导读:本文包含了灰度化论文开题报告文献综述及选题提纲参考文献，主要关键词:图像灰度化,粒子群算法,灰度直方图
灰度化论文文献综述
黄虎,雷宇辉,杨丁,熊晨皓[1]（2019）在《基于粒子群优化的自适应灰度化算法》一文中研究指出为了解决传统图像灰度化方法难以充分保存初始图像的原有特征的缺点,提出了一种基于粒子群优化的自适应灰度化算法。根据高像素值像素在彩色图像单通道的灰度直方图分布,通过粒子群寻优选取最好的阈值并自动生成的各分量权值进行图像灰度化。仿真实验表明,比起传统灰度化方法,提出的方法避免了在灰度化过程中,面对不同的彩色图像而通道权值一成不变的缺陷,更好地保留了初始彩色图像的原有特征,为后续的图像处理提供了良好的基础。(本文来源于《微型电脑应用》期刊2019年06期）
刘美[2]（2019）在《彩色图像灰度化算法的研究与实现》一文中研究指出彩色图像灰度化实质上是一个将彩色图像的叁维像素矩阵经过降维生成一个二维灰度矩阵的过程。该过程中应最大程度地保留彩色图像的显着特征信息,使转换前后的图像在亮度、对比度以及结构信息方面均达到最优匹配。目前主要采用的基于优化目标能量函数和基于图像信息提取的两类灰度化算法容易产生对比度信息丢失现象。本文针对上述缺陷探索与研究了基于轮廓波变换的局部对比度增强和基于结构信息相似度的线性投影两种灰度化算法。针对基于优化目标能量函数的灰度化算法中输出灰度图像无法较好地保留原始图像对比度信息的问题,本文研究了一种基于轮廓波变换的局部对比度增强的彩色图像灰度化算法。该算法首先在CIE Lab色彩模型中对输入彩色图像进行了初步的灰度化;然后再采用轮廓波变换对初步灰度图进行局部对比度增强,得到最终灰度图像。实验结果表明,该算法能有效提高灰度图像的局部对比度,保持原始图像更多的对比度信息,主客观评价结果优于已有文献的一些典型灰度化算法。针对基于图像信息提取的线性投影灰度化算法中因离散投影权重而引起对比度信息丢失的问题,本文研究了一种基于结构相似度的线性投影灰度化算法。该算法首先在RGB色彩空间根据输入图像构造了一个对比图;然后利用输入图像的叁个单通道图像与对比图之间的结构相似度来计算对应通道的权重系数;最后再加权平均得到目标灰度图。实验结果表明,该算法能有效保留原始图像的对比度信息,提高计算效率,主客观评价结果均为最优。(本文来源于《长春理工大学》期刊2019-06-01）
王璞[3]（2019）在《彩色图像灰度化算法改进研究》一文中研究指出随着计算机技术的日益发展以及人们对计算机愈加的依赖,数字媒体技术开始充斥着我们的生活,而彩色图像凭借其丰富的视觉效果成为了数字技术的主要载体,也成为了众多研究人员的工作重点。尽管如此,灰度图像也并没有淡出我们的视野,反而凭借其能用更少的信息量显示图像大部分特征的优势,活跃在医学影像、黑白摄影与印刷、人脸识别和目标跟踪等众多领域。彩色图像灰度化的过程本质上是将叁维的彩色图像降维转换成一维的灰度图像的过程,在这个过程中避免不了会出现信息丢失的现象。因此,如何在灰度过程中最大程度的保持原始图像的视觉信息,并且使结果符合人类的视觉习惯,是本文的研究重点。本文针对夜景图像与雾天图像、冷色调图像的自身特点,提出两种与之相匹配的灰度化算法。最后,本文的实验结果在定性和定量两类评价方法下皆取得了良好的效果。本文的具体研究工作如下:(1)提出一种显着性保持的夜景图像与雾天图像灰度化算法。针对夜景图像和雾天图像的特点,采用频率调谐的显着度检测技术得到原彩色图像的显着度图,找出感兴趣的目标区域,提取显着图的亮度通道得到引导图。用引导图中像素点的显着度和该像素点在原彩色图像中RGB叁通道值构建多项式参数模型。