一、一种基于遗传算法的图像分形压缩方法(论文文献综述)
包馨[1](2021)在《“分形视距”纹理压缩与彩色多边形纹理集成的三维模型可视化方法》文中指出纹理数据是构建城市真三维模型过程中的重要组成部分,通常会占用大量内存,导致三维模型难以实现流畅稳定的动态可视化,因此,对纹理数据进行有效组织与调度已成为目前国际地理信息科学领域的重要和热点研究内容之一。本文针对目前国内外三维模型可视化中纹理数据及其组织的研究现状,提出了“分形视距”(FVD)纹理压缩与彩色多边形纹理集成的三维模型可视化方法。该方法能够用较少纹理数据表示出建筑物的视觉特征,极大提高了大场景三维模型可视化的渲染效率和速率,具有较大的研究价值。本文提出的“分形视距”(FVD)纹理压缩与彩色多边形纹理集成的三维模型可视化方法主要工作有以下几个方面:首先,本文针对目前国内外纹理压缩和数据管理现状,对FVD模型理论及数学基础进行介绍,重点分析了现有基本分形编码算法及其优缺点,阐述本文根据三维模型可视化中视点位置和距离进行纹理压缩的必要性。其次,根据视距及目标立面的可见性情况提出了“分形视距”纹理压缩及彩色多边形纹理组织方法。当视距满足纹理调用条件且目标立面可见时,对纹理数据进行动态迭代解压,并确定纹理重采样次数以创建多分辨率纹理数据;当视距不满足纹理调用条件但目标立面可见时,利用纹理分割算法创建颜色纹理树,通过合并节点生成彩色多边形来表示建筑立面纹理。基于三维模型数据的构成,以及对比总结现有空间数据存储结构的优缺点,本文利用关系数据库实现对建筑物纹理数据的高效存储和快速调用。然后,介绍了三维模型的纹理映射算法,并基于AABB包围盒的视锥裁剪方法,提出了FVD纹理动态调度方案。该方法根据最初视点位置和视线方向加载场景数据,当视点不断变化时,进行条件判断并调用相应的纹理数据,若三维建筑模型在视椎体外部,则不需要渲染该模型数据;若目标建筑立面不可见,则需要剔除此建筑立面,再根据视角和距离调用相应分辨率纹理或者彩色多边形纹理,完成三维建筑模型的动态可视化。最后,针对本研究提出的方法,利用两个研究区建筑纹理数据进行了实验。并且分别使用3ds Max、Sketch Up和本文提出的方法对实验结果从内存占用和帧速率两方面进行对比分析。实验结果显示,本方法和3ds Max、Sketch Up Pro相比,在研究区1中分别减少了约33.1%和37.2%的内存占用,帧速率分别提高了约8.4%和11.1%;在研究区2中分别减少了约36.5%和30.9%的内存占用,帧速率分别提高了约7%和10.9%。
吴岸雄[2](2021)在《分形压缩算法在图像处理中的应用》文中进行了进一步梳理本文首先介绍传统图像分形压缩技术的发展,由于分形图像中的子块匹配过程非常的费时,因此在前人的基础上,通过分析影响子块匹配速度的相关因素,提出了使用遗传算法来提高分形压缩性能的思想。实验结果说明分形压缩编码在保证图像压缩快速性的同时,重建图像与原图的差别比较小。
白伟玲[3](2020)在《图像序列的快速分形压缩方法研究》文中进行了进一步梳理图像压缩一直是计算机视觉领域的基础问题。其中,分形压缩算法是一种有损图像压缩方法。该算法具有很多优势,如压缩比高、重构不受尺度限制、解码速度快等。但是,现有的分形图像压缩算法仅面向二维图像,对三维图像和二维图像序列的研究比较少。由于三维图像和连续图像序列均存在较强的自相似性,使用分形方法对其进行压缩具备了很好的理论和应用前景。因此本文提出了基于分形的快速压缩连续图像序列的方法。首先,根据时空相似性分割图像序列。图像序列是一种非结构化的数据,它不仅有空间属性而且具有时间属性。在对图像序列压缩之前,可以根据时空相似性将图像序列切分成一个个相互独立的片段。在得到所有图像的颜色直方图后,采用巴氏距离对直方图的相似度进行计算。若两帧图像的相似度大于某一预先设定的阈值,则认为在这两帧图像之间发生很大的变化,因此将二者分在不同的图像片段中。其次,提取一种图像块的自身特征,使得基于图像块自身特征的计算过程取代传统分形压缩中两类图像块的相互计算过程,从而降低计算复杂度。根据图像块自身特征将定义域块进行分类,即通过设定特征值的阈值划分定义域块类。得到所有定义域块类后,计算每个值域块到定义域块类中心的距离,选择距离最小的类进行匹配搜索,使得每个值域块只需在某一类定义域块中寻找最优匹配块。最后,本文对提出的方法分别在两个数据集上进行了实验。(1)以Walter Cronkite moving head、Chemical plant flyover(close view)和Chemical plant flyover(far view)这三个标准灰度图像序列为例进行测试。(2)以ADNI数据集中的MRI图像序列为例进行测试。实验结果表明,我们的方法不仅能有效地降低由于体积问题对压缩图像序列所造成的影响,同时解决了由于定义域块过多造成的压缩时间过长的问题。
