一、基于差值图像小波变换的图像压缩技术的研究（论文文献综述）
梁亚星[1]（2021）在《低剂量X射线CT的局部重建算法研究》文中进行了进一步梳理X射线计算机断层成像技术（Computed Tmomgraphy,CT）是目前临床诊断中常用的手段之一,在疾病的早期筛查和后续的诊断治疗等方面发挥着重要作用。然而常规X射线CT扫描常常伴随着较高剂量的辐射,会对人体产生一定的危害,采用局部扫描方式虽能减少辐射剂量,但因投影数据被截断,会导致重建图像质量严重降低。因此,研究低剂量X射线CT的局部重建相关算法具有重要意义。基于此,本文首先在综述局部重建相关算法的国内外研究现状、分析低剂量X射线CT以及局部断层扫描成像特点的基础上,对重建算法的特点和方法进行了总结。接下来,重点针对直接利用局部截断投影数据重建图像中呈现的截断伪影问题进行了算法改进优化的研究。本文的主要研究内容如下:（1）基于霍夫变换的正弦图修复CT局部重建。在分析投影数据特征的基础上,提出利用霍夫变换提取投影数据的正弦结构信息以及线性插值对截断投影数据进行修复,采用FBP算法重建得到局部图像。通过实验对比,该算法对截断伪影有明显的改善作用,且重建的局部图像边界清晰。（2）结合线过程和全变分模型的正弦图修复。算法以线过程模型检测的截断投影数据边缘信息作为扩充边界;在恢复过程中,针对待恢复点像素的邻域内数据缺失问题,根据已知投影数据的距离比加权进行预插值,进而依据全变分模型修复投影数据。通过仿真数据与实际数据的局部重建图验证了算法的有效性。（3）基于先验图像-压缩感知的CT局部重建。不同于对截断正弦图进行修复,算法以线过程模型判定截断数据FBP重建图像的截断伪影位置,并依据该边界信息利用全变分模型对其进行平滑处理,并将处理后的图像作为PICCS的先验图像,最后,将ART-TVM重建图像以及PICCS重建图像基于伪影的位置进行图像融合。仿真数据的局部重建图像表明,所提算法在伪影抑制和边缘保持方面取得了较好地平衡。
李珊珊[2]（2017）在《基于纹理方向的块递归预测图像压缩算法研究》文中研究表明随着图像成为信息交互最直观最主要的载体,研究更优秀的图像压缩技术至关重要。近年来众多学者对基于块像素的帧内预测技术的研究取得了非常优异的成果,为静止图像压缩的研究指明了新方向。然而帧内预测技术仍存在一些不足,如复杂的预测模式选择、预测模型忽略块内邻近像素间的潜在相关性等。优秀的预测模型对于提高预测精度至关重要,与此同时,准确的检测纹理方向,有助于选择预测模式及提高预测精度。综上原因,本文围绕基于纹理方向的块递归预测图像压缩算法进行研究,通过对纹理方向检测方法及递归预测模型的学习,提出了三类结合纹理方向的递归预测图像压缩改进算法,具体包括以下几个方面的研究:一、针对预测模型参考像素较多、选择预测模式复杂的问题,提出一种基于最优方向的块递归预测图像压缩改进算法。该算法预先通过梯度方向直方图的统计或频域方向滤波器组来检测4×4大小待预测块的纹理方向,然后根据纹理方向决定预测模式,并利用待预测块像素建立该预测模式下的递归预测模型,以完成待预测块的递归预测压缩编码,直至完成整幅图像的压缩编码。实验结果表明,相比于不考虑率失真优化的帧内预测算法,本文算法能够充分考虑块内邻近像素间潜在相关性,在快速选择预测模式同时,仅利用少数的邻近像素大幅度提升了预测精度,并且基于频域方向滤波器的纹理方向检测方法的准确度高于已有的基于梯度方向直方图的方法。二、利用图像纹理方向相似性,提出一种基于四叉树合并的块递归预测图像压缩改进算法,对基于最优方向的块递归预测图像压缩改进算法做进一步优化。实验结果表明,该算法对局部纹理方向相同的图像块统一建立递归预测模型及估计模型系数,在几乎不影响预测性能的同时减少了预测的辅助信息。三、进一步利用局部纹理方向相似性,提出另一种基于邻近块估计预测系数的块递归预测压缩改进算法。该算法通过统计分析待预测块与邻近块的纹理方向性关系,选取方向相似性最高的邻近块来估计预测系数,并用于递归预测。实验结果表明,对于局部纹理相似性高的图像,本文算法在辅助信息较少的同时,提高了编码性能。
崔杨[3]（2015）在《面向窄带传输环境下的乳腺图像压缩算法研究》文中研究说明在医疗领域,放射学的迅猛发展,为医疗诊断提供了各种人体成像技术,例如CT、MRI、US、PET等。这些技术为诊断提供了丰富的影像资料,提高了医疗机构的诊断和治疗水平。因为医学影像技术的不断提高,图像的分辨率也随之提升。而分辨率的提高使得图像数据变得越来越大。大量的图像资料所带来的管理、存储和传输等问题也就日益凸显。随着计算机技术日新月异的发展,医院在朝着信息化建设的方向发展,在数字化医院的建设过程中,图像存档与通信系统PACS（Picture Archiving and Communication system）是重要的组成部分。其中,DICOM（Digital Imaging and Communication in Medicine）标准的诞生使得PACS系统得以实现和发展。然而系统的存储空间和传输带宽总是有限的,庞大的医学图像数据对于PACS系统的发展带来了一定的困难和挑战。由于医学图像的特殊性即医生对图像的保真度有较高的要求,有效的图像压缩方法研究十分重要。由于乳腺疾病在我国女性群体中有较高的发病率,乳腺图像的分辨率又相对较高,而且因为乳腺图像特点分明,图像之间的相关性高等性质,本文主要针对以DICOM文件格式存储的一组乳腺图像和单幅乳腺图像的压缩方法做了研究。在了解了图像压缩技术原理之后,针对医学图像高保真度的要求,本文主要利用熵编码中的游程编码和Huffman编码的压缩编码方法对乳腺图像作压缩处理。整个压缩方法的程序在MATLAB和Microsoft Visual Studio 2010两个程序软件上实现。在实验中,将六组其他组织的图像利用本文介绍的压缩方法做压缩,通过对比压缩比的结果,可以看出本文的针对乳腺图像的压缩方法比较理想。
王徐研[4]（2014）在《基于感兴趣区域编码的X射线图像压缩技术研究》文中提出X射线图像能够比较直观的反映出物体的内部情况，是检查产品质量是否合格的重要手段，在油田的工业检测中有着广泛的应用，同时也产生了庞大的X射线图像数据，对这些数据进行压缩处理以便于传输与存储的需求也得到了人们的日益关注，因此研究一种高效的X射线图像压缩方法具有一定的实际应用价值。本文在对当前图像压缩技术进行充分分析和研究的基础上，以从大庆油田某检测中心采集到的X射线检测图像为研究对象，针对X射线图像的特点以及图像评判要求，提出了以整数小波变换为基础，结合嵌入式图像编码与感兴趣区域编码的X射线图像压缩方法，并通过相关实验进行验证，主要研究内容如下：1．对X射线图像的特性进行深入的分析与研究，针对X射线图像空间相关性高，高频信息较为丰富的特点，采用与其相适应的小波变换图像编码方法，同时结合X射线图像的客观质量要求，对能够实现图像无损压缩的整数小波变换展开研究，并对小波基的类型、边界延拓方案、小波变换级数等进行有针对性的选取，为实现X射线图像的高质量压缩奠定了基础。2．研究基于整数小波变换的X射线图像的无损编码压缩方案。针对X射线图像空间相关性高的特点，采用无损的DPCM编码方法对其进行高效编码，同时结合SPIHT算法与自适应算术编码的优势，提出基于整数小波变换的X射线图像的无损编码压缩方案，并通过相关实验证明了该方案的有效性。3．研究基于感兴趣区域编码的X射线图像压缩方法，将X射线图像中的重点检查区域作为感兴趣区域，将图像分割方法与图像压缩方法结合起来，将水平集算法运用于X射线图像感兴趣区域的提取之中，解决了传统感兴趣区域提取方法准确率不足的问题，并提出基于整数小波变换与感兴趣区域编码的X射线图像压缩方案，实验结果表明，该方案在保证X射线图像的压缩质量同时有效的提高了图像的压缩效率。
韩勇[5]（2014）在《基于矢量量化的高光谱遥感图像压缩》文中进行了进一步梳理随着高光谱遥感在国民经济领域的广泛应用，成像光谱仪技术得到迅速发展。高光谱遥感图像的光谱通道数达到上百个，光谱分辨率越来越高，使得高光谱遥感图像的数据量急剧增加。庞大的数据量给高光谱遥感图像的存储和传输带来了巨大压力，严重制约了其应用，因此，对高光谱遥感图像进行有效地压缩显得更加迫切。矢量量化作为一种高效的图像数据压缩编码技术，具有压缩比高、编解码简单且速度快的优点，在高光谱遥感图像压缩领域得到了广泛应用。本文将阐述高光谱遥感图像的特性以及矢量量化的基本原理，并针对现有基于矢量量化技术的高光谱遥感图像压缩算法存在的不足，根据算法特性和图形学思想提出改进算法：1.针对基于LBG的高光谱遥感图像压缩算法存在计算量大和图像恢复质量不高的缺点，结合差值思想对算法进行改进，提出一种高光谱遥感信号的快速差值矢量量化压缩编码方法，经实验仿真表明，在压缩比相同的情况下，与原始算法相比，改进算法提高了图像的编码质量，同时也降低了算法的复杂度；2.针对现有基于几何学思想的点到直线模型的高光谱遥感图像压缩算法在寻找矢量点对应最佳矢量面的过程中存在计算量大的缺点，结合小波变换的特性，提出一种改进的基于小波域子矢量的点到线模型的高光谱遥感图像压缩算法，经实验仿真表明，在码书尺寸相同的情况下，改进算法的计算量得到大幅地降低，同时图像量化后的信息熵也得到降低；3.针对现有利用哈达玛变换性质的基于矢量量化的高光谱遥感图像压缩算法，其思想是通过增加额外零矢量的方式来使用快速算法，根据矢量量化编码的特点，显然其在算法计算量上存在可以改善的空间，结合哈达玛变换的特性，提出一种基于矢量维数分割量化的高光谱遥感图像压缩算法，通过矢量分割使每一个部分都满足哈达玛变换的要求，经实验仿真表明，在码书尺寸相同的情况下，改进算法在图像恢复质量和算法复杂度上都明显得到改善；4.为了适应不同场景下的应用需求，针对现有的基于矢量量化高光谱遥感图像压缩算法存在的不足，在矢量维数分割量化的高光谱遥感图像压缩算法的基础上，结合多级矢量量化思想，提出一种改进的基于多级矢量量化的高光谱遥感图像压缩算法，经实验仿真表明，改进算法在码书尺寸相同的情况下，图像的恢复质量和算法复杂度以及压缩比都得到大幅地改善。
