一、DSP在图像处理中的应用（论文文献综述）
谢青霖[1]（2021）在《基于视觉传感的高转速搅拌摩擦焊缝成形检测与控制研究》文中指出
杨斌[2]（2021）在《基于FPGA的头戴显示器视频图像处理系统设计与实现》文中认为随着头戴显示器集成度越来越高,功能越来越完善,可以将其视为一种小型的视频处理平台,其核心之一为微显示技术。FPGA作为目前主流的视频处理芯片,不仅能够并行处理视频数据、还可以灵活地构造内部电路、通用性强,非常适合作为小规模视频处理系统的核心。本文以FPGA为核心实现了一个完整的视频图像处理系统,能独立完成从采集视频到实时处理并显示视频的全部工作,支持LCOS微显示器输出。在完成了系统平台的器件选型与电路设计等硬件设计后,本文采用了自顶向下的设计思想完成了系统的软件设计,并根据功能将系统划分为顶层模块、时钟模块、视频采集模块、视频存储模块、图像处理模块以及视频显示模块。系统工作过程如下:首先上电后通过SCCB协议完成OV5640的初始化,获取标准的视频图像数据;接着在图像处理模块中,实现对视频图像的灰度化、快速中值滤波、边缘检测、图像叠加等多种处理;然后通过设计SDRAM存储模块成功实现了视频数据的存储和读取,并解决了跨时钟域数据交互问题;最后在图像显示模块构造了完整的显示时序,通过控制行场信号可以驱动LCOS或显示器输出视频图像。整个系统都是通过硬件语言Verilog HDL描述的。图像算法在FPGA上的实现也是本文重点之一。本文在合理分配硬件资源的前提下,通过优化算法、流水线技术等手段提高了计算效率,充分发挥了FPGA并行处理数据的优势,最终提高了图像算法模块的处理速度。系统设计过程中,本文通过Modelsim对不同模块进行了仿真,并分析仿真波形保障了设计的准确性。系统设计完成后,本文对系统进行了测试与分析,证明了系统在不同显示器上的实时显示效果都较好,且能够对视频进行实时的处理。
甄海乐[3]（2021）在《基于FPGA+DSP的目标跟踪技术研究》文中提出视频目标跟踪技术是计算机视觉和智能机器领域的一种具有先进性的技术,它融合了计算机视觉、智能监控、环境识别、目标检测等不同领域的知识,对科技发展和创新有着重要的价值和意义。随着研究的探索以及科技的发展,目前该技术已经被广泛的应用在智能城市、智能交通监控、国防军事和虚拟现实等多个领域中,与日俱增的需求引起了越来越多研究者的关注。利用FPGA实时性、并行处理及DSP快速地处理不同图像数据算法的优势,本文设计了一种基于FPGA+DSP的目标跟踪系统。第一步规划了系统的整体方案,接着完成目标跟踪系统的硬件设计,最后在硬件中实现视频采集算法和目标跟踪算法的设计,完成对无人机的实时跟踪,具体如下:（1）目标跟踪系统的整体方案及硬件设计。首先是设计了一个视频目标跟踪系统的整体方案,介绍了FPGA+DSP芯片及跟踪算法的工作原理,然后论述各部分系统,说明各部分将要实现的具体作用。最后对硬件进行了设计,包括视频采集系统和目标跟踪系统。（2）基于FPGA的图像视频数据采集和图像实时视频显示。将四个算法模块移植引入到了FPGA中,分别设计了图像视频数据采集模块、DDR图像控制器处理模块、图像预处理模块和以太网数据传输模块,同时介绍了它们的作用,最后将预处理后的视频数据通过UPP通信传输到DSP。（3）基于DSP的视频目标跟踪算法设计。首先介绍了图像处理中的形态学处理和视频目标检测算法,将FPGA的图像数据传输到DSP后,使用二值化得到分割图像的具体结果,接着利用霍夫变换处理得到目标的边缘轮廓,再进行霍夫变换直线中点检测法,最后得到目标的轨迹,实现目标的跟踪。（4）跟踪系统测试。系统处于工作状态中,在固定区域中采集无人机的运动视频,处理后得到目标的运动轨迹图,并与原视频中的轨迹图进行对比。实验结果显示:移动目标飞行的轨迹准确,完成了对飞行目标的实时跟踪。
孟令康[4]（2021）在《基于软硬件协同设计的车牌识别SoC系统》文中研究说明新世纪以来,人工智能技术发展迅速,不断改变着社会生产和人民生活的方式,其中典型的便是车牌识别技术。车牌识别技术首先采集车牌图像,通过专门的图像处理系统处理后抽取目标特征,获得识别结果,该技术目前广泛应用在交通管理、警务管理、智能小区管理、自动化收费等领域。与此同时,车牌识别技术面临新的挑战。近年来新能源汽车逐渐普及,但新能源汽车车牌在车牌大小、车牌底色和字符数量上都与传统车牌有着显着的不同,车牌识别系统需要可以统一识别混合车牌;同时随着车牌识别算法复杂度的增加和图像分辨率的提高,单独的处理器系统完成识别任务愈加艰难,所以需要基于软硬件协同技术将车牌识别算法分别部署在处理器系统和可编程逻辑资源上,实现算法的硬件加速,构建性能更加的车牌识别系统。本文首先总体介绍了车牌识别系统的工作流程和原理,将车牌识别系统分为图像采集、图像预处理、车牌定位、字符分割、字符识别和结果输出6个模块;同时介绍了软硬件协同设计方法,着重说明了软硬件模块划分原则。以此为基础,通过分析车牌识别系统中不同模块的特点,为图像预处理模块和字符识别模块采用硬件设计,为车牌定位模块和字符分割模块采用软件设计。基于软硬件划分结果,使用AXI总线实现PS与PL互联,构建了车牌识别SoC系统的整体架构。车牌识别SoC系统中的硬件设计模块,基于Verilog进行RTL级电路设计。其中图像预处理模块基于深度流水线思想,实现了灰度处理、中值滤波、图像增强和二值化处理的电路设计;字符识别模块基于卷积神经网络硬件加速器实现,汉字和数字字母采用网络参数不同网络结构相同的改进的Le Net-5神经网络进行识别,完成了卷积层、池化层、全连接层和分类器的电路实现。