一、一种基于小波分析的自适应图像融合方法（论文文献综述）
朱浩然[1]（2020）在《多波段夜视成像与可见光图像融合恢复技术研究》文中进行了进一步梳理红外与可见光成像传感器在监控、侦查、情报搜集和安保等方面均有着重要应用。红外与可见光成像传感器在记录同一场景时,在其提供的信息中有部分是冗余的或互补的,图像融合技术可将红外图像与可见光图像整合为一幅图像,融合后的新图像能够清晰地显示目标与背景,相比每个单独的源图像融合图像可以提供更多信息。本文以红外与可见光图像为研究对象,深入分析了现有图像融合方法存在的问题,并在此基础上开展了以下研究工作:在噪声干扰下融合算法的边缘与纹理保持能力会受到影响,针对该问题,本文提出了一种基于迭代导向滤波与多视觉权重信息的红外与可见光图像融合方法。首先,在融合的分解阶段应用具有尺度感知与边缘保持特性的迭代导向滤波器获得基础层与细节层,迭代过程既能充分分离空间上重叠的特征信息,又能有效降噪与抑制边缘伪影;然后,在重构阶段利用深度纹理信息与边缘信息建立权重图,尽可能保留源图像关键细节信息,并且应用加权最小平方法优化细节层,进一步去噪;最后,对分解信息进行线性整合获得融合图像。实验结果表明,与其他具有抗噪声功能的融合方法相比,本文方法在主客观评价方面具有一定优势,特别在噪声与烟雾下效果更加明显。在暗环境下融合图像会存在部分隐藏或模糊细节,针对该问题,本文提出了一种基于对比度增强与多尺度边缘保持分解的红外与可见光图像融合方法。融合前,先采用一种多尺度对比度自适应增强算法提高夜间可见光图像可见性,该方法通过改进的导向滤波器和对比度恢复算子可有效增强暗处细节的清晰度与对比度;然后,根据不同层性质分别设计融合规则,尽可能保留已恢复信息。为提高融合结果纹理信息含量,应用自适应PCNN模型融合小尺度细节层。为防止两种异质光谱信息相互干扰,利用一种新的边缘检测方法融合大尺度细节层。为提高融合结果对比度,通过基于视觉显着图的加权平均技术融合基础层。最后,通过重构规则整合各融合层获得一幅细节清晰的新图像。实验结果表明,与其他具有对比度增强功能的方法相比,本文方法视觉效果更加清晰自然,客观评价指标方面,平均梯度、空间频率、边缘信息保持度和信息丢失总量分别提高了11.86、12.98、0.04和0.05。多尺度融合方法通过多层分解以获得满意的融合结果,计算复杂度相对较高,无法满足高实时性融合系统要求,针对此问题,本文提出了一种结合灰度变换与显着信息提取的红外与可见光图像融合方法。首先,通过Sigmoid与指数函数对可见光图像进行灰度变换,突出背景细节。其次,通过重建红外背景图像获取红外显着信息。再次,采用两个抑制因子优化红外显着信息,减少冗余信息与防止过曝。最后,结合灰度变换可见光图像与红外显着信息得到融合图像。通过主观与客观分析表明,与其他快速融合方法相比,本文方法可以保留更多可见光细节信息与更加突出的热目标,在平均像素强度、感知显着性和互信息上均有较大提高,且融合时间小于0.03s,满足实时性要求。
章毓晋[2]（2010）在《中国图像工程:2009》文中研究指明该文是关于中国图像工程的年度文献综述系列之十五。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2009年在国内15种有关图像工程重要中文期刊的共134期上发表的3604篇学术研究和技术应用文献中,选取出1008篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理,图像分析,图像理解,技术应用和综述五个大类,然后进一步分入23个专业小类（与去年相同）。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到我国图像工程在2009年许多新进展的情况。特别值得指出,在上述15种期刊上所发表的图像工程文献数量在2009年继续增加并达到历史最高,显示了图像工程在中国继续蓬勃发展的趋势。另外,借此综述系列15年之际,还将这15年分成3个5年的阶段,分别对3个阶段的图像工程文献选取情况和各类图像工程文献数量进行了统计和对比分析,以为读者提供更全面和可信的发展动态信息。
周涛,刘珊,董雅丽,霍兵强,马宗军[3]（2021）在《多尺度变换像素级医学图像融合:研究进展、应用和挑战》文中研究表明基于多尺度变换的像素级图像融合是计算机视觉领域的研究热点,广泛应用于医学图像处理等领域。本文对多尺度变换的像素级图像融合进行综述,阐述多尺度变换图像融合的基本原理和框架。在多尺度分解方面,以时间为序梳理了塔式分解、小波变换和多尺度几何分析方法的发展历程。在融合规则方面,围绕Piella框架和Zhang框架,讨论通用的像素级图像融合框架;在低频子带融合规则方面,总结基于像素、区域、模糊理论、稀疏表示和聚焦测度的5种融合规则;在高频子带融合规则方面,综述基于像素、边缘、区域、稀疏表示和神经网络的5种融合规则。总结12种跨模态医学图像融合方式,讨论该领域面临的主要挑战,并对未来的发展方向进行展望。本文系统梳理了多尺度变换像素级图像融合过程中的多尺度分解方法和融合规则,以及多尺度变换在医学图像融合中的应用,对多尺度变换像素级医学图像融合方法的研究具有积极的指导意义。
