一、分数维变换域滤波在图像恢复中的应用（论文文献综述）
王倩[1]（2021）在《基于改进WGAN的图像去噪方法研究》文中提出数字图像是大数据时代人类感知与传播信息的重要载体,在数字图像产生与保存的过程中会引入不同程度的噪声,图像质量差会对信息的获取产生很大的影响,使得后续对于图像的处理存在极大的不确定性,阻碍图像处理技术的发展。图像技术在多领域的普遍应用,使得数字图像质量增强技术的研究已经成为图像处理方面十分具有现实意义的内容,图像去噪作为进行图像研究的预处理问题,具有十分深远的意义。图像去噪判别模型由于其良好的去噪性能近年来受到了广泛的关注。生成对抗网络在无监督学习方面具有优秀的生成效果,同时也存在一些缺陷,如梯度消失、训练不稳定易过拟合、难收敛等问题。为了解决上述缺陷,以及传统的降噪方法在图像去噪后破坏重要结构细节的可见性等问题,本文提出了基于Wasserstein生成对抗网络的图像去噪算法,该算法通过添加生成网络的多级卷积来获得更多图像特征,并添加多个残差块和全局残差以提取和学习输入噪声图像的特征,避免特征损失。该算法创新点在于能够非监督地从深层次网络中获取信息来完成图像去噪。在改善传统去噪算法存在的模糊与图像边缘恢复不清晰等缺陷时,结合深度学习进一步提升了图像的去噪效果。本文主要工作如下:（1）引入深度卷积结构将生成对抗网络用于图像去噪处理,同时,本文对深度卷积结构进行改进,将八层残差结构引入生成器,提出Residual-GAN算法进行网络训练,使得图像主要特征在卷积的过程中不会丢失,提高了图像生成的清晰度和真实感。同时,跳跃连接结构避免了网络在训练过程中的梯度消失问题。（2）为了改善Residual-GAN容易出现训练不稳定的问题,结合深度卷积生成对抗网络（DCGAN）与Wasserstein生成对抗网络（WGAN）,使用添加Wasserstein距离的GAN网络代替原始网络,通过Wasserstein距离有效衡量生成分布与原始分布之间的相似程度,调整网络结构及残差块数量,同时引入谱归一化算法,在不改变参数矩阵结构的情况下使网络满足Lipschitz连续性,增强网络训练能力。（3）本文使用对抗损失和特征损失的加权和作为网络的损失函数,首先在BSDS500数据集中随机选取图像进行预处理,再输入对抗网络训练,将待去噪图像输入改进网络生成去噪图像。本文方法将生成图像与原始图像同时输入VGG19网络,采用深度卷积网络提取特征,并计算特征之间的欧氏距离,可以促使获取更多图像细节信息,即使用从特定级别提取的特征来计算目标损失,从而进一步指导生成网络训练,使得去噪图像的纹理细节更加清晰,最后,将该方法应用于CT图像去噪,去噪效果出色。最后通过图像评价指标PSNR和SSIM值来验证去噪效果,去噪后图像的PSNR平均值为30.71dB,SSIM平均值为0.8473,在σ=15,25,50三种噪声等级下,与其他图像去噪方法进行比较,PSNR值分别提高了1.2dB、1.275dB、2.415dB,SSIM值分别提升了 0.125、0.175和0.275。同时也得到了更加清晰的视觉效果,与采用Residual-GAN网络进行去噪的效果相比,实验结果证明,网络训练更加稳定且去噪效果更好。
杨国亮[2]（2020）在《基于卷积神经网络图像去噪方法研究》文中研究指明作为信息传递重要而有效的载体之一,图像成为人们获取信息的重要来源。然而,图像在被获取、处理、传递与接收的过程中都有可能会产生噪声。含有噪声的图像妨碍了人们对于图像中所需信息的识别与获取,也影响了图像的后续处理工作。因此,图像去噪就显得至关重要,也成为了人们研究的重要课题之一。近些年,由于网络架构的灵活连接与对数据模型的强大学习能力,深度学习也越来越多的应用在图像去噪领域,特别是有着巨大建模能力的深度卷积神经网络在图像去噪领域中的应用。本文以深度学习中卷积神经网络技术为基础,提出了一种多尺度并行卷积神经网络图像去噪方法,主要工作内容如下:本文设计的多尺度并行卷积神经网络主要由两个模块组成,分别为模块一、模块二。模块一中使用的是多特征提取的方法,首先采用了三种不同尺寸的卷积核滤波器对输入噪声图像数据进行噪声特征分布信息的学习,由于每个卷积核尺寸不同,其所在图像中的感受野也不相同,对其在相同的像素点提取的特征信息也不尽相同。通过对同一像素位置不同大小区域的像素特征信息提取,使得网络在输入端可以学习更加丰富的噪声特征分布信息;接着对于提取的特征分布信息分别在每个尺寸的网络通道中进行训练;最后经过多特征串联拼接技术对不同网络通道中提取的信息进行串联拼接。模块二是比较浅的网络结构,主要对模块一中提取的多特征信息进行训练,之后网络输出通过残差学习技术将输入噪声图像与残差信息两者相减,最终得到去噪后的图像。本文在网络中使用批量规范化与残差学习技术,批量规范化有利于解决网络在训练阶段内部协变量偏移问题;残差学习可以缓解深度网络在训练时的梯度消失与爆炸问题,同时也减少了信息在网络训练中的损耗。通过将本文的图像去噪算法与其它图像去噪算法作对比,实验数据表明:在客观评价指标峰值信噪比（PSNR）与结构相似性（SSIM）方面,本文的方法可以获得更高的数值;在主观观察方面,本文方法比其它方法具有更好的保护图像中纹理与细节的能力,使去噪后的图像显得更加的清晰与自然。因此,可以说明本文的方法有着良好的去噪性能表现。