车牌识别SoC系统中的软件设计模块,基于嵌入式Linux系统运行Open CV函数库实现。其中车牌定位模块首先将车牌图像划分成不同的连通域,然后通过先验知识实现车牌区域提取,最后通过车牌倾斜校正和边界定位得到只含有字符信息的车牌图像;字符分割模块首先通过区分车牌类型,然后对混合车牌采用不同的模板进行字符分割,并通过评估分割效果进而调整字符边界,最后将单个字符图像标准化到32x32大小。最后基于Zedboard硬件开发平台搭建了车牌识别SoC系统,采用600张不同种类的车牌测试样本进行功能测试和性能测试,功能测试结果证明车牌识别SoC系统可以完成混合车牌的统一识别任务,性能测试结果表明车牌识别SoC系统在图片分辨率较佳,小角度倾斜的车牌识别时正确率较高,系统运行时间比纯软件实现时减少50%以上,最终车牌识别SoC系统的识别准确率为95.1%,识别时间为0.821s,满足项目要求。
靳波[5]（2020）在《基于FPGA实时图像边缘检测系统的设计与实现》文中指出随着科技水平的不断发展,数字信息喷井式的增长,传统数字图像处理系统很难处理庞大且复杂的图像数据,数字图像信息科学与其他数字信息科学相互渗透并为其他学科所利用。由于现代图像及视频的处理算法越来越复杂、实时性要求越来越高,传统基于软件平台进行图像处理的系统已经很难满足实时性的要求。而FPGA用来做图像处理最重要的一点优势就是在于能够进行实时流水线运算,处理速度快,已达到最高的实时性。图像处理技术一直是当今社会研究的重点领域,边缘检测技术作为图像处理过程中的重要组成部分,其算法本身已广泛使用在医疗图像、机器视觉、工业检测等领域,同时边缘检测的实际效果也会影响到特征提取、目标识别及目标分割等后处理算法的应用。相对于传统滤波方法及边缘检测算子的系统实现,本文提出基于FPGA的数字图像处理系统,结合快速中值滤波以及改进后的Sobel边缘检测算子,对视频图像进行快速采集和实时图像预处理。本文整体介绍了以FPGA为核心的主控芯片的数字图像处理系统的硬件平台以及图像边缘检测算法的实现。分析实时图像预处理系统的研究背景与意义,通过Matlab仿真软件对当前经典主流的边缘检测算子进行比较,对比筛选出适合本系统的边缘检测算子。利用Altera公司的飓风四代C8级FPGA芯片控制器对500万高清摄像头OV5640、SDRAM存储芯片以及FTF800显示器进行控制,通过Quartus II开发软件设计图像采集、存储、显示及其图像处理模块,利用Modelsim仿真软件验证其逻辑时序的正确性。最后通过实验表明,基于FPGA的边缘检测处理平台能够在较短的时间内快速处理图像信息,同时改进后Sobel检测算法相对于传统算法能够提取出更多的边缘信息。
马淼[6]（2020）在《嵌入式图像处理平台设计及实现》文中研究说明自上世纪50年代以来,随着计算机的快速发展,数字图像处理的相关应用也很快在计算机上实现,目前随着半导体行业的不断发展,计算机的处理性能也在不断地提升,在这期间出现了大量的基于计算机平台的图像处理相关算法。早期德州仪器TI生产的DSP数字信号处理器是专门针对数字信号设计的一种处理器类型,例如TI公司达芬奇系列的多核多媒体处理器TMS320DM6467T,该芯片使用采用了ARM核心以及DSP核心集成在一个芯片上的架构,通过将图像处理中大量的矩阵运算在DSP中的乘法器等硬件资源上加速,从而大大提升了嵌入式平台在特定场景下的处理速度。随着当今半导体技术以及嵌入式平台的飞速发展,基于DSP平台的处理性能已经不能满足高分辨率以及高色彩度空间的实时图像处理需求。随着嵌入式对图像处理的性能的需求不断提升,基于多核心的专业图形图像处理器已经得到了广泛的应用,也就是Graphics Processing Unit（GPU）。本文所使用的嵌入式图像处理平台就是英伟达NVIDIA公司推出的基于GPU的图像处理平台Jetson Nano,基于此平台,本文主要完成了以下几部分内容的工作:（1）搭建基于Jetson Nano平台的基础开发环境,安装Opencv、pycuda、jupyter notebook等软件的开发环境,选择合适的电源、摄像头CCD模块以及设备网卡等外围模块。制作Jetson Nano软件镜像,安装内网映射功能以供远程操作设备等。（2）在PC计算机上实现了若干基本图像算法逻辑,验证了算法的正确性并对算法进行了基本的优化,对完成验证仿真的图像算法进行嵌入式平台移植工作,让算法运行在Jetson Nano的ARM核心上。（3）对运行在Ubuntu Linux系统上的算法进行下一步的移植工作,对部分能够实现GPU加速运算的算法进行GPU设备的移植,最大化算法的实时性能,并与ARM核心端的运行效率进行对比,同时还进行了多种编程语言（python、C++）的对比,测试不同编程语言在时间效率上的差异等工作。（4）在完成基本算法的GPU加速运算之后,对目标跟踪算法中涉及的基本的算法模块进行封装以及联调,实现目标跟踪算法的逻辑功能,并进一步在算法底层优化相关算法设计部分,提高算法的实时性。
