一、有损行程编码方法研究（论文文献综述）
张霞[1]（2021）在《构造任意尺寸Hilbert曲线用于图像和视频压缩》文中研究指明随着信息技术和硬件技术的发展以及短视频等多媒体行业的快速兴起,图像和视频数据的传播和保存数量在以几何速度增长。单靠硬件技术来进行存储设备扩容以及传输设备带宽升级,已经很难支撑如此庞大的数据量。图像和视频压缩技术成为解决该问题的关键技术。二维图像系数和三维视频系数在做压缩处理时,都需要将二维或三维的系数通过扫描曲线,将系数扫描到一维,以便于后续的处理。以往的压缩方法中大多采用算法相对简单的逐行扫描或者“Z”字形曲线扫描方式,然而相对于这两种扫描曲线,希尔伯特（Hilbert）曲线能更好的保留图像和视频系数间的相关性。以往关于Hilbert曲线路径构造方法的研究,大多停留在对边长为2n的正方形曲线的构造中,三维Hilbert曲线路径的扫描方法也要满足待扫描立方体是边长为2n的正方体结构。由于二维和三维Hilbert曲线都因为边长只能取一些固定值,这使Hilbert曲线的应用受到了较大的限制。针对以上问题,本文提出了一种构造任意尺寸Hilbert曲线的方法,并将其应用到了图像压缩中,该方法在一定程度上提升了压缩性能。其中,二维Hilbert曲线构造思路是对任意尺寸矩形进行划分子块,然后对每一个子块依次构造。类似的,三维Hilbert曲线采用对立方体划分子块并依次构造的方案。在二维曲线的构造中,每次划分的子块要包含未构造的部分中最大且边长为2k的正方形曲线,三维曲线则要构造出最大的边长为2k的正方体型曲线。进一步以最大的正方形或正方体型曲线为基础,在该基础上做添加或者删除行的操作,完成各个子块的构造,再将各个子块相互连接完成整个曲线的构造。本文通过划分子块的思想,实现了对任意尺寸的二维Hilbert曲线,以及宽和高为任意尺寸的三维Hilbert曲线路径的构造。由于Hilbert扫描曲线能够保留数据聚集性,因此可以将二维和三维Hilbert曲线用于任意尺寸的图像和视频压缩过程中。通过实验证明Hilbert曲线扫描相较于逐行扫描,有效的提高了图像的压缩效率。
邱杰[2]（2020）在《基于深度自编码网络的遥感图像压缩方法及应用》文中研究指明随着全球范围内掀起的人工智能热潮和关于深度学习相关技术研究的成熟发展,将卷积计算与传统神经网络结合并改进获得的深度学习方法—卷积神经网络（CNN）越来越多的被应用到各个研究领域,其中包括图像编码。基于相关研究的总结归纳,发现已有的图像压缩研究多是针对自然图像进行压缩,而将卷积神经网络方法用于遥感图像压缩的研究则相对较少。因此结合卷积神经网络和二值神经网络（BNN）的结构特点,本文构建了融入二值噪声的卷积自编解码图像压缩模型,尝试探索结合深度学习技术实现遥感图像压缩的新途径。针对以自编码器为代表的图像压缩模型大多是在自然图像上进行压缩的特点,选用具备大尺寸特点的遥感图像作为研究应用对象,以从DOTA数据集收集的遥感图像作为实验的样本数据,然后通过图像分块转化的处理方式将大尺寸的原图切割为小尺寸图像以改善模型实现过程中训练维度过高的问题,并按研究需要将其分为训练集和验证集。再依据BNN的网络能够降低网络复杂度的特点,设计主要包含图像编码和解码的卷积自编码网络。本文的创新点在于在编码输出阶段增加了二值化层形成深度卷积自编码网络（DCAE）用于遥感图像压缩的模型。模型对图像的处理主要有三个阶段:首先是编码,将待压缩的原始图像输入编码网络,通过卷积操作减少原始图像的空间尺度和特征图数量;然后是图像二值化处理,将编码输出的遥感图像特征进行二值化操作转化为占比更小的二进制码流,在编码的基础上对图像特征进行了二次压缩,经过二值化后网络在保持较高压缩性能的同时也提高了模型的泛化能力;最后是解码,通过反卷积逐步恢复图像像素,获得输入图像对应的重构压缩图。为了增强网络的稳定性,本文基于残差网络的思想在编解码模型增加了残差补偿块。模型构建好后,利用训练集数据训练获取模型参数,再将遥感测试集图像应用到模型中,并将压缩后的图像与传统JPEG和JPEG2000在压缩率、PSNR（峰值信噪比）等方面进行对比分析。结果显示,本文设计的卷积自编码模型在遥感图像上的压缩重构效果的确优于传统的图像压缩方法。
