本科畢業(yè)論文--基于fpga的macro運動控制網(wǎng)絡的研究及實現(xiàn)

長春師范大學本科畢業(yè)論文PAGEPAGEI分類號：TP391學號：012345678910學號：12345678910 （注：英文及數(shù)字為TimesNewRoman小四號）本科畢業(yè)論文基于FPGA的MACRO運動控制網(wǎng)絡的研究及實現(xiàn)（注：黑體二號固定值30磅）ResearchandRealizationofMACROMotionControlNetworkbasedonFPGA（注：Arial小三號固定值25磅居中）姓張三專業(yè)：計算機網(wǎng)絡指導教師姓名：李四職稱：副教授（注：宋體小三號固定值35磅）摘要圖像去噪是圖像處理中一項最基本的課題，在圖像的采集、獲取和傳輸過程中，由于成像系統(tǒng)內(nèi)部和外部受到各種因素的干擾，會對圖像造成不同程度的噪揮著不可忽視的作用。目前，已經(jīng)廣泛應用于天文學、經(jīng)濟領域、醫(yī)學圖像、軍事偵察、法律、計算機視覺、光學遙感、航天航空技術、氣象云圖分析、材料科學、藝術領域、視頻和多媒體圖像處理等眾多科學技術領域。Curvelet變換與偏微分方程方法是兩種非常有效的圖像去噪算法，從過去的二十幾良好的保持能力，由于它們自身的特性而被廣泛應用于數(shù)字圖像處理各個分支中。本文在研究Curvelet變換與偏微分方程去噪理論的基礎上，對它們的優(yōu)缺點進行了分析。由于Curvelet變換在逼近曲線時內(nèi)部的線狀局域相關性使得去除噪聲的同時常常伴有“環(huán)繞”效應，即圖像上出現(xiàn)許多交錯的劃痕。運用整體變分(TV)方法進行圖像去噪，當噪聲較小的時候，只需很少次的迭代就能達到很好的濾波效果；當處理的噪聲比較大的時候，要使峰值信噪比達到最優(yōu)，隨著迭代次數(shù)的增加，平滑強度的增強，去，由此，本文結(jié)合兩者的優(yōu)點提出了一種新的混合去噪算法，對Curvelet變換(這里采用USFFT方法來實現(xiàn)Curvelet變換)處理后的圖像運用TV方法進行進一步的濾波處理。實驗表明，該方法只需極少次的迭代便能有效抑制Curvelet方法帶來的“環(huán)繞”效應，而不會出現(xiàn)“塊”效應，從而改進了Curvelet變換去噪算法，且在計算時間上優(yōu)于TV方法，取得了更好的綜合性能。關鍵詞：圖像去噪Curvelet變換偏微分方程TV模型（注：中文“摘要”二個字之間空二個字符，關鍵詞與上文空一行，冒號與中文關鍵詞之間不要求空格，關鍵詞與關鍵詞之間空二個字符，關鍵詞設為：宋體小四并加粗）（注：中文關鍵詞若要是在一行內(nèi)寫不下的，則第二行的第一個字要與第一行冒號后面的字對齊）如下面范例所示：關鍵詞：圖像去噪Curvelet變換偏微分方程TV模型Curvelet變換偏微分方程TV模型Abstract（注：第一個英文字母用大寫，其余的字母用小寫，用小三TimesNewRoman字體）Imagedenoisingisoneofthemostbasicsubjectoftheimageprocessing.Intheprocessofimageacquisitionandtransmission,byvirtueoftheinteriorandexterioroftheimagesystemssufferfromvariousofinterferingsignal,whichleadingtonoisepollutionofdifferentnoisefromanimagetoobtainthevisualeffectoforiginalimage.Imagedenoisingisthereconnaissance,law,computervision,opticalremotesensing,thetechnologiesofaeronauticsandastronautics,meteorologycloudimageanalysis,materialscience,artsfield,videosandmultimediaimageprocessingandsoon.Inthepaper,westudytheimagedenoisingtheoriesbasedoncurvelettransformandpartialdifferentialequationsandanalysistheiradvantagesanddisadvantagesfirstly.Becausetherearelocallinearcorrelationsofthecurvelettransform,somesurroundingeffectsnamedtheedgesofimageisbecomingblurring,atthesametime,itbringslargecomputationalnewhybriddenoisingmethodisproposedcombiningcurveletbasedmethodandTVmethodbasedonanalysisthetwoalgorithmsdeeply.Performcurvelettransformtoimage(weuseUnequally-spaceFastFourierTransformmethodtoimplementitinthispaper),thenperformfurtherTVfilteringtodoseconddenoisingprocessing.Theexperimentresultsshowthatthenewalgorithmcanrestrainthesurroundingeffectjustonlybyafewiterationseffectively.itimprovesthecurveletmethodtogreatdegree.ThehybridmethodneedinglesstimethanTVmethodisanotheradvantages.Keywords:ImagedenoisingCurvelettransformPartialDifferentialEquations(PDE)（注：關鍵詞與上文空一行，冒號與英文第一個關鍵詞之間空一個字符，關鍵詞與關鍵詞之間空二個字符）（注：英文關鍵詞若要是在一行內(nèi)寫不下的，則第二行的第一個字母要與第一行冒號后面的字母對齊）如下面范例所示：Keywords:ImagedenoisingCurvelettransformPartialDifferentialEquations(PDE)TVmodel

目錄（注：“目錄”二字之間空二格，字體為小三宋體、加粗并居中，間距但不做為一級標題。目錄中無“目錄”這一項，即，目錄不作為一級標題出現(xiàn)在目錄中。）摘要 IAbstract II第一章緒論 11.1課題的研究背景及意義 11.2圖像去噪技術發(fā)展概況 11.2.1Curvelet變換理論發(fā)展簡介 21.2.2偏微分方程發(fā)展簡介 21.3全文研究內(nèi)容及章節(jié)安排 2第二章Curvelet變換的基本理論 42.1第一代Curvelet變換理論 42.2第二代Curvelet變換理論 42.2.1連續(xù)Curvelet變換 52.2.2離散Curvelet變換 52.2.3Curvelet系數(shù)分析 52.3基于Curvelet變換的圖像去噪理論 52.4小結(jié) 5第三章基于偏微分方程的圖像去噪理論 63.1非線性擴散模型去噪原理 63.1.1P-M模型 