一、一种基于小波变换的分形图像编码压缩算法的研究(论文文献综述)
曹健[1](2020)在《分形理论在图像压缩及图像检索中的应用研究》文中进行了进一步梳理分形图像压缩编码作为近年来热门的研究领域,在保证了高压缩比的同时具有较高的重建图像质量。然而,基本分形压缩编码在构造灰度匹配时需要从海量的虚拟码本中进行选择,造成了编码耗时较长的问题。因此,为平衡编码时间,重建图像质量和压缩比三者之间的关系,本文以提高重建图像质量与编码速度为核心,针对目前分形编码算法中存在的问题展开研究,主要的研究工作包括:(1)针对一些结构相似性较差的图像,提出一种基于图像纹理的正交稀疏分形图像压缩编码。通过引入稀疏分解和正交分形编码的思想来提出一种正交稀疏灰度变换,提高图像的重建质量。同时,对于灰度匹配阶段计算复杂度较高的问题,根据图像块的方差特征,定义Range块池和虚拟码本池的方差特征向量构造相似性度量矩阵来减少冗余和编码时间。本算法相比基本分形图像压缩编码算法的编码质量大大提高,相比其他基于稀疏分解的算法编码效果也有所增加,较好地处理了纹理复杂的图像。(2)借助小波域分形图像编码,提出一种基于小波变换的快速稀疏分形图像编码算法。结合小波系数稀疏性较强的特点,引入稀疏分解的思想对小波域分形算法上的灰度变换进行改进。然后,通过提取图像块的偏度和峰度作为特征向量来进行相似性计算,从而减少了虚拟码本中的冗余来达到降低计算复杂度的目的。实验结果表明,在前一章算法的基础上进行推广,新算法的性能更优,达到了预期效果。(3)针对分形图像压缩编码在图像分割时易损失内在结构信息这一弊端,借助张量的Tucker分解方法来改善,提出了一种基于块稀疏张量的分形图像压缩编码算法。将待编码Range块池和虚拟码本池视为高阶张量,然后根据图像纹理特征训练具有块稀疏特性的虚拟码本池,最后将张量Tucker分解与分形编码相结合进行灰度匹配。仿真实验表明,新算法在获得较高压缩率的同时既可以得到较好的重建图像质量,也大大加快了图像编码的速度,具有广阔的应用前景。
赵蓉[2](2019)在《基于小波变换的分形图像编码压缩算法》文中指出分形图像压缩编码方法以压缩比高,解码快速等优点成为图像压缩领域的一大热点。但传统的分形编码使用全局搜索,占用了大量时间,同时,编码易造成“方块效应”,从而影响重构图像的清晰度。因此,改善重构图像质量,缩短编码时间,是本文的主要研究的方向,具体工作内容如下:首先,在充分研究后,文中提出了一种新的分类方法,将父块预先分为三类,对于任一块,在其对应的类里选用适合的特征,搜索其最佳匹配块。实验结果表明,该算法是有效的。其次,在研究特征向量法快速分形编码的基础上,提出一种新特征———九块和特征,并给出其可行性分析。该算法将全局搜索变为局部搜索,从而缩短了编码时间。实验结果表明,该算法在保证图片质量的同时,还能实现加速。最后,在研究小波变换的原理和优点的基础上,提出将小波变换和九块和特征相结合的编码算法,进一步提高重构图像质量,缩短图像编码的时间。实验仿真验证,该算法在改善重构图像质量的同时,还能实现加速。
赵敏[3](2019)在《基于新特征和小波变换的图像压缩编码算法》文中研究表明图像是对客观世界的一种相似和生动的描述,包含了有关被描述对象的信息。包含的数据量非常庞大,给存储和传输带来了难题。许多专家学者从图像的采集、增强、复原、变换、分割、编码、重建、配准、嵌拼、特征提取和模式识别等方面进行图像处理工作。其中分形图像压缩编码算法突破了传统方法的理论体系,得到了大家的广泛关注。但是由于它的计算复杂度较高、编码时间长等问题,限制了它的广泛应用。针对这些劣势,本文做了如下工作:(1)提出基于仿半叉迹特征的快速分形编码算法。首先定义子块仿半叉迹特征,其次证明了最小均方误差与子块仿半叉迹特征的关系,验证了采用该特征进行搜索的合理性。实验结果表明,提出的算法能有效降低数据的复杂度,在保证重构图像和原图像相似度很大的情况下,加快了编码速度。(2)提出八点和特征快速编码算法。首先给出八点和特征的定义,然后证明了它与最小均方误差的关系,进而验证了它的合理性。仿真结果表明,提出的算法在保证结构相似度很大的前提下,不仅加快了编码速度,而且峰值信噪比也有所提升。(3)提出小波变换与仿半叉迹特征相结合的分形图像编码算法。首先给出了小波变换的相关概念,其次,对原始图像进行二维小波变换,再通过特征编解码,最后通过二维逆小波变换就可以得到重构图像。根据实验结果,可知该混合编码算法的效率较高。