贾佳璐[3]（2020）在《基于相机位姿信息的深度视频压缩算法研究与实现》文中指出近些年来,随着3D相机不断地发展,分辨率、帧率等性能不断提高,三维视觉相关的研究也吸引了学界与产业界越来越多的目光,三维重建、三维物体识别都已成为热门研究领域,也取得了非常丰富的成果。但3D相机的发展使数据量也呈现出爆炸式的增长,在当前有限的带宽与存储空间下,三维视觉算法实现真正的广泛应用仍然面临着严峻的挑战,所以研究一种高质量、高效率的压缩三维数据的方法迫在眉睫。本文深度视频压缩算法通过关键帧编码和帧间运动估计与补偿实现数据压缩。选取部分帧利用这些图像帧做运动估计预测其它帧,称为关键帧,关键帧编码主要包括残差编码和分割编码两种,帧间预测编码主要包括关键帧选取、帧间运动估计和图像变换编码技术。首先帧内编码根据深度图像大平面光滑的数据特性,可以利用行程编码进行近无损压缩。其次,针对高比特数据变换小和低比特数据与灰度图特性相似的算法提出了分割编码的方式,有效的对深度视频的关键帧进行了压缩。传统视频压缩算法中帧间运动估计在二维平面实现,并未利用深度视频的三维空间信息,所以存在估计精度不够高,不适用于移动相机的问题,本文提出了基于相机位姿信息实现帧间预测与编码的方法。结合关键帧的压缩编码,该算法实现了对移动相机采集的深度视频序列高质量与高效率的压缩。另外,本文的算法除了可以压缩深度视频之外,还能实现时域滤波,一定程度上平滑噪声,同时还能填补深度图像的空洞。最后,提出的帧间运动估计算法除了适用于该压缩框架之外,还能应用到其他压缩算法的运动估计部分,同时该算法的压缩结果也是SLAM建图结果的一种存储方法。实验主要基于SUNCG仿真数据集和Smart-ToF采集的实际数据集,经过验证与分析,我们的算法在移动相机采集的深度视频数据中具有良好的压缩率和信噪比。在仿真数据集当中,压缩后视频PSNR达到35,压缩率达到50:1,在实际采集数据集当中,压缩后视频PSNR达到45,压缩率达到40:1。
武丽静[4]（2019）在《太阳磁场图像无损压缩算法优化研究及FPGA设计》文中研究说明随着天文领域的发展,针对空间图像的研究日益重要。为探究太阳磁场对空间环境及天体活动的影响,“先进天基太阳天文台（ASO-S）背景型号研究”获批中国科学院空间科学战略性先导科技专项,旨在研制一颗太阳探测卫星用于太阳磁场图像的成像观测。在通过卫星获取高质量太阳磁场图像的同时,会得到大量数据,其回传受到传输信道及存储资源的限制,因此有必要在传输前对太阳磁场图像进行在轨压缩。而当前空间图像处理领域常用的压缩算法对此不具有针对性,难以做到在无数据损失的前提下有较高的压缩比。本文探究专用于太阳磁场图像的无损压缩算法,通过对图像的冗余分析,在预处理方法和熵编码方法两个方面对算法做出研究,然后基于FPGA进行设计以提高压缩效率。主要工作及成果包括:（1）基于MAlTLAB对（5,3）整数小波变换算法进行研究,该方法降低了太阳磁场图像信息熵,提高了极限压缩比,将其作为本文算法主要的预处理方法。（2）根据太阳磁场图像的像素特征,对RICE无损压缩算法适当改进,将其中的自适应熵编码部分作为本文算法的熵编码方法。（3）结合（5,3）整数小波变换算法与改进的RICE算法,基于MATLAB进行整体无损压缩算法的研究。针对单幅太阳磁场图像,提出了两种算法,并对算法进一步优化,使压缩比最高可达到4.465,优于现有的算法。针对多幅太阳磁场图像,提出了一种专用算法,使压缩比最高可达到5.668,满足工程要求。（4）基于FPGA对优化的太阳磁场图像无损压缩算法进行设计,将已有的RICE算法部分做改进,主要设计了（5,3）整数小波变换预处理和数据分块部分,然后对设计进行仿真及分析,并上板调试验证结果正确。经仿真与验证,本设计可以满足太阳磁场图像的无损压缩需求,压缩比与压缩时间符合实际要求。