63.1.2自蛇(self-snake)模型 73.2整體變分模型去噪原理 73.2.1整體變分(TV)模型 73.2.2模型的數(shù)值解法 83.3小結(jié) 8第四章基于Curvelet變換與整體變分模型的圖像去噪算法 94.1兩種去噪算法效果分析 94.1.1去噪效果評價標準 94.1.2基于離散Curvelet變換的去噪效果分析 94.1.3TV模型去噪效果分析 94.2Curvelet變換與TV模型相結(jié)合的圖像去噪算法 104.2.1混合算法的提出 104.2.2仿真實驗及結(jié)果分析 114.3小結(jié) 11第五章結(jié)論 12致謝 13參考文獻 14原創(chuàng)性聲明 15論文使用授權(quán)聲明 16注：1.自動生成的目錄，生成后需要調(diào)整整個目錄部分（其中包括文字、數(shù)字等）均設為：宋體小四字號、段落設為：PAGEPAGE3第一章緒論（注：一級標題、第x章與后面的文字空二個格并居中，小三宋體標題、課題的研究背景及意義數(shù)字圖像處理起源于二十世紀二十年代，隨著計算機網(wǎng)絡技術的普及，圖更多領域中，以達到更好地為人類服務的目的。圖像去噪技術是圖像處理中一項最基本的課題，它在圖像處理過程中發(fā)揮了這些方法的有效性和實用性，將它們運用于許多領域之中。Curvelet（曲波）變換和偏微分方程方法（PDE,Partialdifferentialequations）[3,4,5,6]是近年發(fā)展起來的兩種行之有效的圖像處理手段，針對這兩種技術的研究和不斷改進在很大程度上體現(xiàn)了數(shù)字圖像處理技術的進步與提高。由于Curvelet變換與偏微分研究具有深遠的意義。1.2圖像去噪技術發(fā)展概況圖像去噪技術是圖像后續(xù)處理的基礎和關鍵步驟，它從被污染的圖像中提取有用為加性噪聲與乘性噪聲兩類[2]。圖1-1為加性噪聲模型框圖：圖1-1加性噪聲模型框圖圖1-1加性噪聲模型框圖即：(1-1)式(1-1)中，——原始圖像；——噪聲函數(shù)；——被噪聲污染后圖像，大小均為。加性噪聲的特性是它與圖像信號強度不相關，也就是噪聲與信號之間是相互獨立的。乘性噪聲模型表示如下：(1-2)與加性噪聲不同的是，乘性噪聲與圖像信號的強度相關，它和原始圖像信號的變斯分布），表示為：(1-3)式中，為概率密度函數(shù)；、、分別表示圖像的像素灰度值、期望、隨機的。展前景而被人們廣泛研究和關注，如今，已經(jīng)發(fā)展起來一套完備的理論框架。1.2.1Curvelet變換理論發(fā)展簡介近年來,小波理論迅速發(fā)展起來,并在數(shù)字圖像處理、信號處理等工程領域發(fā)揮葉、壓縮、分解和SAR圖像去噪等許多領域，取得了許多具有科學價值的重要成果。1.2.2偏微分方程發(fā)展簡介三章詳細介紹總體變分模型的去噪原理。1.3全文研究內(nèi)容及章節(jié)安排本文研究了Curvelet變換和偏微分方程的圖像去噪基本理論，在分析了噪產(chǎn)生的本文結(jié)構(gòu)如下：第一章首先介紹了課題的研究背景及意義，其次簡要說明圖像降噪技術的國內(nèi)外介紹。第二章本章介紹了Curvelet變換理論在圖像去噪中的應用，簡單介紹了第一代法，并對離散Curvelet變換系數(shù)進行了分析。第三章介紹偏微分方程圖像去噪的基礎理論，并對幾種經(jīng)典的去噪模型的原理進行了分析，著重分析了整體變分（TV）模型的去噪原理。第四章首先分別對離散Curvelet變換和TV模型圖像去噪進行實驗仿真，分析第五章總結(jié)。對課題進行了總結(jié)，提出對今后工作的幾點展望。注：圖或表：字體為五號字。圖序及圖名置于圖的下方，與下面文字之間空一行，此空行；但若下面是標題，則不空行。