再利用引导图中显着度缩放所构建的能量优化函数中的参照对比度值,增强得到的灰度化结果中的目标区域的局部对比度,得到显着度保持的夜景图像与雾天图像的灰度化结果。(2)提出一种针对冷色调图像的灰度化算法。针对已有灰度化算法中仅考虑图像的对比度等内在信息而未考虑图像本身色彩组成的缺点,本文基于冷色调图像的色彩组成特点,提出一种新的冷色调图像灰度化算法。克服了Lu的算法在色彩空间的转换上步骤繁琐且易丢失信息的缺点,选择了更适合处理冷色调图像的RGB色彩空间,构建基于RGB色彩空间的映射函数。并根据冷色调图像的色彩特点和人眼视觉习惯,缩小权重候选集的范围,提高了冷色调图像灰度化质量。(本文来源于《西北大学》期刊2019-06-01）
张超,李小平[4]（2019）在《一种灰度化混合法在集装箱箱号识别中的运用》一文中研究指出研究一种基于机器视觉的集装箱箱号识别方法。对于集装箱彩色图像预处理过程中的灰度化方法,传统的灰度化算法不能有效弥补图像中污损或其他信息缺失的部分,因此,本文提出使用主成分分析法(PCA)结合贝叶斯阈值估计灰度变化率的混合法对图像的灰度化进行优化,可以在判断图像中某一点灰度值与周围相邻像素点的灰度值的变化率后,弥补缺失信息,有效确定边缘特征,从而使后续的字符识别准确率大大提高。最后使用该算法模型设计实现一套用于港口集装箱的智能检测系统。经过Matlab实验验证,在对50幅港口集装箱箱号图像的识别中,通过使用本文提出的混合灰度化方法,与普通的均值法和加权平均法的灰度化方法相比,准确率更高,其中单一字符准确率可达96%,箱号准确率可达92%。(本文来源于《计算机与现代化》期刊2019年05期）
马跃辉,辛月兰,杨晨晓[5]（2019）在《结合灰度化权值调整的改进PCNN图像分割》一文中研究指出针对传统脉冲耦合神经网络在图像分割中存在目标和背景混迭且分割时间过长的问题,提出了一种结合灰度权值调整的改进PCNN图像分割方法。该方法利用彩色图像R、G、B叁分量作为PCNN的输入信息且采用双阈值的判别模式找到PCNN的初始动态阈值以减少迭代次数;然后,根据不同通道分割目标和背景的差异大小改变输出权值的比例以得到最佳分割结果。实验结果表明,论文方法可以取得较优的分割结果,与传统PCNN方法相比节省了时间,提高了分割效率。(本文来源于《计算机与数字工程》期刊2019年04期）
李晓芳[6]（2019）在《基于自适应线性加权的彩色图像灰度化算法研究》一文中研究指出随着计算机技术的不断发展,以图像为基础的数字媒体不断深入并丰富着我们的生活,彩色图像因为具有丰富的色彩和良好的视觉效果在传递信息过程中起着至关重要的作用。而灰度图像能以较少的数据信息表示彩色图像的大部分特征,在模式识别、图像分割和打印等领域都扮演着重要的角色。彩色图像灰度化是一个将位于叁维空间的彩色图像数据映射到一维空间的过程,在此过程中,色度、对比度、结构等特征信息的丢失或弱化是不可避免的,因此如何尽可能多的保留原始图像的关键信息就成为了彩色图像灰度化这一领域研究的主要目的。近年来,国内外研究者们提出了很多方法来将彩色图像转换为灰度图像,其中线性加权法是一类比较经典的灰度化方法,由于其原理简单、能很好地利用整个灰度级,所以目前还在被广泛使用。基于此类方法,本文的主要贡献如下:本文提出了一种基于自适应线性加权的彩色图像灰度化算法,它首先通过穷举法离散权重空间并确定备选灰度图像,然后计算备选灰度图像的边界点个数,以此来自适应地选择最佳投影方向。本文提出的算法着重考虑了图像的边缘信息,通过Canny边缘检测提取图像边界点。将本文算法与其他已有算法的实验结果进行主观评价和客观评价,主观评价上本文算法的灰度转换效果符合人眼视觉特性,对于区域特征明显的图片效果最好;客观评价采用了C2G_SSIM和E-Score模型,本文算法在两种模型下的平均得分都高于对比算法;对于客观分析中不能区分算法优劣的情况,计算了算法的运行时间,结果显示,本文算法的运行时间更短。(本文来源于《兰州大学》期刊2019-04-01）