柳雨农[5]（2019）在《基于像素直方图移位的数字图像无损信息隐藏算法》文中研究说明互联网发展及数据快速处理为信息处理提供便捷的渠道,同时也可能让机密信息在传输通道中遭遇未知的攻击。保证机密信息在传输通道中免受各类攻击,是当下信息安全传输领域面临的主要难题。信息隐藏技术作为信息传输的一个重要的研究领域,通过将秘密信息隐藏在普通媒体中实现隐秘传输,达到安全传输信息的目的。目前常用的一些信息隐藏方法将秘密信息嵌入到载体的过程往往使载体部分数据丢失或改变,而无损信息隐藏算法是当接收者提取秘密信息后,载体被完好无损地恢复,载体的纹理结构和数据信息不发生变化。本文提出了两种算法:1.基于直方图移位的AMBTC域无损信息隐藏算法。提出了将混沌置乱变换及行程编码同时应用于秘密信息预处理,旨在提升算法的容量性和鲁棒性;并且直方图移位技术应用于载体经AMBTC编码生成的高低平均值序列中进行隐藏信息,通过设计的提取算法将嵌入的秘密信息提取出来。嵌入、提取过程不影响隐藏载体的纹理特征结构以及像素结构,从而达到无损信息隐藏的目的。2.基于LBP人脸纹理特征域的差分直方图移位无损信息隐藏算法。选择多载体人脸表情区域进行信息隐藏,同时对秘密信息进行加密预处理。算法提出了使用多幅人脸表情图像作为载体,采用局部二值模式提取图像纹理特征,并识别人脸表情区域来嵌入数据。为了构造出更大的嵌入空间,算法通过计算载体表情区域相邻像素的差值矩阵,并对差值矩阵的对应元素的直方图进行移位,实现信息的可逆隐藏与载体图像的无损恢复。论文提出的两种算法分别基于单个载体和多个载体,研究过程在一定程度上解决了隐藏算法的嵌入容量与算法鲁棒性之间的矛盾。仿真实验及数据分析表明,本文提出的隐藏算法的鲁棒性及容量性较文献提到的对比算法具有明显的优势。
刘鑫丽[6]（2018）在《基于深度学习的视频压缩方法研究与实现》文中进行了进一步梳理自20世纪90年代以来,随着数字高清电视、数字立体电视、网络流媒体、无线移动视频通信、高清视频监控等视频应用的广泛普及,海量视频数据的存储和传输成为亟需解决的两大难题。深度学习已经在人脸识别、目标检测及追踪、动作识别、视频内容审核等多个视频领域取得了重要突破,然而深度学习在视频压缩领域并未被充分研究。本文将利用深度学习在视频处理方面的优势,使用深度学习来提升视频压缩的性能。视频压缩方法有两种思路,一种是通过压缩单张视频图像以去除视频图像中的空间冗余,另一种是通过视频插帧以去除视频帧间的时间冗余。基于这两种思路,本文主要研究以下内容:（1）为了去除视频图像中的空间冗余,本文首先设计了基于显着性图的自编码网络。编码时,将待压缩的视频图像帧输入网络,然后通过卷积层逐步减少图像的特征图数目和空间尺度,将图像从像素空间映射到新的特征空间。然后通过量化、CABAC熵编码去除特征空间内的统计冗余,通过显着性图指导像素分配,最后输出码流得到编码结果。实验结果表明,在标准kodak测试集上,本文提出的自编码网络在同等低码率情况下压缩效果优于JPEG,同时优于近期发表的一种基于长短时记忆网络的压缩方法以及另一种基于变分自编码器的压缩方法。（2）为了去除视频中相邻图像帧之间的时间冗余,本文设计了一种基于多尺度卷积网络和对抗训练的视频插帧方法。采用多尺度结构更能捕捉物体的运动信息,而对抗训练能使插帧结果更符合人类的视觉系统。该方法通过GAN的生成器得到插帧结果,通过GAN判别器判别插帧结果的准确性。最后通过实验对比了损失函数的选择和多尺度结构对插帧结果的影响。实验结果表明,与近几年提出的基于光流估计的深度卷积网络（OFP）、基于深度立体像素光流的卷积网络（DVF）以及另一种基于多尺度网络的工作（ByondMSE）相比,本文提出的方法在UCF101以及HMD5-51视频数据集上均能取得更好的插帧效果。
高玉瑞,王绍章[7]（2009）在《一种改进的行程编码方法》文中研究说明介绍了一种改进的行程编码压缩方法。通过数据膨胀抑制、有损压缩和压缩路径优化的方法对行程编码进行了改进,并与经典行程编码做了测试效果的比较。经过对比,改进的行程编码算法的时间复杂度虽有所增加,但是图像质量没有损失,而且效率有了明显的提高。
黄晓阳,王博亮,黄荔丽,吴志坚,鞠颖[8]（2008）在《一种改进的行程编码及其在CT图像中的应用》文中认为针对 CT 图像的特点,在行程编码的基础上提出了一种改进的行程编码算法。该算法能对 CT 图像进行无损压缩,而且有效的改善了行程编码存在的数据膨胀的缺点。实验表明该算法的压缩比高,而且运行速度快. 比哈夫曼编码以及 LZ77编码等经典编码算法具有更好的结果。本文提出的算法在压缩效率和运行时间两方面都具有一定的优势,实现简单,能适合实际应用的需求。