顾鹏[4]（2021）在《基于非下采样剪切波变换的多聚焦图像融合》文中指出图像融合是将多个图像传感器中获得的有效信息提取并融合,从而得到信息更丰富的完整图像。多聚焦图像融合是图像融合领域的一个重要分支,由于光学传感器的景深有限,很难获得所有景物同时聚焦的图像,多聚焦图像融合可以将多幅图像进行融合,得到所有场景都清晰的图像。本文以非下采样剪切波变换（Non-Subsampled Shearlet Transform,NSST）为基础对多聚焦图像融合算法进行研究,主要研究工作有以下两个部分:（1）针对传统多聚焦图像融合算法普遍存在焦点不清晰、边缘模糊和重影,传统脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）参数设置困难,稀疏表示不能充分表示源图像的特征信息等问题。提出了基于NSST域的参数自适应PCNN和卷积稀疏表示的多聚焦图像融合算法。利用NSST对源图像进行高低频分解,将参数自适应PCNN模型引入到高频系数的融合中,解决了PCNN手动设置参数的困难。将卷积稀疏表示用于低频子带融合中,解决了稀疏表示对边缘细节信息的保存能力不足的问题。实验结果表明,该算法在主观视觉效果和客观评价方面都有很好的表现。（2）为了进一步提升多聚焦图像融合的质量,解决基于卷积神经网络的多聚焦图像融合算法在融合图像时未区分图像的高低频,融合结果不符合人眼视觉感知的问题。提出了将NSST和卷积神经网络相结合的多聚焦图像融合算法。在NSST分解源图像获得高低频系数的基础上,利用卷积神经网络获得源图像的初始权重图,同时将初始权重图分解为高低频分量。采用不同的融合规则分别对源图像的高低频系数和初始权重图的高低频分量进行融合,最后通过NSST重构获得最终的融合结果。实验结果表明,该算法能够有效地表达图片的细节信息,使融合图像的细节更加清晰,边缘更平滑,具有保留源图像有用信息和捕捉源图像更深层面几何结构的能力。
王金凤[5]（2021）在《基于多信息融合的带式输送机故障诊断研究》文中指出带式输送机在港口煤炭转运过程中扮演着极为重要的角色,带式输送机长期处于高负载的连续运输状态,经常出现托辊卡死、皮带撕裂、滚筒损坏等故障。目前,主要采用单一传感器检测带式输送机的故障信息,而单一传感器在信息采集过程中存在模糊性、不全面性和精确性低等问题。针对这一问题,本文选择采用多传感器信息融合技术进行带式输送机故障诊断研究。论文的主要研究内容如下:通过分析带式输送机的常见故障,选用声音传感器和红外热成像仪两种类型的传感器,对实际运行情况下的带式输送机进行信息采集。根据采集到的声音信号和红外图像的特点,设计了一款基于多信息融合的带式输送机故障诊断系统,采用Lab VIEW软件接收和处理信息,利用Lab VIEW调用MATLAB编程软件的方式,实现多源故障信息的处理。以现场采集的带式输送机不同运行状态的声音信号和红外图像作为分析基础。由于采集到的声音信号中会含有大小不一的噪声,采用操作简单、效果理想的能熵比改进Boll谱减法对声音信号进行降噪处理。随后选择小波包分解算法对降噪后的声音信号进行能量谱分析,并以各子频带的能量作为检测特征向量。针对红外图像在成像和传输过程中会被噪声污染的问题,通过分析传统中值滤波和自适应中值滤波的不足之处,选择了一种改进均值的自适应滤波算法对红外图像进行降噪处理。其次对降噪后的红外图像进行目标分割,根据带式输送机红外图像的特点,提出了显着区域目标分割法与边缘检测算法相结合的目标分割算法,有效地将带式输送机的故障部位轮廓分割出来。为满足故障诊断系统对实时性要求,采用计算量少的Hu不变矩提取故障区域的形状特征,并以Hu矩构建的七个不变矩作为检测特征向量。采用VNWOA-BP神经网络与改进的D-S证据伦理相结合的方式构建带式输送机信息融合故障诊断模型。针对BP神经网络的局限性,提出冯诺依曼鲸鱼算法进行BP神经网络的优化,建立VNWOA-BP神经网络模型,对带式输送机进行故障诊断,通过分析实验结果,验证VNWOA-BP神经网络对故障诊断方式的有效性。针对传统D-S证据理论合成规则的不足之处,采用邓勇合成规则改进D-S证据理论,通过对VNWOA-BP神经网络的输出向量进行决策层融合实验。获得带式输送机故障诊断的最终结果。分析实验结果可知,多信息融合故障诊断模型可有效提高故障诊断的准确率,增强了故障诊断系统的可靠性。根据以上研究,对带式输送机故障诊断系统流程进行梳理,通过对带式输送机故障诊断实例的分析可知,多信息融合带式输送机故障诊断系统是有效可行的。
赵丽梦[6]（2021）在《基于图像融合的绝缘子缺陷检测方法研究》文中认为随着智能电网时代的到来,传统的人工线路巡检方式费时费力,危险性较高,已经逐步被自动检测技术所取代。针对输电线路中的绝缘子利用图像融合技术进行故障检测展开研究。通过不同的传感器获得绝缘子的红外图像以及可见光图像,利用图像融合技术将不同信息进行融合,根据融合图像对绝缘子缺陷进行分析。论文研究内容如下所示。首先,对于绝缘子的检测现状进行分析,提出利用图像融合方法进行绝缘子缺陷检测。图像融合理论进行系统研究,包括图像融合层次、方法以及评价标准。重点研究了像素级图像融合的四类方法为空间域、多尺度变换、稀疏表示以及神经网络方法,各有优缺点,其中多尺度变换方法融合效果较好,因此拟采用多尺度变换方法进行图像融合。其次,研究非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）和非下采样剪切波变换（Nonsubsampled Shearlet Transform,NSST）两种多尺度变换算法,NSCT是由非下采样金字塔滤波器组以及方向滤波器组两部分组成,NSST是由非下采样金字塔滤波器组以及剪切波滤波器组两部分组成。研究子带图像的融合规则,采用二维模态分解对FT算法进行改进,通过改进的FT算法提取到的显着性特征计算低频图像的局部区域匹配度,若匹配度较高,采用加权平均法进行融合,若匹配度较低,采用灰度值取大法融合;采用改进空间频率（Modified Spatial Frequency,MSF）作为脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）的输入,改进拉普拉斯能量和（Modified Sum of Laplacian energy,MSLP）作为PCNN的链接强度,采用自适应的PCNN计算高频图像像素点的点火频率,根据点火频率确定融合系数。缺陷绝缘子的红外图像以及可见光图像进行采集和处理,对图像融合过程中的参数进行设置,并利用四种融合方法进行对比实验,包括加权平均法、小波变换法、NSCT变换法、NSST变换法。通过评价标准进行评价,并得出结论基于NSST变换方法融合效果较好,计算速度较快。最后根据融合图像特征对绝缘子中的缺陷种类进行判断,并分析不同缺陷类型检测的准确率。