表序及表名置于表的上方，與上面文字之間空一行，此空行但若表的上方是標題的，也同樣不要空行。特殊的地方詳見范文所示。即：1.若圖與上面文字靠的很近的，則在此處加一空行：設為段前、段后均0行，固定值10磅2.若圖形與圖X-X靠的很近的，則在此處加一空行：設為段前、段后均0行，固定值10磅3.若表或圖與頁眉靠的很近的，則在此處設為段前、段后均0行，固定值10磅4.表格底下的線與下面正文靠的很近的則加一空行，設為段前、段后均0行、固定值10磅）腳注：注意腳注的方式，序號加圓圈放在加注處右上角，例如①；注釋內(nèi)容排在加注處所在頁下方。每頁注釋序號均從①開始，不與前頁的注釋連續(xù)編號。PAGEPAGE16第二章Curvelet變換的基本理論2.1第一代Curvelet變換理論Curvelet變換理論的提出歸功于Candes和Donoho的工作，他們于1999年最早描述，從圖中可以看出Curvelet對曲線的逼近明顯優(yōu)于小波。(a)小波對邊緣的描述(b)Curvelet對邊緣的描述(a)小波對邊緣的描述(b)Curvelet對邊緣的描述圖2-1小波與Curvelet對物體邊緣的描述常復雜，因為Ridgelet變換具有相當大的計算冗余度，它的實現(xiàn)過程如圖2-2所示：分塊分塊（a）Curvelet變換分解過程（b）Curvelet變換重過圖2-2第一代Curvelet變換的分解與重構(gòu)2.2第二代Curvelet變換理論為了克服計算冗余度大的缺點，Donoho等人又于2002年提出了新的Curvelet再更加快速、簡潔，在近幾年得到了快速的發(fā)展和廣泛的應用。2.2.1連續(xù)Curvelet變換為Curvelet函數(shù)，用，，分別表示尺度，方向，位置參量，表示二維圖像信號,從而Curvelet變換的表示形式如下：(2-1)2.2.2離散Curvelet變換變換系數(shù)可以表示為與數(shù)字曲線波的內(nèi)積：(2-9)Curvelet方法通過在頻域的各個子帶執(zhí)行有效的拋物尺度規(guī)則來更好地捕捉圖像的曲線邊緣信息。下面我們來介紹實現(xiàn)離散曲波變換的兩種快速算法：USFFT(Unequally-spaceFastFourierTransform)方法和Wrapping方法。對二維圖像函數(shù)進行2DFFT變換，得到其頻域表示：,(2-10)對每個尺度，方向參數(shù)用插值法對進行重采樣，得到采樣值(2-11)將拋物窗乘以得到：(2-12)是指在具體的實現(xiàn)過程中對任意區(qū)域，運用周期化技術一一映射到原點的仿射區(qū)域。2.2.3Curvelet系數(shù)分析圖2-3以大小為的標準灰度圖像為例，給出了Curvelet在不同尺度空間個方向，精細尺度上的Curvelet波通過對Curvelet系數(shù)計算紋理特征來表示邊緣。2.3基于Curvelet變換的圖像去噪理論步驟來實現(xiàn)：首先對圖像進行預處理；對圖像進行Curvelet變換得到各自帶上的Curvelet系數(shù)；對每個子帶上的Curvelet系數(shù)進行閾值處理；2.4小結(jié)本章系統(tǒng)地介紹了Curvelet變換理論的發(fā)展，分析了第二代Curvelet變換較之第我們將在第四章通過實驗對它的優(yōu)缺點進行分析，為改進算法的提出奠定理論基礎。第三章基于偏微分方程的圖像去噪理論圖像處理方法的研究具有有了很悠久的歷史，偏微分方程應用于圖像處理的最基法進行圖像處理具有以下優(yōu)勢：我們定義二維灰度圖像：(3-1)其中，為維閉合區(qū)間，，為圖像的定義域。2、圖像關于變量的導數(shù)：(3-2)3、圖像的梯度：(3-3)3.1非線性擴散模型去噪原理3.1.1P-M模型Curvelet變換理論的提出歸功于Candes和Donoho的工作，他們于1999。