李诗宇[7]（2017）在《基于活动轮廓模型的图像分割算法研究》文中研究说明图像分割技术是数字图像处理与分析领域中复杂而关键的技术,它的目的是从图像中提取出人们感兴趣的区域,并且将此区域用于后续图像的处理和分析中,故图像分割结果的好坏会直接影响到整个数字图像处理的好坏。而活动轮廓模型是近些年来图像分割领域研究比较热门的一种算法。本论文首先介绍了活动轮廓模型相关的变分法、梯度下降流、曲线演化理论和水平集方法等基本理论,通过理论分析了相关的活动轮廓模型的优点和缺陷,然后介绍了几个比较经典的活动轮廓模型,并通过实验结果分析说明了这几个模型的优点和缺陷,在此基础上,本文提出了两个改进模型,即基于增强图像信息的Chan-Vese模型和基于混合区域的活动轮廓模型。基于增强图像信息的Chan-Vese模型首先通过各项同性非抽取小波变换算法对待分割图像图像灰度均匀性和目标边界进行增强,再将原始图像和增强图像的信息一同用于构建模型的能量泛函,然后极小化该能量泛函,当能量泛函达到极小值时即可得到分割结果;基于混合区域的活动轮廓模型将增强图像的全局信息和原始图像的局部信息用于构建模型的能量泛函,同样当能量泛函达到极小值时得到分割结果。基于PC以及DSP的实验结果表明:基于增强图像信息的Chan-Vese模型有效的改善了传统Chan-Vese模型对图像灰度不均匀性敏感的问题;而基于混合区域的活动轮廓模型对图像灰度不均匀性以及初始轮廓位置不敏感,有效解决了其他基于图像全局和局部信息活动轮廓模型的权重系数问题,且分割精度有所提高。
武晓玥[8]（2010）在《图像无损压缩及去噪技术研究》文中进行了进一步梳理目前,数字图像视频技术被广泛应用于通信、计算机、广播电视等领域,由于数字图像视频数据量巨大,对存储空间和传输信道提出了极高的要求,而且例如航天,医疗等领域对视频图像的质量要求无损或者近无损。因此,视频图像压缩编码技术的研究在当前环境下在显得越来越重要,其发挥的作用越来越显着,而且已成为影响多个引人瞩目的高科技领域发展的重要因素。为此,研究与开发快速、实用的视频图像无损压缩技术已成为一项十分迫切和重要的课题。图像在获取和传输过程中很容易受到各种因素的干扰,使得采集到的图像包含噪声。为了对后续图像进行各种图像处理,有必要对图像进行去噪处理。而噪声的去除是图像分析和计算机视觉中最基本而又非常重要的技术,它已经成为图像处理中十分重要的步骤。因此,为抑制噪声,提高图像质量,便于进一步处理,研究快速、有效的去噪方法仍然是目前的一个研究热点。本文主要以图像无损压缩与去噪技术为主线,针对图像无损压缩与去噪中的关键技术和应用进行了深入地研究,提出了多种性能更好的处理算法并给出了一种嵌入式硬件设计。本文的主要工作及贡献简述如下:1.深入研究了图像与视频无损压缩的基本原理与研究现状,对主要标准和压缩算法做了分析和总结。以无损压缩系统为框架,对视频图像压缩系统的发展及应用进行了概述,对比了主流的系统设计方法,指出了各自的优缺点。其后对图像去噪技术的发展,研究现状以及经典算法做了分析,总结和概括。2.针对SPIHT算法在图像无损压缩中计算复杂度高及对低位平面编码效率较低的现状,提出一种结合整数小波变换与改进的SPIHT无损图像压缩算法SSPIHT。利用整数小波分解后的系数分布情况,调整相应的SPIHT编码结构。结果表明,当测试不同类型的图像,所提出的方法取得的平均比特率较其他方法有所降低,编码时间有明显减小,而且该算法在较低的存储空间下可获得较好的压缩性能,易于硬件的实现。3.针对视频无损压缩编码算法中的自适应模型预测精度问题,提出了一种新的自适应无损视频压缩算法AMLVC,给出一种新的自适应预测模型设计。该算法利用时间,空间和频域的冗余信息通过后向自适应模型对视频进行无损压缩,同时减少了边界信息的传递。算法使用自适应预测模式选择器来取代额外比特预测模式,较好的控制了计算复杂度。同已有算法相比,该算法对视频序列表现出优秀的压缩性能,压缩效率明显提升。4.针对小波稀疏性能不理想的问题,提出了一种非下采样Contourlet变换（NSCT）结合高斯比例混合模型的图像降噪算法。算法基于NSCT变换,建立高斯比例混合图像模型（GSM）,根据贝叶斯估计得到去噪模型。另外结合NSCT变换改进了基于SURE准则的图像去噪算法。算法根据SURE准则建立对MSE的估计,利用线性阈值对图像分解后不同尺度、不同方向的轮廓细节自适应调节实现图像去噪。5.为解决图像重构中产生的Gibbs伪影问题,提出一种结合非下采样塔式滤波器和全变差模型的图像去噪算法。金字塔滤波器把阈值去噪后的图像分解为低频和高频子带,利用全变差模型对分解图像分别建立去噪模型,得到重构图像。其后再次结合全变差模型得到细节补偿图像,叠加后得到最终去噪图像。另提出一种结合NSCT和自适应局部全变差模型的图像去噪算法NSCT-DTV,利用自适应局部全变差模型对处理后的图像结果进行滤波,有效地去除图像中的噪声,保留图像细节。实验结果表明,以上方法均能有效去除图像中的噪声和Gibbs伪影,保留图像细节,获得更好的视觉效果和更高的PSNR值。6.针对目前对无损压缩领域中嵌入式系统的广泛需求,本文分别设计实现了一种通用型嵌入式图像无损压缩系统和一种应用于空间的图像无损压缩系统。通用型系统首先结合相关无损压缩算法,以TMS320DM642为核心处理器,可实现多种无损压缩算法,可应用于工业等多种领域。另外结合CCSDS技术,以FPGA（STRIX-II）为核心处理器,实现了可应用于空间图像无损压缩的图像处理系统。系统的主要特点有:嵌入式设计,硬件实时压缩,体积小,功耗低,可广泛应用于卫星遥感,飞行航拍等领域。