牛天婵[4](2019)在《基于分形与特征向量法的快速分形图像压缩编码算法》文中认为信息时代,巨大的数据信息量成为社会的主要特征之一,大量数据信息如何存储问题也日益受到社会的关注。因此,作为方便数据信息存储的核心技术之一的图像压缩技术成为众多学者的主要研究方向,同时,分形图像压缩技术因其所实现的高压缩比成为极具优势的图像压缩技术之一。然而,传统的分形图像压缩编码算法需要消耗大量时间,这严重阻碍了分形理论在图像压缩领域的实际运用。针对这一弊端,文中提出了基于特征向量和分形理论的四种新算法,提高编码速度,提高解码图像的质量。主要研究过程如下:(1)通过对分形算法和特征算法的研究,文中提出四线和特征的编码算法,该算法根据匹配均方根误差与四线和特征值之间的关系,将全局搜索转化为局部搜索(近邻搜索),限定搜索空间,减少定义域块的搜索。仿真实验结果表明:该算法解码图像在客观质量上优于1-范数特征算法;与基本分形编码算法相比,四线和特征算法不改变重构图像的主观质量,但在编码速度上却得到极大提高。(2)针对四线和特征算法解码图像客观质量不够理想的问题,提出子块均点特征算法,减少图像块像素点信息的缺失。将文中算法分别与五点和特征算法、1-范数特征算法、欧式比特征算法以及双交叉算法进行比较,仿真结果表明,文中算法在时间稍逊的情况下,文中算法在客观质量上更优。(3)通过对分形算法和特征算法的研究,文中提出一种新算法。该算法利用方差来反映不同图像块之间的信息,并且取图像块子块与父块间的方差比来反映图像不同部分的信息。经过理论证明与实验仿真可知,该算法不仅在编码速度上优于基本分形编码算法,在解码图像质量上也优于1-范数特征算法。(4)通过对分形算法和特征算法的研究,文中提出了单位欧式积分形算法,该算法不仅将全搜索变为局部搜索,更充分反映了子块与父块之间的联系。仿真实验表明,文中算法在编码速度上比传统分形编码算法加快近100倍,并且文中算法的PSNR值也优于1-范数特征算法。
范靓[5](2016)在《基于遗传算法和深度学习的分形图像压缩算法的研究》文中研究指明图像压缩是图像传输前的重要过程,是提高存储效率和对信息实现高效传输的重要组成。本文研究的分形图像压缩算法,能够在保证重构图像的清晰度与分辨率的同时,提高图像的压缩比。但该方法依然存在两类问题,其一是在编码过程中过度追求最佳匹配块,需要在码本空间中逐一搜索而导致的编码速度慢。其二是图像块分割方式固定和图像块变换方式过少而影响解码图像质量的缺点。本文分析了基本分形图像压缩算法存在的不足,并展开以下方面研究:1、根据分形图像压缩中对图像块进行匹配和搜索时间过长的缺点,提出一种将非线性迭代函数和改进遗传算法相结合的分形图像压缩新方法。该方法引入非线性迭代函数系统,增强了图像构建能力,提高图像质量。同时利用改进的遗传算法在配搜索过程中获取最佳的压缩仿射变换参数,并参考压缩迭代定理确定迭代次数,进一步提高参数的全局搜索能力和匹配的准确度,缩短搜索时间。2、迭代函数系统作为分形图像的压缩基础,在图像的重构过程中起到重要作用。在图像重构阶段值域块和定义域块的匹配精度不仅影响图像的压缩比的大小,而且对重构图像的质量有着极高的影响。本文将深度卷积神经网络与分形压缩算法相结合,提出新的图像块分类和搜索方案。该算法不仅能够缩短图像的编码时间,而且能够大大提高解码图像的质量,同时利用GPU技术可以大大缩短图像压缩时间。并在其后的试验中改进了卷积神经网络的结果,以提高人脸图像在压缩后的重构质量。本文的主要工作如下:1.介绍了分形图像压缩编码的发展现状。2.介绍了分形图像压缩编码的数学原理和基本方法3.提出一种基于改进遗传算法和非线性迭代函数系统的图像压缩算法,并验证了该算法的有效性。4.提出一种基于深度学习的图像块分类方案,并应用在分形图像压缩编码中,并验证该算法的可行性。5.提出了针对卷积神经网络的改进,提高对人脸图像的重构质量。仿真结果表明,采用了本文提出的两种改进的基本分形图像压缩方法,不仅能够缩短图像的编码时间,而且能够大大提高解码图像的质量和图像压缩效率。
