调图像呈现周期块状纹理,因此结合矢量量化分块编码的思想对有序抖动半调图像进行有损压缩。但原有矢量量化初始码书算法存在非典型码字、运算量大和空间分布不均匀等欠缺,本文给出一种能在训练集中均匀分布的初始码书生成方法,应用到LBG算法中,并结合无损压缩方法,进行二次压缩。实验表明,新方法压缩比高、实现简单,且解码后图像视觉效果得到明显改善。图像的小波变换以反复分解低频分量的方式进行,半调图像中的细节信息多分布在中、高频段。直接运用传统的小波变换会丢弃半调图像的细节信息,因此考虑对半调图像进行小波包变换压缩编码,重点对常用小波包系数的扫描方式和阈值函数的选取进行了改进,以提高压缩效率。通过实验确定小波包分解层数和小波包函数。仿真实验表明,该算法压缩效果较好。
二、模式识别与LUT相结合的误差分散类逆半调方法研究(英文)(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、模式识别与LUT相结合的误差分散类逆半调方法研究(英文)(论文提纲范文)
(1)基于深度学习的图像逆半调和正则化算法研究(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 研究背景及研究意义 |
1.2 国内外研究历史与现状 |
1.3 本文的主要研究内容 |
第二章 背景知识 |
2.1 图像半色调方法 |
2.1.1 误差分散算法 |
2.1.2 有序抖动算法 |
2.2 图像逆半调算法概述 |
2.3 深度学习 |
2.3.1 深度学习简介 |
2.3.2 批量归一化 |
2.3.3 优化算法 |
2.3.4 正则化算法概述 |
2.4 深度学习模型 |
2.4.1 卷积神经网络 |
2.4.2 稠密卷积神经网络 |
2.4.3 残差网络 |
2.5 基于深度学习的逆半调方法存在的问题 |
2.6 本章小结 |
第三章 基于改进有监督GAN的图像逆半调算法 |
3.1 有监督GAN |
3.1.1 有监督GAN基本原理 |
3.1.2 有监督GAN的训练 |
3.2 模型改进 |
3.2.1 紧密连接模块 |
3.2.2 残差学习 |
3.2.3 损失函数 |
3.3 结合紧密连接模块和有监督GAN的图像逆半调算法设计 |
3.3.1 模型结构 |
3.4 结合残差学习和有监督GAN的图像逆半调算法设计 |
3.4.1 模型结构 |
3.5 本章小结 |
第四章 基于改进有监督GAN的逆半调算法有效性验证 |
4.1 评价指标 |
4.2 实验数据库及实验环境 |
4.3 实验设置 |
4.4 结合紧密连接模块和有监督GAN的逆半调实验结果 |
4.4.1 有序抖动半调图像逆半调实验结果与分析 |
4.4.2 误差分散半调图像逆半调实验结果与分析 |
4.5 结合残差学习和有监督GAN的逆半调实验结果 |
4.5.1 有序抖动半调图像逆半调实验结果与分析 |
4.5.2 误差分散半调图像逆半调实验结果与分析 |
4.6 本章小结 |
第五章 深度学习正则化算法改进 |
5.1 常见类型的正则化算法 |
5.1.1 Dropout算法 |
5.1.2 mixup算法 |
5.1.3 DropBlock算法 |
5.1.4 SpatialDropout算法 |
5.1.5 AutoAugment算法 |
5.2 实验方案 |
5.2.1 理论分析与讨论 |
5.2.2 基于AutoAugment和 SpatialDropout的正则化改进方案 |
5.2.3 基于AutoAugment、SpatialDropout和 DropBlock相结合的正则化改进方案 |
5.3 实验分析 |
5.3.1 实验数据介绍 |
5.3.2 基线模型介绍 |
5.3.3 实验设置 |
5.3.4 实验结果和性能分析 |
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 |
(2)基于机器学习的逆半色调技术研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 论文研究问题的提出 |
1.2 研究现状与存在问题 |
1.2.1 研究现状 |
1.2.2 存在问题 |
1.3 研究思路和方法 |
1.3.1 研究思路 |
1.3.2 研究方法 |
1.4 主要研究内容与文章结构 |
1.4.1 主要研究内容 |
1.4.2 论文组织结构 |
2 逆半色调技术的基本问题 |
2.1 半色调技术 |
2.1.1 半色调技术发展 |
2.1.2 数字半色调算法分类与实现 |
2.1.3 彩色半色调技术 |
2.2 逆半色调基本机理与典型算法评测 |
2.2.1 逆半色调基本机理 |
2.2.2 典型逆半色调算法评测 |
2.3 半色调图像数据集的构建 |