闫海霞[9]（2009）在《基于数学形态学的图像边缘检测和增强算法的研究》文中研究表明图像的边缘是图像最基本的特征,一幅图像主要信息是由它的轮廓边缘提供的,图像边缘包含了一幅图像的绝大部分主要信息。边缘信息便于量化和比较,更适合于检测和定位图像中的物体位置,而且图像边缘信息能揭示目标的重要特性。因此边缘检测技术在数字图像处理中有极其重要的地位。图像增强是指按特定的需要突出一幅图像中的某些信息,同时削弱或去除某些不需要信息的处理方法,使结果对某种特定应用来说比原图像更适合,也是提高图像质量的过程。图像增强技术作为图像预处理部分的基本技术,是系统中十分重要的环节。近年来数学形态学成为图像处理的一个新的研究领域。本文针对边缘检测中存在的不足,结合数学形态学中的顺序形态变换,改进了百分位变换的评价准则,结合不同的评价标准选择不同百分位变换的值与不同方向、多尺度的结构元素,从而加强图像在各个方向上的边缘信息,可以最大程度抑制噪声,有效提高边缘检测的效果。论文还提出了一种基于Tsallis熵和顺序形态变换相结合的灰度图像增强算法。利用图像Tsallis熵选择不同百位变换的值与不同权值的结构元素,从而增强图像信息。该算法在抑制高频噪声的同时,图像的对比度也得到了增强。
邓俊云[10]（2009）在《基于DAM6416P处理平台对弱小目标的检测与跟踪》文中研究表明弱小目标的检测与跟踪,是近年来图像处理与目标检测跟踪领域的一个研究热点,也是一项难度大且有着重要战略应用价值的课题。本文主要研究图像中的弱小目标检测及跟踪在DSP中的实现技术。通过图像处理,检测出弱小目标,并实现对弱小目标的跟踪。首先,介绍了DAM6416P实时视频图像处理平台的总体结构,并研究各单元的基本原理及功能。其次,研究了含弱小目标的图像的基本特性,包括图像噪声特性、背景空间分布特性和弱小目标特点。同时比较了几种常用的目标检测前的图像预处理方法在DSP中的实现效果。随后,研究了弱小目标的检测及分割在DSP中的实现。主要对象点处理分割、基于边界的分割的多种方法在DSP中的实现。针对背景复杂时,弱小目标检测不能通过单一的图像处理方法实现的特点,采用了在DSP中基于形态学的弱小目标检测算法和基于小波分析的弱小目标检测算法。实验结果表明这两种算法都能取得较好的检测效果。接着,研究了弱小目标在DSP中的跟踪实现。主要采用了波门跟踪和模板跟踪实现对弱小目标的跟踪,并比较了两种跟踪算法的有效性。为提高跟踪的实时性和准确度,提出了一中简单的轨迹预测方法,实验证明该方法能有效解决在目标被局部遮挡或全部遮挡时对目标的跟踪问题。最后,对在DSP上实现预处理、检测及跟踪的整个过程和实验中为提高算法的快速性而采取的优化措施和应注意的问题作了一个总结。
二、DSP在图像处理中的应用（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、DSP在图像处理中的应用（论文提纲范文）
（2）基于FPGA的头戴显示器视频图像处理系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发展及现状 |
| 1.2.1 头戴显示器发展及现状 |
| 1.2.2 图像处理系统发展及现状 |
| 1.3 论文主要内容与章节安排 |
| 第二章 系统总体方案设计 |
| 2.1 FPGA在图像处理领域的优势 |
| 2.2 总体方案设计 |
| 2.2.1 需求分析 |
| 2.2.2 系统实现方案 |
| 2.2.3 系统测试方案 |
| 2.3 关键技术 |
| 2.4 本章小结 |
| 第三章 图像处理系统硬件设计与实现 |
| 3.1 实时图像处理系统的总体框架 |
| 3.2 器件选型 |
| 3.2.1 FPGA开发平台 |
| 3.2.2 视频采集模块 |
| 3.2.3 视频存储模块 |
| 3.2.4 视频显示模块 |
| 3.3 电路设计 |
| 3.3.1 视频采集模块电路设计 |
| 3.3.2 视频存储模块电路设计 |
| 3.3.3 视频显示模块电路设计 |
| 3.4 本章小结 |
| 第四章 图像处理系统软件设计与实现 |
| 4.1 FPGA设计流程 |
| 4.2 系统软件设计框图 |
| 4.3 时钟管理模块 |
| 4.4 实时图像采集模块 |
| 4.5 SDRAM存储模块 |
| 4.6 视频图像显示模块 |
| 4.6.1 视频图像显示原理 |
| 4.6.2 视频图像显示模块FPGA实现 |
| 4.7 本章小结 |
| 第五章 基于FPGA的图像处理算法设计与实现 |
| 5.1 图像灰度化 |
| 5.1.1 图像灰度化实现 |
| 5.1.2 仿真与分析 |
| 5.2 中值滤波 |
| 5.2.1 快速中值滤波实现 |
| 5.2.2 仿真与分析 |
| 5.3 边缘检测 |
| 5.3.1 边缘检测实现 |
| 5.3.2 仿真与分析 |
| 5.4 图像叠加 |
| 5.4.1 图像叠加实现 |
| 5.4.2 仿真与分析 |
| 5.5 本章小结 |
| 第六章 系统测试与分析 |
| 6.1 视频图像实时显示测试 |
| 6.1.1 实时视频正常显示效果 |
| 6.1.2 资源使用报告 |
| 6.1.3 实验结论 |
| 6.2 图像处理模块测试 |
| 6.2.1 灰度视频图像测试 |
| 6.2.2 图像叠加模块测试 |
| 6.2.3 边缘检测模块测试 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 后续展望 |
| 致谢 |
| 参考文献 |
（3）基于FPGA+DSP的目标跟踪技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉系统发展 |
| 1.2.2 目标检测技术发展 |
| 1.2.3 目标跟踪技术发展 |
| 1.2.4 硬件的处理平台的发展 |
| 1.3 主要研究内容及安排 |