张晶晶[4](2019)在《基于小波与分形相结合的图像压缩编码算法》文中进行了进一步梳理分形图像压缩算法有着在高压缩比下,保证较高的重构图像质量的优点,这使得其在图像压缩研究中占有一席之位。但是,分形图像编码过程中,需要在海量码本中搜索最佳匹配块,这需要耗费大量的时间,不利于分形图像压缩编码的推广和应用。并且在编码过程中会出现“块效应”,这也影响着重构图像质量。所以,在加编解码速度的同时,提高重构图像质量是本文的重点研究内容。本文的具体研究内容如下:(1)利用分形压缩编码的优点,并结合特征向量法,提出一种图像新的子块特征——框点和,并且从理论上证明了该特征与均方误差之间的关系。以这个关系作为该算法的理论依据,提出基于图像块框点和的快速分形图像编码。然后进行仿真实验,实验结果显示,在编解码时间相近的情况下,该算法的重构图像质量高于与其他算法。(2)在定义了新的子块特征——框点和的基础上,结合连续小波变换的平滑特性,提出基于小波与分形相结合的图像压缩编码。实验仿真结果表明,与基本分形算法以及其他算法相比,新算法的性能更优,达到了预期的效果,不仅缩短了编解码时间,同时也提高了重构图像质量。(3)通过对小波变换和特征向量的进一步研究,提出基于图像块差的分形与小波结合的图像压缩编码。通过与其他算法进行对比可知,新算法的性能更优。
牛志永[5](2015)在《基于分形和小波理论的图像压缩算法研究》文中进行了进一步梳理图像压缩算法一直处于研究当中,近几年提出的新理论包括子带编码、小波变换编码以及基于分形理论的图像压缩技术。基于分形理论的图像压缩算法具有潜在的高压缩比、解码简单高效等优点,引起了各地研究人员的普遍关注。另外,JPEG2000标准还定义了感兴趣区域图像压缩技术的标准,得到了学者的广泛研究。本文首先分析了 Jacquin提出的基本的分形压缩算法和JPEG2000中的感兴趣区域图像压缩算法,针对分形压缩算法速度慢和最大移位法不能调节图像质量的缺点,本文主要做了以下几个方面的工作:(1)提出了基于“梯度和”特征的图像压缩算法。定义了图像块的梯度和特征,对匹配块的梯度和特征与均方误差之间的关系给出了证明,以梯度和意义下的最近邻定义域块的搜索代替均方误差意义上的匹配块的搜索,加快了压缩速度,同时图像质量只有微小变动,通过仿真验证了改进算法的有效性。(2)改进了小波域无搜索分形图像压缩算法。略去空间域分形压缩算法中的等距变换步骤,采取对正负小波系数分别编码的方法提高了算法的压缩比,直接存储标准差较大的值域块,从而保证了解码图像的质量。仿真表明本算法在保证图像解码质量的前提下提高了压缩比。(3)改进了基于SPIHT算法的感兴趣区域图像压缩算法。传统掩膜提取的小波系数含有大量的背景信息,本文通过小波系数对比来确定掩膜,克服了传统掩膜包含大量背景信息的缺点,使得在极低码率下图像前景区域更加清晰,通过仿真验证了改进算法的有效性。
刘立京[6](2013)在《快速分形图像压缩编码的算法研究》文中指出随着信息化网络的发展,数字图像信息作为重要的信息之一,广泛被使用。如何有效的压缩和存储大量的图像信息已经成为研究的热点问题。分形图像编码是非常有前途和应用价值的新型压缩技术,分形图像压缩以其新颖的思想、潜在的高压缩比、解码图像与分辨率无关等优点受到广泛学者关注。虽然分形图像编码具有良好的视觉效果,但是,在无人干预的情况下固有的编码非常耗时,这极大的限制了它的发展。针对这个问题,本文深入研究分形图像编码的快速算法,在保证解码图像质量同时如何减少编码时间方面做了一些研究工作,主要研究内容概括如下:(1)分析非搜索快速分形图像编码算法,根据值域块与定义域块的匹配关系,将非搜索快速分形图像编码算法思想融入到四叉树分割编码算法中,提出改进四叉树分割算法。分析图像块中像素间的关系,定义差量分析,提出D-R匹配准则,只搜索那些符合差量分析匹配准则的定义域块,从而降低了搜索过程的复杂度。以此提出了差量分析和四叉树结合的分形图像编码算法。本文提出的算法较方差算法和改进四叉树分割算法速度分别提高了5.87倍和7.84倍,解码图像的峰值信噪比基本不变。(2)本文还研究了小波和分形图像编码,在基于小波系数零树结构的分形预测图像编码算法基础上,充分利用不同层上小波系数的权重差异,将D-R匹配准则运用其中。充分考虑小波系数的特点,将小波系数绝对值化处理,避免由简单计算而引起的误差。并对绝对值足够小的小波系数采用了零树编码,提出了基于小波系数零树结构的分形预测图像压缩算法的改进算法。仿真实验表明,改进算法较原算法的编码速度提高了近19倍,同时解码图像的峰值信噪比和压缩比也有所提升。(3)将搜索匹配块的最佳匹配原则进行转换,提出了减少分形编码时间的一种新特征方法,即邻位差值和。阐述了邻位差值的概念,并证明了最小均方误差与邻位差值和的关系。充分分析值域块标准差和定义域块标准差对解码图像的影响,定义匹配搜索半径,提出基于邻位差值和的快速分形图像编码算法。仿真结果表明,本文提出的算法较叉迹算法和方差算法的编码速度分别提高了3.13倍和5.52倍,同时解码图像的峰值信噪比和压缩比略有提高。