杨帆[3]（2020）在《基于轮廓波变换和级联神经网络的数字水印算法研究》文中认为随着多媒体技术的迅猛发展,给人们带来便利的同时,其在网络传播的过程中却极易遭到非法利用。作为多媒体信息的有效加密方案,数字水印技术近年来普遍被应用在多媒体产品的版权保护等领域中。数字水印能够有效解决版权保护和完整性认证问题,其一直以来都是模式识别和图像处理领域探讨的重要课题,故对于数学水印的研究不仅在理论研究上具有重要的意义,在实际应用中也具有不可替代的作用。本文主要研究工作和内容如下:首先对数字水印课题进行研究背景、研究意义及国内外发展现状等方面的简要介绍,通过阅读文献并对数字水印的特点和分类进行了解,并针对不同方法进行了优缺点分析。提出了轮廓波变换算法结合由RBF与Hopfield共同组成的级联神经网络的数字水印算法。算法是在传统的基于轮廓波变换的数字水印技术上,加入了级联神经网络。级联神经网络性能要优于传统单一的RBF网络,不仅保证算法性能,而且学习速度快,通过设计传递函数加速因子进行输出层和隐含层的权值修正,有利于改善算法的收敛性,提高计算效率。针对图像的嵌入,算法在轮廓波变换的基础上,对分块的宿主图片进行轮廓波变换,选取低频块进行再次分块,选取其中方差小的块进行嵌入水印,并且和嵌入的随机噪声进行级联神经网络训练,嵌入数字水印图像的不可见性得到了提高;针对水印的提取,采用了级联神经网络进行提取,利用级联神经网络提取水印不需要原图,提取的水印更接近于原图。在完善算法流程并验证其可行性后,选取了其他的融合性数字水印算法进行性能对比分析,设置了对比实验进行证明。通过仿真实验验证,表明本算法在数字水印的不可见性上有很好表现。本算法能够对常见的数字水印攻击有一定的抵御能力,说明了该算法对文中测试的各种攻击具有很强的鲁棒性。
杨延红[4]（2020）在《多属性联合约束的高光谱图像混合噪声去除算法研究》文中指出高光谱图像（HSI）是由几十至几百个连续的波段信息组成,具有光谱分辨率高、纹理信息丰富等优点。其图谱合一的特性,为深度挖掘地物信息提供了有利条件,被广泛应用于资源勘探、城市规划、军事监测等不同领域。然而,在高光谱图像捕获和传输过程中,受仪器故障与大气环境等因素的干扰,导致高光谱图像被各种噪声污染,限制了后续的分析与应用性能。因此,如何有效地恢复高光谱图像是遥感图像处理领域的一个重点研究方向。高光谱图像去噪是根据观测图像以及高光谱图像自身的空间几何结构特点,从噪声图像中恢复出原始图像的过程。通过利用高光谱图像的先验信息构建合理的正则化约束项是高光谱图像去噪的有效方法之一。本文充分挖掘高光谱图像的多个先验属性,如局部（全局）低秩性、分段光滑性、高光谱影像稀疏性,针对高光谱图像的混合噪声去除问题展开研究,并设计了相应的去噪算法。本文的主要内容包括:1.受L0梯度映射方法的启发,将L0梯度约束模型推广到高光谱图像稀疏度衡量问题,提出联合局部低秩矩阵恢复与L0梯度约束的高光谱图像去噪算法。该方法通过局部低秩性有效的提取高光谱图像的本质特征,联合利用L0梯度来刻画高光谱图像的稀疏性,达到去除高光谱图像混合噪声的目的。为了克服求解非凸L0范数约束带来的NP难困境,推导了L0范数约束的闭式解,并采用增广拉格朗日乘子法（augmented Lagrange multiplier,ALM）对原始目标函数进行优化求解。实验结果表明,该算法能够较好地保持明显边缘结构,取得较好的复原效果。2.针对基于低秩约束的高光谱图像恢复方法中条带噪声残留问题,提出联合局部低秩矩阵恢复和Moreau增强全变分混合噪声去除算法。在经典二维图像全变分（Total Variation,TV）基础上,通过定义不可分的非凸惩罚来保持代价函数的凸性,设计了一种Moreau增强全变分二维图像去噪模型,然后将Moreau增强全变分模型与局部低秩矩阵恢复模型结合构建高光谱图像混合噪声去除算法。通过设计不同的仿真和真实实验,验证了所提方法的效果。实验证明该方法能够有效抑制高光谱图像中的混合噪声、保持良好的空间结构信息,并有效解决了低秩矩阵恢复模型中的条带噪声残留问题。3.针对高光谱图像光谱维数多引起的高计算复杂度问题,提出基于子空间Moreau增强全变分和稀疏分解的混合噪声去除算法。该算法首先通过高光谱图像全局低秩性降低高光谱图像的维数,然后对降维后的特征图像进行Moreau增强全变分降噪处理,对处理后图像结合稀疏分解实现特征图像的有效表达,最后利用对应的逆变换恢复出干净高光谱图像。实验证明该算法不仅很好地保护图像细节,减少光谱失真度,而且降维后处理速度较原始谱维度数据更具优势。
李帅[5]（2020）在《分数阶微分图像细节增强方法研究》文中认为在图像细节增强中,为了改善图像的视觉效果,希望增强图像的高频分量,突出图像的纹理信息,同时平滑图像的低频分量,传统的图像细节增强算法,不能很好地解决增强图像纹理细节的同时去除图像噪声的矛盾。本文以分数阶微积分理论为基础,利用分数阶微分算子具有弱导数性质的优点,将其应用到图像细节增强领域中,分数阶微分使增强后的图像在突出纹理细节的同时非线性的保留图像中的平滑区域,使图像细节得到锐化,达到更好的视觉效果,分数阶微分在图像细节增强中应用效果显着。首先,阐述了分数阶微积分理论在图像处理中的应用,详细介绍了其在图像处理领域的发展现状。对分数阶微积分的基本理论进行分析,给出了分数阶微积分几种常用的时域定义,介绍了用于图像细节增强的经典分数阶微分算子Tiansi,该算子相对于整数阶微分算子有更好的微分特性。其次,针对Tiansi算子在个别像素点会把纹理区域作为平滑区域处理从而达不到增强效果这一局限性,提出了两种改进的算子。其中一种是改进的Tiansi算子,改进的Tiansi算子一方面依然保留了分数阶良好的微分特性,另一方面在图像的平滑区域中,处理后的像素值变化小,而在纹理区域中,处理后的像素变化更大。另一种是改进的分数阶微分算子,推导出二元函数在某方向的泰勒展开式,然后结合分数阶微积分G-L定义推导出分数阶微分在某方向的泰勒展开式,从而构造出一种改进的分数阶微分算子,这种改进的分数阶微分算子充分利用待处理像素点的周围信息,克服了Tiansi算子欠增强的问题,获得了较好的图像细节增强效果。然后,针对分数阶微分算子需通过多次实验确定最佳微分阶次的现状,结合图像的局部特征信息,构建了具有自适应能力的分数阶阶次模型,节省了人工寻求最佳分数阶阶次的时间,并获得了比原图像更丰富的细节信息。最后,在上述理论的基础上,本文引入几种客观评价指标对处理后的图像进行质量评价,包括信息熵、平均梯度、图像对比度等客观评价指标。分别对雾霾天气和夜间场景两种类型图像进行图像细节增强实验,分析实验结果最后证实本文提出的算法在细节增强方面取得了很好的效果,证明了本文算法的有效性以及适用性。