| 2 视频目标跟踪系统总体规划和硬件设计 |
| 2.1 视频目标跟踪系统的总体设计 |
| 2.1.1 芯片及相关原理介绍 |
| 2.1.2 跟踪系统的总体方案及组成 |
| 2.2 FPGA视频采集系统硬件设计 |
| 2.3 DSP目标跟踪系统硬件设计 |
| 2.4 本章小结 |
| 3 基于FPGA的视频采集算法与实时显示 |
| 3.1 视频采集模块设计 |
| 3.1.1 OV5640 的寄存器配置 |
| 3.1.2 I2C总线通信协议 |
| 3.2 DDR控制器模块设计 |
| 3.3 以太网传输模块设计 |
| 3.4 图像预处理算法 |
| 3.4.1 中值滤波算法 |
| 3.4.2 均值滤波算法 |
| 3.4.3 图像的灰度处理 |
| 3.5 本章小结 |
| 4 基于DSP的视频目标跟踪算法设计 |
| 4.1 图像的形态学处理 |
| 4.2 .霍夫变换直线检测 |
| 4.3 本章小结 |
| 5 跟踪系统测试 |
| 5.1 系统硬件和实物 |
| 5.1.1 系统硬件介绍 |
| 5.1.2 系统实物介绍 |
| 5.2 跟踪系统测试 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及取得的科研成果 |
| 致谢 |
（4）基于软硬件协同设计的车牌识别SoC系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 车牌识别算法发展现状 |
| 1.2.2 车牌识别系统平台发展现状 |
| 1.3 主要工作与文章架构 |
| 第二章 车牌识别SoC系统架构 |
| 2.1 车牌识别系统工作流程 |
| 2.2 软硬件协同设计技术 |
| 2.2.1 软硬件协同设计流程 |
| 2.2.2 软硬件模块划分原则 |
| 2.2.3 软硬件协同设计优点 |
| 2.3 车牌识别系统软硬件模块划分 |
| 2.4 系统架构 |
| 2.5 本章小结 |
| 第三章 车牌识别系统中的硬件设计 |
| 3.1 基于深度流水线的图像预处理硬件加速器设计 |
| 3.1.1 灰度处理 |
| 3.1.1.1 算法原理 |
| 3.1.1.2 硬件实现 |
| 3.1.2 中值滤波 |
| 3.1.2.1 算法原理 |
| 3.1.2.2 硬件实现 |
| 3.1.3 图像增强 |
| 3.1.3.1 算法原理 |
| 3.1.3.2 硬件实现 |
| 3.1.4 二值化处理 |
| 3.1.4.1 算法原理 |
| 3.1.4.2 硬件实现 |
| 3.1.5 仿真结果 |
| 3.2 基于卷积神经网络硬件加速器的字符识别模块设计 |
| 3.2.1 卷积神经网络基础 |
| 3.2.2 改进的LeNet-5模型 |
| 3.2.3 CNN硬件设计基础 |
| 3.2.4 卷积层设计 |
| 3.2.5 池化层设计 |
| 3.2.6 全连接层设计 |
| 3.2.7 分类器设计 |
| 3.2.8 仿真结果 |
| 3.3 本章小结 |
| 第四章 车牌识别系统中的软件设计 |
| 4.1 车牌定位 |
| 4.1.1 车牌区域提取 |
| 4.1.1.1 边缘检测 |
| 4.1.1.2 数学形态学滤波 |
| 4.1.1.3 连通域标记 |
| 4.1.1.4 先验知识筛选 |
| 4.1.2 倾斜校正 |
| 4.1.3 车牌边界定位 |
| 4.2 字符分割 |
| 4.2.1 车牌类型区分 |
| 4.2.2 车牌统一化 |
| 4.2.3 模板分割 |
| 4.2.4 字符标准化 |
| 4.3 本章小结 |
| 第五章 车牌识别SoC系统板级测试 |
| 5.1 硬件平台 |
| 5.2 测试工程 |
| 5.3 系统测试 |
| 5.3.1 功能测试 |
| 5.3.2 性能测试 |
| 5.3.3 资源消耗 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于FPGA实时图像边缘检测系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 边缘检测算法的发展与研究现状 |
| 1.2.2 图像处理系统的发展与研究现状 |
| 1.3 论文主要内容及章节安排 |
| 2 系统技术原理及介绍 |
| 2.1 FPGA在图像处理中的应用 |
| 2.2 边缘检测及边缘算子的介绍 |
| 2.3 经典边缘检测算子的基本原理 |
| 2.3.1 一阶微分边缘检测算子 |
| 2.3.2 二阶微分边缘检测算子 |
| 2.4 本章小结 |
| 3 系统设计与研究方案 |
| 3.1 实时图像处理系统总体设计 |
| 3.2 FPGA介绍及器件选型 |
| 3.3 图像视频采集模块设计 |
| 3.3.1 OV5640模块 |
| 3.3.2 SCCB时序介绍 |
| 3.3.3 OV5640时序控制及其工作配置 |
| 3.3.4 视频采集模块设计 |
| 3.4 SDRAM存储模块设计 |
| 3.4.1 SDRAM工作原理及其介绍 |
| 3.4.2 SDRAM控制器设计 |
| 3.5 显示模块介绍 |
| 3.6 本章小结 |
| 4 图像处理算法的FPGA实现 |
| 4.1 算法的总体设计 |
| 4.2 灰度变换 |
| 4.3 3*3窗口模板生成 |
| 4.4 快速中值滤波模板生成 |
| 4.5 边缘检测模板生成 |
| 4.6 本章小结 |