冷星星,何小海,刘凤民,罗代升[9]（2008）在《高压缩低损耗图像编码算法研究》文中研究表明根据现有的图像压缩方法,提出一种二次压缩的具体算法。这种算法是先采用离散余弦变换、线性量化、哈夫曼编码进行有损压缩,再采用行程编码进行无损压缩。通过程序对岩心图像进行研究,测试结果证明了算法对岩心图像处理可以取得高压缩低损耗的目的。
薛玲[10]（2007）在《医学影像压缩技术研究及应用》文中进行了进一步梳理随着医疗技术的发展，数字化医疗的逐渐普及，医学图像是医生进行诊断的重要依据，但由于医学图像数据量巨大，这样给存储和远程传输带来诸多不便，因此进行医学图像压缩是十分必要的。 本文主要通过无损压缩算法以及有损压缩算法的研究，提出了即保证感兴趣区域图像的重构质量又能获得较高的压缩比的算法，在这里采用有损压缩和无损压缩相结合的压缩算法，统一在小波变换的框架下，使得对感兴趣区域（ROI）进行无损压缩，而对非感兴趣区域（UROI）进行有损压缩，以及带矩形区域ROI区域的压缩，用此方法可以很好的解决压缩比与重建图像质量之间的矛盾，在满足压缩效率要求的同时使得重建图像的感兴趣区域具有较好的质量。 本文采用VC++6.0编程，实现了医学图像对感兴趣区域进行无损压缩非感兴趣区域进行有损压缩相结合的算法，达到了一个较高的压缩比和较高的峰值信噪比。
二、有损行程编码方法研究（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、有损行程编码方法研究（论文提纲范文）
（1）构造任意尺寸Hilbert曲线用于图像和视频压缩（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的组织结构 |
| 第2章 数字图像及视频压缩相关概念 |
| 2.1 图像和视频压缩的基本过程 |
| 2.2 图像和视频压缩的相关概念 |
| 2.3 熵编码的相关介绍 |
| 2.3.1 信息熵及熵编码技术 |
| 2.3.2 哈夫曼编码 |
| 2.3.3 基于行程的熵编码 |
| 2.3.4 算数编码 |
| 2.4 扫描曲线对信源熵的影响 |
| 2.5 图像质量评价标准 |
| 2.6 本章小结 |
| 第3章 任意尺寸二维Hilbert曲线的实现 |
| 3.1 正方形二维Hilbert曲线 |
| 3.2 任意尺寸二维Hilbert曲线构造方案 |
| 3.2.1 整体方案设计 |
| 3.2.2 删减算法原理 |
| 3.2.3 添加算法原理 |
| 3.2.4 具体构造举例 |
| 3.3 本章小结 |
| 第4章 三维Hilbert曲线的构造 |
| 4.1 传统三维Hilbert曲线的特点 |
| 4.2 传统三维Hilbert曲线的构造 |
| 4.3 宽和高为任意尺寸的三维Hilbert曲线构造方案 |
| 4.3.1 整体方案设计 |
| 4.3.2 删减和添加算法原理 |
| 4.3.3 特殊情况的三维Hilbert曲线构造 |
| 4.4 二维和三维Hilbert曲线构造的异同点 |
| 4.5 本章小结 |
| 第5章 Hilbert曲线用于图像和视频压缩 |
| 5.1 二维Hilbert曲线用于图像压缩的实验 |
| 5.2 实验结果分析 |
| 5.3 三维Hilbert曲线在视频压缩中的应用 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总体工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 致谢 |
（2）基于深度自编码网络的遥感图像压缩方法及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统图像压缩算法 |
| 1.2.2 基于深度学习的图像压缩算法 |
| 1.2.3 自编码的图像压缩算法 |