胡守祥[6](2016)在《水声图像分形压缩编码技术研究与实现》文中研究表明随着计算机技术、通信技术和互联网技术的发展,人们每天都通过电脑、移动终端设备接受和发送大量的信息。以图像为代表的多媒体信息虽然直观,所携带的信息量大,但是其数据量很大,需要的存储空间不容小觑。已有的存储设备已经不能满足越来越多的多媒体信息的存储要求,图像压缩是解决图像传输和存储的主要途径之一。分形压缩编码技术正是图像编码压缩技术的代表,这种编码方法思想新颖,所得压缩比高,解码速度快且所得的解码图像质量与分辨率无关,但是由于编码计算复杂,编码时间较长。致使分形编码技术还没有被人们普遍接受,限制了其应用的范围,分形编码这些不足正是促使科学家和学者不断研究的动力,目前已经有大量的分形编码快速算法被提出来。水声图像是人们获取水下地形和目标的有效途径,随着声成像技术的不断发展,人们对水声图像的需求也越来越大,由于水下环境的特殊性,导致水声图像分辨率很低,水下目标甚至会由于水下的噪声和混响淹没在背景中,而且图像的有效内容多是海底地形,水下的小目标等,所以分形法压缩算法非常适合这些非规则的目标,压缩处理这类图像,获得的压缩比会很高。本文将分形法图像压缩处理方法引入到水声图像的处理系统中,与传统图像压缩方法相比,新算法在保证水声图像一定质量的前提下,获得更高的图像压缩比。将分形算法与哈夫曼编码、预测编码和离散余弦变换编码进行比较。对基于控制分割图像块尺寸减少码本块的快速分形算法实验验证,分析码本块数量和分割图像块的尺寸对分形编码时间和解码时间的影响,研究了分形迭代次数与解码图像质量的关系。对基于灰度差的快速分形算法进行了研究,该算法以图像块的灰度差作为匹配块的剔除条件,并且引入两个控制参数,起到控制图像编码速度和质量的作用,该算法在处理水声图像上取得了较好的压缩效果。在此基础上,以图像块横纵方差比值为约束条件,找到一个新的剔除条件进一步缩小码本块范围,弥补已有算法匹配运算量大、编码时间长的不足,新算法在保证一定的重建图像质量前提下,提高了编码速度。为了进一步提高水声图像的解码质量,对水声图像进行编码预处理,通过实验研究均值滤波、高斯滤波和维纳滤波对水声图像的处理能力,通过实验数据表明,这3种滤波器能够有效提高水声图像分形压缩编码重构图像的质量,提高了重构图像的信噪比,其中经维纳滤波预处理后,得到的分形解码水声图像信噪比最高,加入高斯滤波预处理的水声图像编码时间最短。论文最终实现了对水声图像快速分形压缩处理功能,验证了新算法对水声图像分形压缩处理的可行性和有效性。
夏雷[7](2014)在《分形图像压缩算法及应用研究》文中认为数字图像作为最常见的信息存储方式和表现形式生动而直观,然而数字图像的数据量非常庞大,必须经过有效的压缩,才能满足数字图像的高速传输和存储。目前图像压缩编码方法已有上百种,并制定了诸如JPEG, MPEG及H.26X等国际标准,但是很多传统的压缩算法存在压缩比较低,解码图像质量较差等缺点,在压缩图像质量、压缩比以及编解码时间等方面还远不能满足实际应用的需求。分形图像压缩方法是近十几年发展起来的一种新型图像压缩算法,它作为一种思想新、潜力大、发展快、压缩比高、解压速度快的图像压缩编码方法,受到了广泛的关注。分形图像编码虽然具有以上诸多优点,但是在无人工干预的情况下其编码非常耗时,这极大地限制了它的发展。本文主要针对它的这个缺点,深入研究了在保证解码图像质量的同时如何减少编码时间的问题。本文主要工作有以下三个方面:(1)在经过比较值域块与定义域块问的相似性以及通过大量的有搜索算法实验后,根据规律对值域块R的最优匹配定义域块D的可能位置进行分析,提出一种自适应无搜索分形图像压缩编码。这种方法通过指定特殊定义域块作为匹配块而不需要进行搜索,使编码速度加快;并且该方法采用值域块自适应分解和组合的方式,解决了部分值域块不能匹配及无搜索方法压缩比不高的问题。最后通过实验表明本文方法优于有搜索分形图像压缩方法和标准JPEG方法。