李文娜[6]（2013）在《数字图像压缩编码及水印算法的研究》文中提出本文在分析与总结国内外相关研究的基础上,围绕数字图像压缩编码和数字图像水印两方面的关键技术进行了深入研究,通过优化其算法结构、改进编码及水印流程等途径,提出了几种新算法。主要创新性成果如下：针对数字图像变换域系数的特点,对数字图像变换域压缩编码技术进行研究。提出了基于小波变换和色彩相关的图像编码算法,利用了彩色图像的相关性,尤其适合于低码率渐进传输系统；提出了基于小波变换和分布式算术编码的医学图像压缩编码算法,解码图像有很好的视觉效果、高的信噪比和高的压缩率尤其适合医学图像近无损编码场合；为了能很好的捕捉图像边缘信息的特性,提出了基于总变差模型和条带波变换的图像压缩编码算法,该算法克服了DCT图像压缩技术出现的块效应,特别适用于压缩纹理图像。针对图像感兴趣区域压缩问题,提出了两种适用于医学图像渐进传输的ROI编码方法。一种是基于活动轮廓模型图像分割的医学图像压缩编码算法,通过改进的活动轮廓模型获得图像的ROI结合小波变换实现数据压缩,解码端可以获得高信噪比和较高压缩率的近无损图像；另一种是基于模糊C均值聚类分割的医学图像压缩编码算法,通过改进的矩形分裂合并等编码方法对图像数据进行压缩,方法简单,可实现无损压缩。实验证明这两种编码方法可对医学图像进行较高压缩率的压缩,恢复图像质量满足实际应用的要求。对数字图像变换域水印技术进行了研究。提出了基于多描述编码和小波变换的数字图像水印算法。该算法应用信道编码理论中的多描述编码,利用交互块跳频频谱扩展技术在小波域嵌入水印信息,具有较强的抗噪声和抗剪裁攻击性能。为了提高水印系统的安全性及嵌入水印的视觉效果,提出了基于条带波变换的图像水印算法。水印进行Arnold变换、混沌加密调制和BCH编码后,嵌入到图像的条带波域。实验验证了该系统良好的鲁棒性,结果表明条带波不仅继承了小波的优势,即较强的抗剪切和抗压缩攻击能力,同时增加了水印系统的抗噪声能力。针对医学图像的实际应用背景,提出了一种基于ROI的轮廓波医学图像盲水印算法。通过改进的主动轮廓模型对图像进行分割,利用改进的差分技术和轮廓波系数与邻域均值比较的方法分别嵌入双重水印。该算法在解码端提取的数字水印有高的信噪比,能够保护版权,隐藏患者的隐私信息,且可确定并有效修复被篡改的区域,对常规图像处理具有较好的鲁棒性。
张华[7]（2013）在《多光谱图像无损压缩技术研究》文中研究表明多光谱图像能够实现物体空间信息和光谱信息的同步获取，正是由于这个独特的优势，多光谱图像在越来越广泛的领域内得到了应用。但光谱信息的增加使得多光谱图像具有数据量大的特点，这给多光谱图像数据的存储和传输带来了不利，严重制约着后续的应用。目前，人们在二维图像压缩方法的基础上，研究出了多种适用于多光谱图像的压缩方法。本文工作主要是研究基于预测技术的多光谱图像无损压缩技术。多光谱图像是不同于一般二维图像的三维图像，本文从分析多光谱图像的特性出发，研究了主流的压缩方法，鉴于单波段二维图像压缩方法已经比较成熟，工作重点放在如何更大程度地去除多光谱图像的谱间冗余上，设计并实现了一种多光谱图像分组预测无损压缩算法，算法先对多光谱图像进行分组，在组内进行最优双向选择预测并用JPEG-LS对最终参考波段和差值图像进行谱内压缩编码。由于多光谱图像在光谱维常会表现出非平稳性，即谱间相关性并非随间隔波段的多少呈现某种规律变化。又因为采用预测的方法对图像去冗余时，在预测值与被预测值具有高度相关性的情况下，能得到熵值更小的差值，有利于压缩编码。这些都体现出了对多光谱图像进行分组的必要性。本文研究了现有的分组方法，指出了其中存在的问题，把吸引力传播聚类成功应用于多光谱图像的分组，并针对于多光谱图像，提出了评价最优聚类结果的指标。基于多光谱图像的特性分析，充分结合一阶线性最优预测和双向预测这两种预测方式的优点设计了最优双向选择预测器，用来在各个组内及进行相关性增强后的各组参考波段之间去除图像的谱间冗余。仿真结果证明了本文算法应用于多光谱图像无损压缩时性能良好。
武永红[8]（2012）在《基于小波变换的图像无损压缩算法研究》文中研究指明信息爆炸时代，信息量的迅猛增长给有限的网络带宽和有限的存储容量带来了巨大的挑战，而这些信息主要是以图像的形式来表现的，因此，为了解决海量信息与有限的网络带宽及有限的存储容量之间的矛盾，必须对图像进行压缩。图像压缩是指通过减少图像中的冗余，用尽可能少的数据量来表示图像。小波变换具有时频局部化、能量聚集等良好的性质，并且图像经过小波变换后，同一方向上不同小波子带间表现出很强的相似性，因而被广泛应用于图像压缩领域。基于此，本文对基于小波变换的图像无损压缩方法做了详细的研究。首先，简要介绍了图像压缩的基本原理，主要包括图像压缩的必要性与可能性、图像压缩的分类与常用的图像压缩方法、图像压缩效果的评价准则及静态图像压缩的国际标准。其次，重点探讨了小波变换、基于小波变换的图像压缩编码思想及影响小波图像编码的关键因素。并通过实验数据分析了图像经过小波变换后能量的分布特点及小波系数幅度值的分布规律，为后续编码算法的改进提供指导。然后，深入研究了嵌入式零树编码算法及SPIHT算法的编码原理及实现过程。通过分析SPIHT算法的缺点，提出了一种改进的SPIHT图像无损压缩算法，改进SPIHT算法主要包括：①采用预测编码方法对低频子带单独编码，并对得到的预测编码码流进行哈夫曼编码；②在高频子带编码扫描过程中，改变最后两轮扫描过程中的集合分裂方式，并对得到的SPIHT码流进行算术编码。以标准灰度图像为例，采用改进SPIHT算法编码，并与SPIHT算法进行对比，实验结果表明：改进SPIHT算法对不同图像的压缩比特率均有降低，说明改进算法是有效的。最后，着重分析了JPEG2000中一般位移法与最大位移法的优缺点，并结合改进SPIHT算法提出了一种新的支持感兴趣区域优先编码的图像无损压缩方法。以标准灰度图像为例，采用支持感兴趣区域编码的改进SPIHT算法进行编码，并与支持感兴趣区域编码的SPIHT方法进行对比，实验结果表明：在感兴趣区域编码中，改进SPIHT算法对不同图像的压缩比特率均有降低，说明改进算法是有效的。