3 基于堆栈SAE深度神经网络的半色调图像分类方法研究 |
3.1 引言 |
3.2 半色调图像特征分析 |
3.3 基于堆栈SAE深度网络的半色调图像分类总体框架 |
3.4 堆栈SAE深度神经网络模型 |
3.4.1 单层稀疏自编码 |
3.4.2 Softmax分类器 |
3.5 半色调图像有效块的提取 |
3.6 半色调图像分类决策 |
3.7 实验及结果分析 |
3.7.1 评价指标 |
3.7.2 网络参数的影响 |
3.7.3 图像块大小的影响 |
3.7.4 图像有效块提取对分类性能的影响 |
3.7.5 半色调图像分类算法结果及分析 |
3.8 本章小结 |
4 基于ELM的多颜色通道联合的彩色图像逆半色调方法 |
4.1 引言 |
4.2 LUT算法中的关键问题分析 |
4.2.1 模版选择 |
4.2.2 映射关系建立 |
4.2.3 空值项填充 |
4.3 基于ELM的多颜色通道联合的彩色逆半色调算法总体框架 |
4.4 基于ELM的多颜色通道联合的彩色逆半色调表的构建 |
4.4.1 彩色LUT表建立 |
4.4.2 基于ELM的多颜色通道联合的空值确定 |
4.5 实验及结果分析 |
4.5.1 ELM前馈神经网络参数确定 |
4.5.2 基于ELM的多颜色通道联合算法对彩色LUT表空值填充性能比较 |
4.5.3 基于ELM的多颜色通道联合的彩色逆半色调算法性能比较 |
4.6 本章小结 |
5 半耦合多字典学习和结构聚类相结合的逆半色调方法研究 |
5.1 引言 |
5.2 SCMDL-SCIH逆半色调算法的总体框架 |
5.3 半耦合多字典学习逆半色调方法 |
5.4 基于图像局域结构的跨模态图像块聚类算法 |
5.5 逆半色调图像恢复 |
5.6 实验及结果分析 |
5.6.1 跨模态图像块聚类性能评价 |
5.6.2 半耦合字典参数确定 |
5.6.3 逆半色调算法结果比较及分析 |
5.6.4 算法迁移性测试与评价 |
5.7 本章小结 |
6 演进式深度学习的逆半色调方法研究 |
6.1 引言 |
6.2 演进式深度学习的逆半色调算法总体框架 |
6.3 半色调图像恢复深度网络模型 |
6.3.1 半色调图像恢复深度网络模型的构建 |
6.3.2 网络训练 |
6.4 深度残差学习去网模型 |
6.4.1 残差学习和训练批归一化处理 |
6.4.2 深度残差去网模型构建与训练 |
6.5 实验及结果分析 |
6.5.1 训练与测试数据及实验环境 |
6.5.2 网络参数实验性设置 |
6.5.3 算法结果分析与比较 |
6.6 本章小结 |
7 总结与展望 |
7.1 工作总结 |
7.2 论文创新之处 |
7.3 展望 |
致谢 |
参考文献 |
在校攻读博士期间的研究成果 |
(3)图像逆半调技术中查找表模板优化方法研究(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 逆半调研究现状及存在的问题 |
1.2.1 逆半调技术研究现状 |
1.2.2 逆半调技术存在的问题 |
1.3 主要内容 |
1.4 组织结构 |
第二章 逆半调相关技术介绍 |
2.1 图像逆半调技术 |
2.1.1 最优化估值法 |
2.1.2 滤波法 |
2.1.3 机器学习法 |
2.2 经典的LUT逆半调方法 |
2.3 LUT模板优化方法研究 |
2.4 逆半调图像质量评估方法简介 |
2.5 本章小结 |
第三章 基于正交差分算法的最佳LUT模板选择研究 |
3.1 差分进化算法概述 |
3.2 正交实验设计 |
3.2.1 正交实验思想 |
3.2.2 正交实验方案设计 |
3.3 基于正交差分进化算法的LUT模板选择 |
3.4 实验结果分析 |
3.5 本章小结 |
第四章 基于结构相似度的最佳LUT模板选择模型 |
4.1 人眼视觉特性介绍 |
4.2 基于结构相似度的最佳LUT模板选择模型 |
4.2.1 基于提升结构的 5/3 小波变换 |
4.2.2 基于灰度图像的结构相似度算法理论 |
4.2.3 基于 5/3 小波的结构相似度模型设计 |
4.3 实验结果分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间主要研究成果 |
致谢 |
(4)半色调图像纹理特征提取方法(论文提纲范文)
1引言 |
2LBP方法 |
3像素相关算子 |
4基于LBP与PCO的特征提取 |
5实验结果及比较 |
5.1实验环境 |
5.2实验结果 |
5.3参数影响 |
5.4时间复杂性分析 |
6结束语 |
(5)基于查找表的图像逆半调模板选择方法研究(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 逆半调技术研究现状及存在的问题 |