鲁明阳[7]（2021）在《基于红外特征的可见光图像复原技术研究》文中研究说明自从进入信息化时代以来,图像作为最直观的数据类型,也是人们在通讯中重要的表达方式之一。然而,在图像获取过程中,不免会遇到低照度场景的问题。在这种场景下采集的图像具有亮度低、色彩偏差、对比度低、细节不清晰等缺陷,不仅降低人们的视觉感观,而且对图像的后期处理造成影响。因此,有必要对低照度场景下的图像进行复原技术研究,以便图像的后期处理和帮助人们提取重要的信息。针对低照度场景下获取的可见光图像质量差等问题,本文利用同一场景下的红外图像特征,结合基于融合的方法对低照度图像进行处理,使此场景下的图像信息和颜色更加丰富,达到复原图像的目的。因此,本文采用改进的Retinex增强算法,对低照度可见光图像进行增强预处理,再基于HSV空间和双树复小波变换结合的融合算法,对图像进行复原处理。具体研究内容如下:1)从Retinex增强算法角度考虑,提出了一种基于自适应引导滤波的Retinex增强算法。一方面,引导滤波基于局部线性可变的原理,具有边缘保持特性和梯度保持特性,但仍然存在一些不足。为解决该问题,引入自适应引导滤波来估计照度分量,不仅使图像的细节更加明显,还避免了彩色图像的光晕伪影。另一方面,传统Retinex算法基于RGB通道增强图像时,彩色图像会出现失真现象。为解决该问题,采取优化颜色关系恢复因子和归一化函数调整亮度的策略,不仅解决了彩色图像易出现失真的问题,还解决了图像亮度低的问题。仿真结果结果表明,本文算法与现有的一些算法进行比较,增强效果更加明显,具有较好的实用性。2)从图像融合算法角度考虑,提出了一种基于HSV空间和双树复小波结合的图像融合算法。首先,由于HSV空间的颜色信息和亮度分量相互分离,适用于图像处理,因此本文基于HSV空间对图像进行处理。然后,双树复小波变换不仅具有小波变换的优势,还克服了小波变换方向性限制和平移性差的缺点,因此采用双树复小波对两种图像进行频域分解。最后,在融合规则中,采用一种自适应主成分分析加权的融合策略对低频子图像进行融合,同时采用一种局部能量和匹配度相结合的融合策略对高频子图像进行融合。通过对三组图像进行仿真实验,结果表明,本文算法相比其他算法,图像的亮度适中,细节更丰富,效果更加理想,具有较好的鲁棒性。
刘博[8]（2021）在《基于多尺度变换与深度学习的多聚焦图像融合研究》文中提出随着信息化时代的到来,信息数据的交互与应用进入蓬勃发展阶段,图像作为信息的重要表征形式之一,被广泛应用于人们的日常生活之中。受成像系统景深限制,往往存在景深范围内目标场景清晰成像,而范围外场景成像较为模糊。多聚焦融合技术能够将具有不同聚焦区域的同目标场景图像互补结合,有效解决全场景清晰成像问题,在提高图像的信息利用率上具有重要意义。目前,该技术在军事、医疗、民生、航空以及工业视觉等多个领域中应用日益广泛。多尺度变换是一种模拟人类视觉感知系统分析图像的方法,它通过分析不同尺度图像特征来解决多聚焦图像融合问题。多尺度变换融合法通过多尺度分解将源图像映射到不同频率子带,然后根据不同子带特性制定融合规则来指导各分量融合。这种方法对融合图像的视觉效果方面有很好提升,但往往无法精准界定源图像的聚焦区域,使融合图像存在信息冗余等问题。深度学习模型具有强大的特征提取能力,能够更好的捕获图像通用特征,基于深度学习的融合方法使融合可以很好实现聚焦区域分割,使融合图像所转移的源图像聚焦信息更加丰富。本文针对以上两类图像融合方法特性进行学习研究,其主要工作与创新成果如下:1.不同尺度卷积核可以从不同层级感受野分析图像特征,本文针对此特性对具有孪生结构的卷积神经网络多聚焦图像融合方法进行改进,提出一种多尺度卷积神经网络图像融合方法。该网络结构通过多尺度卷积核延伸模型宽度,使图像特征提取分析更加全面,并且将模型浅层特征与深层特征聚合,充分利用所学特征以提高模型分类精度。算法通过该模型来分析源图像聚焦信息从而获得与其聚焦区域相对应的聚焦权值图,然后通过二值化与形态学优化对权值图进行处理以获得决策图,最后由决策图指导多聚焦源图像进行聚焦信息融合。经实验分析,该方法在聚焦区域边界分割以及小聚焦区域特征提取方面性能有所提升。2.为了进一步改善融合图像质量,丰富图像细节信息,本文提出一种基于多尺度细节的卷积神经网络图像融合算法。该方法通过滚动引导滤波进行自适应多尺度分解,将源图像分解为基础层图像与不同尺度的细节层图像。对于多尺度细节层图像,通过非线性函数进行映射可以丰富图像细节信息,然后根据多尺度卷积神经网络图像融合方法所获得的决策图分别制定基础层与多尺度细节层的融合规则指导各层图像融合,最后通过各层图像重构得到融合图像。经实验验证,本文方法能够有效抑制图像块效应与伪影现象,在充分聚合源图像聚焦信息的同时,能够使融合图像具有丰富的细节特征与优异的视觉效果。