马勇,阮洋[9]（2012）在《基于矢量量化的嵌入式零树小波改进编码方法》文中指出基于矢量量化的SOFM算法和嵌入式零树小波算法（EZW）如今已经广泛的被使用于图像压缩领域,均被认为是非常有效的压缩编码技术。矢量量化方法压缩比较高,但往往存在分块效应,而EZW算法在高压缩比情况下存在恢复的图像质量较差的问题,提出一种基于矢量量化的嵌入式零树小波方法,它的基本原理是引入差值图像思想,先对原图像做矢量量化,再将原图像与矢量量化的恢复图像求差值图像,差值图像经过小波分解以后会存在大量为0的小波系数,再利用EZW编码,帮助提高重建图像质量。实验表明,相对于EZW和JPEG2000算法,本文算法的压缩比和编码质量均有显着提高。
阮洋[10]（2012）在《基于矢量量化的零树小波图像压缩方法》文中研究说明针对矢量量化方法往往存在的分块效应和EZW算法在高压缩比情况恢复的图像质量较差的问题，是否能加入某种模块而将矢量量化、EZW联系起来，寻找出一种低比特率高信噪比的压缩算法值得研究。本文首先基于SOFM-C算法引入辅助神经元（Auxiliary neurons）的概念提出了带有良心的辅助神经元自组织映射（ASOFM-C）算法，不仅拥有在码字利用更为均衡的优点，同时保持了该神经元的特性。然后针对ASOFM-C与SOFM神经网络失真测度定义的不同，提出适用于ASOFM-C的快速搜索获胜神经元的加速定理。最后本文提出一种基于矢量量化的嵌入式零树小波方法，基本原理是引入差值图像思想，差值图像经过小波分解以后会存在大量为0的小波系数，再利用EZW编码帮助提高重建图像质量。实验表明，相对于EZW和JPEG2000算法，本文算法的压缩比和编码质量均有显着提高。
二、基于差值图像小波变换的图像压缩技术的研究（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、基于差值图像小波变换的图像压缩技术的研究（论文提纲范文）
（1）低剂量X射线CT的局部重建算法研究（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 国内外研究进展 |
| 1.3 局部重建特点分析 |
| 1.4 研究内容及结构安排 |
| 第二章 CT成像原理与重建算法 |
| 2.1 X射线成像及断层成像 |
| 2.2 CT重建算法 |
| 2.2.1 投影定理 |
| 2.2.2 反投影法 |
| 2.2.3 迭代法 |
| 2.3 定量评价重建算法性能 |
| 2.4 本章小结 |
| 第三章 基于霍夫变换的正弦图修复CT局部重建算法 |
| 3.1 霍夫变换 |
| 3.2 基于霍夫变换的投影数据修复 |
| 3.2.1 霍夫变换用于正弦图修复的可行性分析 |
| 3.2.2 基于正弦边界的一次修复 |
| 3.2.3 基于线性插值的二次修复 |
| 3.3 实验结果与分析 |
| 3.3.1 仿真数据实验 |
| 3.3.2 实际数据实验 |
| 3.4 本章小结 |
| 第四章 结合线过程和全变分模型的正弦图修复算法 |
| 4.1 相关理论及用于正弦图修复的可行性分析 |
| 4.1.1 线过程模型 |
| 4.1.2 变分偏微分模型 |
| 4.2 结合线过程和全变分模型的投影数据修复 |
| 4.2.1 边缘检测 |
| 4.2.2 全变分模型用于投影数据修复的存在问题 |
| 4.2.3 待修复点邻域预插值 |
| 4.3 实验结果与分析 |
| 4.3.1 仿真数据实验 |
| 4.3.2 实际数据实验 |
| 4.4 本章小结 |
| 第五章 基于先验图像-压缩感知的CT局部重建算法 |
| 5.1 压缩感知CT重建 |
| 5.1.1 POCS-TVM重建算法 |
| 5.1.2 PICCS重建算法 |
| 5.2 改进的先验图像-压缩感知CT局部重建 |
| 5.3 实验结果与分析 |
| 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 |
| 攻读硕士学位期间所取得的研究成果 |
| 致谢 |
（2）基于纹理方向的块递归预测图像压缩算法研究（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 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于预测的图像压缩现状 |
| 1.2.2 基于块像素的帧内预测的图像压缩现状 |
| 1.3 本文的主要工作及内容安排 |
| 第二章 图像压缩及纹理方向检测理论基础 |
| 2.1 图像压缩理论基础 |
| 2.1.1 熵编码原理 |
| 2.1.2 图像压缩质量评价标准 |
| 2.2 基于预测的图像压缩算法 |