刘会斌[7](2012)在《分形图像压缩的快速算法研究》文中研究指明图像蕴含着丰富的信息,是人们相互交流的重要载体,其重要性不言而喻。数字图像的数据量非常庞大,图像压缩技术已成为解决海量图像数据存储和传输难题的不二之选。在图像压缩编码领域,分形图像压缩以其新颖的思想、潜在的高压缩比、解码图像与分辨率无关等优点受到广泛关注。自Jacquin提出能由计算机自动实现的分形图像压缩算法以来,在其基础上的改进算法不断被提出。发展至今,这一技术仍然不够成熟,主要表现在无人干预的情况下压缩比不高、编码时间长、在当前图像压缩算法中尚未占据主导地位。因此,提高编码速度和压缩比是解决分形图像压缩不能实用化的重要途径。本文在讨论了分形相关理论和基本分形图像压缩算法的基础上,对分形图像压缩算法进行如下改进工作:(1)研究了满足匹配条件的定义域块的整体特征和互相匹配的值域块与定义域块的局部特征,发现仅使用标准差较大的定义域块就能满足分形图像压缩的需求和互相匹配的值域块与定义域块有相似或相反的亮暗分布的规律,提出了基于标准差和亮暗分布排序的快速分形图像压缩算法。仿真实验表明,该算法比基于方差的快速分形图像压缩算法和基于正负跳变的快速分形图像压缩算法的编码速度分别提高了9倍和5倍,解码图像的峰值信噪比(PSNR)和压缩比也略有提升。(2)在基于标准差和亮暗分布排序的快速分形图像压缩算法的基础上,结合编码速度更快的非搜索分形图像压缩算法,将原算法中固定标准差阈值和固定亮暗分布函数邻域阂值修改为固定标准差较大的定义域块数量和固定亮暗分布函数邻域定义域块数量,提出了基于标准差和亮暗分布排序的快速分形图像压缩算法的改进算法。仿真实验表明,改进算法的解码图像峰值信噪比比非搜索分形图像压缩算法提高了4dB,满足了人眼视觉的需求,编码速度较原算法提高了近10倍。(3)在基于小波系数零树结构的分形预测图像压缩算法的基础上,对绝对值较小的小波系数采用零树编码,利用图像小波分解后小波系数相似性的方向选择性将8种空间变换简化为4种,将不同层上的小波系数权重差异应用在值域树和定义域树的匹配准则中,提出了基于小波系数零树结构的分形预测图像压缩算法的改进算法。仿真实验表明,改进算法较原算法的编码速度提高了近10倍,解码图像的压缩比也有较大提升。
程璐璐[8](2012)在《基于提升小波变换的快速分形图像压缩算法研究》文中研究表明随着信息网络化的快速发展,多媒体技术的应用日益广泛,数字图像的存储与传输在这之中占有重要的位置。然而图像的数据量非常庞大,必须经过有效的压缩,才能满足实际应用的要求,因而探索高效的图像压缩算法无疑成为当前通信和信号处理领域里的一个重要研究课题。分形技术和小波技术是近年发展起来的新型图像压缩技术,二者结合的可能性和互补优势越来越引起人们的广泛关注。结合分形编码和小波编码各自的优点,本文提出了一种新的基于提升小波变换的快速分形图像压缩算法。通过标量量化技术对小波系数采用视觉加权,对经过小波分解的高频和低频部分分别采用SPIHT算法和改进的分形图像压缩算法。实验结果表明,该方法大幅度缩短了编码时间,避免了传统分形编码所固有的块效应,获得了较高的重构图像质量。
邓曼[9](2009)在《基于小波与分形的混合图像编码算法的研究》文中研究指明近年来,伴随着新理论、新方法的不断涌现,产生了一大批新的图像压缩编码方法。其中基于小波分析的压缩算法在静态和动态图像压缩领域得到广泛的应用,并且已经成为某些图像压缩国际标准(如JPEG2000)的重要环节。然而,采用何种策略对小波变换后的数据进行处理仍是图像压缩领域的一个研究热点。分形图像编码是近几年发展起来的,用于图像压缩的新技术,它是基于分形学和迭代函数系统理论的一种全新的图像编码思路,与以往的正交变换编码有着本质的区别。由于分形编码思路新颖,具有高压缩比的优点,获得了广泛注视,是目前最有前途的图像编码方法之一。本文的研究工作,主要包括以下内容:本文对图像压缩编码原理及现有的编码方法进行了简单的介绍。对小波图像压缩编码算法及分形图像压缩编码算法进行了研究,对其特性进行了分析,并对现有的基于小波变换的图像压缩方法——SPIHT算法,及Jacquin分形压缩编码算法进行了仿真实验。在分析了小波图像压缩编码及分形图像压缩编码后,对这两种方法的特点进行了讨论,找到二者的结合点,得到了小波及分形混合编码算法的总体思路,提出了一种小波及分形混合编码算法的改进算法,即同等压缩比下,对小波分解后的低频分量进行分形图像压缩,余出部分比特数用于传输经SPIHT算法编码的高频分量,以获得更好的重构图像质量。最后将混合编码算法与单一的SPIHT算法和Jacquin分形算法在编、解码时间、峰值信噪比(PSNR)上进行仿真实验比较和结果分析,得到满意的效果。