刘美,薛新松,刘广文,刘智,才华[7]（2018）在《对比度增强的彩色图像灰度化算法》一文中研究指出彩色图像的灰度化仍是当今数字图像处理的一个热点。在将彩色图像转换为灰度图的过程中,信息丢失是一个无法避免的难题。为进一步减少彩色图像灰度化过程中重要信息丢失的问题,给出了一种对比度增强的彩色图像灰度化改进算法。首先,在映射函数中增加了饱和度分量,使亮度或色调值接近但饱和度差异较大的像素灰度化后的灰度值差异更加明显;其次,有效保持了输入图像中灰度像素的特征。大量实验结果表明,算法效果优于传统灰度算法,能保存图像更多的细节对比度信息。(本文来源于《长春理工大学学报(自然科学版)》期刊2018年05期）
张海宁[8]（2018）在《基于多峰高斯分布的彩色图像灰度化算法研究》一文中研究指出灰度化作为一种基础算法广泛地应用于计算机视觉应用中,具有实际的研究意义和价值,图像灰度化是将叁通道彩色图像转换成单通道灰度图,灰度化过程不可避免会存在视觉信息丢失的问题,如何最大化保持原彩色图像的对比度是灰度化过程中的关键问题。直接提取彩色图像亮度通道的灰度化算法可以快速且容易得到灰度图像,但是不能区分原彩色图像中等亮度不同颜色之间的对比度。近些年来,很多研究学者致力于研究如何基于彩色图像的对比度信息将彩色图像映射为灰度图像。本文基于图像中的局部和全局对比度信息以及多峰高斯分布函数,提出了一种基于对比度保持的多峰能量函数的彩色图像灰度化算法,能够有效地减少颜色序列在映射过程中的对比度丢失问题。本文灰度化方法主要包括叁个步骤。首先,根据图像中像素点空间上邻域范围的不同,充分利用线性包围盒层次结构的优势,构建全局颜色对;删除相邻颜色对中重复的颜色对构建局部颜色对。其次,基于线性参数函数和对比度保持的多峰能量函数对灰度图像的灰度值与彩色图像的叁个颜色通道值建立映射关系,并建立整幅图像的能量优化函数。最后,使用离散搜索方法,找出所有离散参数组合中能量函数值最小的一组线性参数,并计算出灰度图像的各像素灰度值。通过定量对比实验,结果显示本文算法可以得到较高的定量分数,表明本文算法能够较好地保持原彩色图像的颜色对比度信息,从而有效地改善彩色图像灰度化的效果。(本文来源于《温州大学》期刊2018-05-21）
马方龙[9]（2018）在《基于归一化积相关匹配的彩色图像灰度化研究》一文中研究指出数字媒体与我们的生活息息相关,而图像作为数字媒体的一种基础展现方式,有着广泛的应用。虽然彩色图像是主流的、重要的信息载体,但是灰度图像没有淡出人们的视野,有重要的应用和研究价值,如医学研究和模式识别等领域。彩色图像灰度化是一个降维过程,信息丢失是肯定的,因此需要最大限度地保留彩色图像的特征信息到灰度图像,尽可能地保持灰度转换前后图像的信息匹配,如亮度、对比度、结构等。图像匹配不仅是彩色图像灰度化的重要目标,也是灰度转换质量的重要评价内容。本文介绍了一种基于图像匹配的线性投影全局映射方法,将寻找最优线性投影方向的问题,转化为转换前后图像相似度的最大化过程,尽可能地保留彩色图像的特征信息。本文提出的灰度化方法引入了图像匹配领域中应用广泛的归一化积相关(Normalized Cross Correlation,NCC)算法,作为图像匹配的准则。其主要思想是:通过离散RGB彩色图像的线性投影权重,得到备选图像,以同彩色图像具有最大归一化积相关系数的备选图像作为灰度结果。实验表明,同几种较新的灰度化研究成果相比,本文提出的方法取得了较好的客观和主观评价。尝试了多种优化方式后,可提升视觉效果的方式有:相似性系数绝对值累加、搜索空间的扩展、相似性系数累加权重的动态确定等。最终综合优化的灰度化方法可以有效地提升灰度结果的主观视觉效果,也可以保持较高客观评价。(本文来源于《兰州大学》期刊2018-05-01）