(2)在分析灰度图像分形压缩算法和真彩色图像RGB颜色模型的基础上,提出了一种真彩色图像分形压缩改进方法。该改进方法提出了一种新的彩色图像灰度化方法:中间值法。并且该改进方法利用R、G、B颜色分量相似性将需要搜索和存储的3个颜色分量匹配块(SFC方法)减少为1个,加快了图像压缩速度,提高了图像压缩比。(3)将真彩色图像的像素看做三维向量并进行分析,提出了另一种真彩色图像分形压缩改进方法。该改进方法引入向量相似度概念,并将三维数组中利用向量相似度来衡量误差转换到二维数组中用距离来衡量误差,根据误差来搜索最佳匹配块。最后通过实验表明,两种改进方法都优于SFC方法和JPEG方法。
陈永强[8](2013)在《非线性图像水印理论与技术综述》文中指出针对图像水印应满足隐蔽性、鲁棒性和安全性等基本特性的要求,运用非线性科学中的混沌、分形等理论,围绕非线性图像水印概念,全面概括总结了混沌、分形、神经网络和遗传算法等非线性理论与技术在非线性图像水印中的研究现状。
赵敏[9](2013)在《基于图像不规则区域的分形压缩算法研究与改进》文中研究说明计算机技术与网络的飞速发展,尤其是多媒体技术的发展,给我们带来方便与视觉享受的同时,也使我们面临着如何降低存储和传输大容量图像信息成本的问题这就需要在保证不影响视觉感受的前提下,对这些图像信息进行有效地压缩然而传统编码方法存在许多缺点,如高压缩比时恢复图像出现严重的方块效应等为此,人们提出了许多新的编码方案,其中分形压缩算法因具有高压缩比分辨率无关性解码快速等优越性成为一个研究热点但自动图像分形压缩算法在编码时间压缩比以及压缩效果等方面仍不够理想,因此找到分形编码实现的快速算法,或者对分形块压缩方法作出重大改进具有重要的理论意义和实用价值本文首先介绍了分形压缩的研究背景和意义及其研究现状,阐述了分形压缩的基本原理和数学理论基础,对目前主要分形压缩的改进算法以及不规则区域分割编码技术的原理关键技术简要概述;并结合不规则区域分割编码技术提出一种PCNN-GRAY算法,在分形压缩过程中,该算法首次将脉冲耦合神经网络(PCNN,Pulse Coupled NeuralNetwork)分割算法引入分形压缩,根据PCNN分割后所得二值图像的灰度值和原图像的灰度值两个特征联合分类,在尽量保证解码图像质量的前提下,大幅度缩小了搜索匹配范围,减小了编码时间;然后在PCNN-GRAY算法基础上进行改进,提出一种基于图像复合特征分类的分形压缩算法,实验结果证明,与PCNN-GRAY算法相比,本文算法能够进一步减少编码时间;最后针对提出算法中出现的块效应,本文进行了分类重叠和平滑处理,有效地消除了块效应
吴晓燕[10](2010)在《基于分形的快速图像压缩算法的研究》文中研究指明随着计算机技术和多媒体技术的发展,越来越多的数字信息需要存储和传输,为了更高效的存储和传输这些信息,数据压缩显得越来越重要,本文研究的就是图像压缩中的分形图像压缩编码。分形图像压缩编码以高压缩比、分辨率无关性和快速解码等优点受到很多学者的关注,但编码时间过长的缺点,限制了它的广泛应用和进一步发展。本文对分形图像压缩做了深入的研究,首先介绍了图像压缩的背景和研究现状,并给出了分形图像压缩的相应介绍。在随后的章节里对分形压缩的基本原理和基本分形算法进行了详细的讨论,针对分形压缩过程中编码时间过长的缺点,本文对基本分形图像压缩改进算法进行了相关的研究,简要阐述了当前算法改进的主要方向和各自的优缺点。在此基础上,本文提出了两种改进算法:1.利用码本块的可分类性,提出一种基于子块特征分类的快速分形图像编码压缩算法。改进算法首先给出一种新的子块特征--相对差,并利用子块的相似特征,将基本分形图像压缩的全局码本块搜索过程,转化为在相对差意义下的最近邻搜索,在搜索过程中只搜索与值域块相对差相近的码本块,减少了搜索范围,能够在少量码本块中完成最佳匹配块的匹配,实现编码速度的提高。2.将分形图像编码和遗传算法相结合,提出一种基于遗传算法的快速编码方法。目前,虽然对基本分形图像压缩的改进研究取得很大的进展,但是单纯的分形压缩研究还不能满足分形编码的广泛应用的需求。在当前分形压缩和遗传算法结合的混合算法的基础上,本文提出一种遗传算法和分形压缩结合的改进算法。利用改进遗传算法的最优解搜索能力替代分形图像压缩中复杂的块匹配过程,并结合对比度因子的约束限定遗传算法的搜索空间,极大地缩短编码时间。