李娜[10](2009)在《小波变换与分形理论在图像压缩编码中的研究与应用》文中进行了进一步梳理随着数字化信息技术的不断发展,如何有效的存储和传输大量的图像和多媒体信息成为了研究的热点问题。图像压缩编码方法很多,发展速度也很迅速,目前已制定了JPEG、MPEG、JPEG2000、H.26X等国际标准。但在压缩比以及编解码时间方面还远远没有达到实际应用的需求。经典信源编码算法始于Shannon的信息论的率失真理论,它主要利用图像本身固有的统计特性,没有充分利用人类视觉系统的某些特性,其压缩比饱和于10:1左右[19]。小波变换(Wavelet Transform)的本质是通过多分辨率或者多尺度的方式分解信号,将其应用在图像分解领域,非常适合人眼视觉系统对频率感知的对数特性。分形编码(Fractal Coding)是近十几年发展起来的一种新型图像压缩算法,主要利用图像的自相似性特点,把表面上具有复杂视觉特性的图像,利用迭代函数系统,采用几条简单的迭代规则,用有限的系数就可以实现一幅图像的编码。解码端利用这几条规则就能实现原图像的迭代解码,因此分形图像压缩算法可以达到其它图像压缩算法不可能达到的高压缩比。目前小波与分形结合的图像编码算法很多,主要方法有:将图像在小波域进行多级分解,对图像低频部分采用分形压缩编码[15][16];对高频部分采用分形编码;在整个频率域对图像进行分形编码[7][10]以及其它一些角度结合[17]等等。小波变换编码和分形编码是现在研究的热点问题,并已有不少研究成果,能否突破目前国际标准所实现的压缩比,是图像压缩编码领域正在研究和关注的问题。本文在学习了小波变换原理、分形理论及它们在图像编码压缩应用,做了更进一步的分析和研究,并提出一种改进的基于小波变换的分形图像压缩算法。首先,将图形基于Daubechies9/7小波进行4级分解,然后对低频部分采用自适应算术编码,高频部分采用基于零树的分形预测编码,在求分形预测树的相似树时,引入比较方差的方法。最后基于MATLAB7.0平台下给出实验结果,证明该算法的合理性。
二、一种基于小波变换的分形图像编码压缩算法的研究(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、一种基于小波变换的分形图像编码压缩算法的研究(论文提纲范文)
(1)分形理论在图像压缩及图像检索中的应用研究(论文提纲范文)
摘要 |
abstract |
专业术语注释表 |
第一章 绪论 |
1.1 研究背景 |
1.2 图像压缩技术概述 |
1.3 分形编码算法研究现状 |
1.4 研究内容 |
1.5 论文结构安排 |
第二章 分形图像压缩编码原理综述 |
2.1 分形编码的基本理论 |
2.1.1 仿射变换 |
2.1.2 不动点定理 |
2.1.3 拼贴定理 |
2.1.4 迭代函数系统 |
2.2 分形图像压缩编码算法模型 |
2.2.1 图像分割 |
2.2.2 压缩仿射变换 |
2.2.3 解码 |
2.3 本章小结 |
第三章 基于图像纹理的正交稀疏分形图像压缩编码 |
3.1 稀疏分解基本原理 |
3.2 算法模型 |
3.2.1 正交稀疏灰度变换 |
3.2.2 基于相似性度量矩阵的图像块检索 |
3.3 实验结果及分析 |
3.3.1 确定参数大小 |
3.3.2 算法性能比较 |
3.4 本章小结 |
第四章 基于小波变换的快速稀疏分形图像压缩编码 |
4.1 小波变换基本原理 |
4.2 算法模型 |
4.2.1 基于小波域的稀疏分形图像编码算法 |
4.2.2 基于统计方法的图像块检索 |
4.3 实验结果及分析 |
4.3.1 算法流程 |
4.3.2 实验仿真 |
4.4 本章小结 |
第五章 基于块稀疏张量的分形图像压缩编码 |
5.1 张量的Tucker分解 |
5.2 算法模型 |
5.2.1 块稀疏字典学习 |
5.2.2 块稀疏张量编码和解码 |
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 总结 |
6.2 展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
致谢 |
(2)基于小波变换的分形图像编码压缩算法(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 图像压缩的背景知识 |
1.2.1 图像压缩编码的原理 |
1.2.2 图像压缩质量评价 |
1.3 分形图像压缩编码综述 |
1.3.1 分形理论提出与发展 |
1.3.2 分形图像压缩研究现状 |
1.4 本文结构安排 |
第二章 相关背景知识介绍 |
2.1 分形编码理论 |
2.1.1 仿射变换 |
2.1.2 不动点及压缩映射 |
2.1.3 拼贴定理 |
2.1.4 局部迭代函数系统 |
2.2 分形编码的算法描述 |
2.2.1 分形编码的基本原理 |
2.2.2 分形编码的算法描述及实现 |
2.3 本章小结 |
第三章 基于分类方法的快速分形算法 |
3.1 算法理论依据 |
3.1.1 D块的分类 |
3.1.2 各类特征的选取 |
