自適應(yīng)圖像處理算法及應(yīng)用研究

目錄
前言
第1章 緒論 1
1.1 背景 1
1.2 BEMD理論國內(nèi)外研究現(xiàn)狀 4
1.2.1 插值方法及端部效應(yīng) 4
1.2.2 停止條件及模式混疊 6
1.3 圖像處理應(yīng)用現(xiàn)狀 7
1.3.1 圖像去噪 7
1.3.2 圖像特征提取 8
1.3.3 圖像融合 9
第2章 傳統(tǒng)BEMD方法及相關(guān)理論基礎(chǔ) 14
2.1 引言 14
2.2 一維經(jīng)驗?zāi)Ｊ椒纸?14
2.3 BEMD方法 15
2.3.1 基本原理 15
2.3.2 極值點提取方法 16
2.3.3 二維插值技術(shù) 17
2.3.4 BEMD方法存在的主要問題 17
2.4 相關(guān)理論 19
2.4.1 支持向量機基本原理 19
2.4.2 粒子群算法基本原理 20
2.4.3 分形理論 21
2.4.4 鏡像閉合 27
第3章 BEMD插值算法和端部效應(yīng)消除算法 29
3.1 基于分形理論的BEMD插值算法 29
3.1.1 一維布朗運動 29
3.1.2 分形布朗函數(shù) 30
3.1.3 圖像的分形特征 31
3.1.4 隨機中點位移法 31
3.1.5 基于分形理論的BEMD插值算法 32
3.1.6 BEMD算法插值的具體實現(xiàn)過程 34
3.2 分形插值參數(shù)粒子群優(yōu)化 35
3.3 BEMD算法分形粒子群插值實驗分析 36
3.3.1 圖像質(zhì)量評價 36
3.3.2 實驗分析 37
3.4 混沌粒子群優(yōu)化的自適應(yīng)支持向量機回歸模型 43
3.4.1 支持向量機回歸模型 43
3.4.2 混沌優(yōu)化 45
3.4.3 支持向量機參數(shù)自適應(yīng)混沌粒子群優(yōu)化步驟 45
3.5 端部鏡像閉合延拓 47
3.6 圖像信號回歸模型與外推延拓 47
3.7 自適應(yīng)支持向量機-鏡像閉合延拓的端部效應(yīng)處理計算步驟 48
3.8 消除端部效應(yīng)BEMD實例分析 48
第4章 BEMD停止條件和模式混疊消除算法 55
4.1 BEMD停止條件問題概述 55
4.2 BEMD過程極值點演化規(guī)律 56
4.3 基于零值平面投影不重合極值點數(shù)的BEMD停止條件 60
4.4 停止條件實例分析 60
4.4.1 實驗一 60
4.4.2 實驗二 62
4.5 基于自適應(yīng)噪聲輔助的抑制BEMD模式混疊方法 64
4.5.1 BEMD模式混疊問題概述 64
4.5.2 基于自適應(yīng)噪聲輔助的抑制BEMD模式混疊方法 64
4.6 抑制BEMD模式混疊實例分析 65
第5章 BLMD算法 69
5.1 一維局域均值分解回顧 69
5.2 極值譜的提取 71
5.3 基于分形理論的BLMD插值算法 72
5.3.1 圖像的分形特征 72
5.3.2 基于分形理論的BLMD插值算法 73
5.3.3 BLMD算法插值的具體實現(xiàn)過程 74
5.4 二維生產(chǎn)函數(shù)分量曲面的獲取 74
5.5 停止條件 75
5.6 BLMD算法計算過程 76
第6章 BEMD算法與BLMD算法的應(yīng)用研究 78
6.1 自適應(yīng)BEMD算法基本原理 78
6.2 基于自適應(yīng)BEMD算法的圖像去噪 80
6.2.1 自適應(yīng)BEMD算法的圖像去噪 80
6.2.2 圖像去噪的步驟 80
6.3 基于自適應(yīng)BEMD算法圖像去噪實例分析 81
6.3.1 含高斯白噪聲圖像 81
6.3.2 含椒鹽噪聲圖像 83