二、一种基于遗传算法的图像分形压缩方法(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、一种基于遗传算法的图像分形压缩方法(论文提纲范文)
(1)“分形视距”纹理压缩与彩色多边形纹理集成的三维模型可视化方法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究现状 |
1.2.1 纹理图像压缩方法研究现状 |
1.2.2 三维场景数据存储及组织研究现状 |
1.2.3 三维模型可视化研究现状 |
1.3 研究内容及论文结构 |
第2章“分形视距”(FVD)模型理论及数学表示 |
2.1 FVD纹理压缩理论基础 |
2.1.1 仿射变换 |
2.1.2 度量空间 |
2.1.3 压缩映射定理 |
2.1.4 迭代函数系统 |
2.1.5 拼贴定理 |
2.2 基本分形压缩原理与实现 |
2.2.1 编码阶段 |
2.2.2 解码阶段 |
2.3 本章小结 |
第3章 FVD纹理压缩与彩色多边形纹理的组织方法 |
3.1 FVD多分辨率纹理生成 |
3.1.1 基于四叉树的分形纹理压缩 |
3.1.2 FVD多分辨率纹理解码 |
3.2 彩色多边形纹理的生成 |
3.2.1 纹理多边形分割 |
3.2.2 颜色纹理树的创建 |
3.3 纹理数据存储方法 |
3.3.1 数据库设计 |
3.3.2 纹理存储方式 |
3.4 本章小结 |
第4章 三维场景数据的动态调度机制 |
4.1 纹理映射算法 |
4.2 数据动态调度方法 |
4.2.1 视椎体纹理剔除算法 |
4.2.2 包围盒构建方法 |
4.2.3 基于AABB包围盒的视锥裁剪方法 |
4.2.4 纹理动态调度 |
4.3 本章小结 |
第5章 实验结果与分析 |
5.1 测区概况与实验数据 |
5.2 纹理预处理 |
5.2.1 创建FVD多分辨率纹理 |
5.2.2 生成彩色多边形纹理 |
5.3 三维模型动态可视化 |
5.4 实验对比分析 |
5.5 本章小节 |
第6章 结论与展望 |
6.1 总结 |
6.2 创新点 |
6.3 展望 |
参考文献 |
申请学位期间的研究成果及获奖情况 |
致谢 |
(3)图像序列的快速分形压缩方法研究(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 图像序列压缩面临的挑战 |
1.3 研究内容 |
1.4 论文结构 |
第二章 相关工作 |
2.1 分形图像压缩 |
2.2 视频序列压缩 |
2.3 医学图像压缩 |
2.4 小结 |
第三章 基于时空相关性分割图像序列 |
3.1 时空相关性 |
3.1.1 时空相关性的定义 |
3.1.2 图像序列中的时空相关性 |
3.2 图像序列分割基本流程 |
3.2.1 颜色直方图提取 |
3.2.2 区分度计量选取 |
第四章 基于分形的快速图像序列压缩算法 |
4.1 提取图像块特征 |
4.1.1 图像块特征确定 |
4.1.2 匹配池扩大 |
4.2 图像块分类 |
4.2.1 定义域块分类 |
4.2.2 值域块分类 |
4.3 快速分形图像压缩算法 |
4.3.1 传统二维图像序列压缩算法 |
4.3.2 传统三维图像压缩算法 |
4.3.3 快速分形图像序列压缩算法 |
第五章 实验及分析 |
5.1 数据集及评价指标介绍 |
5.2 标准灰度图像集实验分析 |
5.2.1 分割结果 |
5.2.2 单帧压缩与连续帧压缩 |
5.2.3 分形图像压缩算法和AVQIS算法的比较 |
5.3 ADNI数据集实验分析 |
5.3.1 分割结果 |
5.3.2 单层压缩与连续层压缩 |
5.3.3 分形图像压缩算法与BWT–MTF算法的比较 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 未来展望 |
参考文献 |
致谢 |
攻读硕士期间发表的学术论文 |
(4)基于分形与特征向量法的快速分形图像压缩编码算法(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 图像质量的性能评价 |