3.1.3 结构比定义及可行性分析 |
3.2 算法的分析与实现 |
3.2.1 算法的分析 |
3.2.2 算法的实现 |
3.3 实验仿真结果 |
3.4 小结 |
第四章 九块和特征的快速分形图像编码 |
4.1 基本分形算法 |
4.2 算法的理论依据 |
4.3 算法分析与实现 |
4.4 实验结果分析 |
4.5 本章小结 |
第五章 基于小波变换的分形图像编码压缩算法 |
5.1 算法理论依据 |
5.1.1 小波定义和连续小波变换 |
5.1.2 小波基的性质 |
5.1.3 二级小波分解 |
5.1.4 小波发展和小波分解特点 |
5.2 算法分析与实现 |
5.3 实验结果分析 |
5.4 结束语 |
第六章 总结与展望 |
6.1 总结 |
6.2 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 |
致谢 |
(3)基于新特征和小波变换的图像压缩编码算法(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 课题的背景和意义 |
1.2 图像压缩的背景 |
1.2.1 图像压缩编码原理 |
1.2.2 常用编码算法 |
1.2.3 图像压缩编码的性能评价 |
1.3 分形图像压缩编码 |
1.3.1 分形理论创立与发展 |
1.3.2 分形图像压缩研究现状 |
1.4 本文结构安排 |
第二章 相关背景知识介绍 |
2.1 分形图像压缩编码原理 |
2.1.1 仿射变换 |
2.1.2 不动点定理 |
2.1.3 拼贴定理 |
2.1.4 迭代函数系统 |
2.2 分形图像压缩编码算法实现 |
2.2.1 编码算法 |
2.2.2 解码算法 |
2.3 本章小结 |
第三章 仿半叉迹特征的快速分形图像编码 |
3.1 算法理论依据 |
3.2 算法分析与实现 |
3.3 实验仿真结果 |
3.4 本章小节 |
第四章 八点和特征快速编码算法 |
4.1 算法理论依据 |
4.2 算法分析与实现 |
4.3 实验仿真结果 |
4.4 本章小节 |
第五章 小波变换与仿半叉迹特征相结合的分形图像编码 |
5.1 算法理论依据 |
5.2 算法分析与实现 |
5.3 仿真实验结果 |
5.4 本章小节 |
第六章 总结与展望 |
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 |
(4)基于小波与分形相结合的图像压缩编码算法(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 图像压缩编码的性能评价 |
1.3 分形图像压缩发展历程 |
1.4 分形图像压缩研究现状 |
1.5 本文结构安排 |
第二章 相关背景知识介绍 |
2.1 分形编码的理论基础 |
2.1.1 仿射变换 |
2.1.2 压缩映射和不动点定理 |
2.1.3 拼贴定理 |
2.1.4 迭代函数系统和局部迭代函数系统 |
2.2 分形图像编码的算法描述与实现 |
2.3 本章小结 |
第三章 基于图像块框点和的快速分形图像编码 |
3.1 基本分形编码算法 |
3.2 算法理论依据 |
3.3 算法分析与实现 |
3.3.1 算法分析 |
3.3.2 算法实现 |
3.4 实验仿真结果 |
3.5 本章小结 |
第四章 基于小波与分形相结合的图像压缩编码 |
4.1 小波变换 |
4.2 图像块框点和特征的理论基础 |
4.3 算法分析与实现 |
4.3.1 算法分析 |
4.3.2 算法实现 |
4.4 实验仿真结果 |
4.5 本章小结 |
第五章 基于图像块差的分形与小波结合的图像压缩编码 |
5.1 小波变换 |
5.2 理论基础 |
5.3 算法实现 |
5.3.1 算法步骤 |
5.3.2 实验仿真结果 |
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 |
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)基于分形和小波理论的图像压缩算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 图像压缩的背景及意义 |
1.2 图像压缩的基本原理 |
1.3 图像压缩发展概况 |
1.4 图像压缩算法评价标准 |
1.5 本文结构 |
第2章 分形及小波理论简介 |
2.1 分形理论基础 |
2.1.1 分形的定义 |
2.1.2 度量空间 |
2.1.3 分形空间 |
2.1.4 压缩映射 |
2.1.5 迭代函数系统 |
2.1.6 拼贴定理 |
2.2 基于小波理论的图像压缩算法简介 |
2.2.1 小波理论基础 |
2.2.2 应用于数字图像的小波变换算法 |