1.2.1 逆半调技术研究现状 |
1.2.2 当前研究存在的问题 |
1.3 主要内容 |
1.4 组织结构 |
第二章 数字半调与逆半调技术概述 |
2.1 数字半调技术 |
2.1.1 半调原理及半调特性分析 |
2.1.2 常用半调算法研究 |
2.2 数字图像逆半调技术 |
2.2.1 滤波法 |
2.2.2 最优化估计法 |
2.2.3 机器学习法 |
2.3 逆半调图像质量评价方法 |
2.4 本章小结 |
第三章 基于遗传算法的最优LUT模板选择方法研究 |
3.1 LUT逆半调算法及其影响因素分析 |
3.2 LUT模板的选择 |
3.2.1 模板对LUT逆半调图像质量的影响分析 |
3.2.2 现有的LUT模板选择方法 |
3.3 遗传算法及最优模板选择 |
3.3.1 遗传算法简介 |
3.3.2 基于遗传算法的模板选择方法 |
3.4 实验结果及分析 |
3.5 本章小结 |
第四章 混合最优LUT模板选择方法研究 |
4.1 模拟退火算法及最优模板选择 |
4.1.1 模拟退火算法简介 |
4.1.2 基于模拟退火算法的模板选择方法 |
4.1.3 实验结果及分析 |
4.2 混合最优模板选择算法 |
4.2.1 混合最优模板选择算法 |
4.2.2 实验结果及分析 |
4.3 本章小结 |
第五章 基于色彩通道相关的彩色图像LUT逆半调及其模板选择 |
5.1 彩色图像LUT逆半调算法 |
5.2 基于色彩通道相关的彩色图像LUT逆半调 |
5.3 实验结果及分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 展望 |
参考文献 |
攻读硕士学位期间主要研究成果 |
致谢 |
(6)基于自适应中值滤波的逆半调研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 相关研究背景 |
1.2 国内外研究现状 |
1.3 课题内容及本文工作 |
1.4 论文组织结构 |
第二章 逆半调技术研究 |
2.1 数字半调技术 |
2.2 半调方法的分类 |
2.3 逆半调技术 |
2.3.1 逆半调技术的难点 |
2.3.2 逆半调方法的分类 |
2.4 本章小结 |
第三章 基于自适应中值滤波的逆半调算法 |
3.1 中值滤波与自适应中值滤波 |
3.1.1 中值滤波器 |
3.1.2 自适应中值滤波 |
3.2 改进的自适应中值滤波 |
3.2.1 自适应中值滤波的缺陷 |
3.2.2 基于噪声点判定的自适应中值滤波 |
3.3 基于改进自适应中值滤波的逆半调算法 |
3.3.1 算法流程 |
3.3.2 仿真实验结果及分析 |
3.4 本章小结 |
第四章 基于信息熵加权的逆半调图像质量评价方法 |
4.1 传统图像质量评价方法 |
4.2 现有误差分散类逆半调质量评价方法 |
4.3 基于信息熵加权的图像质量评价 |
4.3.1 结构相似度评价模型 |
4.3.2 基于信息熵加权的梯度结构相似度 |
4.3.3 仿真实验及结果分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 课题展望 |
参考文献 |
攻读硕士学位期间主要研究成果 |
致谢 |
(7)基于查找表的图像逆半调方法研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 逆半调技术研究现状 |
1.2.1 逆半调技术的研究现状 |
1.2.2 逆半调技术存在的问题 |
1.3 主要研究内容 |
1.4 论文的组织结构 |
第二章 相关技术 |
2.1 数字图像半调技术 |
2.1.1 半调技术简介 |
2.1.2 半调图像噪声分布 |
2.2 数字图像逆半调技术 |
2.3 图像质量评价技术 |
2.4 本章小结 |
第三章 基于 LUT 的图像逆半调方法优化研究 |
3.1 LUT 进行图像逆半调的经典算法 |
3.2 基于 LUT 的图像逆半调算法优化 |
3.2.1 模板选择 |
3.2.2 建表 |
3.2.3 空值估值 |
3.2.4 实验结果及分析 |
3.3 本章小结 |
第四章 基于色彩分类存储的图像逆半调方法 |
4.1 彩色半调图像与灰度半调图像的共性与区别 |
4.2 基于 LUT 的彩色图像逆半调 |
4.3 基于色彩分类存储的图像逆半调方法 |
4.4 实验结果及分析 |
4.5 本章小结 |
第五章 基于 RGB 分量的彩色逆半调图像质量评价方法 |
5.1 常用的彩色图像质量评价方法 |
5.2 基于 RGB 分量的彩色逆半调图像质量评价方法 |
5.3 实验结果及分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 展望 |