1.2.3 图像编码技术的新方法简介 |
1.3 文章结构安排 |
第二章 分形及分形图像压缩编码 |
2.1 分形 |
2.1.1 分形几何 |
2.1.2 分形举例 |
2.2 分形图像压缩编码中的分形理论 |
2.2.1 度量空间、分形空间 |
2.2.2 压缩映射及仿射变换 |
2.2.3 迭代函数系统及拼贴定理 |
2.3 基本分形图像压缩编码算法 |
2.3.1 基本分形图像压缩编码算法简介 |
2.3.2 传统的分形算法的主要步骤 |
2.4 本章小结 |
第三章 四线和分形图像压缩编码算法 |
3.1 四线和特征算法 |
3.2 算法分析及描述 |
3.2.1 算法分析 |
3.2.2 算法描述 |
3.3 算法实验仿真 |
3.3.1 实验参数选取 |
3.3.2 实验仿真结果比较 |
3.4 本章小结 |
第四章 子块均点分形图像压缩编码算法 |
4.1 算法理论基础 |
4.2 算法分析及描述 |
4.2.1 算法分析 |
4.2.2 算法描述 |
4.3 实验仿真 |
4.3.1 实验仿真结果数据表 |
4.3.2 仿真实验结果图 |
4.4 本章小结 |
第五章 单位欧式积分形图像压缩编码算法 |
5.1 算法理论基础 |
5.2 算法分析与描述 |
5.3 仿真实验 |
5.4 本章小结 |
第六章 方差比分形图像压缩编码算法 |
6.1 方差比算法 |
6.1.1 算法理论依据 |
6.1.2 算法实现 |
6.2 仿真实验 |
6.3 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 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)基于遗传算法和深度学习的分形图像压缩算法的研究(论文提纲范文)
摘要 |
abstract |
1 引言 |
1.1 图像压缩概述 |
1.2 分形图像压缩的历史 |
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 存在问题及发展方向 |
1.5 本论文研究内容及目标 |
1.6 本章小结 |
2 分形理论中的基本概念 |
2.1 分形几何学 |
2.2 分形图像压缩的数学基础 |
2.2.1 度量空间 |
2.2.2 仿射变换 |
2.2.3 拼贴定理 |
2.2.4 迭代函数系统 |
2.2.4.1 确定性迭代 |
2.2.4.2 随机迭代算法 |
2.3 基本分形图像编码方法 |
2.4 图像压缩的性能指标 |
2.5 实验环境与参数设置 |
2.6 本章小结 |
3 基于非线性变换和改进遗传算法的分形图像压缩算法 |
3.1 遗传算法 |
3.1.1 染色体描述 |
3.1.2 适应度函数选择 |
3.1.3 交叉和变异概率及位置 |
3.2 改进算法 |
3.2.1 非线性迭代函数系统 |
3.2.2 区间选择策略 |
3.2.3 终止条件 |
3.3 仿真测试与分析 |
3.3.1 实验环境与参数设置 |
3.3.2 试验结果及分析 |
3.4 本章小结 |
4 基于深度卷积神经网络的分形图像压缩算法 |
4.1 深度卷积神经网络原理 |
4.1.1 卷积神经网络 |
4.1.2 卷积神经网络结构 |
4.1.3 卷积神经网络的训练过程 |
4.2 基于深度卷积神经网络的分形图像压缩算法 |
4.2.1 图像块聚类规则 |
4.2.2 图像块匹配规则 |
4.3 代码框架选择及流程 |
4.4 实验与分析 |
4.4.1 实验环境与参数设置 |
4.4.2 试验结果及分析 |
4.5 本章小结 |
5 改进的用于人脸图像压缩的分形图像算法 |
5.1 改进算法 |
5.1.1 卷积神经网络的双通道网络结构 |
5.1.2 BP算法及改进 |
5.2 卷积网络结构及设置 |
5.3 实验与分析 |
5.3.1 实验环境与参数设置 |
5.3.2 试验结果及分析 |
5.4 本章小结 |
6 结论及展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
(6)水声图像分形压缩编码技术研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究的目的和意义 |