2.2.3 EZW算法 |
2.2.4 SPIHT算法 |
2.3 本章小结 |
第3章 基于分形理论的图像压缩算法研究 |
3.1 基本分形压缩算法 |
3.1.1 基本分形压缩算法的压缩过程 |
3.1.2 基本分形压缩算法的解压过程 |
3.1.3 仿真结果 |
3.2 基本算法的改进 |
3.2.1 Fisher分类法 |
3.2.2 无搜索分形图像压缩算法 |
3.2.3 基于叉迹特征的分形图像压缩算法 |
3.3 一种小波域分形图像压缩算法 |
3.3.1 分形与小波理论的结合 |
3.3.2 小波域分形图像压缩算法 |
3.3.3 算法中参数的选取 |
3.4 木章小结 |
第4章 基于梯度和特征的分形图像压缩算法研究 |
4.1 特征值法研究现状 |
4.2 梯度和特征 |
4.2.1 搜索方式介绍 |
4.2.2 算法描述 |
4.3 实验分析与仿真 |
4.4 本章小结 |
第5章 基于SPIHT算法的感兴趣区域压缩算法研究 |
5.1 研究背景及目的 |
5.2 研究现状及典型算法 |
5.3 ROI压缩算法 |
5.4 JPEG2000标准给出的ROI压缩算法及其改进算法 |
5.4.1 实验与分析 |
5.4.2 基于系数对比的掩膜制作方法 |
5.4.3 本文算法与JPEG2000中ROI技术的比较 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 论文工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
(6)快速分形图像压缩编码的算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 图像压缩研究背景及意义 |
1.2 图像编码的概述 |
1.2.1 理论基础 |
1.2.2 系统模型 |
1.2.3 技术分类 |
1.2.4 性能评价 |
1.3 分形图像压缩编码的研究现状 |
1.3.1 提高分形图像压缩编解码速度 |
1.3.2 提高分形编码的解码质量 |
1.4 本文的主要工作及内容安排 |
第2章 分形及分形图像压缩编码的技术分析 |
2.1 分形学的概述 |
2.2 分形理论的数学基础 |
2.2.1 度量空间及分形空间 |
2.2.2 分形维数 |
2.3 分形图像压缩理论 |
2.3.1 仿射变换 |
2.3.2 不动点及压缩映射定理 |
2.3.3 迭代函数系统定理 |
2.3.4 拼贴定理 |
2.4 本章小结 |
第3章 分形图像压缩编码算法研究 |
3.1 Jacquin分形图像压缩编码 |
3.1.1 Jacquin算法的编码过程 |
3.1.2 Jacquin算法的解码过程 |
3.1.3 算法实现及仿真结果 |
3.2 算法改进方法 |
3.2.1 图像分类方法 |
3.2.2 图像分割方式 |
3.2.3 分形技术与其他编码相结合的混合编码 |
3.3 差量分析和四叉树结合的分形图像编码算法 |
3.3.1 理论分析 |
3.3.2 算法流程 |
3.3.3 实验仿真 |
3.4 基于小波系数零树结构的分形预测图像压缩算法的改进算法 |
3.4.1 小波分析理论 |
3.4.2 二维图像小波分解 |
3.4.3 零树结构分析 |
3.4.4 改进算法分析 |
3.4.5 改进算法参数选取及结果分析 |
3.5 本章小结 |
第4章 基于邻位差值和的快速分形图像编码算法 |
4.1 特征向量法 |
4.1.1 特征方法 |
4.1.2 特征向量法改进 |
4.2 分析邻位差值和 |
4.3 理论分析 |
4.3.1 值域块标准差分析 |
4.3.2 定义域块标准差分析 |
4.3.3 搜索法 |
4.4 算法流程 |
4.5 参数选取 |
4.5.1 参数η的选取 |
4.5.2 参数τ的选取 |
4.5.3 参数κ的选取 |
4.6 实验结果 |
4.7 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 |
(7)分形图像压缩的快速算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 图像压缩研究背景及意义 |
1.2 图像压缩的可行性分析 |
1.3 图像压缩的系统模型与分类 |
1.3.1 图像压缩的系统模型 |
1.3.2 图像压缩算法的分类 |
1.4 图像压缩算法的性能评价 |
1.5 分形图像压缩的研究现状 |
1.6 本文的主要工作及组织结构 |
第2章 分形图像压缩理论 |
2.1 分形概述 |
2.2 分形理论的数学基础 |
2.2.1 度量空间 |
2.2.2 分形维数 |
2.3 分形图像压缩理论 |
2.3.1 仿射变换 |
2.3.2 压缩映射定理 |
2.3.3 迭代函数系 |
2.3.4 拼贴定理 |