参考文献 |
攻读硕士学位期间主要研究成果 |
致谢 |
(8)基于自适应中值滤波的逆半调算法(论文提纲范文)
0 引言 |
1 传统低通滤波算法 |
2 算法设计 |
2.1 自适应中值滤波器构造 |
2.2 算法流程 |
3 仿真试验 |
4 结语 |
(9)彩色半调图像的3D-DCT变换及压缩算法研究(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 |
1.3 论文的主要工作和组织结构 |
2 数字半调技术及其特性 |
2.1 灰度半调图像 |
2.1.1 灰度图像半调方法 |
2.1.2 灰度半调图像特点 |
2.2 彩色半调图像 |
2.2.1 颜色空间 |
2.2.2 彩色图像半调方法 |
2.2.3 彩色半调图像特点 |
3 三维离散余弦变换及其能量分布规律 |
3.1 二维离散余弦变换 |
3.1.1 二维离散余弦变换原理 |
3.1.2 基于二维 DCT 变换的 JPEG 压缩标准 |
3.2 三维离散余弦变换 |
3.2.1 三维运算的基本定义及运算规则 |
3.2.2 三维离散余弦变换的正反变换 |
3.3 三维离散余弦变换方法 |
3.4 三维离散余弦变换的能量分布规律 |
3.4.1 常用的扫描方法 |
3.4.2 传统方法扫描后的能量分布规律 |
3.4.3 基于概率统计的能量分布规律 |
4 基于概率统计的彩色半调图像 3D-DCT 压缩算法 |
4.1 基于概率统计的彩色半调图像 3D-DCT 变换压缩算法 |
4.1.1 算法思路及框架设计 |
4.1.2 彩色半调图像预处理 |
4.1.3 彩色半调图像的 3D-DCT 变换 |
4.1.4 统计相同变换系数的位置分布特征 |
4.1.5 解压图像的信息完整性分析 |
4.1.6 算法实现 |
4.2 实验结果及分析 |
4.2.1 算法压缩性测试 |
4.2.2 算法适用性测试 |
5 总结与展望 |
致谢 |
参考文献 |
研究成果 |
附录 A 第三章实验结果图 |
(10)半调图像的有损压缩算法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题简介 |
1.2 课题背景及研究意义 |
1.3 论文的研究内容和结构 |
2 典型数字半调方法及图像特征概述 |
2.1 数字半调技术 |
2.2 有序抖动法及其半调图像特性 |
2.3 误差分散法及其半调图像特性 |
3 矢量量化有序抖动半调图像压缩算法 |
3.1 矢量量化 |
3.1.1 矢量量化基本原理 |
3.1.2 LBG算法中初始码书生成方法 |
3.2 矢量量化有序抖动半调图像压缩算法 |
3.2.1 算法设计 |
3.2.2 初始码书的改进 |
3.2.3 码书的训练 |
3.2.4 Huffman编码 |
3.3 算法仿真及实验结果 |
3.3.1 图像压缩质量客观评价 |
3.3.2 实验及结果 |
4 小波包半调图像压缩算法 |
4.1 小波包变换简述 |
4.1.1 双正交小波包 |
4.1.2 双正交小波包的分解与重构算法 |
4.2 基于最优小波包基的压缩算法 |
4.2.1 小波包分解层数和小波包函数的确定 |
4.2.2 最优小波包结构的选择 |
4.2.3 系数扫描方式及阈值方法改进 |
4.2.4 算法实现 |
4.3 实验结果分析及评价 |
4.3.1 小波包压缩图像评价方法 |
4.3.2 算法结果 |
结束语 |
致谢 |
参考文献 |
研究成果 |
四、模式识别与LUT相结合的误差分散类逆半调方法研究(英文)(论文参考文献)
- [1]基于深度学习的图像逆半调和正则化算法研究[D]. 许可. 西安电子科技大学, 2019(02)
- [2]基于机器学习的逆半色调技术研究[D]. 张燕. 西安理工大学, 2017
- [3]图像逆半调技术中查找表模板优化方法研究[D]. 叶德刚. 湖南工业大学, 2016(05)
- [4]半色调图像纹理特征提取方法[J]. 钟智彦,文志强,叶德刚,杨维,杨凡稳. 计算技术与自动化, 2015(03)
- [5]基于查找表的图像逆半调模板选择方法研究[D]. 卢永乐. 湖南工业大学, 2015(01)
- [6]基于自适应中值滤波的逆半调研究[D]. 孙东伟. 湖南工业大学, 2014(01)
- [7]基于查找表的图像逆半调方法研究[D]. 黄丽君. 湖南工业大学, 2013(06)
- [8]基于自适应中值滤波的逆半调算法[J]. 孙东伟,朱文球,文志强. 湖南工业大学学报, 2013(04)
- [9]彩色半调图像的3D-DCT变换及压缩算法研究[D]. 张晓杰. 西安建筑科技大学, 2013(06)
- [10]半调图像的有损压缩算法研究[D]. 崔文竹. 西安建筑科技大学, 2010(10)