闫航[6]（2020）在《基于专用GMM先验与旋转先验的图像去噪算法》文中进行了进一步梳理图像信号在现代通信技术中扮演了重要的角色。然而干扰无处不在,图像在采集和传播过程中会由于设备或者环境条件的变化等因素失真。研究表明,大量干扰信号形成的噪声服从一定的分布,因此利用这些规律对图像的预处理成为一个热点话题。近年来,由于自然图像块存在重复结构,基于非局部自相似先验（Nonlocal self-similarity,NSS）的图像去噪模型受到了广泛关注。利用NSS先验收集的相似块具有稀疏性,此性质可用于估计潜在的低秩子空间。另一方面,自然图像的建模,例如高斯混合模型（Gaussian mixture models,GMM）,已在计算机视觉的各个方面取得了成功。GMM外部先验在去噪过程的应用有效提高了内部图像的去噪性能,但是,现有的基于GMM模型的去噪算法存在以下两个问题:1、如何训练处理特定类型图像的GMM模型。2、如何通过GMM模型加速旋转相似块的匹配。本文针对外部先验存在的两个问题提出了解决方案,本文的主要贡献如下:（1）从贝叶斯理论的角度解释了几种外部去噪算法的概率含义,并分析了GMM的适用性问题以及在大量数据集可能存在的欠拟合问题。我们提出了训练专用GM M的概念,针对特定的数据集训练专用的GMM模型以适应同类图像的去噪问题,该训练方法在训练前对数据分类,有效减小了由于数据集过大可能引起的GMM欠拟合现象。实验表明,我们的方法有效减少了训练GMM模型所需样本数,在数据库图像去噪中各项指标均优于现有基于GMM的去噪方法。（2）我们针对GMM引导匹配策略的不足,提出了一种新的外部引导旋转聚类的方法。首先,将噪声图像作为一个整体预旋转形成一个旋转集合,随后GMM模型将引导集合中每一个元素的旋转聚类。我们设计的算法框架只需要预旋转整个图像,以避免在去噪过程中动态旋转图像块,因此它具有很高的计算效率。在并行聚类结束后,实施简单的类内合并策略以匹配相似的块及其旋转版本。我们在标准测试图像上测试了该算法。实验结果表明,与传统的自然图像去噪算法相比,该方法可以利用旋转先验提高去噪性能。在几何旋转特性较强的图像如Checkerboard图像,我们的PSNR提升了0.35d B。综合计算复杂度和去噪效果指标增量,我们的算法有着很强的优势。在实验中,我们实现了多核CPU加速的去噪算法程序,实验表明,我们的多核加速算法大幅度降低了计算复杂度。
王晓静[7]（2020）在《基于地震数据弱信号保持的自适应学习去噪方法研究》文中进行了进一步梳理随着浅中层石油藏储的不断开采,传统油气勘探已经不能满足人类对资源消耗速度的需求,拓展深层油气资源对筑牢我国能源安全的资源技术具有重要的现实意义。超深层勘探中信号强度随着深度的增加不断递减,信噪比不断降低,以至无法得到高分辨率的反演数据。由于受到外界条件及施工因素和仪器多种因素的影响,检波器接收到的地震信号时受到背景噪声的干扰,弱信号被大量噪声淹没。地震资料信号的强弱是相对的,当有效波的振幅较小,但是背景噪声的能量很大时,地震信号往往被淹没在背景噪声里,无法直接从收集到的数据识别弱信号。在地震资料的处理过程中,希望处理后的地震数据可以具有高信噪比、高分辨率、高保真度三大性质,其中信噪比是实现高信噪比、高分辨率、高保真度处理的基础。另外,深层弱信号对反演地下结构层状信息至关重要,因此,必须采用各种手段,对弱信号下的背景噪声进行压制和衰减,提高信噪比,提取深层弱反射信号。本文从数学优化算法出发,结合稀疏变换与压缩感知理论对地震深层弱信号的恢复展开研究,具体内容如下:首先,本文研究了基于相关性自适应紧框架学习方法压制地震信号盲噪声。数据驱动紧框架方法已经在地震数据随机噪声压制上得到了广泛的应用,但是该类方法在去除随机噪声时依赖于噪声的先验知识,在处理实际地震数据时并不能得到令人满意的效果,会出现过于平滑或者残留随机噪声的结果。为了解决这一问题,本章在紧框架学习的基础上引入了相关性阈值算子,避免了需要噪声水平的预估计,对不同的地震数据块进行自适应稀疏表示及噪声去除。基于相关性自适应紧框架学习方法相较于传统的紧框架学习方法在处理实际数据上面不但减少了人为调试参数的计算量,而且得到了更好的噪声压制效果。其次,本文研究了基于组稀疏变换学习方法压制随机噪声与弱信号的保留。与局部信号的局部稀疏性不同,本文提出的方法结合数据的稀疏性和自相似性,利用了数据全局的自相似性,把特征高度相似的块分组进行稀疏表示。从分块的角度来说,在地震数据里,可以在全局找到细节完全相同的信息进行分组。理论上,每一个组在变换域下的稀疏表示系数是完全相同的。但是由于噪音的存在,每一组的系数出现了变化,所以通过用组稀疏约束作为正则项,将稀疏表示特征相似的块进行分组,最后分别在变换域下进行信噪分离。这样从信号的自相似性出发,可以最大限度地利用地震数据的全局信息,增强地震数据中的相关信号,与传统的局部稀疏变换学习的方法相比取得了更好的噪声压制、弱信号保留效果。最后,本文研究了基于快速字典学习方法的地震数据噪声压制问题,采用了近端梯度方法求解字典学习优化问题,该方法具有低的算法复杂度上且保证了算法的收敛性。地震数据噪声压制问题将基于稀疏约束去噪问题划分为多个子问题,每个子问题处理不同的非重叠块的数据集合,最终去噪结果由子问题的平均结果得出。实验结果表示该不重叠分块去除地震数据噪声的策略可以降低冗余性,避免了人为误差,得到更好的去噪效果。