1.2 分形图像编码技术的发展 |
1.3 分形图像压缩算法的研究热点 |
1.4 衡量图像压缩方法性能的标准 |
1.5 本文的主要工作及内容安排 |
第2章 常见图像编技术介绍 |
2.1 概论 |
2.2 图像压缩编码 |
2.2.1 哈夫曼编码 |
2.2.2 预测编码 |
2.2.3 变换编码 |
2.2.4 新一代图像压缩编码技术 |
2.3 实验结果与数据分析 |
2.4 本章小结 |
第3章 基本分形图像编码技术 |
3.1 分形编码的几个基本概念 |
3.2 基本分形算法的理论基础 |
3.3 基本分形算法实现的具体步骤 |
3.3.1 分形图像编码过程 |
3.3.2 分形图像解码过程 |
3.4 实验结果与数据分析 |
3.5 本章小结 |
第4章 水声图像分形压缩处理快速算法 |
4.1 基于灰度差的分形算法理论基础 |
4.2 算法的具体实现步骤 |
4.3 实验结果与数据分析 |
4.4 基于灰度差分形算法的改进算法 |
4.5 实验验证和结果分析 |
4.6 基于预处理的水声图像分形压缩编码技术 |
4.7 本章小结 |
结论 |
参考文献 |
致谢 |
(7)分形图像压缩算法及应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 图像压缩编码概述 |
1.1 图像压缩编码的必要性及可能性 |
1.2 图像压缩编码的分类 |
1.3 图像压缩国际标准及分形图像压缩发展历程 |
1.3.1 图像压缩国际标准 |
1.3.2 分形图像压缩发展历程 |
1.4 分形图像压缩编码的研究现状与发展趋势 |
1.4.1 研究现状 |
1.4.2 发展趋势 |
1.5 本文的主要工作及内容安排 |
第2章 分形图像压缩编码技术分析 |
2.1 分形学概述 |
2.2 分型图像压缩编码理论基础 |
2.2.1 压缩仿射变换 |
2.2.2 压缩映射定理 |
2.2.3 迭代函数系统定理 |
2.2.4 拼贴定理 |
2.3 分形图像压缩编码算法实现 |
2.3.1 编码算法 |
2.3.2 解码算法 |
2.4 分形图像压缩编码的性能评价 |
2.5 本章小结 |
第3章 自适应无搜索分形图像压缩算法研究 |
3.1 无搜索分形图像编码方法 |
3.1.1 算法基本思想 |
3.1.2 编码误差 |
3.1.3 阈值设定 |
3.2 值域块自适应分解与组合 |
3.2.1 值域块自适应分解 |
3.2.2 值域块自适应组合 |
3.3 实验比较及结果分析 |
3.4 本章小结 |
第4章 真彩色图像分形压缩算法研究 |
4.1 真彩色图像 |
4.1.1 真彩色图像定义 |
4.1.2 真彩色图像灰度化 |
4.2 SFC方法 |
4.3 RGB颜色分量结构相似性 |
4.3.1 SSIM定义与性质 |
4.3.2 RGB颜色分量SSIM度量 |
4.4 真彩色图像分形压缩算法改进 |
4.4.1 真彩色图像分形编码算法改进方法一 |
4.4.2 真彩色图像分形编码算法改进方法二 |
4.5 实验比较及结果分析 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
作者攻读硕士学位期间发表的论文及获奖情况 |
(8)非线性图像水印理论与技术综述(论文提纲范文)
0 引言 |
1 混沌图像水印 |
2 分形图像水印 |
3 基于神经网络的图像水印 |
4 基于遗传算法的图像水印 |
5 结语 |
(9)基于图像不规则区域的分形压缩算法研究与改进(论文提纲范文)
摘要 |
Abstract |
第一章 前言 |
1.1 分形压缩的背景及意义 |
1.2 分形压缩的研究现状 |
1.3 论文研究内容 |
1.4 论文组织结构 |
第二章 分形压缩相关理论 |
2.1 分形压缩的原理 |
2.2 分形压缩的数学理论基础 |
2.2.1 压缩映射定理 |
2.2.2 迭代函数系统 |
2.2.3 拼帖定理 |
2.2.4 仿射变换 |
2.3 分形压缩的基本步骤 |
2.3.1 编码过程 |
2.3.2 解码过程 |
2.3.3 算法复杂度分析 |
2.4 分形压缩算法的主要改进算法 |
2.4.1 提高编码速度的算法 |