| 2.2.1 基于点像素的预测压缩算法 |
| 2.2.2 基于块像素的帧内预测压缩算法 |
| 2.3 图像纹理方向检测方法 |
| 2.3.1 基于空域的图像纹理方向检测方法 |
| 2.3.2 基于变换域的图像纹理方向检测方法 |
| 2.4 本章小结 |
| 第三章 基于最优方向的块递归预测图像压缩改进算法 |
| 3.1 引言 |
| 3.2 递归预测模型 |
| 3.2.1 递归预测模型 |
| 3.2.2 递归预测模型权值系数的估计 |
| 3.3 最优预测方向检测方法 |
| 3.3.1 基于梯度方向直方图的纹理方向检测方法 |
| 3.3.2 基于频域方向滤波器的纹理方向检测方法 |
| 3.3.3 基于边缘提取与频域方向滤波器相结合的纹理方向检测方法 |
| 3.4 基于最优方向的块递归预测图像压缩改进算法 |
| 3.4.1 参考像素选取策略 |
| 3.4.2 算法框架 |
| 3.5 实验结果及结论 |
| 3.5.1 方向滤波器组的纹理方向检测实验结果及分析 |
| 3.5.2 最优方向块递归预测图像压缩改进算法的实验结果及分析 |
| 3.6 本章小结 |
| 第四章 基于局部纹理相似性的图像压缩改进算法 |
| 4.1 引言 |
| 4.2 基于四叉树合并的块递归预测图像压缩改进算法 |
| 4.2.1 四叉树分割方法 |
| 4.2.2 局部纹理方向相似性判断 |
| 4.2.3 局部块合并建立递归预测模型 |
| 4.2.4 算法框架 |
| 4.3 基于邻近块估计预测系数的块递归预测图像压缩改进算法 |
| 4.3.1 邻近块的选取策略 |
| 4.3.2 算法框架 |
| 4.4 实验结果及结论 |
| 4.4.1 基于四叉树合并的改进算法的实验结果及分析 |
| 4.4.2 邻近块估计预测系数的改进算法的实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）面向窄带传输环境下的乳腺图像压缩算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 图像压缩方法 |
| 2.1 图像压缩编码基础概述 |
| 2.1.1 图像压缩概念 |
| 2.1.2 图像信息的冗余 |
| 2.1.3 图像压缩质量评价 |
| 2.2 图像压缩方法 |
| 2.2.1 图像压缩技术的分类 |
| 2.2.2 图像压缩常用方法及技术 |
| 2.3 本章小结 |
| 第3章 一组乳腺图像的压缩方法 |
| 3.1 感兴趣区域分割 |
| 3.1.1 图像相关性 |
| 3.1.2 边缘检测 |
| 3.2 一组乳腺图像压缩编码 |
| 3.3 本章小结 |
| 第4章 单幅乳腺图像的压缩方法 |
| 4.1 DICOM标准概述 |
| 4.1.1 DICOM标准的内容概要 |
| 4.1.2 DICOM数据编码相关概念 |
| 4.2 图像压缩编码 |
| 4.2.1 像素信息压缩方法 |
| 4.2.2 非像素信息压缩方法 |
| 4.3 本章小结 |
| 第5章 实验结果与讨论 |
| 5.1 实验内容 |
| 5.2 实验结果分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（4）基于感兴趣区域编码的X射线图像压缩技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 图像压缩技术发展现状 |
| 1.2.1 基于小波变换的图像压缩 |
| 1.2.2 基于感兴趣区域（ROI）编码的图像压缩 |
| 1.3 论文的主要工作 |
| 1.4 论文的结构安排 |
| 第二章 X 射线图像特性分析 |
| 2.1 X 射线图像介绍 |
| 2.2 X 射线图像的特性分析 |
| 2.2.1 X 射线图像空间相关性分析 |
| 2.2.2 X 射线图像信息量分析 |
| 2.3 X 射线图像压缩原理 |
| 2.4 X 射线图像压缩方法 |
| 2.4.1 传统编码压缩方法 |
| 2.4.2 现代编码压缩方法 |
| 2.5 X 射线图像压缩性能评价 |
| 2.6 本章小结 |
| 第三章 整数小波变换 |
| 3.1 小波变换理论基础 |
| 3.1.1 连续小波变换 |
| 3.1.2 多分辨率分析 |
| 3.1.3 提升小波的产生及其原理 |
| 3.1.4 基于提升结构的整数小波 |
| 3.2 整数小波选取与实现 |
| 3.2.1 小波基的选取 |
| 3.2.2 边界延拓方法的选取 |
| 3.2.3 小波变换级数的选取 |
| 3.3 图像小波变换分析 |
| 3.4 小波变换图像压缩原理 |
| 3.5 本章小结 |
| 第四章 基于嵌入式图像编码的 X 射线图像压缩 |
| 4.1 嵌入式零树小波（EZW）算法 |
| 4.1.1 嵌入式编码 |
| 4.1.2 零树结构及其编码思想 |
| 4.1.3 逐次逼近量化编码 |
| 4.1.4 EZW 算法分析 |
| 4.2 分层树集合划分（SPIHT）算法 |
| 4.2.1 SPIHT 算法基本概念 |
| 4.2.2 SPIHT 算法编码流程 |