张胜男[8]（2020）在《基于深度卷积神经网络的图像去噪方法研究及应用》文中提出图像去噪是减少数字图像中噪声的过程,是影响图像分割,边缘检测,特征提取等对图像进行后续处理的重要前提。深度卷积神经网络在图像识别、语音处理等方面取得了重大成功,通过深度学习,可以使机器模拟人类的视觉、听觉、思维等行为,能够克服模式识别中难以处理复杂问题的困难。图像去噪在视频分析和语音处理方面有巨大的应用,深度卷积网络利用深度学习无需用统计方法分析数据的优点,在图像去噪中取得了成功。针对传统的基于块匹配的图像去噪方法只能处理二维图像以及去噪性能不高的缺点,提出一种基于深度卷积神经网络的图像去噪方法。该方法首先利用三维剪切波变换来得到变换域系数,对噪声图像进行多尺度分解和方向剖分两个滤波阶段;然后通过硬阈值和维纳滤波阶段提出四维块匹配方法,其中两个阶段又分别包括分组、协同过滤和聚合三个步骤,利用堆积成四维组的体素立方体,在该组的四维变换同时利用每个立方体中体素之间存在的局部相关性和不同立方体中相应体素之间的非局部相关性。通过三维剪切波逆变换,得到每个分组立方体的估计值,并在原始位置进行自适应聚合,从而得到潜在的干净图像。然后用深度卷积神经网络中的生成对抗网络对潜在的干净图像进行训练,得到最终干净的图像。本文所提出的方法能够充分使用剪切波变换,并将三维块匹配算法进行改进,使三维图像得到去噪处理。通过深度对抗学习网络中的生成模型和鉴别模型进行对抗训练得到模型,实现了拟合数据分布和数据增强。本文通过与传统去噪方法BM3D、EPLL、TNRD等实验比较,以图像的峰值信噪比、结构相似性和边缘保持指数作为评价标准,有效地改善了图像的视觉效果,而且通过对比传统去噪方法显示,能够有效地去除高噪声环境下的图像噪声,并证明了本文方法对经典图像和磁共振图像去噪的有效性。
马俊逸[9]（2020）在《几何逼近方法及其在数字图像处理领域的应用》文中研究表明函数逼近问题在数字图像处理、通信工程中有着比较广泛的应用。本文研究了基于逼近的若干算法及其在数字图像处理中的应用,主要内容包括以下三点:（1）指数不等式逼近三角函数及其在数字信号领域的应用研究。提出了一种指数不等式逼近方法,用于改进一些着名的三角不等式,包括Jordan不等式,Cusa-Huygens不等式,Becker-Stark不等式等,并为它们提供了简单的证明。数值实例表明,与已有的方法相比,本章的方法可以获得更好的逼近结果,得到的结果可有望应用于数字图像处理和通信领域中。（2）帕德逼近三角函数包围盒方法及其在数字图像处理领域的应用研究。提出了一种基于两点帕德逼近的方法,针对Wilker等着名三角函数,该方法具有比已有方法更优的逼近效果,并对此提供了一种新的证明方法。得到的数值结果说明,此方法相比现有方法拥有更小的逼近误差,得到的结果有望同时应用于加速双边滤波算法。（3）基于逼近的图像噪声定位算法研究。提出一种基于逼近的噪声点定位算法,通过试验表明该算法对于定位图像中可能存在的噪声具有一定的作用。有望将该算法用于需要进行噪声判定的图像处理中,比如瑕疵检测等;同时还可用于一些对噪声敏感的图像算法中,比如Snake算子、拉普拉斯算子,以避免噪声的干扰。在定位噪声的基础上,进一步基于能量函数提出了区分度的概念,有望通过该算法提供像素点分类的先验概率。
范文仕[10]（2020）在《基于深度卷积神经网络的医学图像去噪算法研究》文中研究表明现实中的医学图像在采集和传输的过程中,常常受到成像设备与外部环境噪声干扰的影响,使得图像的质量下降,这些降质的噪声图像对医学图像分析和对临床医学诊断的影响很大。因此,医学图像去噪是医学图像预处理最重要的任务之一。随着深度卷积神经网络在计算机视觉领域中的快速发展,基于神经网络的医学图像去噪算法受到越来越多的关注。将深度卷积神经网络应用于医学图像去噪的一大障碍是需要大量无噪声的训练样本,而很多医学图像没有原始图像。最近,Ulyanov等提出了无需预先训练就可用于图像恢复的深度图像先验（Deep Image Prior,DIP）算法,该算法表明卷积神经网络具有捕获单个图像的低维图像信息的能力,但是该算法去除医学图像噪声的效果并不理想。如何能够在不需要大量训练样本情况下,快速有效的去除医学图像中的噪声是一项具有挑战性的任务。本文以光学相干层析（Optical Coherence Tomography,OCT）图像为切入点,主要研究内容有以下几个方面:（1）针对DIP算法不能很好的去除医学图像中噪声的问题,提出了一种基于非局部深度卷积神经网络医学图像去噪算法。为了保留更多的图像结构信息,在DIP网络学习中添加排序的非局部变量作为正则化损失项,使得网络训练时能够学习生成更清晰的去噪图像。（2）考虑到图像帧与帧之间的相似性,在基于非局部深度卷积神经网络医学图像去噪算法上进行了扩展,提出了三维非局部深度卷积神经网络医学图像去噪算法。该算法使得深度卷积神经网络训练时可以学习到多帧OCT图像的非局部相似性,达到更加理想的去噪效果。（3）虽然基于非局部深度卷积神经网络医学图像去噪算法和三维非局部深度卷积神经网络医学图像去噪算法能够解决卷积神经网络需要大量训练的样本的问题,也取得了比较好的医学图像去噪效果,但是难以满足实际应用中实时处理的需要。为了能够实时的对医学图像进行去噪处理,首先研究了深度卷积神经网络（Deep Convolutional Neural Networks,Dn CNN）的原理,然后利用三维非局部深度卷积神经网络去噪结果作为训练样本,结合多尺度特征提取方法对其进行了改进,使其能够提取图像中更多的特征信息。实验表明,多尺度特征提取深度卷积神经网络不仅能够应用于医学图像去噪,而且在运算速度上也有很大的优势。
二、分数维变换域滤波在图像恢复中的应用（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、分数维变换域滤波在图像恢复中的应用（论文提纲范文）
（1）基于改进WGAN的图像去噪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去噪技术研究进展 |
| 1.2.2 生成对抗网络研究进展 |
| 1.3 论文内容安排 |
| 1.4 论文组织结构 |
| 2 相关理论知识 |
| 2.1 图像去噪的基本原理 |
| 2.2 常用图像去噪算法 |
| 2.2.1 三维块匹配算法(BM3D) |
| 2.2.2 图像块似然概率去噪方法(EPLL) |
| 2.2.3 基于残差网络的深度卷积网络去噪方法(DnCNN) |