注：若圖與上面靠的很近的，則在此處加一空行：設為段前、段后均0行，固定值10磅(a)小波對邊緣的描述(b)Curvelet對邊緣的描述(a)小波對邊緣的描述(b)Curvelet對邊緣的描述圖3-1小波與Curvelet對物體邊緣的描述（注：圖X-X與下面正文空一行：設為段前、段后均0行，固定值20磅）P-M模型用梯度大小來檢測圖像的某一區(qū)域是均勻的區(qū)域還是邊緣。當時，為線性熱擴散方程，即各向同性擴散，對整個圖像進行相同程度的平處理領域，用于圖像去噪時，它以一種分片演化的方式對圖像進行平滑，在一定程度上改善了這種“塊”狀效應。注：若圖與上面靠的很近的，則在此處加一空行：設為段前、段后均0行，固定值10磅(a)原始圖像(b)含噪圖像圖3-2P-M去噪3.1.2自蛇(self-snake)模型自蛇模型是另一種有效的非線性擴散方法，其形式如下：(3-10)它之所以被稱為自蛇模型，是因為圖像按照式(3-10)演化，使得它自身的所有水平集線呈蛇形運動。將式(3-10)展開得：(3-11)3.2整體變分模型去噪原理在過去的十幾年中，變分偏微分方程已經(jīng)成為圖像處理領域的重要方法，得到廣泛應用。3.2.1整體變分(TV)模型Rudin，Osher，F(xiàn)atemi的準則，將圖像去噪問題轉(zhuǎn)化成一個能量最小化問題：(3-15)對應的時間演化形式為：(3-25)3.2.2模型的數(shù)值解法在TV模型的數(shù)值實現(xiàn)中，一個顯式時間演化方案采用時間步長，空間步長，這種方法中，TV模型的目標值保證減小，它的解將隨著時間增長而趨近唯一的最小值式(3-27)中，為噪聲方差估計。在實際運用中，以上方法受到了一種基于雙變量描述的高效算法。3.3小結(jié)本章分別從非線性擴散和變分的角度介紹了偏微分方程圖像去噪的原理，非線性擴散以P-M模型與自蛇模型為例進行介紹，并在對P-M模型去噪原理進行研究的基礎對其數(shù)值解法進行推導，為第四章提出結(jié)合算法提供了堅實的理論基礎。第四章基于Curvelet變換與整體變分模型的圖像去噪算法4.1兩種去噪算法效果分析4.1.1去噪效果評價標準很多數(shù)字圖像系統(tǒng)的組成一般是不一樣的，但是對圖像的質(zhì)量重視卻是它們共同的(1)峰值信噪比測度(PSNR)：(4-1)4.1.2基于離散Curvelet變換的去噪效果分析32,32,64,1個方向，實驗結(jié)果如下:（注：若圖與上文靠的很近的，則在此處空一行，設為段前、段后均0行，固定值10磅）(a)原始圖像(b)含噪圖像圖4-1“boat”圖像Curvelet去噪從圖4-1中可以看出，噪聲基本被消除，帽子上羽毛文理和頭發(fā)的邊緣、嘴唇的輪廓也比較清晰，較好地保留了圖像的邊緣信息，信噪比爺?shù)玫酱蟠蟮靥岣?，這就使得如何克服這種“環(huán)繞”效應(即劃痕)是圖像去噪領域中一個非常具有研究意義的問題，也是一個難題，因此在已有方法的基礎上改善這種現(xiàn)象成為一種必然的趨勢。4.1.3TV模型去噪效果分析根據(jù)論文第三章所介紹的TV模型的去噪基本原理，我們通過實驗仿真來驗證它的去噪性能并對實驗結(jié)果進行分析。TV模型不僅適用于灰度圖像的去噪，同時也適用于彩的時間、空間步長分別取，。結(jié)果如下所示：灰度圖像去噪實驗：（注：若表或圖與頁眉靠的很近的，則在此處設為段前、段后均0行，固定值10(a)原始圖像(b)含噪圖像(PSNR=22.0945dB)圖4-2“pepper”圖像TV去噪實驗結(jié)果分析：如圖4-2，帶噪圖像與TV去噪后圖像的峰值信噪比分別為22.0945dB和29.1827dB，他去噪方法相結(jié)合，以達到更好的去噪目的。彩色圖像去噪實驗：說明：圖4-3中原圖(a)中葉子后面的背景是虛化的，這是相機本身的一種功能。