隨著多媒體技術的快速發(fā)展和各種智能電子設備的日益普及,以圖像為代表的多媒體通信已成為現(xiàn)代網(wǎng)絡通信的主流形式。圖像信號不同于普通的文本音頻數(shù)據(jù),具有大數(shù)據(jù)量、高冗余度、強像素相關性的特點,因而如何安全地將圖像傳送到接收端,并將其高精度恢復成為圖像處理領域的一項研究熱點。壓縮感知（CS,Compressed Sensing）通過對圖像的壓縮測量,同時對信號進行壓縮和采樣,且測量過程具有較強的安全性,在重構端通過求解優(yōu)化問題從少量的低維投影測量值中,以高概率重構出原始高維信號。CS理論的應用顯著降低了數(shù)據(jù)采集、存儲和傳輸?shù)拇鷥r,節(jié)省了信號的處理時間和設備成本,能夠為圖像處理在多媒體通信的應用提供理論基礎。本論文基于CS理論,以實現(xiàn)圖像的安全傳輸和高效重構為目的,研究了圖像信號的分類字典構造方法,并基于此構造超分辨率重構算法,然后研究了面向安全傳輸?shù)膱D像重構方法,最后將CS理論應用于智能交通中,實現(xiàn)對車輛類別的快速識別檢測。本論文的具體工作概括如下:第一,首先基于CS理論,說明了圖像的頻域特征和CS測量域特征呈近似線性相關性;然后基于測量域的相關性特征,對圖像塊按照其結構特點分為平滑塊、紋理塊... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：130 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 壓縮感知理論現(xiàn)狀
    1.3 圖像安全傳輸與超分辨率重構研究現(xiàn)狀
        1.3.1 超分辨率重構研究現(xiàn)狀
        1.3.2 圖像安全傳輸研究現(xiàn)狀
    1.4 課題來源及主要貢獻
    1.5 論文結構
第二章 論文相關理論及方法介紹
    2.1 壓縮感知理論簡介
        2.1.1 壓縮感知基本框架
    2.2 超分辨率簡介
        2.2.1 超分辨率的主要重建算法
        2.2.2 超分辨率在壓縮感知理論上的建模
    2.3 基于壓縮感知的圖像安全傳輸
        2.3.1 壓縮感知與圖像加密的內在聯(lián)系
    2.4 小結
第三章 基于測量域特征的分類字典構造方法
    3.1 圖像測量域與頻域的近似線性相關性
        3.1.1 圖像頻域相關性
        3.1.2 圖像測量域相關性
        3.1.3 測量域與頻域相關度的近似線性關系
    3.2 基于測量域特征構造分類字典
        3.2.1 基于測量域特征對圖像塊進行分類
        3.2.2 自適應分配采樣率
        3.2.3 字典訓練
    3.3 實驗結果
        3.3.1 基于測量域特征分類結果
        3.3.2 字典訓練結果
        3.3.3 重構圖像質量
    3.4 小結
第四章 基于字典學習與相似性約束的超分辨率重構算法
    4.1 分類字典訓練
    4.2 圖像內部與圖像間相似性分析
    4.3 相似性約束與分類字典的聯(lián)合重構算法
    4.4 標準測試圖像實驗結果
        4.4.1 評價標準
        4.4.2 主觀質量
        4.4.3 客觀質量
    4.5 應用于腦部MRI圖像的聯(lián)合超分辨率重構
    4.6 小結
第五章 面向圖像安全傳輸?shù)膲嚎s感知重構方法
    5.1 基于單輪訓練字典與隨機索引的圖像加密傳輸
        5.1.1 混沌序列控制的測量矩陣
        5.1.2 利用Sigmoid函數(shù)對測量值進行量化
        5.1.3 單輪訓練字典
    5.2 安全傳輸性能分析
        5.2.1 密鑰空間
        5.2.2 密鑰敏感度
        5.2.3 像素相關性分布情況
    5.3 重構圖像質量
    5.4 小結
第六章 測量域圖像處理在車型識別中的應用
    6.1 基于測量域特征的顯著圖
        6.1.1 圖像在測量域與頻域的特征關系
        6.1.2 測量域顯著圖
        6.1.3 基于顯著圖的窗口標定
    6.2 用CSCNN進行分類
        6.2.1 CS-CNN框架
        6.2.2 結合測量域顯著圖的CSCNN車輛分類
    6.3 實驗結果
        6.3.1 顯著圖和窗口標定實驗結果
        6.3.2 車輛分類結果
    6.4 小結
第七章 總結與展望
    7.1 總結
    7.2 下一步工作
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于稀疏表示的超分辨率圖像重建[J]. 周林園,蘇彩霞,曹永鋒.  計算機工程與設計. 2016(12)
[2]基于壓縮感知的魯棒可分離的密文域水印算法[J]. 肖迪,鄧秘密,張玉書.  電子與信息學報. 2015(05)
[3]基于Gabor特征和字典學習的高斯混合稀疏表示圖像識別[J]. 詹曙,王俊,楊福猛,方琪.  電子學報. 2015(03)
[4]壓縮感知回顧與展望[J]. 焦李成,楊淑媛,劉芳,侯彪.  電子學報. 2011(07)
[5]一次一密體制的安全性分析與改進[J]. 王勇,朱芳來.  四川大學學報(工程科學版). 2007(S1)



本文編號：3012787