| 2.3 生成对抗网络相关理论与研究 |
| 2.3.1 生成对抗网络理论及模型结构(GAN) |
| 2.3.2 深度卷积生成对抗网络相关理论 |
| 2.4 图像去噪质量评价指标 |
| 2.5 本章小结 |
| 3 基于Residual-GAN的图像去噪方法 |
| 3.1 引言 |
| 3.2 去噪网络模型框架 |
| 3.3 生成网络结构 |
| 3.4 判别网络结构 |
| 3.5 网络训练过程 |
| 3.5.1 损失函数 |
| 3.5.2 数据集 |
| 3.5.3 网络训练过程 |
| 3.6 实验设计及性能分析 |
| 3.7 本章小结 |
| 4 基于改进WGAN的图像去噪方法 |
| 4.1 引言 |
| 4.2 WGAN网络理论基础 |
| 4.3 基于改进WGAN的图像去噪算法模型 |
| 4.3.1 图像去噪算法模型 |
| 4.3.2 图像去噪损失函数 |
| 4.3.3 生成网络模型 |
| 4.3.4 判别网络模型 |
| 4.4 实验训练过程及结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（2）基于卷积神经网络图像去噪方法研究（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 图像去噪的研究现状 |
| 1.3 本文主要工作内容及章节安排 |
| 第2章 图像去噪基本理论与神经网络简介 |
| 2.1 图像去噪的基本理论知识 |
| 2.1.1 常见的噪声概率密度函数 |
| 2.1.2 经典的图像去噪算法 |
| 2.1.3 图像去噪质量评价 |
| 2.2 人工神经网络 |
| 2.2.1 神经元 |
| 2.2.2 激活函数 |
| 2.2.3 多层感知器 |
| 2.3 BP神经网络 |
| 2.3.1 BP算法的基本原理 |
| 2.3.2 BP算法数学表示 |
| 2.4 本章小结 |
| 第3章 多尺度并行卷积神经网络图像去噪方案设计 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络结构 |
| 3.1.2 卷积神经网络特点 |
| 3.2 DnCNN去噪框架及原理介绍 |
| 3.2.1 DnCNN去噪框架 |
| 3.2.2 DnCNN算法原理 |
| 3.3 MSPCNN图像去噪方案设计 |
| 3.3.1 MSPCNN去噪框架 |
| 3.3.2 MSPCNN算法原理 |
| 3.4 MSPCNN参数设置 |
| 3.4.1 损失函数 |
| 3.4.2 图像边缘处理 |
| 3.4.3 滑动平均衰减系数设置 |
| 3.4.4 批处理数参数设置 |
| 3.5 训练损失误差仿真对比 |
| 3.5.1 MSPCNN与单尺度卷积神经网络损失误差对比 |
| 3.5.2 MSPCNN与多尺度卷积神经网络损失误差对比 |
| 3.6 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 数据库选择 |
| 4.1.1 训练数据选择 |
| 4.1.2 测试数据选择 |
| 4.2 实验训练设置 |
| 4.3 MSPCNN实验结果及分析 |
| 4.3.1 MSPCNN去噪性能对比分析 |
| 4.3.2 MSPCNN客观评价结果及分析 |
| 4.3.3 MSPCNN主观评价结果及分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）基于轮廓波变换和级联神经网络的数字水印算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 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 主要研究内容与结构框架安排 |
| 第2章 相关理论 |
| 2.1 数字水印技术概述 |
| 2.1.1 数字水印技术基本原理 |
| 2.1.2 数字水印的特性 |
| 2.2 数字图像水印性能的评估 |
| 2.2.1 数字水印的攻击方式 |
| 2.2.2 数字水印的性能评价标准 |
| 2.3 变换域技术原理 |
| 2.3.1 离散傅里叶变换 |
| 2.3.2 离散余弦变换 |
| 2.3.3 离散小波变换 |
| 2.3.4 轮廓波变换 |
| 2.4 本章小结 |
| 第3章 级联神经网络模型的构建 |
| 3.1 神经网络及其数字水印应用 |
| 3.1.1 神经网络的特性 |
| 3.1.2 神经网络与数字水印 |
| 3.2 RBF神经网络和Hopfield神经网络 |
| 3.2.1 RBF神经网络 |
| 3.2.2 Hopfield神经网络 |
| 3.3 级联神经网络的构建 |
| 3.3.1 基于RBF和Hopfield的级联神经网络的构建 |
| 3.3.2 级联神经网络的学习 |
| 3.3.3 混合参数分析及稳态性分析 |
| 3.4 实验与验证 |
| 3.5 本章小结 |
| 第4章 基于轮廓波变换和级联神经网络的算法 |
| 4.1 水印的生成 |
| 4.2 水印的嵌入 |
| 4.3 水印的提取 |
| 4.4 本章小结 |
| 第5章 实验对比与结果分析 |
| 5.1 实验设计 |
| 5.2 嵌入算法实验 |
| 5.3 提取算法实验 |
| 5.4 本章小结 |
| 第6章 结论 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（4）多属性联合约束的高光谱图像混合噪声去除算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 传统去噪算法研究现状 |
| 1.2.2 基于先验约束的去噪算法研究现状 |
| 1.2.3 现状解析及难点分析 |
| 1.3 主要工作与创新 |
| 1.4 本文的主要内容和章节安排 |