2.4 本章小结 |
第3章 分形图像压缩的改进算法 |
3.1 局部迭代函数系 |
3.2 基本分形图像压缩算法 |
3.2.1 局部迭代函数系的实现 |
3.2.2 基本分形图像压缩与解码过程 |
3.2.3 基本分形图像压缩算法仿真 |
3.3 基于标准差和亮暗分布排序的快速分形图像压缩算法 |
3.3.1 理论分析 |
3.3.2 算法流程 |
3.3.3 参数选取 |
3.3.4 实验仿真 |
3.4 基于标准差和亮暗分布排序的分形图像压缩改进算法 |
3.4.1 非搜索快速分形图像压缩算法 |
3.4.2 改进算法分析 |
3.4.3 改进算法流程 |
3.4.4 改进算法参数选取 |
3.4.5 改进算法实验仿真 |
3.5 本章小结 |
第4章 小波分形混合图像压缩的改进算法 |
4.1 小波分析理论 |
4.1.1 连续小波变换 |
4.1.2 离散小波变换与多分辨分析 |
4.2 图像的小波分解 |
4.2.1 小波基的选取 |
4.2.2 二维图像的小波分解 |
4.3 小波分形混合图像压缩算法 |
4.3.1 小波分形混合图像压缩的现状 |
4.3.2 图像小波域下分形压缩算法的简化处理 |
4.3.3 基于小波系数零树结构的分形预测图像压缩算法 |
4.4 基于小波系数零树结构的分形预测图像压缩算法的改进算法 |
4.4.1 改进算法分析 |
4.4.2 改进算法流程 |
4.4.3 改进算法参数选取 |
4.4.4 改进算法实验仿真 |
4.5 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)基于提升小波变换的快速分形图像压缩算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景 |
1.2 研究现状与发展 |
1.3 本课题研究的主要内容 |
第二章 图像压缩技术概述 |
2.1 图像压缩的基本原理 |
2.1.1 图像压缩的必要性与可能性 |
2.1.2 图像压缩技术的组成 |
2.1.3 图像压缩技术的评价标准 |
2.2 图像压缩编码分类 |
2.2.1 经典图像压缩方法 |
2.2.2 现代图像压缩方法 |
2.3 图像压缩技术的国际标准 |
2.4 本章小结 |
第三章 分形理论及基本分形图像压缩算法 |
3.1 分形理论概述 |
3.2 分形图像编码的数学基础 |
3.2.1 分形空间 |
3.2.2 压缩映射 |
3.2.3 仿射变换 |
3.2.4 迭代函数系统 |
3.3 分形图像压缩编码的原理 |
3.3.1 基于 IFS 的分形图像编码基本原理 |
3.3.2 局部迭代函数系统 |
3.4 基于分块的分形编码方法 |
3.4.1 编码过程 |
3.4.2 解码过程 |
3.4.3 改进算法的设计与实现 |
3.4.4 实验仿真结果 |
3.5 本章小结 |
第四章 小波变换编码基本理论 |
4.1 引言 |
4.2 从 Fourier 分析到小波分析 |
4.3 小波定义 |
4.4 多分辨率分析 |
4.4.1 多分辨率分析理论[31] |
4.4.2 二维信号的 Mallat 算法 |
4.5 小波系数的分析 |
4.6 基于小波变换的图像压缩编码 |
4.7 小波图像编解码举例 |
第五章 基于提升小波的快速分形图像压缩算法 |
5.1 提升小波构造 |
5.2 分形编码和小波变换的结合 |
5.3 小波变换与分形的混合编码 |
5.3.1 基于小波变换的分形图像压缩 |
5.3.2 基于小波变换的分形图像压缩应用举例 |
5.3.3 实验结果 |
5.4 SPIHT 算法 |
5.4.1 SPIHT 算法 |
5.4.2 SPIHT 算法实现步骤 |
5.4.3 引入人眼视觉特性(HVS)[38] |
5.5 基于提升小波的快速分形图像压缩算法 |
5.5.1 算法流程 |
5.5.2 实验结果与分析 |
5.6 本章小结 |
第六章 结束语 |
致谢 |
参考文献 |
研究成果 |
(9)基于小波与分形的混合图像编码算法的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题提出的背景与研究现状 |
1.2 课题研究的意义 |
1.3 本文的主要工作及章节安排 |
第2章 图像压缩的基本原理 |
2.1 图像压缩概述 |
2.1.1 数据压缩概述 |
2.1.2 图像压缩模型 |
2.2 图像压缩分类与质量的判别 |
2.2.1 图像压缩分类 |
2.2.2 图像质量的判别 |
2.3 图像编码方法的介绍 |
2.3.1 传统的图像编码技术 |
2.3.2 新型图像编码技术 |
2.3.3 图像编码的国际标准简介 |
2.4 本章小结 |
第3章 小波变换编码 |
3.1 引言 |
3.2 小波变换简介 |