| 4.2.3 SPIHT 算法分析 |
| 4.3 基于整数小波变换的 X 射线图像无损压缩方案 |
| 4.3.1 无损 DPCM 编码方法 |
| 4.3.2 基于整数小波变换的 X 射线图像压缩算法 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 基于感兴趣区域编码的 X 射线图像压缩 |
| 5.1 X 射线图像感兴趣区域的提取 |
| 5.2 水平集基本理论及实现 |
| 5.2.1 曲线演化理论 |
| 5.2.2 水平集的函数表示及其求解 |
| 5.2.3 水平集方法在感兴趣区域提取中的实现 |
| 5.3 感兴趣区域掩模 |
| 5.4 感兴趣区域位移算法 |
| 5.4.1 一般位移法 |
| 5.4.2 最大位移法 |
| 5.4.3 本文位移方案 |
| 5.5 基于感兴趣区域编码的 X 射线图像压缩方案 |
| 5.6 实验结果及分析 |
| 5.7 本章小结 |
| 结论 |
| 1. 全文总结 |
| 2. 前景展望 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 详细摘要 |
（5）基于矢量量化的高光谱遥感图像压缩（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 高光谱遥感图像压缩算法研究现状 |
| 1.2.1 基于预测的高光谱遥感图像压缩 |
| 1.2.2 基于变换的高光谱遥感图像压缩 |
| 1.2.3 基于矢量量化的高光谱遥感图像压缩 |
| 1.3 论文主要工作 |
| 1.4 论文结构 |
| 第二章 高光谱遥感图像特性分析 |
| 2.1 高光谱遥感图像介绍 |
| 2.2 空间相关性分析 |
| 2.3 谱间相关性分析 |
| 2.4 高光谱遥感图像压缩性能评价指标 |
| 2.4.1 主观评价指标 |
| 2.4.2 客观评价指标 |
| 2.5 本章小结 |
| 第三章 矢量量化及其在高光谱遥感图像中应用 |
| 3.1 引言 |
| 3.2 矢量量化的定义 |
| 3.2.1 矢量量化的码书设计 |
| 3.2.2 矢量量化码字快速收缩算法 |
| 3.3 基于 LBG 算法的高光谱遥感图像压缩 |
| 3.4 高光谱遥感信号的快速差值矢量量化压缩算法 |
| 3.4.1 算法描述 |
| 3.4.2 仿真实验 |
| 3.5 本章小结 |
| 第四章 基于小波域点到线模型的高光谱遥感图像压缩算法 |
| 4.1 点到线模型的高光谱遥感图像压缩 |
| 4.2 高光谱遥感信号的小波分析 |
| 4.3 改进的点到线模型的高光谱遥感图像压缩算法 |
| 4.3.1 算法描述 |
| 4.3.2 仿真实验 |
| 4.4 本章小结 |
| 第五章 基于维数分割矢量量化的高光谱遥感图像压缩算法 |
| 5.1 哈达玛变换 |
| 5.2 基于哈达玛变换的高光谱遥感图像压缩方法 |
| 5.3 改进的基于哈达玛变换的高光谱遥感图像压缩方法 |
| 5.3.1 算法描述 |
| 5.3.2 仿真实验 |
| 5.4 改进的多级矢量量化的高光谱遥感图像压缩算法 |
| 5.4.1 算法描述 |
| 5.4.2 仿真实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 发展展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间取得的研究成果及参与项目 |
（6）数字图像压缩编码及水印算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 数字图像压缩编码和水印的概述 |
| 1.2.1 图像压缩编码 |
| 1.2.2 图像水印技术 |
| 1.3 国内外研究现状 |
| 1.3.1 图像压缩编码研究现状 |
| 1.3.2 图像水印研究现状 |
| 1.4 论文主要研究内容 |
| 1.4.1 数字图像压缩编码算法研究 |
| 1.4.2 数字图像水印算法研究 |
| 1.5 论文组织结构及章节安排 |
| 第2章 图像的多尺度几何分析 |
| 2.1 小波基础知识 |
| 2.1.1 连续小波变换 |
| 2.1.2 连续小波变换的离散化 |
| 2.1.3 多分辨率分析 |
| 2.1.4 正交小波基 |
| 2.1.5 离散小波变换的快速算法 |
| 2.1.6 多尺度几何分析 |
| 2.2 轮廓波 |
| 2.3 条带波 |
| 2.3.1 第一代条带波变换 |
| 2.3.2 条带波基 |
| 2.3.3 弯曲小波变换 |
| 2.3.4 离散条带波变换 |
| 2.3.5 第二代条带波变换 |
| 2.4 本章小结 |
| 第3章 基于变换域的图像压缩编码算法研究 |
| 3.1 基于小波变换和色彩相关的低码率图像编码 |
| 3.1.1 彩色图像基本理论 |
| 3.1.2 压缩算法总体设计 |
| 3.1.3 仿真实验及结果分析 |
| 3.2 基于小波变换和分布式算术编码的医学图像压缩 |
| 3.2.1 分布式算术编码基本理论 |
| 3.2.2 压缩算法总体设计 |
