基于动力系统的两种图像增强算法

摘要

本文主要用动力系统的动力学性质处理图像增强。主要用了两种方法，一种是基于双稳系统的图像增强;另一种是基于1∶1共振的前馈神经网络的图像增强。
　　首先，双稳系统中的不稳定点对图像增强起到了决定性的作用，使其充当了一个阈值的角色，在一定条件下，使得不稳定的点（也就是阈值）趋于稳定的点，以实现图像增强。本文首先研究了一类双稳系统，分析了该系统的线性稳定性，利用该性质，在特殊的时间点下，通过初值遍历每一个像素值，实现了图像直方图均衡化，达到了图像增强较好的效果。
　　其次讨论了带有延迟的1∶1共振的前馈神经网络的Hopf分支，利用规范型得到1∶1共振Hopf分支的周期解的模式，得到了此模型周期解的增长速率λ1/6，而不是预想的λ1/2。最后，这种现象也为处理低对比度的灰度图像提供了一种可以实现图像增强的方法，本文利用前馈神经网络的周期性提出了两种算法，并且达到了低对比度的灰色与彩色图像增强较好的效果，通过与传统算法对比，得出本文算法实现效果稳定且有效。

目录

摘要

1 绪论

1．1 课题背景(或引言)

1．2．1 神经网络

1．2．2 图像增强

1．3 预备知识

1．4 主要研究内容

2 双稳系统的动力学性质及其在林业工程上的应用

2．1 双稳系统

2．1．1 双稳系统简介

2．1．2 郎之万方程

2．2 双稳系统稳定性分析

2．3．1 图像增强基本原理

2．3．2 双稳系统下的图像增强原理

2．4 图像增强算法

2．5 木材缺陷图像增强

2．6 本章小结

3 1∶1共振的前馈神经网络的Hopf分支

3．1．1 模型简介

3．1．2 Hopf分支的存在性

3．2 1∶1共振Hopf分支

3．3 1∶1共振Hopf分支的规范型

3．4 数值模拟

3．5 本章小结

4 基于1∶1共振的前馈神经网络的图像增强

4．1 一种图像增强的基本原理

4．2 基于低对比图像的增强

4．2．1 基于1∶1共振神经网络的仿真

4．2．2 与传统算法对比

4．3 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明