2.4.2 提高解码速度的算法 |
2.4.3 改进解码图像质量和提高压缩比的算法 |
2.4.4 分形块编码与其它编码方法结合的算法 |
2.5 小结 |
第三章 不规则区域分割编码 |
3.1 不规则区域分割编码的基本原理 |
3.1.1 不规则区域分割编码的基本原理 |
3.1.2 不规则区域分割编码的关键技术 |
3.2 PCNN 分割模型 |
3.3 小结 |
第四章 基于不规则区域的分形压缩算法设计与实现 |
4.1 基于 PCNN 分割的分形压缩算法 |
4.1.1 算法描述及流程 |
4.1.2 实验结果分析 |
4.2 基于 PCNN 分割及灰度排序分类的分形压缩算法 |
4.2.1 灰度排序分类 |
4.2.2 算法描述及流程 |
4.2.3 实验结果及分析 |
4.3 基于复合特征分类的分形压缩 |
4.3.1 图像的二值化 |
4.3.2 算法描述及流程 |
4.3.3 实验结果分析 |
4.4 方块效应的处理 |
4.4.1 区域分割过程中的分类重叠 |
4.4.2 平滑处理 |
4.5 本章小结 |
第五章 总结 |
主要工作 |
主要创新点 |
存在的问题及未来的方向 |
参考文献 |
在学期间的研究成果 |
致谢 |
(10)基于分形的快速图像压缩算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景 |
1.2 图像压缩简介 |
1.3 分形图像压缩 |
1.4 评价图像压缩方法的性能指标 |
1.5 分形图像编码的发展趋势 |
1.6 本论文的组织结构 |
2 分形图像编码的理论基础 |
2.1 分形理论 |
2.1.1 分形起源 |
2.1.2 分形概念 |
2.2 分形编码的数学基础 |
2.2.1 度量 |
2.2.2 迭代函数系统 |
2.2.3 局部迭代函数系统(PIFS) |
2.2.4 不动点定理和拼贴定理 |
2.3 本章小结 |
3 分形图像编码的基本原理与实现 |
3.1 概述 |
3.2 经典分形图像编码的基本原理 |
3.3 分形图像压缩算法的研究现状 |
3.3.1 改进编码质量的分割法 |
3.3.2 缩减搜索范围的分类法 |
3.3.3 混合编码法 |
3.4 本章小结 |
4 基于子块特征的快速分形图像压缩算法 |
4.1 基于子块特征的快速分形图像压缩 |
4.2 本文改进算法的描述 |
4.3 实验结果 |
4.4 本章小结 |
5 基于改进遗传算法的分形图像编码 |
5.1 引言 |
5.2 遗传算法 |
5.2.1 基本遗传算法描述 |
5.2.2 设计遗传算法的基本原则 |
5.2.3 遗传算法的构成要素 |
5.3 遗传算法的改进及在分形图像编码中的应用 |
5.3.1 问题的描述 |
5.3.2 适应度函数的选取 |
5.3.3 遗传算子的选取 |
5.4 实验结果的讨论 |
5.5 本章小结 |
6 总结与展望 |
参考文献 |
附录 |
在学期间发表的论文及参加的项目 |
致谢 |
四、一种基于遗传算法的图像分形压缩方法(论文参考文献)
- [1]“分形视距”纹理压缩与彩色多边形纹理集成的三维模型可视化方法[D]. 包馨. 桂林理工大学, 2021(01)
- [2]分形压缩算法在图像处理中的应用[J]. 吴岸雄. 电子技术与软件工程, 2021(01)
- [3]图像序列的快速分形压缩方法研究[D]. 白伟玲. 内蒙古大学, 2020
- [4]基于分形与特征向量法的快速分形图像压缩编码算法[D]. 牛天婵. 南京邮电大学, 2019(02)
- [5]基于遗传算法和深度学习的分形图像压缩算法的研究[D]. 范靓. 内蒙古农业大学, 2016(02)
- [6]水声图像分形压缩编码技术研究与实现[D]. 胡守祥. 哈尔滨工程大学, 2016(03)
- [7]分形图像压缩算法及应用研究[D]. 夏雷. 东北大学, 2014(07)
- [8]非线性图像水印理论与技术综述[J]. 陈永强. 计算机应用, 2013(S1)
- [9]基于图像不规则区域的分形压缩算法研究与改进[D]. 赵敏. 中国石油大学(华东), 2013(06)
- [10]基于分形的快速图像压缩算法的研究[D]. 吴晓燕. 山东师范大学, 2010(03)