| 3.2.3 仿真实验及结果分析 |
| 3.3 基于总变差模型与条带波变换的图像压缩仿真研究 |
| 3.3.1 总变差的基本理论 |
| 3.3.2 压缩算法总体设计 |
| 3.3.3 仿真实验及结果分析 |
| 3.4 本章小结 |
| 第4章 基于ROI的嵌入式图像压缩算法研究 |
| 4.1 基于ROI图像压缩算法的相关理论 |
| 4.1.1 视觉掩盖效应 |
| 4.1.2 视觉感兴趣区域 |
| 4.2 基于活动轮廓模型图像分割的医学图像压缩编码算法 |
| 4.2.1 基于几何活动轮廓模型的图像分割算法 |
| 4.2.2 基于活动轮廓模型图像分割的压缩算法总体设计 |
| 4.2.3 仿真实验及结果分析 |
| 4.3 基于模糊C均值聚类分割的医学图像压缩编码算法 |
| 4.3.1 基本理论及算法改进 |
| 4.3.2 压缩算法总体设计 |
| 4.3.3 仿真实验及结果分析 |
| 4.4 本章小结 |
| 第5章 基于变换域数字图像水印算法研究 |
| 5.1 基于多描述编码和小波变换的数字图像水印算法 |
| 5.1.1 本节算法涉及的相关理论 |
| 5.1.2 数字水印系统 |
| 5.1.3 仿真实验及结果分析 |
| 5.2 基于条带波变换的图像水印算法 |
| 5.2.1 本节算法涉及的基本理论 |
| 5.2.2 条带波域的图像水印系统 |
| 5.2.3 仿真实验及结果分析 |
| 5.3 本章小结 |
| 第6章 基于ROI和轮廓波变换的医学图像盲水印算法 |
| 6.1 希尔伯特扫描 |
| 6.2 基于图像内容的水印生成 |
| 6.3 数字水印系统 |
| 6.3.1 水印的嵌入 |
| 6.3.2 水印的提取及检测 |
| 6.4 仿真实验及结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
（7）多光谱图像无损压缩技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 多光谱图像应用 |
| 1.1.2 图像压缩原理 |
| 1.1.3 图像的冗余 |
| 1.2 图像无损压缩编码方法和标准 |
| 1.2.1 霍夫曼编码 |
| 1.2.2 算术编码 |
| 1.2.3 游程编码 |
| 1.2.4 无损压缩标准 JPEG-LS |
| 1.3 研究目的和意义 |
| 1.4 论文主要工作 |
| 1.5 章节安排 |
| 第二章 多光谱图像的特性及无损压缩技术分析 |
| 2.1 多光谱图像的空间相关性 |
| 2.2 多光谱图像的谱间相关性 |
| 2.3 多光谱图像的信息量 |
| 2.4 多光谱图像无损压缩技术 |
| 2.4.1 多光谱图像的变换压缩编码方法 |
| 2.4.2 多光谱图像的预测编码方法 |
| 2.5 小结 |
| 第三章 分组方法在多光谱图像无损压缩技术中的应用 |
| 3.1 常用分组方法 |
| 3.1.1 按阈值划分方法 |
| 3.1.2 K-means 聚类方法 |
| 3.2 吸引力传播聚类算法 |
| 3.3 最优聚类结果 |
| 3.4 分组有效性检测 |
| 3.5 小结 |
| 第四章 多光谱图像分组预测无损压缩算法的设计与实现 |
| 4.1 算法结构设计 |
| 4.2 多光谱图像分组 |
| 4.3 最优双向选择预测器的设计 |
| 4.3.1 最优一阶线性预测器 |
| 4.3.2 双向预测器 |
| 4.3.3 最优双向选择预测器 |
| 4.3.4 预测器的比较 |
| 4.4 谱内压缩编码 |
| 4.5 实验验证 |
| 4.6 结束语 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（8）基于小波变换的图像无损压缩算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 小波的发展现状 |
| 1.2.2 基于小波变换的图像无损压缩的研究现状 |
| 1.3 本文的主要研究内容和结构安排 |
| 2 图像压缩理论 |
| 2.1 图像压缩的必要性与可能性 |
| 2.1.1 图像压缩的必要性 |
| 2.1.2 图像压缩的可能性 |
| 2.2 图像压缩的分类及常用的图像压缩方法 |
| 2.2.1 图像压缩的分类 |
| 2.2.2 常用的图像压缩方法 |
| 2.3 图像压缩效果的评价准则 |
| 2.3.1 图像无损压缩效果的评价准则 |
| 2.3.2 图像有损压缩效果的评价准则 |
| 2.4 静态图像无损压缩的国际标准 |
| 2.4.1 JPEG 标准 |
| 2.4.2 JPEG2000 标准 |
| 2.5 本章小结 |
| 3 小波变换及其在图像压缩中的应用 |
| 3.1 傅立叶变换的缺点 |
| 3.2 小波变换 |
| 3.2.1 小波变换的定义 |
| 3.2.2 连续小波变换 |
| 3.2.3 离散小波变换 |
| 3.3 多分辨率分析与 Mallat 算法 |
| 3.3.1 多分辨率分析 |
| 3.3.2 一维 Mallat 算法 |
| 3.3.3 二维 Mallat 算法 |