| 1.2.4 遥感图像压缩 |
| 1.3 研究内容 |
| 1.4 章节安排 |
| 第2章 相关理论 |
| 2.1 基于DCT的数字图像压缩 |
| 2.1.1 DCT变换 |
| 2.1.2 系数量化 |
| 2.1.3 编码 |
| 2.1.4 图像压缩效果评估方法 |
| 2.2 深度学习与卷积神经网络 |
| 2.2.1 深度学习简介 |
| 2.2.2 卷积神经网络 |
| 2.2.3 权值优化-反向传播算法 |
| 2.3 其他构件 |
| 2.3.1 激活函数 |
| 2.3.2 损失函数 |
| 2.3.3 正则化 |
| 2.4 本章小结 |
| 第3章 基于深度卷积自编码网络的图像压缩 |
| 3.1 自动编码器结构 |
| 3.2 二值神经网络算法 |
| 3.3 自编码网络设计思路 |
| 3.4 自编码网络结构设计 |
| 3.4.1 编码器 |
| 3.4.2 二值化 |
| 3.4.3 解码器 |
| 3.5 自编码网络结构的优化 |
| 3.5.1 添加二值化噪声 |
| 3.5.2 添加残差模块 |
| 3.6 基于DCAE网络的遥感图像压缩 |
| 3.6.1 遥感图像压缩特征 |
| 3.6.2 基于DCAE的遥感图像压缩算法 |
| 3.7 本章小结 |
| 第4章 基于DCAE的遥感图像压缩仿真实验 |
| 4.1 实验环境及平台 |
| 4.2 数据准备 |
| 4.2.1 数据介绍 |
| 4.2.2 参数设置 |
| 4.3 图像压缩评价指标 |
| 4.4 训练过程与结果分析 |
| 4.4.1 数据预处理 |
| 4.4.2 训练模型 |
| 4.4.3 图像训练效果 |
| 4.4.4 训练次数对重构图像质量的影响 |
| 4.4.5 实验结果对比 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（3）基于相机位姿信息的深度视频压缩算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 研究难点与趋势 |
| 1.4 论文的研究内容与章节安排 |
| 第二章 深度视频压缩相关理论基础 |
| 2.1 深度图与点云的理论知识 |
| 2.1.1 深度图与深度视频 |
| 2.1.2 深度图与点云的转换 |
| 2.1.3 点云的数据结构与特点 |
| 2.2 移动相机的位姿估计方法 |
| 2.2.1 基于RGB图片的相机位姿估计方法 |
| 2.2.2 基于点云的相机位姿估计方法 |
| 2.2.3 RGB-D结合的相机位姿估计方法 |
| 2.3 压缩编码的研究基础 |
| 2.3.1 信息压缩理论 |
| 2.3.2 单帧图片压缩算法 |
| 2.3.3 RGB视频压缩算法 |
| 2.3.4 深度视频压缩算法 |
| 2.4 本章小结 |
| 第三章 基于相机位姿的深度视频压缩 |
| 3.1 系统框架概述 |
| 3.2 前端滤波算法 |
| 3.2.1 双边滤波 |
| 3.2.2 改进的多边滤波 |
| 3.3 关键帧的压缩编码算法 |
| 3.3.1 反向编码算法和RVL算法 |
| 3.3.2 关键帧之间的分割连续编码 |
| 3.4 基于点云的相机位姿估计 |
| 3.4.1 点云滤波 |
| 3.4.2 基于点云的改进匹配算法 |
| 3.4.3 纹理图与点云结合的位姿匹配算法 |
| 3.5 基于相机运动的帧间预测编码算法 |
| 3.5.1 静态场景的帧间编码算法 |
| 3.5.2 动态场景的帧间编码算法 |
| 3.5.3 压缩算法的时域滤波效果 |
| 3.6 解压缩过程概述 |
| 3.7 本章小结 |
| 第四章 实验与结果分析 |
| 4.1 SUNCG仿真数据集构建及实验结果 |
| 4.1.1 SUNCG数据介绍及测试数据集构建 |
| 4.1.2 中间算法实验结果与分析 |
| 4.1.3 压缩算法实验结果与分析 |
| 4.2 Smart-ToF相机数据及实验结果 |
| 4.2.1 Smart-ToF相机介绍及数据采集方法 |