李向阳[9]（2021）在《基于NSST的红外与可见光图像融合技术研究》文中研究表明近年来,伴随着图像融合技术不断发展,非下采样剪切波变换（Non-subsampled Shearlet Transform,NSST）因其具有多尺度多方向性、时间复杂度低等诸多优点被普遍应用于红外与可见光图像融合领域。为了获得更加优质的融合图像,本文充分考虑NSST变换在融合领域的优势以及红外与可见光图像成像的特点,进行了NSST分解框架下的红外与可见光图像融合技术研究。本文的具体研究工作如下:1)为了解决红外与可见光图像融合方法中融合图像对比度不高、背景细节信息容易丢失的问题,提出了一种NSST结合自适应脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）的方法。首先,利用NSST算法将源图像自适应地分解成低频子带和高频子带;接下来,针对图像高、低频子带的融合,分别采用加权平均和自适应PCNN的融合规则;最后,高、低频子带图像通过NSST逆变换,重构形成新图像。实验结果表明,所提出的方法提高了融合图像的对比度,保留了背景细节信息,取得更好的融合效果。2)为了避免融合图像中边缘细节信息容易丢失这一情况,提出了一种NSST与引导滤波相结合的融合方法。通过自适应引导滤波提取源图像细节,并将源图像分为近似图像和细节图像。利用自适应模糊逻辑方法进行低频子带融合;使用区域能量最大化的方法进行高频子带融合。实验结果表明,此方法保留了融合图像边缘信息,提升了融合图像质量。3)为了尽可能保留源图像的显着性特征,解决多尺度方法中特征难以提取的问题,提出一种NSST与卷积神经网络（Convolutional Neural Network,CNN）相结合的图像融合方法。利用CNN和调频算法提取出目标的显着性;再使用NSST结合显着性的方法实现图像融合。实验结果表明,所提出的方法保留了源图像的显着性特征,提高了融合图像的对比度,使融合图像更有利于人眼观察。综上,本文所提出的方法能够改善融合图像的质量,提升融合效果。同时,相比于其他的图像融合方法,本文方法在信息熵、空间频率、平均梯度、互信息和交叉熵等多个客观评价指标都有一定的提高。
陈顺[10]（2021）在《几种类型图像边缘检测的相关问题研究》文中提出近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像灰度化后进行边缘检测是我们最常见的图像边缘检测方式,而彩色图像由于具有多种不同颜色空间使得边缘检测更为复杂。因此,本文将针对灰度印花织物图像、彩色图像、灰度遥感图像等图像边缘检测的相关问题展开研究。针对印花织物图像中存在丰富的纹理信息和噪声问题,本论文提出一种基于改进滤波器与小波的印花织物图像边缘提取算法。将系数相关性分析的思想运用到滤波器的改进,应用指数函数结合连分式逼近思想确定权值。将欧氏距离公式用于改进自适应中值滤波器,并采用自适应权值公式确定权值。最后改进二维Otsu算法求得最优梯度阈值用于小波模极大值法。针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,本论文提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理,然后运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角,最后对梯度幅值进行非极大值抑制,并采取自适应双阈值处理得到边缘检测图像。针对遥感图像对比度低和含有大量噪声问题,本文提出一种结合图像增强的遥感图像边缘检测算法。其基本思想是对NSCT（非下采样轮廓波变换）分解的高低频分量采用Top-hat变换进行图像增强突出细节信息,然后采用改进Canny算子得到边缘图像,并去除部分孤立点得到最终边缘图像。针对含噪齿轮图像边缘检测中存在难以有效抑制噪声等问题,提出一种融合Canny算子和数学形态学的边缘检测算法。首先对图像进行小波分解得到各层子图像,然后分别对子图像采用自适应加权融合,最后重构图像得到边缘检测图像。
二、一种基于小波分析的自适应图像融合方法（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、一种基于小波分析的自适应图像融合方法（论文提纲范文）
（1）多波段夜视成像与可见光图像融合恢复技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究的目的和意义 |
| 1.2 图像融合技术分类 |
| 1.3 图像融合技术的研究现状 |
| 1.3.1 基于多尺度变换的融合方法 |
| 1.3.2 基于稀疏表示的融合方法 |
| 1.3.3 基于神经网络的融合方法 |
| 1.3.4 红外与可见光图像融合的应用 |
| 1.3.5 红外与可见光图像融合存在的问题 |
| 1.4 论文的主要研究内容和章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第2章 红外与可见光图像融合技术 |
| 2.1 红外与可见光图像特性 |
| 2.1.1 可见光传感器成像特性 |
| 2.1.2 红外传感器成像特性 |
| 2.2 红外与可见光图像配准 |
| 2.2.1 基于区域的配准方法 |
| 2.2.2 基于特征的配准方法 |
| 2.3 可见光图像预处理 |
| 2.3.1 基于灰度变换的增强方法 |
| 2.3.2 基于直方图均衡化的增强方法 |
| 2.3.3 基于小波变换的图像增强方法 |
| 2.3.4 基于Retinex理论的图像增强方法 |
| 2.4 红外与可见光图像融合方法 |
| 2.4.1 抗噪声的融合方法 |
| 2.4.2 基于对比度增强的融合方法 |
| 2.4.3 快速融合方法 |
| 2.5 红外与可见光图像融合的质量评价 |
| 2.5.1 主观评价方法 |
| 2.5.2 客观评价方法 |
| 2.6 本章小结 |
| 第3章 基于迭代导向滤波与多视觉权重信息的红外与可见光图像融合 |
| 3.1 基于迭代导向滤波的多尺度分解 |
| 3.1.1 导向滤波器 |
| 3.1.2 迭代导向滤波器 |
| 3.1.3 多尺度分解 |
| 3.2 本章融合框架 |
| 3.2.1 源图像分解 |
| 3.2.2 基于深度纹理信息与边缘信息的细节层融合 |
| 3.2.3 小尺度融合细节层优化 |
| 3.2.4 基础层融合 |
| 3.2.5 重构融合图像 |