| 5 系统验证及实验结果 |
| 5.1 系统图像验证 |
| 5.2 本章小结 |
| 6 总结和展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读研究生期间发表的论文及所取得的研究成果 |
| 致谢 |
（6）嵌入式图像处理平台设计及实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展动态 |
| 1.2.1 GPU图像处理器 |
| 1.2.2 实时图像处理平台 |
| 1.3 本文主要研究内容及解决的问题 |
| 1.4 论文结构安排 |
| 第二章 图像处理硬件平台设计 |
| 2.1 系统整体设计方案 |
| 2.1.1 软硬件系统架构 |
| 2.1.2 Jetson Nano嵌入式图像处理平台介绍 |
| 2.2 图像采集模块 |
| 2.2.1 CCD摄像机及CSI接口 |
| 2.2.2 USB摄像头 |
| 2.3 图像处理加速模块GPU |
| 2.4 LCD显示器 |
| 2.5 本章小结 |
| 第三章 图像处理算法研究及仿真 |
| 3.1 图像预处理基本算法 |
| 3.1.1 图像灰度变换 |
| 3.1.2 图像插值和抽样算法 |
| 3.1.3 图像旋转投影变换 |
| 3.1.4 图像滤波算法 |
| 3.2 图像特征提取 |
| 3.2.1 图像边缘检测 |
| 3.2.2 直线特征检测 |
| 3.3 图像ROI区域阈值分割算法 |
| 3.3.1 固定阈值分割算法 |
| 3.3.2 Otus最大类间方差阈值分割 |
| 3.3.3 最大熵阈值分割算法 |
| 3.3.4 图像形态学处理 |
| 3.4 图像特征提取及融合算法 |
| 3.4.1 角点检测算法 |
| 3.4.2 图像金字塔融合 |
| 3.4.3 图像相似性度量 |
| 3.5 相机标定及其矫正 |
| 3.6 目标特征检测跟踪算法 |
| 3.6.1 帧差法 |
| 3.6.2 帧累积法 |
| 3.6.3 背景减除 |
| 3.6.4 高斯背景建模 |
| 3.6.5 Mean shift跟踪 |
| 3.6.6 HOG特征跟踪 |
| 3.7 实验仿真结果对比分析 |
| 3.7.1 灰度变换结果 |
| 3.7.2 滤波算法结果 |
| 3.7.3 边缘检测结果 |
| 3.7.4 图像矫正结果 |
| 3.7.5 图像融合算法结果 |
| 3.7.6 帧差法结果 |
| 3.8 本章小结 |
| 第四章 图像处理系统设计及测试 |
| 4.1 软件系统总体框架设计 |
| 4.2 图形图像处理单元加速程序实现 |
| 4.3 算法移植运行结果分析 |
| 4.4 软硬件算法优化 |
| 4.4.1 图像融合算法优化 |
| 4.4.2 算法在GPU硬件上的优化 |
| 4.5 本章小结 |
| 第五章 展望与总结 |
| 5.1 全文工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读研究生期间取得的成果 |
（7）基于活动轮廓模型的图像分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 图像分割的概述 |
| 1.2 图像分割的方法 |
| 1.2.1 图像分割的传统方法 |
| 1.2.2 基于活动轮廓模型的图像分割方法 |
| 1.3 本文的研究工作 |
| 1.4 本论文的内容安排 |
| 2 基本理论知识 |
| 2.1 基本概念与数学理论 |
| 2.1.1 变分概念 |
| 2.1.2 梯度下降流 |
| 2.2 水平集演化理论 |
| 2.2.1 曲线演化理论 |
| 2.2.2 水平集方法 |
| 2.2.3 水平集函数的初始化 |
| 2.2.4 水平集方法的数值求解 |
| 2.2.5 变分水平集 |
| 2.3 本章小结 |
| 3 常见的活动轮廓模型 |
| 3.1 参数活动轮廓模型 |
| 3.1.1 Snake模型 |
| 3.1.2 气球力Snake模型 |
| 3.2 几何活动轮廓模型 |
| 3.2.1 Mumford-Shah模型 |
| 3.2.2 Chan-Vese模型 |
| 3.2.3 基于图像局部信息的模型 |
| 3.2.4 基于全局和局部拟合项的活动轮廓模型 |
| 3.3 试验结果和分析 |
| 3.4 本章小结 |
| 4 基于增强图像信息的Chan-Vese模型 |
| 4.1 引言 |
| 4.2 基于增强图像信息的Chan-Vese模型的图像分割 |
| 4.2.1 IUWT算法 |
| 4.2.2 基于增强图像信息的Chan-Vese模型的图像分割 |
| 4.2.3 实验结果和分析 |
| 4.2.4 权重系数ω的研究 |
| 4.3 本章小结 |
| 5 基于混合区域的活动轮廓模型 |
| 5.1 基于混合区域的活动轮廓模型 |
| 5.2 实验结果和分析 |
| 5.3 本章小结 |
| 6 改进模型的DSP实现 |
| 6.1 算法硬件实现构建 |
| 6.1.1 DSP芯片 |
| 6.1.2 DSP与上位机之间的通信连接 |
| 6.1.3 算法硬件实现系统的构建 |
| 6.2 算法软件设计 |
| 6.3 实验结果与分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）图像无损压缩及去噪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 图像无损压缩技术的研究现状 |