| 第二章 高光谱图像去噪基本理论与模型 |
| 2.1 高光谱图像降噪模型 |
| 2.2 图像去噪基本理论 |
| 2.2.1 全变差先验模型 |
| 2.2.2 稀疏和低秩先验模型 |
| 2.3 影像质量评价方法 |
| 2.4 公开实验数据集 |
| 2.5 本章小结 |
| 第三章 联合局部低秩矩阵恢复和L_0范数的去噪方法 |
| 3.1 基于局部低秩矩阵分解的高光谱去噪方法 |
| 3.2 基于L_0梯度约束的稀疏分解方法 |
| 3.2.1 L_0梯度最小化模型 |
| 3.2.2 L_0梯度约束模型描述 |
| 3.3 联合L_0梯度约束与局部低秩分解的高光谱去噪方法 |
| 3.3.1 L_0梯度约束与局部低秩分解模型构建 |
| 3.3.2 L_0梯度约束与局部低秩分解模型求解 |
| 3.4 实验结果及分析 |
| 3.4.1 仿真数据实验 |
| 3.4.2 真实数据实验 |
| 3.4.3 参数影响分析 |
| 3.5 本章小结 |
| 第四章 联合局部低秩和Moreau增强全变分的去噪方法 |
| 4.1 基于全变差的高光谱去噪方法 |
| 4.2 Moreau增强全变分去噪方法 |
| 4.2.1 Moreau增强全变分模型构建 |
| 4.2.2 Moreau增强全变分模型求解 |
| 4.3 联合局部低秩和Moreau增强全变分的高光谱去噪方法 |
| 4.3.1 局部低秩和Moreau增强全变分模型构建 |
| 4.3.2 模型优化求解 |
| 4.4 实验结果对比分析 |
| 4.4.1 仿真数据实验结果 |
| 4.4.2 真实数据实验结果 |
| 4.5 本章小结 |
| 第五章 基于子空间Moreau增强全变分和稀疏分解的去噪方法 |
| 5.1 基于子空间的高光谱图像去噪算法 |
| 5.2 基于子空间Moreau增强全变分和稀疏分解的去噪模型 |
| 5.2.1 子空间Moreau增强全变分和稀疏分解模型描述 |
| 5.2.2 子空间Moreau增强全变分和稀疏分解模型求解 |
| 5.3 实验结果及分析 |
| 5.3.1 仿真数据实验结果 |
| 5.3.2 真实数据实验结果 |
| 5.3.3 参数分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读博士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 4 发明专利 |
| 学位论文数据集 |
（5）分数阶微分图像细节增强方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分数阶微积分理论研究现状 |
| 1.2.2 分数阶微积分应用于图像处理研究现状 |
| 1.3 主要研究内容及章节安排 |
| 第二章 分数阶微积分基本理论 |
| 2.1 分数阶微积分的常用时域定义 |
| 2.1.1 Riemann-Liouville(R-L)分数阶微积分定义 |
| 2.1.2 Grumwald-Letnikov(G-L)分数阶微积分定义 |
| 2.1.3 Caputo分数阶微积分定义 |
| 2.1.4 Weyl(W)分数阶微积分定义 |
| 2.1.5 各种定义间的关系 |
| 2.1.6 分数阶微积分的性质 |
| 2.2 分数阶微积分的频域实现 |
| 2.2.1 分数阶微积分的Laplace变换 |
| 2.2.2 分数阶微积分的Fourier变换 |
| 2.3 分数阶微积分对信号的作用 |
| 2.3.1 分数阶微分算子对信号的作用 |
| 2.3.2 分数阶积分算子对信号的作用 |
| 2.4 本章小结 |
| 第三章 分数阶微分经典算子及其改进 |
| 3.1 经典图像增强算子的定义 |
| 3.1.1 整数阶算子Laplace的定义 |
| 3.1.2 分数阶微分算子Tiansi的构造 |
| 3.2 经典算子主观效果分析 |
| 3.3 分数阶微分算子Tiansi的缺陷和分析 |
| 3.3.1 Tiansi算子的分析 |
| 3.3.2 Tiansi算子的缺陷 |
| 3.4 一种改进的Tiansi算子 |
| 3.5 本章小结 |
| 第四章 改进的分数阶微分算子与自适应微分算子 |
| 4.1 改进的分数阶微分算子 |
| 4.1.1 二元函数在某方向的泰勒展开式的推导 |
| 4.1.2 分数阶微分在某方向的泰勒展开式的推导 |
| 4.1.3 改进分数阶微分算子模板的构造 |
| 4.1.4 改进分数阶微分算子对图像细节增强效果分析 |
| 4.2 自适应分数阶阶次微分模型的构建 |
| 4.2.1 自适应分数阶微分图像增强掩模的选取 |
| 4.2.2 与微分阶次相关的图像特征信息的选择 |
| 4.2.3 构建分数阶微分阶次自适应函数 |
| 4.2.4 自适应微分算子用于图像增强的效果分析 |
| 4.3 本章小结 |
| 第五章 图像细节增强实验分析 |
| 5.1 图像质量的客观评价指标 |
| 5.1.1 图像信息熵 |
| 5.1.2 图像平均梯度 |
| 5.1.3 图像对比度 |
| 5.2 图像细节增强实验结果和客观评价指标分析 |
| 5.2.1 对雾霾天气图像进行质量评价 |
| 5.2.2 对夜间图像进行质量评价 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间的研究成果及发表的学术论文 |
（6）基于专用GMM先验与旋转先验的图像去噪算法（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 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文创新性分析 |
| 1.4 论文的组织结构 |
| 第二章 图像去噪算法综述 |
| 2.1 引言 |
| 2.2 数字图像噪声的基本模型 |
| 2.2.1 噪声基本模型与分类 |