| 3.3 实验准备 |
| 3.4 融合结果分析 |
| 3.4.1 主观效果评价 |
| 3.4.2 客观评价 |
| 3.4.3 算法效率分析 |
| 3.4.4 参数分析 |
| 3.5 本章小结 |
| 第4章 基于对比度增强与多尺度边缘保持分解的红外与暗可见光图像融合 |
| 4.1 暗环境图像融合框架 |
| 4.2 暗可见光图像对比度增强 |
| 4.2.1 暗可见光图像整体对比度增强 |
| 4.2.2 暗可见光图像局部对比度增强 |
| 4.2.3 增强方法的主观与客观评价 |
| 4.2.4 多尺度对比度增强方法参数分析 |
| 4.3 基于多融合策略的融合框架 |
| 4.3.1 基于导向滤波器的多尺度分解 |
| 4.3.2 基于自适应PCNN的小尺度细节层融合 |
| 4.3.3 基于边缘信息检测的大尺度细节层融合 |
| 4.3.4 基于视觉显着图的基础层融合 |
| 4.3.5 重建融合图像 |
| 4.4 融合算法实验结果及分析 |
| 4.4.1 实验结果主观评价 |
| 4.4.2 实验结果客观评价 |
| 4.4.3 算法效率分析 |
| 4.4.4 参数分析 |
| 4.5 本章小结 |
| 第5章 结合灰度变换与显着信息提取的红外与可见光图像融合 |
| 5.1 快速融合框架 |
| 5.2 可见光图像灰度变换 |
| 5.3 红外显着信息提取 |
| 5.3.1 估计红外背景图像 |
| 5.3.2 获取红外显着信息 |
| 5.4 重构融合图像 |
| 5.5 实验结果及分析 |
| 5.5.1 融合效果主观评价 |
| 5.5.2 融合效果客观评价 |
| 5.5.3 融合时间 |
| 5.5.4 参数分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（2）中国图像工程:2009（论文提纲范文）
| 0 引 言 |
| 1 综述目的 |
| 1) 概括我国图像工程发展现状 |
| 2) 便利从事图像工程研究和图像技术应用的人员查阅有关文献 |
| 3) 提供期刊编者和文献作者有用的参考信息 |
| 2 刊物选取 |
| 3 文献选取和分类 |
| 4 文献分类统计结果和讨论 |
| 4.1 15年图像工程文献选取和分类概况比较 |
| 4.2 2009年各刊图像工程文献刊载情况 |
| 4.3 2009年各刊图像工程文献详细分类情况 |
| 5 前后3个5年的比较 |
| 6 结 论 |
（3）多尺度变换像素级医学图像融合:研究进展、应用和挑战（论文提纲范文）
| 0 引言 |
| 1 多尺度变换图像融合基本原理 |
| 2 多尺度分解方法 |
| 2.1 塔式分解 |
| 2.2 小波变换 |
| 2.3 多尺度几何分析 |
| 3 基于多尺度分解的图像融合策略 |
| 3.1 基于多尺度分解的通用融合框架 |
| 3.1.1 Zhang框架 |
| 3.1.2 Piella框架 |
| 3.2 基于多尺度分解的低频子带的融合规则 |
| 3.2.1 基于像素的融合规则 |
| 3.2.2 基于区域的融合规则 |
| 3.2.3 基于模糊集理论的融合规则 |
| 3.2.4 基于稀疏表示的融合规则 |
| 3.2.5 基于聚焦测度的融合规则 |
| 3.3 基于多尺度分解的高频子带的融合规则 |
| 3.3.1 基于像素的融合规则 |
| 3.3.2 基于边缘的融合规则 |
| 3.3.3 基于区域的融合规则 |
| 3.3.4 基于稀疏表示的融合规则 |
| 3.3.5 基于神经网络的融合规则 |
| 4 医学图像融合 |
| 5 结语 |
（4）基于非下采样剪切波变换的多聚焦图像融合（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文创新点及工作安排 |
| 1.3.1 论文创新点 |
| 1.3.2 工作安排 |
| 第二章 多聚焦图像融合理论概述 |
| 2.1 多聚焦图像融合原理 |
| 2.2 多聚焦图像融合常见算法 |
| 2.2.1 空间域多聚焦图像融合算法 |
| 2.2.2 变换域多聚焦图像融合算法 |
| 2.3 融合图像质量评价 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第三章 基于NSST域的参数自适应PCNN和卷积稀疏表示的多聚焦图像融合 |
| 3.1 问题引入 |
| 3.2 算法主要思想 |
| 3.3 相关工作 |
| 3.3.1 非下采样剪切波变换(NSST)原理及变换 |
| 3.3.2 参数自适应PCNN |
| 3.3.3 卷积稀疏表示(CSR) |
| 3.4 NSST-PAPCNN-CSR算法 |
| 3.4.1 NSST分解 |
| 3.4.2 高频子带融合 |
| 3.4.3 低频子带融合 |
| 3.4.4 NSST重建 |
| 3.5 实验结果与分析 |
| 3.5.1 实验环境 |
| 3.5.2 对比算法 |
| 3.5.3 实验结果主观分析 |
| 3.5.4 实验结果客观分析 |
| 3.6 本章小结 |
| 第四章 基于NSST域的卷积神经网络的多聚焦图像融合 |
| 4.1 问题引入 |
| 4.2 算法主要思想 |
| 4.3 NSST和CNN相结合的多聚焦图像融合 |
| 4.3.1 网络模型 |
| 4.3.2 NSST分解 |
| 4.3.3 低频系数融合策略 |
| 4.3.4 高频系数融合策略 |
| 4.3.5 NSST重建 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 对比算法 |
| 4.4.3 客观评价指标 |
| 4.4.4 实验数据集 |
| 4.4.5 灰色图像实验主观分析 |
| 4.4.6 彩色图像实验主观分析 |