| 3.4 提升小波变换 |
| 3.5 小波系数子带的特点 |
| 3.6 小波变换在图像压缩中的应用 |
| 3.6.1 小波图像编码思想 |
| 3.6.2 影响小波图像压缩的几个关键因素 |
| 3.7 本章小结 |
| 4 嵌入式小波图像压缩算法 |
| 4.1 嵌入式零树编码算法 |
| 4.1.1 零树编码思想 |
| 4.1.2 EZW 算法的基本概念 |
| 4.1.3 EZW 算法的编码流程 |
| 4.2 分层树的集划分算法 |
| 4.2.1 SPIHT 算法的基本概念 |
| 4.2.2 SPIHT 算法的编码流程 |
| 4.2.3 SPIHT 算法的优缺点分析 |
| 4.3 改进的 SPIHT 图像无损压缩算法 |
| 4.3.1 SPIHT 算法的改进方案 |
| 4.3.2 改进 SPIHT 算法的编码原理 |
| 4.3.3 改进 SPIHT 算法的编码流程 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于感兴趣区域的图像无损压缩算法 |
| 5.1 感兴趣区域编码的概述 |
| 5.2 一般位移法与最大位移法的优缺点分析 |
| 5.3 感兴趣区域编码的改进算法 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 未来研究工作的展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A 作者在攻读学位期间发表的论文目录 |
（9）基于矢量量化的嵌入式零树小波改进编码方法（论文提纲范文）
| 1 改进的SOFM算法 (ASOFM-C) |
| 2 嵌入式零树小波编码 (EZW) |
| 3 基于矢量量化的嵌入式零树小波编码 |
| 4 仿真结果 |
| 3 结论 |
（10）基于矢量量化的零树小波图像压缩方法（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文选题背景及主要内容 |
| 1.1.1 本文选题背景 |
| 1.1.2 主要内容 |
| 1.2 图像压缩背景知识 |
| 1.2.1 图像压缩分类 |
| 1.2.2 图像编解码模型 |
| 1.2.3 图像的编码质量评价 |
| 1.3 本文结构 |
| 2 矢量量化概述 |
| 2.1 矢量量化的定义及理论基础 |
| 2.2 矢量量化器的定义 |
| 2.3 矢量量化的相关概念 |
| 2.4 矢量量化的关键技术 |
| 2.5 人工神经网络用于图像压缩 |
| 2.6 本章小结 |
| 3 嵌入式零树小波图像编码介绍 |
| 3.1 小波变换基础 |
| 3.2 嵌入式零树小波图像编码 |
| 3.3 EZW 算法 |
| 3.4 JPEG2000 图像压缩标准 |
| 3.5 本章小结 |
| 4 基于矢量量化的零树小波图像压缩方法 |
| 4.1 Kohonen SOFM 神经网络 |
| 4.1.1 Kohonen SOFM 神经网络结构 |
| 4.1.2 算法描述 |
| 4.1.3 算法分析 |
| 4.2 Kohonen SOFM-C 神经网络及 FSOFM 神经网络 |
| 4.2.1 SOFM-C 神经网络 |
| 4.2.2 FSOFM 神经网络 |
| 4.3 ASOFM-C 神经网络 |
| 4.4 快速搜索算法 |
| 4.5 ASOFM-C 神经网络仿真实验 |
| 4.5.1 参数选取对实验影响的说明 |
| 4.5.2 ASOFM-C 性能仿真实验 |
| 4.5.3 应用于 ASOFM-C 的快速搜索算法仿真实验 |
| 4.6 基于矢量量化的零树小波图像压缩方法 |
| 4.6.1 原理 |
| 4.6.2 仿真实验 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 附录 部分代码段 |
| 作者简历 |
| 学位论文数据集 |
四、基于差值图像小波变换的图像压缩技术的研究（论文参考文献）
- [1]低剂量X射线CT的局部重建算法研究[D]. 梁亚星. 中北大学, 2021(09)
- [2]基于纹理方向的块递归预测图像压缩算法研究[D]. 李珊珊. 西安电子科技大学, 2017(04)
- [3]面向窄带传输环境下的乳腺图像压缩算法研究[D]. 崔杨. 东北大学, 2015(08)
- [4]基于感兴趣区域编码的X射线图像压缩技术研究[D]. 王徐研. 东北石油大学, 2014(03)
- [5]基于矢量量化的高光谱遥感图像压缩[D]. 韩勇. 重庆邮电大学, 2014(01)
- [6]数字图像压缩编码及水印算法的研究[D]. 李文娜. 东北大学, 2013(11)
- [7]多光谱图像无损压缩技术研究[D]. 张华. 西安电子科技大学, 2013(S2)
- [8]基于小波变换的图像无损压缩算法研究[D]. 武永红. 重庆大学, 2012(03)
- [9]基于矢量量化的嵌入式零树小波改进编码方法[J]. 马勇,阮洋. 计算机系统应用, 2012(01)
- [10]基于矢量量化的零树小波图像压缩方法[D]. 阮洋. 辽宁工程技术大学, 2012(05)