3.2.1 连续小波变换 |
3.2.2 离散小波变换 |
3.2.3 快速小波变换算法(Mallat算法) |
3.3 小波变换应用于图像编码 |
3.3.1 小波变换应用于图像编码概述 |
3.3.2 零树编码 |
3.4 本章小结 |
第4章 分形图像压缩编码 |
4.1 引言 |
4.1.1 分形定义 |
4.1.2 分形方法能应用于图像压缩的依据 |
4.2 分形图像压缩编码的理论基础 |
4.2.1 图像压缩分形理论的数学基础 |
4.2.2 压缩映射 |
4.2.3 迭代函数系统 |
4.3 拼贴定理 |
4.3.1 拼贴定理 |
4.3.2 局部迭代函数系 |
4.3.3 离散局部迭代函数系 |
4.4 分形编码应用于图像压缩 |
4.4.1 简库恩(A.E.Jacquin)全自动的分形图像压缩方法 |
4.4.2 仿真结果及分析 |
4.5 本章小结 |
第5章 小波与分形混合编码方法研究 |
5.1 基于小波变换的分形图像压缩方法介绍 |
5.1.1 分形编码和小波变换编码的结合 |
5.1.2 对小波与分形混合编码的分析 |
5.2 小波与分形混合编码算法的实现 |
5.2.1 分形与小波相结合的总体思路 |
5.2.2 小波与分形混合编码算法的实现 |
5.2.3 小波与分形混合编码算法描述 |
5.3 小波与分形混合编码算法实验结果及分析 |
5.4 本章小结 |
第6章 总结 |
参考文献 |
致谢 |
(10)小波变换与分形理论在图像压缩编码中的研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 课题提出的背景以及意义 |
1.3 本文结构安排 |
第二章 图像压缩的可能性以及经典算法分类 |
2.1 图像数据压缩的可能性 |
2.2 常用图像编码算法分类 |
2.3 图像质量性能指标及评价 |
2.3.1 编码和解码的速度 |
2.3.2 压缩比 |
2.3.3 图像质量评价方法 |
2.4 图像压缩的国际标准及技术特点 |
第三章 小波分析与图像压缩编码 |
3.1 傅里叶变换及窗口傅里叶变换 |
3.1.1 傅里叶变换的不足 |
3.1.2 Gabor 变换 |
3.2 小波变换 |
3.2.1 Mallat 算法 |
3.3 小波分析在图像压缩中的应用 |
3.3.1 图像信号的二维小波变换 |
3.3.2 嵌入式零树小波编码(EZW)算法 |
3.3.3 多级树集合分裂(SPIHT)算法 |
第四章 分形理论与图像压缩 |
4.1 分形理论 |
4.1.1 分形理论的定义和性质 |
4.1.2 分形图像压缩的数学基础 |
4.1.3 局部迭代函数系统 LIFS |
4.2 基于 LIFS 理论的分形压缩的编解码过程 |
4.2.1 编码过程 |
4.2.2 解码方法 |
4.3 Jacquin 方案的图像编解码实验及结果 |
4.4 分形编码的进一步讨论 |
第五章 小波与分形结合的图像编码 |
5.1 基于小波变换的分形图像压缩方法介绍 |
5.2 一种基于方差的小波与分形混合编码方法 |
5.3 一种新的基于小波系数和方差的分形图像编码算法 |
第六章 实验结果以及分析 |
6.1 实验环境 |
6.2 实验结果与分析一 |
6.3 实验结果与分析二 |
6.3.1 基于 Daubechies9/7 小波分解 |
6.3.2 低频部分二进制自适应算术编、解码结果 |
6.3.3 基于方差和小波零树结构的分形预测编、解码 |
6.3.4 实验结果对比分析 |
结束语 |
参考文献 |
致谢 |
在读硕士研究生期间发表的论文 |
四、一种基于小波变换的分形图像编码压缩算法的研究(论文参考文献)
- [1]分形理论在图像压缩及图像检索中的应用研究[D]. 曹健. 南京邮电大学, 2020(03)
- [2]基于小波变换的分形图像编码压缩算法[D]. 赵蓉. 南京邮电大学, 2019(02)
- [3]基于新特征和小波变换的图像压缩编码算法[D]. 赵敏. 南京邮电大学, 2019(02)
- [4]基于小波与分形相结合的图像压缩编码算法[D]. 张晶晶. 南京邮电大学, 2019(02)
- [5]基于分形和小波理论的图像压缩算法研究[D]. 牛志永. 东北大学, 2015(12)
- [6]快速分形图像压缩编码的算法研究[D]. 刘立京. 东北大学, 2013(03)
- [7]分形图像压缩的快速算法研究[D]. 刘会斌. 东北大学, 2012(05)
- [8]基于提升小波变换的快速分形图像压缩算法研究[D]. 程璐璐. 西安电子科技大学, 2012(04)
- [9]基于小波与分形的混合图像编码算法的研究[D]. 邓曼. 东北大学, 2009(06)
- [10]小波变换与分形理论在图像压缩编码中的研究与应用[D]. 李娜. 延安大学, 2009(05)