顾梅花,苏彬彬,王苗苗,王志磊[10]（2019）在《彩色图像灰度化算法综述》一文中研究指出针对2005年之后的多种主流灰度化方法进行研究,根据是否对所有像素使用相同映射函数将其分为全局映射法、局部映射法及混合法,介绍每类方法所包含的典型算法的基本思想、实现步骤及优缺点。最后用定性和定量两种评价方法对各种主要算法的实验结果和性能进行对比分析,进一步提出存在的问题及下一步研究方向,为今后的彩色图像灰度化研究提供参考和借鉴。(本文来源于《计算机应用研究》期刊2019年05期）
灰度化论文开题报告
（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：
彩色图像灰度化实质上是一个将彩色图像的叁维像素矩阵经过降维生成一个二维灰度矩阵的过程。该过程中应最大程度地保留彩色图像的显着特征信息,使转换前后的图像在亮度、对比度以及结构信息方面均达到最优匹配。目前主要采用的基于优化目标能量函数和基于图像信息提取的两类灰度化算法容易产生对比度信息丢失现象。本文针对上述缺陷探索与研究了基于轮廓波变换的局部对比度增强和基于结构信息相似度的线性投影两种灰度化算法。针对基于优化目标能量函数的灰度化算法中输出灰度图像无法较好地保留原始图像对比度信息的问题,本文研究了一种基于轮廓波变换的局部对比度增强的彩色图像灰度化算法。该算法首先在CIE Lab色彩模型中对输入彩色图像进行了初步的灰度化;然后再采用轮廓波变换对初步灰度图进行局部对比度增强,得到最终灰度图像。实验结果表明,该算法能有效提高灰度图像的局部对比度,保持原始图像更多的对比度信息,主客观评价结果优于已有文献的一些典型灰度化算法。针对基于图像信息提取的线性投影灰度化算法中因离散投影权重而引起对比度信息丢失的问题,本文研究了一种基于结构相似度的线性投影灰度化算法。该算法首先在RGB色彩空间根据输入图像构造了一个对比图;然后利用输入图像的叁个单通道图像与对比图之间的结构相似度来计算对应通道的权重系数;最后再加权平均得到目标灰度图。实验结果表明,该算法能有效保留原始图像的对比度信息,提高计算效率,主客观评价结果均为最优。
（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。
灰度化论文参考文献
[1].黄虎,雷宇辉,杨丁,熊晨皓.基于粒子群优化的自适应灰度化算法[J].微型电脑应用.2019
[2].刘美.彩色图像灰度化算法的研究与实现[D].长春理工大学.2019
[3].王璞.彩色图像灰度化算法改进研究[D].西北大学.2019
[4].张超,李小平.一种灰度化混合法在集装箱箱号识别中的运用[J].计算机与现代化.2019
[5].马跃辉,辛月兰,杨晨晓.结合灰度化权值调整的改进PCNN图像分割[J].计算机与数字工程.2019
[6].李晓芳.基于自适应线性加权的彩色图像灰度化算法研究[D].兰州大学.2019
[7].刘美,薛新松,刘广文,刘智,才华.对比度增强的彩色图像灰度化算法[J].长春理工大学学报(自然科学版).2018
[8].张海宁.基于多峰高斯分布的彩色图像灰度化算法研究[D].温州大学.2018
[9].马方龙.基于归一化积相关匹配的彩色图像灰度化研究[D].兰州大学.2018
[10].顾梅花,苏彬彬,王苗苗,王志磊.彩色图像灰度化算法综述[J].计算机应用研究.2019