| 1.2.1 图像无损压缩技术的发展与现状 |
| 1.2.2 视频无损压缩技术的发展与现状 |
| 1.2.3 图像压缩系统的研究现状 |
| 1.3 图像去噪技术的研究现状 |
| 1.3.1 传统的图像去噪方法 |
| 1.3.2 小波域图像去噪方法 |
| 1.3.3 多尺度图像去噪方法 |
| 1.3.4 偏微分方程图像去噪方法 |
| 1.4 论文主要工作及章节安排 |
| 参考文献 |
| 第二章 基于快速SPIHT 算法的图像无损压缩技术研究 |
| 2.1 引言 |
| 2.2 无损压缩国际标准分析 |
| 2.2.1 JBIG 标准 |
| 2.2.2 JPEG 标准 |
| 2.2.3 JPEG-LS 标准 |
| 2.2.4 JPEG2000 标准 |
| 2.2.5 HDPhoto 标准 |
| 2.3 编码方式 |
| 2.3.1 EZW 编码 |
| 2.3.2 SPIHT 编码 |
| 2.3.3 SPECK 编码 |
| 2.3.4 EBCOT 编码 |
| 2.4 基于整数小波的快速SPIHT 无损压缩算法SSPIHT |
| 2.4.1 整数小波变换 |
| 2.4.2 快速SPIHT 编码SSPIHT |
| 2.4.3 实验结果和分析 |
| 2.5 本章小结 |
| 参考文献 |
| 第三章 基于自适应模板的视频无损压缩技术研究 |
| 3.1 引言 |
| 3.2 无损视频压缩的基本编码框架 |
| 3.3 无损视频压缩的关键技术 |
| 3.3.1 预测编码 |
| 3.3.2 变换编码 |
| 3.3.3 运动估计和补偿 |
| 3.3.4 熵编码 |
| 3.4 一种新的自适应无损视频压缩算法AMLVC |
| 3.4.1 空域去冗余 |
| 3.4.2 时域去冗余 |
| 3.4.3 自适应预测模型 |
| 3.4.4 实验结果和分析 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于多尺度几何分析的图像去噪技术研究 |
| 4.1 引言 |
| 4.2 经典图像去噪算法 |
| 4.2.1 小波阈值去噪算法 |
| 4.2.2 小波比例萎缩去噪 |
| 4.2.3 小波相关性去噪 |
| 4.3 基于NSCT 的图像去噪模型 |
| 4.3.1 NSCT 变换原理 |
| 4.3.2 高斯比例混合模型 |
| 4.3.3 基于高斯比例混合模型的噪声估计 |
| 4.3.4 算法描述 |
| 4.3.5 实验结果与分析 |
| 4.4 基于NSCT 的自适应图像去噪方法 |
| 4.4.1 基于SURE 准则的MSE 估计 |
| 4.4.2 基于图像尺度和方向特性的自适应阈值 |
| 4.4.3 算法描述 |
| 4.4.4 实验结果与分析 |
| 4.5 本章小结 |
| 参考文献 |
| 第五章 结合全变差的图像去噪技术研究 |
| 5.1 引言 |
| 5.2 偏微分方程在图像降噪中的应用 |
| 5.2.1 Perona-Malik 模型 |
| 5.2.2 各项异性扩散模型 |
| 5.2.3 复扩散模型 |
| 5.2.4 优点及面临的问题 |
| 5.3 小波和偏微分方程的联系 |
| 5.4 一种新的结合全变差模型去噪方法 |
| 5.4.1 全变差模型 |
| 5.4.2 结合全变差模型消除Gibbs 伪影 |
| 5.4.3 实验结果与分析 |
| 5.5 结合NSCT 与自适应全变差的图像去噪方法NSCT-DTV |
| 5.5.1 高斯比例混合模型 |
| 5.5.2 自适应全变差模型 |
| 5.5.3 结合自适应全变差去噪 |
| 5.5.4 实验结果与分析 |
| 5.6 本章小结 |
| 参考文献 |
| 第六章 嵌入式图像无损压缩系统设计及实现 |
| 6.1 引言 |
| 6.2 通用无损压缩硬件单元实现 |
| 6.2.1 压缩单元的硬件设计 |
| 6.2.2 压缩单元的软件框架 |
| 6.3 优化与实现 |
| 6.3.1 算法的DSP 系统平台移植 |
| 6.3.1.1 去除冗余代码 |
| 6.3.1.2 修改函数和变量 |
| 6.3.1.3 编译选项和连接命令 |
| 6.3.2 DSP 系统优化技术 |
| 6.3.2.1 EDMA 传输数据 |
| 6.3.2.2 软件流水技术 |
| 6.3.2.3 数据类型的选择 |
| 6.3.2.4 处理链优化 |
| 6.3.2.5 避免冲突读miss |
| 6.3.2.6 系统自带库函数优化 |
| 6.3.3 实验结果和分析 |
| 6.4 空间图像无损压缩系统设计及实现 |
| 6.4.1 CCSDS |
| 6.4.1.1 预处理 |
| 6.4.1.2 离散小波变换 |
| 6.4.1.3 量化与编码 |
| 6.4.1.4 位平面编码 |
| 6.4.1.5 熵编码 |
| 6.4.2 压缩单元的设计 |
| 6.4.2.1 硬件系统核心模块设计 |
| 6.4.2.2 外部接口模块 |
| 6.4.2.3 无损压缩系统架构设计 |
| 6.4.2.4 二维小波变换的FPGA 设计 |
| 6.4.2.5 位平面编码结构设计 |
| 6.5 实验结果和分析 |
| 6.6 本章小结 |
| 参考文献 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 博士在读期间的研究成果 |