| 4.2.2 中间算法实验结果与分析 |
| 4.2.3 压缩算法实验结果与分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要工作与创新点 |
| 5.1.1 主要工作 |
| 5.1.2 创新点 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（4）太阳磁场图像无损压缩算法优化研究及FPGA设计（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像压缩技术发展 |
| 1.2.2 图像压缩国际标准 |
| 1.2.3 空间图像压缩研究现状 |
| 1.2.4 FPGA发展现状 |
| 1.3 论文内容与结构 |
| 1.3.1 论文内容 |
| 1.3.2 论文结构 |
| 2 图像压缩技术研究及太阳磁场图像分析 |
| 2.1 图像压缩技术 |
| 2.1.1 图像压缩基本原理 |
| 2.1.2 图像压缩评价方法 |
| 2.1.3 图像压缩编码方法及分类 |
| 2.2 太阳磁场图像分析 |
| 2.2.1 MATLAB简介 |
| 2.2.2 图像特征分析 |
| 2.2.3 图像冗余分析 |
| 2.3 小结 |
| 3 基于整数小波变换的太阳磁场图像预处理方法研究 |
| 3.1 整数提升小波变换方法 |
| 3.1.1 小波变换基础 |
| 3.1.2 整数提升小波变换 |
| 3.1.3 整数提升小波逆变换 |
| 3.2 太阳磁场图像的(5,3)整数小波变换预处理设计 |
| 3.2.1 二维图像的小波变换 |
| 3.2.2 (5,3)整数小波变换方法 |
| 3.2.3 太阳磁场图像的小波变换测试 |
| 3.3 小波变换预处理结果分析 |
| 3.3.1 无损验证 |
| 3.3.2 信息熵分析 |
| 3.4 小结 |
| 4 基于RICE编码的太阳磁场图像无损压缩算法设计与优化 |
| 4.1 RICE无损压缩算法研究 |
| 4.1.1 RICE算法简介 |
| 4.1.2 RICE编码方法 |
| 4.1.3 RICE算法改进及编程测试 |
| 4.2 太阳磁场图像无损压缩算法设计 |
| 4.2.1 算法设计 |
| 4.2.2 算法测试与结果分析 |
| 4.3 太阳磁场图像无损压缩算法优化研究 |
| 4.3.1 优化算法设计 |
| 4.3.2 优化算法测试与结果分析 |
| 4.4 多幅太阳磁场图像无损压缩方法研究 |
| 4.5 无损压缩算法综合对比分析 |
| 4.6 小结 |
| 5 太阳磁场图像优化无损压缩算法的FPGA设计 |
| 5.1 FPGA开发环境 |
| 5.1.1 Verilog硬件描述语言 |
| 5.1.2 FPGA硬件开发平台 |
| 5.1.3 FPGA软件开发平台 |
| 5.2 二维(5,3)整数小波变换的FPGA设计与仿真 |
| 5.2.1 结构设计 |
| 5.2.2 (5,3)整数小波变换模块设计与仿真 |
| 5.2.3 地址产生模块设计与仿真 |
| 5.2.4 数据暂存模块 |
| 5.2.5 控制模块设计与仿真 |
| 5.3 优化压缩算法的FPGA设计与仿真 |
| 5.3.1 整体结构设计 |
| 5.3.2 数据分块部分设计与仿真 |
| 5.4 小波变换预处理及数据分块部分的FPGA验证 |
| 5.4.1 仿真验证 |
| 5.4.2 资源、功耗及时间分析 |
| 5.4.3 板级调试 |
| 5.5 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于像素直方图移位的数字图像无损信息隐藏算法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 信息隐藏概述 |
| 1.2 信息隐藏技术研究意义 |
| 1.2.1 无损信息隐藏技术其及研究意义 |
| 1.2.2 多载体信息隐藏技术及其研究意义 |
| 1.3 无损信息隐藏技术国内外研究现状 |
| 1.3.1 信息隐藏技术研究现状 |