| 2.2.2 几种常见的噪声模型 |
| 2.3 相关的图像去噪算法 |
| 2.3.1 基于自相似先验的去噪算法 |
| 2.3.2 基于低秩先验的去噪算法 |
| 2.3.3 基于外部先验的去噪算法 |
| 2.4 图像质量的评价指标 |
| 2.4.1 主观评价标准 |
| 2.4.2 客观评价标准 |
| 2.5 本章小结 |
| 第三章 基于专用GMM引导的去噪算法 |
| 3.1 引言 |
| 3.2 参数估计的基础理论 |
| 3.2.1 参数估计的几种常见方法 |
| 3.2.2 最大似然估计MLE |
| 3.2.3 最大后验估计MAP |
| 3.2.4 贝叶斯估计 |
| 3.2.5 几种参数估计方法的联系 |
| 3.3 基于专用GMM引导算法的具体实现 |
| 3.3.1 图像去噪任务的MAP模型 |
| 3.3.2 专用GMM模型的训练步骤 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于外部先验引导内部旋转聚类的去噪算法 |
| 4.1 引言 |
| 4.2 聚类算法介绍 |
| 4.2.1 聚类算法的原理 |
| 4.2.2 K-Means聚类算法 |
| 4.2.3 GMM聚类算法 |
| 4.3 基于外部引导的旋转聚类去噪框架 |
| 4.3.1 外部引导的旋转聚类算法 |
| 4.3.2 类内融合与低秩估计 |
| 4.3.3 算法的优化 |
| 4.4 实验结果对比分析 |
| 4.4.1 参数设置 |
| 4.4.2 在12张公开测试图像中的性能表现 |
| 4.4.3 真实数据集的实验结果 |
| 4.4.4 基于BSD数据集和Checkerboard图像的实验 |
| 4.4.5 算法的计算(时间)复杂度分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于地震数据弱信号保持的自适应学习去噪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 研究现状 |
| 1.3 本文主要工作 |
| 第2章 基于相关性的自适应紧框架学习的地震信号盲噪声压制 |
| 2.1 引言 |
| 2.2 基于相关性的自适应紧框架学习方法 |
| 2.2.1 框架与紧框架的构造 |
| 2.2.2 数据驱动紧框架方法 |
| 2.2.3 基于相关性的自适应紧框架学习方法 |
| 2.2.4 地震信号盲噪声去除 |
| 2.3 数值算例 |
| 2.3.1 模拟数据算例 |
| 2.3.2 实际数据算例 |
| 2.4 本章小结 |
| 第3章 基于组稀疏变换学习方法的噪声压制与弱信号提取 |
| 3.1 引言 |
| 3.2 地震信号随机噪声压制 |
| 3.3 从基于合成模型到基于分析变换模型的稀疏编码 |
| 3.4 基于组稀疏的变换学习方法 |
| 3.5 基于外部参考的组稀疏变换学习方法 |
| 3.6 TLGS与TLGSR算法求解 |
| 3.7 基于TLGS方法与TLGSR方法的地震数据噪声压制 |
| 3.7.1 基于TLGS方法的地震数据去噪 |
| 3.7.2 基于TLGSR方法的地震数据去噪 |
| 3.8 数值算例 |
| 3.8.1 模拟数据算例 |
| 3.8.2 实际数据算例 |
| 3.9 方法讨论分析 |
| 3.10 本章小结 |
| 第4章 基于快速字典学习方法的地震数据噪声压制 |
| 4.1 引言 |
| 4.2 K-SVD字典学习方法 |
| 4.3 基于快速字典学习方法的地震数据噪声压制 |
| 4.4 数值算例 |
| 4.4.1 模拟数据算例 |
| 4.4.2 实际数据算例 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的成果 |
| 致谢 |
| 个人简历 |
（8）基于深度卷积神经网络的图像去噪方法研究及应用（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 国内外研究现状 |
| 1.3 神经网络的发展 |
| 1.4 深度学习的发展历程 |
| 1.5 论文结构和章节安排 |
| 第二章 图像去噪的相关理论基础 |
| 2.1 图像去噪 |
| 2.1.1 噪声模型 |
| 2.1.2 图像去噪方法 |
| 2.2 图像去噪效果评价 |
| 2.3 本章小结 |
| 第三章 基于三维剪切波变换与BM4D图像去噪方法 |
| 3.1 三维剪切波 |
| 3.1.1 三维剪切波的表示 |
| 3.1.2 使用剪切器的最佳稀疏三维近似 |
| 3.1.3 使用组合字典的三维数据去噪 |
| 3.2 三维块匹配方法思想 |
| 3.3 四维块匹配方法 |
| 3.3.1 观测模型 |
| 3.3.2 具体方法 |
| 3.4 基于三维剪切波变换与BM4D的图像去噪过程 |
| 3.5 实验与分析 |
| 3.6 本章小结 |
| 第四章 基于深度生成对抗网络的图像去噪方法 |
| 4.1 卷积神经网络原理 |
| 4.1.1 局部连接 |
| 4.1.2 权值共享 |
| 4.2 卷积神经网络的结构 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.2.3 全连接层 |
| 4.2.4 激活函数 |
| 4.3 基于生成对抗网络去噪的具体方法 |
| 4.3.1 生成对抗网络图像去噪模型 |
| 4.3.2 降噪体系 |
| 4.3.3 三阶段训练过程 |
| 4.4 实验与分析 |
| 4.5 本章小结 |
| 第五章 基于深度生成对抗网络的磁共振图像去噪应用 |
| 5.1 磁共振图像去噪的意义 |
| 5.2 磁共振图像噪声模型 |
| 5.3 去噪实验-高斯噪声 |
| 5.4 去噪实验-Rician噪声 |
| 5.4.1 Rician分布特点 |