| 4.4.7 不同决策图主观分析 |
| 4.4.8 本章算法在多幅多聚焦图像上的应用 |
| 4.4.9 客观分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于多信息融合的带式输送机故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 信息融合故障诊断技术国内外研究现状 |
| 1.3 本文主要内容 |
| 第2章 带式输送机故障诊断方案设计 |
| 2.1 带式输送机常见故障分析 |
| 2.2 系统总体框架设计 |
| 2.3 硬件装置选择 |
| 2.4 软件系统设计 |
| 2.5 本章小结 |
| 第3章 带输送机声音信号信息处理 |
| 3.1 基于改进的谱减法声音信号降噪处理 |
| 3.1.1 基本谱减法 |
| 3.1.2 Boll改进的谱减法 |
| 3.1.3 Boll谱减法的改进 |
| 3.1.4 实验的结果与分析 |
| 3.2 基于小波包分解的声音信号特征提取 |
| 3.2.1 小波包基本理论 |
| 3.2.2 故障特征提取中的小波基选择 |
| 3.2.3 小波包分解流程 |
| 3.2.4 实验结果与分析 |
| 3.3 本章小结 |
| 第4章 带式输送机红外图像信息处理 |
| 4.1 红外图像降噪 |
| 4.1.1 红外图像特点及噪声分析 |
| 4.1.2 中值滤波 |
| 4.1.3 自适应中值滤波 |
| 4.1.4 改进均值的自适应中值滤波算法 |
| 4.1.5 实验结果与分析 |
| 4.2 红外图像分割 |
| 4.2.1 区域显着目标分割 |
| 4.2.2 边缘检测 |
| 4.2.3 实验结果与分析 |
| 4.3 基于Hu矩的图像形状特征提取 |
| 4.3.1 矩的定义 |
| 4.3.2 矩的物理意义 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于BP神经网络的带式输送机故障诊断研究 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络算法介绍 |
| 5.1.2 BP神经网络的算法流程 |
| 5.1.3 BP神经网络的局限性 |
| 5.2 基于改进的鲸鱼算法优化BP神经网络 |
| 5.2.1 标准鲸鱼算法 |
| 5.2.2 冯诺依曼鲸鱼算法 |
| 5.2.3 VNWOA性能评估 |
| 5.2.4 基于VNWOA优化的BP神经网络 |
| 5.3 BP神经网络故障诊断实验 |
| 5.3.1 BP神经网络模型的建立 |
| 5.3.2 声音信号故障诊断实验 |
| 5.3.3 红外图像故障诊断实验 |
| 5.4 本章小结 |
| 第6章 基于信息融合的带式输送机故障诊断研究 |
| 6.1 D-S证据理论 |
| 6.1.1 D-S证据理论基本概念 |
| 6.1.2 D-S证据理论决策规则 |
| 6.2 D-S证据理论问题与改进 |
| 6.3 信息融合故障诊断实验 |
| 6.3.1 基本概率赋值 |
| 6.3.2 实验结果与分析 |
| 6.4 带式输送机故障诊断实例 |
| 6.4.1 故障诊断系统流程 |
| 6.4.2 故障等级划分 |
| 6.4.3 故障诊断实验结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（6）基于图像融合的绝缘子缺陷检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 基于图像融合的绝缘子检测研究现状 |
| 1.2.1 图像融合技术的研究现状 |
| 1.2.2 绝缘子缺陷检测的研究现状 |
| 1.3 论文的研究内容 |
| 1.4 本章小结 |
| 第二章 图像融合理论 |
| 2.1 图像融合概念 |
| 2.2 图像融合层次研究 |
| 2.3 图像融合的方法研究 |
| 2.3.1 基于空间域的图像融合方法 |
| 2.3.2 基于多尺度变换的图像融合方法 |
| 2.3.3 基于稀疏表示的图像融合方法 |
| 2.3.4 基于神经网络的图像融合方法 |
| 2.4 图像融合的评价标准 |
| 2.5 本章小结 |
| 第三章 可见光与红外图像融合算法 |
| 3.1 可见光与红外图像的成像特点 |
| 3.2 基于多尺度变换的融合算法 |
| 3.2.1 图像的NSCT变换 |
| 3.2.2 图像的NSST变换 |
| 3.3 基于显着性特征的NSCT图像融合 |
| 3.3.1 视觉显着性 |
| 3.3.2 图像显着性提取 |
| 3.3.3 融合规则设计 |
| 3.4 基于自适应PCNN的 NSST图像融合 |
| 3.4.1 脉冲耦合神经网络 |
| 3.4.2 图像融合规则 |
| 3.5 本章小结 |
| 第四章 绝缘子缺陷检测 |
| 4.1 绝缘子图像的采集和处理 |
| 4.1.1 绝缘子图像的采集 |
| 4.1.2 绝缘子图像的处理 |
| 4.2 实验过程及评价 |
| 4.2.1 图像融合实验过程 |
| 4.2.2 图像融合质量评价 |
| 4.3 实验结果分析 |
| 4.3.1 绝缘子的不同缺陷特征分析 |
| 4.3.2 图像检测准确率分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（7）基于红外特征的可见光图像复原技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及目的 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 论文的主要研究内容 |
| 第2章 多源图像复原理论 |