| 1.3.2 无损信息隐藏技术发展现状 |
| 1.3.3 多载体无损信息隐藏技术发展现状 |
| 1.3.4 无损信息隐藏研究的技术难点 |
| 1.4 本文主要研究成果 |
| 1.5 论文的结构安排 |
| 第二章 基于数字图像处理的无损信息隐藏算法理论 |
| 2.1 面向信息隐藏的图像处理与识别算法理论 |
| 2.1.1 基于信息隐藏的图像处理算法 |
| 2.1.2 基于信息隐藏的图像攻击算法 |
| 2.2 秘密信息预处理算法理论 |
| 2.2.1 秘密信息置乱加密算法 |
| 2.2.2 秘密信息压缩处理算法 |
| 2.3 信息隐藏载体预处理算法理论 |
| 2.3.1 基于AMBTC的载体编码算法 |
| 2.3.2 基于LBP的人脸纹理特征提取算法 |
| 2.4 信息隐藏算法性能指标 |
| 2.5 本章总结 |
| 第三章 基于直方图移位的AMBTC域无损信息隐藏 |
| 3.1 基于直方图移位的AMBTC域无损信息隐藏算法设计 |
| 3.2 秘密信息预处理 |
| 3.2.1 信息置乱 |
| 3.2.2 数据压缩 |
| 3.3 信息数据嵌入及提取 |
| 3.3.1 信息嵌入 |
| 3.3.2 信息提取与载体恢复 |
| 3.3.3 嵌入算法仿真 |
| 3.4 算法性能分析 |
| 3.4.1 算法性能对比 |
| 3.4.2 无损性实验分析 |
| 3.4.3 鲁棒性实验对比 |
| 3.5 本章结论 |
| 第四章 基于LBP人脸特征识别的差分直方图移位无损信息隐藏 |
| 4.1 LBP人脸表情区域识别与秘密信息预处理 |
| 4.1.1 人脸表情特征区域识别 |
| 4.1.2 秘密信息预处理 |
| 4.2 信息嵌入及提取算法 |
| 4.2.1 计算相邻像素差 |
| 4.2.2 秘密信息嵌入 |
| 4.2.3 秘密信息提取 |
| 4.2.4算法仿真实验 |
| 4.3 算法性能分析 |
| 4.3.1 不可见性实验分析 |
| 4.3.2 容量性实验分析 |
| 4.3.3 鲁棒性实验分析 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 参考文献 |
| 攻读硕士期间取得研究成果 |
| 致谢 |
（6）基于深度学习的视频压缩方法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景及研究目的和意义 |
| 1.2.1 课题背景 |
| 1.2.2 课题研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 传统视频压缩技术 |
| 1.3.2 深度学习的发展 |
| 1.3.3 基于深度学习的视频压缩技术 |
| 1.4 当前存在的主要问题 |
| 1.5 本文的研究内容及组织结构 |
| 第2章 视频压缩及深度学习理论基础 |
| 2.1 视频压缩理论基础 |
| 2.1.1 图像压缩理论基础 |
| 2.1.2 视频插帧理论基础 |
| 2.1.3 图像质量评价标准 |
| 2.2 深度学习理论基础 |
| 2.2.1 神经网络的反向传播过程 |
| 2.2.2 卷积神经网络 |
| 2.2.3 生成对抗神经网络 |
| 2.3 本章小结 |
| 第3章 基于显着性图的图像压缩方法 |
| 3.1 图像的显着性图 |
| 3.2 基于显着性图的自编码网络 |
| 3.2.1 自编码网络 |
| 3.2.2 自编码网络结构 |
| 3.2.3 自编码网络细节 |
| 3.2.4 自编码网络损失函数 |
| 3.3 CABAC熵编码 |
| 3.3.1 H.264/AVC视频标准中CABAC熵编码 |
| 3.3.2 适用于编码自编码器输出的码流的CABAC熵编码 |
| 3.4 基于显着性图的图像压缩算法设计 |
| 3.5 基于显着性图的图像压缩算法的实现 |
| 3.6 实验结果与分析 |
| 3.6.1 量化函数和特征图数目对压缩效果的影响 |
| 3.6.2 熵编码对压缩效果的影响 |
| 3.6.3 显着性约束对压缩效果的影响 |