| 5.4.2 实验与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（9）几何逼近方法及其在数字图像处理领域的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 数字图像处理技术及应用 |
| 1.1.1 数字图像概述 |
| 1.1.2 数字图像处理发展及应用 |
| 1.1.3 数字图像处理技术 |
| 1.2 数字信号处理技术 |
| 1.2.1 图像变换 |
| 1.2.2 傅里叶分析 |
| 1.2.3 噪声与滤波 |
| 1.3 逼近理论及应用 |
| 1.3.1 逼近的产生与发展 |
| 1.3.2 帕德逼近与泰勒级数 |
| 1.3.3 逼近理论在信号领域的应用 |
| 1.4 论文的主要研究工作与组织安排 |
| 第2章 指数不等式逼近三角函数及在数字信号领域的应用 |
| 2.1 研究背景及意义 |
| 2.1.1 信号类型与三角函数 |
| 2.1.2 Sinc函数发展应用 |
| 2.2 主要方法 |
| 2.2.1 对于定理2.1的证明 |
| 2.2.2 对于定理2.2的证明 |
| 2.3 数值实例 |
| 2.4 本章小结 |
| 第3章 帕德逼近三角函数包围盒方法及其在数字图像处理领域的应用 |
| 3.1 研究背景及意义 |
| 3.1.1 双边滤波和逼近理论 |
| 3.1.2 帕德逼近的发展 |
| 3.2 主要方法 |
| 3.2.1 基于两点帕德逼近的方法及实例 |
| 3.2.2 主要结论 |
| 3.3 数值实例 |
| 3.4 本章小结 |
| 第4章 基于逼近的图像噪声定位算法 |
| 4.1 研究背景及意义 |
| 4.1.1 像素的几何位置信息与典型噪声模型 |
| 4.1.2 图像去噪算法的研究现状 |
| 4.2 算法描述 |
| 4.3 实例分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间完成的学术论文及参与的科研项目 |
| 详细摘要 |
（10）基于深度卷积神经网络的医学图像去噪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 医学图像去噪国内外研究现状 |
| 1.3 研究内容和章节安排 |
| 第二章 图像去噪和OCT成像原理 |
| 2.1 引言 |
| 2.2 图像噪声 |
| 2.3 光学相干层析成像技术 |
| 2.3.1 OCT成像的特点 |
| 2.3.2 OCT基本工作原理 |
| 2.4 去噪效果评价标准 |
| 2.4.1 客观评价法 |
| 2.4.2 主观评价法 |
| 2.5 经典的OCT图像去噪算法 |
| 2.5.1 均值滤波算法 |
| 2.5.2 中值滤波算法 |
| 2.5.3 非局部均值滤波算法 |
| 2.5.4 小波滤波算法 |
| 2.5.5 块匹配三维滤波算法 |
| 2.6 本章小结 |
| 第三章 基于非局部深度卷积神经网络医学图像去噪算法 |
| 3.1 引言 |
| 3.2 深度卷积神经网络的基本知识 |
| 3.2.1 深度卷积神经网络的结构 |
| 3.2.2 典型深度卷积神经网络模型 |
| 3.3 深度图像先验算法 |
| 3.4 基于非局部深度卷积神经网络医学图像去噪算法 |
| 3.4.1 基于非局部深度卷积神经网络医学图像去噪算法 |
| 3.4.2 算法流程 |
| 3.4.3 所采用的网络结构 |
| 3.4.4 实验分析 |
| 3.5 本章小结 |
| 第四章 三维非局部深度卷积神经网络医学图像去噪算法 |
| 4.1 引言 |
| 4.2 OCT系统研究进展 |
| 4.3 基于稀疏表示的联合去噪和插值算法 |
| 4.3.1 稀疏表示 |
| 4.3.2 基于稀疏表示的图像插值 |
| 4.3.3 基于稀疏表示的联合去噪和插值算法 |
| 4.4 三维非局部深度卷积神经网络医学图像去噪算法 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 第五章 多尺度特征提取深度卷积神经网络 |
| 5.1 引言 |
| 5.2 DnCNN算法 |
| 5.2.1 DnCNN算法介绍 |
| 5.2.2 与TNRD算法的关系 |
| 5.2.3 实验分析 |
| 5.3 多尺度特征提取深度卷积神经网络 |
| 5.3.1 多尺度特征提取深度卷积神经网络框架 |
| 5.3.2 多尺度特征提取 |
| 5.3.3 参数设置 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、分数维变换域滤波在图像恢复中的应用（论文参考文献）
- [1]基于改进WGAN的图像去噪方法研究[D]. 王倩. 西安理工大学, 2021(01)
- [2]基于卷积神经网络图像去噪方法研究[D]. 杨国亮. 南昌大学, 2020(01)
- [3]基于轮廓波变换和级联神经网络的数字水印算法研究[D]. 杨帆. 南昌大学, 2020(01)
- [4]多属性联合约束的高光谱图像混合噪声去除算法研究[D]. 杨延红. 浙江工业大学, 2020(02)
- [5]分数阶微分图像细节增强方法研究[D]. 李帅. 石家庄铁道大学, 2020(04)
- [6]基于专用GMM先验与旋转先验的图像去噪算法[D]. 闫航. 西安电子科技大学, 2020(05)
- [7]基于地震数据弱信号保持的自适应学习去噪方法研究[D]. 王晓静. 哈尔滨工业大学, 2020(01)
- [8]基于深度卷积神经网络的图像去噪方法研究及应用[D]. 张胜男. 山东理工大学, 2020(02)
- [9]几何逼近方法及其在数字图像处理领域的应用[D]. 马俊逸. 杭州电子科技大学, 2020(04)
- [10]基于深度卷积神经网络的医学图像去噪算法研究[D]. 范文仕. 南京航空航天大学, 2020(07)