| 2.1 红外图像和可见光图像 |
| 2.2 颜色空间介绍 |
| 2.3 基于Retinex的图像增强技术 |
| 2.3.1 单尺度Retinex算法 |
| 2.3.2 多尺度Retinex算法 |
| 2.4 图像融合技术 |
| 2.4.1 图像融合的分类 |
| 2.4.2 常用融合方法 |
| 2.4.3 图像配准技术 |
| 2.5 图像评价指标 |
| 2.5.1 主观评价 |
| 2.5.2 客观评价 |
| 2.6 本章小结 |
| 第3章 基于自适应引导滤波的Retinex的增强算法 |
| 3.1 基于自适应引导滤波的Retinex增强算法的整体框架 |
| 3.2 颜色关系恢复因子 |
| 3.2.1 MSRCR颜色关系恢复因子 |
| 3.2.2 改进的颜色关系恢复因子 |
| 3.3 基于引导滤波的照度分量估计 |
| 3.3.1 引导滤波器 |
| 3.3.2 改进的自适应引导滤波的照度分量估计 |
| 3.4 亮度校正和颜色恢复 |
| 3.4.1 亮度校正 |
| 3.4.2 颜色恢复 |
| 3.5 实验仿真与评价 |
| 3.5.1 实验结果主观评价 |
| 3.5.2 实验结果客观评价 |
| 3.6 本章小结 |
| 第4章 基于红外特征的可见光图像复原算法 |
| 4.1 总体设计 |
| 4.2 图像的频域分析 |
| 4.3 双树复小波变换原理 |
| 4.3.1 复小波变换 |
| 4.3.2 双树复小波变换 |
| 4.4 基于红外特征的可见光图像复原算法 |
| 4.4.1 图像预处理 |
| 4.4.2 HSV空间和双树复小波变换相结合的融合方法 |
| 4.5 算法步骤 |
| 4.6 实验结果与分析 |
| 4.6.1 实验结果主观评价 |
| 4.6.2 实验结果客观评价 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（8）基于多尺度变换与深度学习的多聚焦图像融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与结构安排 |
| 第2章 多聚焦图像融合相关技术 |
| 2.1 引言 |
| 2.2 基于空域的图像融合算法 |
| 2.2.1 基于像元的图像融合基本原理 |
| 2.2.2 基于分块的图像融合基本原理 |
| 2.2.3 基于聚焦区域分割的图像融合基本原理 |
| 2.3 基于变换域的图像融合算法 |
| 2.3.1 基于金字塔变换的图像融合基本原理 |
| 2.3.2 基于小波变换的图像融合基本原理 |
| 2.3.3 基于多尺度几何分析的图像融合基本原理 |
| 2.4 基于深度学习的图像融合算法 |
| 2.5 图像融合方法性能评价 |
| 2.5.1 主观评价方法 |
| 2.5.2 客观评价方法 |
| 2.6 本章小结 |
| 第3章 基于多尺度卷积的多聚焦图像融合算法 |
| 3.1 引言 |
| 3.2 卷积神经网络概述 |
| 3.3 数据集生成 |
| 3.4 神经网络融合模型 |
| 3.4.1 网络结构设计 |
| 3.4.2 训练策略与融合流程 |
| 3.5 实验结果与分析 |
| 3.6 本章小节 |
| 第4章 基于多尺度细节的卷积神经网络多聚焦图像融合 |
| 4.1 引言 |
| 4.2 自适应多尺度滚动引导滤波器 |
| 4.2.1 滚动引导滤波器原理 |
| 4.2.2 图像多尺度分解 |
| 4.2.3 多尺度细节非线性映射 |
| 4.3 融合算法框架及融合规则设计 |
| 4.3.1 多聚焦图像融合算法框架 |
| 4.3.2 多聚焦图像融合相关融合规则设计 |
| 4.4 实验结果与分析 |
| 4.4.1 主观视觉评价 |
| 4.4.2 客观参数评价 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文与研究成果 |
（9）基于NSST的红外与可见光图像融合技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 多尺度变换图像融合的研究现状 |
| 1.2.2 图像融合规则的研究现状 |
| 1.3 论文的主要内容 |
| 第2章 常见红外与可见光图像融合方法 |
| 2.1 空域融合方法 |
| 2.1.1 加权平均法 |
| 2.1.2 图像分块的融合方法 |
| 2.2 变换域图像融合方法 |
| 2.2.1 基于拉普拉斯金字塔变换的图像融合方法 |
| 2.2.2 基于小波变换的图像融合方法 |
| 2.2.3 基于二维经验模态分解的图像融合方法 |
| 2.2.4 基于非下采样剪切波变换的图像融合方法 |
| 2.3 融合图像评价方法 |
| 2.3.1 主观评价标准 |
| 2.3.2 客观评价标准 |
| 2.4 本章小结 |
| 第3章 NSST结合PCNN的红外与可见光图像融合方法 |
| 3.1 非下采样剪切波变换原理 |
| 3.1.1 剪切波原理 |
| 3.1.2 NSST的实现 |
| 3.2 脉冲耦合神经网络原理 |
| 3.3 NSST与改进PCNN相结合的融合方法 |
| 3.3.1 融合方法模型 |
| 3.3.2 低频融合规则 |
| 3.3.3 高频融合规则 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第4章 NSST结合引导滤波的红外与可见光图像融合方法 |
| 4.1 引导滤波原理 |
| 4.2 NSST与引导滤波相结合的融合方法 |
| 4.2.1 融合方法模型 |
| 4.2.2 自适应引导滤波 |
| 4.2.3 低频融合规则 |