| 3.6.4 不同图像压缩方法的对比 |
| 3.7 本章小结 |
| 第4章 基于多尺度卷积网络和对抗训练的视频插帧 |
| 4.1 基于多尺度卷积网络的视频插帧 |
| 4.1.1 视频插帧生成网络结构 |
| 4.1.2 视频插帧网络细节 |
| 4.1.3 视频插帧网络损失函数 |
| 4.2 基于多尺度卷积和对抗训练的视频插帧算法设计 |
| 4.3 基于多尺度卷积和对抗训练的视频插帧算法实现 |
| 4.4 实验结果与分析 |
| 4.4.1 损失函数对插帧结果的影响 |
| 4.4.2 多尺度结构对插帧结果的影响 |
| 4.4.3 不同视频插帧方法的对比 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（7）一种改进的行程编码方法（论文提纲范文）
| 1 引言 |
| 2 经典行程编码 |
| 3 改进的行程编码 |
| 3.1 数据膨胀抑制 |
| 3.2 有损压缩 |
| 3.3 压缩路径优化 |
| 4 结果分析 |
| 5 总结 |
（9）高压缩低损耗图像编码算法研究（论文提纲范文）
| 1 引言 |
| 2 现有的图像编码方法及其优缺点 |
| 3 二次压缩 |
| 3.1 第一次压缩 |
| 3.2 第二次压缩 |
| 4 实验结果 |
| 5 实验讨论 |
（10）医学影像压缩技术研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| §1.1 引言 |
| §1.2 国内外发展状况 |
| §1.3 论文研究的内容和目的 |
| 第二章 医学图像基础知识 |
| §2.1 PACS系统 |
| §2.2 DICOM介绍 |
| §2.3 医学图像的获取 |
| §2.4 医学图像压缩的必要性 |
| §2.5 医学图像压缩的可行性 |
| §2.6 医学图像压缩基础 |
| 第三章 医学图像无损压缩的研究 |
| §3.1 行程编码技术 |
| §3.2 HUFFMAN编码技术 |
| §3.3 算术编码技术 |
| §3.4 实验数据 |
| 第四章 医学图像有损压缩的研究 |
| §4.1 医学图像有损压缩的必要性 |
| §4.2 色度空间的简单介绍 |
| §4.3 有损压缩编码的方法 |
| §4.4 实验数据 |
| 第五章 对感兴趣部分医学图像压缩的研究 |
| §5.1 对感兴趣区域进行编码的意义 |
| §5.2 医学图像有损压缩和无损压缩相结合的实现 |
| §5.3 有损压缩和无损压缩相结合的编码实现过程 |
| §5.4 实验数据 |
| §5.5 结论 |
| 第六章 工作总结与展望 |
| §6.1 本文工作总结 |
| §6.2 展望 |
| 致谢 |
| 参考文献 |
四、有损行程编码方法研究（论文参考文献）
- [1]构造任意尺寸Hilbert曲线用于图像和视频压缩[D]. 张霞. 汕头大学, 2021
- [2]基于深度自编码网络的遥感图像压缩方法及应用[D]. 邱杰. 成都理工大学, 2020(04)
- [3]基于相机位姿信息的深度视频压缩算法研究与实现[D]. 贾佳璐. 上海交通大学, 2020(09)
- [4]太阳磁场图像无损压缩算法优化研究及FPGA设计[D]. 武丽静. 北京交通大学, 2019(01)
- [5]基于像素直方图移位的数字图像无损信息隐藏算法[D]. 柳雨农. 长安大学, 2019(01)
- [6]基于深度学习的视频压缩方法研究与实现[D]. 刘鑫丽. 哈尔滨工业大学, 2018(02)
- [7]一种改进的行程编码方法[J]. 高玉瑞,王绍章. 电脑知识与技术, 2009(16)
- [8]一种改进的行程编码及其在CT图像中的应用[A]. 黄晓阳,王博亮,黄荔丽,吴志坚,鞠颖. 第十四届全国图象图形学学术会议论文集, 2008
- [9]高压缩低损耗图像编码算法研究[J]. 冷星星,何小海,刘凤民,罗代升. 成都信息工程学院学报, 2008(02)
- [10]医学影像压缩技术研究及应用[D]. 薛玲. 长春理工大学, 2007(01)