(a)原始圖像(b)含噪圖像(c)TV去噪圖像圖4-3“綠葉1”TV去噪（注：4.2Curvelet變換與TV模型相結(jié)合的圖像去噪算法4.2.1混合算法的提出TV模型通過迭代的方式對圖像不同區(qū)域進行不同程度的平滑擴散，能夠在去除噪聲的同時，較好地保持圖像的邊緣信息，在圖像去噪領域取得了良好的效果，但是它也與Curvelet方法結(jié)合起來提出了一種新的去噪算法，具體實現(xiàn)步驟如下：首先對含噪圖像進行快速離散Curvelet變換，運用USFFT方法來實現(xiàn)，將圖像分為5個尺度層，得到不同尺度與方向上的Curvelet系數(shù)；對得到的Curvelet系數(shù)進行硬閾值處理并進行Curvelet反變換重構(gòu)閾值后的系數(shù)矩陣，得到初次去噪圖像；對(2)中處理后的圖像結(jié)果進行n次TV擴散濾波，n的多少依去噪效果好壞而定，得到最終去噪圖像。該算法中，TV方法是在Curvelet變換的基礎上進行的，只需很少次的迭代便能達4.2.2仿真實驗及結(jié)果分析選取大小為256256的兩組圖像作為仿真對象，觀測噪聲選用零均值的高斯白噪聲。將本文提出的方法與Curvelet去噪方法及TV方法進行比較。TV方法的時間、空間步長分別為，，迭代次數(shù)的選取以峰值信噪比值(PSNR)最優(yōu)為準。采用USFFT方法實現(xiàn)Curvelet變換。圖4-7為在噪聲方差=25時，各種去噪算法的去噪效果圖。表4-1是在不同噪聲水平下，各種去噪方法的PSNR值比較。表4-2為本文算法與TV方法的計算時間比較。（注：表X-X與上面正文之間加一空行，設為段前、段后均0行、固定值20磅）表4-1各種去噪方法的PSNR(dB)比較方差含噪圖像Curvelet方法本文算法TV方法2520.156427.419427.763828.45375014.186324.469324.943025.1893（注：表格底下的線與下面正文靠的很近的則加一空行，設為段前、段后均0行、固定值10磅從表4-1可以看出，本文算法的去噪效果優(yōu)于Curvelet變換方法，隨著噪聲方差的因此，混合算法綜合了兩者的優(yōu)點，以較低的計算復雜度達到了較好的去噪效果。4.3小結(jié)我們在第二章和第三章已經(jīng)分別對Curvelet變換去噪與TV去噪原理進行了深入研通過十幾次的迭代便可消除。因此，本文算法達到了一個很好的折中，以較低的計算冗余度獲得了較好的圖像去噪效果，取得了更好的綜合性能。第五章結(jié)論本文主要研究了圖像去噪問題，它是數(shù)字圖像處理中的一個重要的分支。論文主要做了以下幾個方面的工作：（1）首先介紹了圖像去噪的研究背景意義及其國內(nèi)外發(fā)展現(xiàn)狀，對已有的圖像。（2）系統(tǒng)地介紹了Curvelet變換與偏微分方程圖像去噪基本理論，對已有的經(jīng)典偏微分去噪模型進行了介紹通過實驗進行仿真分析這兩種方法從本質(zhì)上結(jié)合起來以達到更廣泛的應用是未來的一個研究方向。注：“結(jié)論”二字之間空二格。致謝在論文的最后，要感謝給予我支持的老師，家人以及同學。由于導師孜孜不倦的指導和鼓勵，我才得以完成它。老師在生活和學習中給予了我很多幫助，這些都將令我終生難忘和感激！同時要感謝教研室的同學，在幾年的學習和生活中，他們所給予我的大力支持和幫助，使得我對生活和學習充滿了信心，同時在他們身上學習到了很多優(yōu)秀的品質(zhì)，我想這些在我步入社會以后都會對我有很大的幫助。在這里要特別感謝XX在我撰寫小論文時候的陪伴和鼓勵，那些一起相伴的日子我都會一直記得。衷心地感謝所有關心和幫助過我的老師，家人和同學們！注：“致謝”二字之間空二格。參考文獻[1]袁慶龍，侯文