| 4.2.4 高频融合规则 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 第5章 NSST结合CNN的红外与可见光图像融合方法 |
| 5.1 基于CNN的目标显着性提取 |
| 5.1.1 CNN的构建 |
| 5.1.2 CNN的训练 |
| 5.1.3 目标显着性提取 |
| 5.2 NSST与 CNN相结合的图像融合方法 |
| 5.2.0 融合方法模型 |
| 5.2.1 低频融合规则 |
| 5.2.2 高频融合规则 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论及创新点 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（10）几种类型图像边缘检测的相关问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 织物图像边缘检测研究现状 |
| 1.2.2 彩色图像边缘检测研究现状 |
| 1.2.3 遥感图像边缘检测研究现状 |
| 1.2.4 齿轮图像边缘检测研究现状 |
| 1.3 图像去噪预处理研究 |
| 1.3.1 图像噪声分类 |
| 1.3.2 图像卷积处理 |
| 1.3.3 图像去噪方法 |
| 1.3.4 图像去噪效果客观评价指标 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 2 印花织物图像边缘提取 |
| 2.1 传统滤波器介绍 |
| 2.1.1 高斯滤波器 |
| 2.1.2 均值滤波器 |
| 2.1.3 修正的阿尔法均值滤波器 |
| 2.1.4 中值滤波器 |
| 2.1.5 自适应中值滤波器 |
| 2.2 改进滤波器 |
| 2.2.1 改进修正的阿尔法均值滤波器 |
| 2.2.2 改进自适应中值滤波器 |
| 2.3 小波模极大值法边缘检测 |
| 2.3.1 经典小波模极大值法 |
| 2.3.2 传统Otsu算法 |
| 2.3.3 改进的小波模极大值法 |
| 2.4 印花织物图像边缘检测实验过程 |
| 2.4.1 高斯噪声平滑实验分析 |
| 2.4.2 椒盐噪声平滑实验分析 |
| 2.4.3 混合噪声平滑实验分析 |
| 2.4.4 印花织物图像边缘提取实验分析 |
| 2.5 本章小结 |
| 3 彩色图像边缘检测研究 |
| 3.1 基于小波变换的去噪算法研究 |
| 3.1.1 小波变换的基本理论 |
| 3.1.2 基于小波变换的去噪方法介绍 |
| 3.2 基于小波变换的小波阈值去噪算法介绍 |
| 3.2.1 小波阈值去噪原理 |
| 3.2.2 常见的小波阈值去噪函数 |
| 3.2.3 自适应阈值选取 |
| 3.3 改进小波阈值去噪函数 |
| 3.3.1 改进自适应阈值选取 |
| 3.3.2 建立多层小波阈值去噪函数 |
| 3.3.3 多层小波阈值去噪函数效果验证 |
| 3.4 四元数理论构建特征矩阵 |
| 3.4.1 四元数理论及基本运算 |
| 3.4.2 四元数表示彩色图像 |
| 3.4.3 四元数结合Canny算子 |
| 3.5 彩色图像边缘检测实验过程 |
| 3.6 本章小结 |
| 4 齿轮图像边缘检测研究 |
| 4.1 数学形态学边缘检测 |
| 4.1.1 数学形态学基本理论 |
| 4.1.2 数学形态学的基本运算 |
| 4.2 Canny算子边缘检测 |
| 4.2.1 传统Canny算子 |
| 4.2.2 传统Canny算子分析 |
| 4.3 改进Canny算子边缘检测 |
| 4.3.1 改进梯度幅值和梯度幅角计算方式 |
| 4.3.2 改进阈值选取方式 |
| 4.4 改进数学形态学边缘检测 |
| 4.5 齿轮图像边缘检测实验过程及分析 |
| 4.5.1 改进数学形态学算法去噪效果验证 |
| 4.5.2 齿轮图像边缘检测实验过程 |
| 4.6 本章小结 |
| 5 遥感图像边缘检测研究 |
| 5.1 Top-hat变换基本理论 |
| 5.2 改进的一维Otsu阈值分割算法 |
| 5.3 非下采样轮廓波变换(NSCT)基本理论 |
| 5.4 遥感图像边缘检测算法 |
| 5.4.1 边缘检测算法整体流程 |
| 5.4.2 边缘检测算法实验过程 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、一种基于小波分析的自适应图像融合方法（论文参考文献）
- [1]多波段夜视成像与可见光图像融合恢复技术研究[D]. 朱浩然. 长春理工大学, 2020(01)
- [2]中国图像工程:2009[J]. 章毓晋. 中国图象图形学报, 2010(05)
- [3]多尺度变换像素级医学图像融合:研究进展、应用和挑战[J]. 周涛,刘珊,董雅丽,霍兵强,马宗军. 中国图象图形学报, 2021(09)
- [4]基于非下采样剪切波变换的多聚焦图像融合[D]. 顾鹏. 南京信息工程大学, 2021(01)
- [5]基于多信息融合的带式输送机故障诊断研究[D]. 王金凤. 曲阜师范大学, 2021(02)
- [6]基于图像融合的绝缘子缺陷检测方法研究[D]. 赵丽梦. 西安石油大学, 2021(10)
- [7]基于红外特征的可见光图像复原技术研究[D]. 鲁明阳. 长春理工大学, 2021(02)
- [8]基于多尺度变换与深度学习的多聚焦图像融合研究[D]. 刘博. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(11)
- [9]基于NSST的红外与可见光图像融合技术研究[D]. 李向阳. 长春理工大学, 2021(02)
- [10]几种类型图像边缘检测的相关问题研究[D]. 陈顺. 武汉纺织大学, 2021(08)