6.3.3 含隨機噪聲圖像 84
6.3.4 實際井下環(huán)境圖像 85
6.3.5 分析與討論 87
6.4 GA-SIFT算法基本原理 89
6.4.1 尺度空間極值點提取 90
6.4.2 極值點準確定位 90
6.4.3 特征點主方向確定 91
6.4.4 生成SIFT描述符并進行特征匹配 92
6.4.5 參數(shù)遺傳算法尋優(yōu) 93
6.5 自適應(yīng)BEMD-GA-SIFT算法的圖像特征提取 94
6.6 自適應(yīng)BEMD分解多尺度協(xié)調(diào)與融合 95
6.6.1 自適應(yīng)BEMD分解過程多尺度協(xié)調(diào) 95
6.6.2 自適應(yīng)BEMD分解過程BEMF個數(shù)多尺度協(xié)調(diào) 95
6.6.3 基于自適應(yīng)BEMD的多尺度自協(xié)調(diào)圖像融合原理 96
6.7 基于自適應(yīng)BEMD-GA-SIFT算法圖像特征提取實例分析 97
6.7.1 實驗一 97
6.7.2 實驗二 99
6.7.3 實驗三 100
6.7.4 實測環(huán)境圖像實驗 105
6.8 基于自適應(yīng)BEMD的圖像融合實例分析 107
6.8.1 實驗一 107
6.8.2 實驗二 108
6.8.3 實驗三 109
6.8.4 分析與討論 110
6.9 基于自適應(yīng)BLMD-GA-SIFT的圖像特征提取算法 111
6.10 基于自適應(yīng)BLMD-GA-SIFT算法的圖像特征提取實例分析 112
6.10.1 實驗一 112
6.10.2 實驗二 115
6.10.3 實驗三 116
第7章 基于深度學(xué)習(xí)的應(yīng)用研究 120
7.1 引言 120
7.2 基于深度學(xué)習(xí)的時空特征學(xué)習(xí) 122
7.2.1 視頻序列行為跟蹤 123
7.2.2 視頻塊形狀特征 123
7.2.3 多限制玻爾茲曼機神經(jīng)網(wǎng)絡(luò)層 125
7.2.4 時空特征 126
7.3 基于Maxout激活函數(shù)的模型參數(shù)自適應(yīng)初始化方法 127
7.3.1 模型參數(shù)初始化方法 127
7.3.2 基于Maxout激活函數(shù)的模型參數(shù)自適應(yīng)初始化方法 127
7.4 基于SVM的行為識別分類器 131
7.5 實例分析 132
7.5.1 UCF Sports行為數(shù)據(jù)庫 132
7.5.2 KTH行為數(shù)據(jù)庫 136
7.5.3 sub-JHMDB行為數(shù)據(jù)庫 139
第8章 基于自適應(yīng)小波的圖像加密應(yīng)用研究 142
8.1 連續(xù)小波變換 142
8.2 離散小波變換 143
8.3 小波的多分辨率分析與Mallat算法 143
8.3.1 小波的多分辨率分析 144
8.3.2 Mallat算法 146
8.4 基于提升的小波變換 148
8.5 二維圖像小波變換 149
8.6 加密方案設(shè)計 150
8.7 基于提升算法的9/7小波變換 152
8.8 提升小波變換的自適應(yīng)優(yōu)化 153
8.9 混沌映射置亂低頻系數(shù) 154
8.10 自適應(yīng)循環(huán)加密 155
8.11 加密與解密算法實現(xiàn)步驟 158
8.12 仿真實驗結(jié)果及密鑰安全性分析 160
8.12.1 SHA-1密鑰對明文圖像的敏感性分析 161
8.12.2 統(tǒng)計特性分析 162
8.12.3 密鑰空間分析 167
8.12.4 密鑰敏感性分析 167
參考文獻 168