（9）基于数学形态学的图像边缘检测和增强算法的研究（论文提纲范文）
| 提要 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 数学形态学与图像处理 |
| 1.1.2 数学形态学的发展状况 |
| 1.2 本课题研究的意义 |
| 1.3 基于数学形态学的图像处理的优势 |
| 1.4 论文的主要工作及内容安排 |
| 1.4.1 主要工作 |
| 1.4.2 章节安排 |
| 第2章 数学形态学在图像处理中的基本理论 |
| 2.1 基本符号和术语 |
| 2.2 二值图像的数学形态学 |
| 2.2.1 膨胀和腐蚀 |
| 2.2.2 开运算和闭运算 |
| 2.2.3 击中变换和击不中变换 |
| 2.2.4 二值图像的数学形态学应用 |
| 2.3 灰度图像的数学形态学 |
| 2.3.1 灰度形态学的理论基础 |
| 2.3.2 膨胀和腐蚀运算 |
| 2.3.3 灰度形态开启和闭合运算 |
| 2.3.4 结构元素的选取方法 |
| 2.3.5 几种灰度图像形态学梯度边缘检测算子 |
| 2.4 本章小结 |
| 第3章 基于百分位形态变换的图像边缘检测 |
| 3.1 图像边缘检测概述 |
| 3.1.1 图像边缘的定义 |
| 3.1.2 边缘检测及其发展 |
| 3.1.3 图像边缘检测意义 |
| 3.1.4 边缘检测中的遇到的问题 |
| 3.1.5 边缘检测的形态学方法优势 |
| 3.2 现有的边缘检测技术 |
| 3.2.1 经典边缘检测算子 |
| 3.2.2 实验结果比较和分析 |
| 3.2.3 新兴边缘检测技术 |
| 3.2.4 形态学边缘提取原理 |
| 3.3 百分位形态变换 |
| 3.3.1 顺序形态变换的概念 |
| 3.3.2 复合顺序形态变换 |
| 3.3.3 结构元素和百分位值 |
| 3.4 基于百分位形态变换的图像边缘检测 |
| 3.4.1 多元结构的复合顺序形态学边缘检测算子 |
| 3.4.2 顺序形态算子边缘提取的几何解释 |
| 3.4.3 基于百分位形态变换的边缘检测方法 |
| 第4章 基于图像局部熵和顺序形态变换的图像边缘检测 |
| 4.1 图像熵 |
| 4.1.1 局部熵描述的合理性 |
| 4.1.2 局部灰度熵的性质分析 |
| 4.2 百分位形态变换与图像局部熵相结合的边缘检测算法 |
| 第5章 基于顺序形态学的图像增强 |
| 5.1 图像增强概述 |
| 5.1.1 图像增强 |
| 5.1.2 图像增强的意义 |
| 5.1.3 图像增强方法综述 |
| 5.2 基于Tsallis 熵和顺序形态变换的图像增强 |
| 5.2.1 Tsallis 熵 |
| 5.2.2 Tsallis 熵的构造原理 |
| 5.3 Tsallis 熵和顺序形态变换的图像增强算法 |
| 第6章 硬件仿真实验 |
| 6.1 DSP 处理器 |
| 6.2 SRAM 芯片 |
| 6.3 系统组成 |
| 6.4 实验结果 |
| 6.4.1 实验方法 |
| 6.4.2 实验结果 |
| 6.5 小结 |
| 第7章 总结和展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士期间发表的学术论文 |
| 致谢 |
| 摘要 |
| Abstract |
（10）基于DAM6416P处理平台对弱小目标的检测与跟踪（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的意义 |
| 1.2 国内外数字信号处理器及图像处理技术研究现状 |
| 1.2.1 数字信号处理器发展及现状 |
| 1.2.2 弱小目标检测及跟踪方法的研究现状 |
| 1.3 本课题研究的主要任务及创新点 |
| 1.4 小结 |
| 第二章 实时视频图像处理平台的总体介绍和应用研究 |
| 2.1 实时视频图像处理平台总体结构 |
| 2.2 实时视频图像处理平台各单元简介 |
| 2.2.1 图像采集单元 |
| 2.2.2 主处理器单元 |
| 2.2.3 同步动态存储器 |
| 2.2.4 数据传输和处理单元 |
| 2.2.5 系统通信模块 |
| 2.2.6 系统显示模块 |
| 2.3 TDS560 硬件仿真器 |
| 2.4 小结 |
| 第三章 弱小目标图像在DSP 上的预处理研究 |
| 3.1 前言 |
| 3.2 弱小目标图像特性分析 |
| 3.2.1 光学图像噪声分析 |
| 3.2.2 光学图像背景及目标分析 |
| 3.3 图像的噪声消除及背景抑制 |
| 3.3.1 图像滤波 |
| 3.3.2 基本背景抑制方法 |
| 3.4 结果及分析 |
| 3.5 小结 |
| 第四章 弱小目标图像的分割 |
| 4.1 前言 |
| 4.2 弱小目标的象点处理分割 |
| 4.2.1 直方图门限化的二值分割 |
| 4.2.2 弱小目标的最佳门限分割 |
| 4.3 基于边界的弱小目标图像分割 |
| 4.3.1 微分边缘检测算子 |
| 4.3.2 曲面拟合边缘检测 |
| 4.3.3 模板匹配边缘检测 |
| 4.4 基于形态学的弱小目标检测 |
| 4.4.1 数学形态学原理 |
| 4.4.2 灰度形态学原理 |
| 4.4.3 形态学边缘检测 |
| 4.5 基于小波变换的弱小目标检测 |
| 4.5.1 小波变换与多尺度分析 |
| 4.5.2 小波变换在图像处理中的具体实现 |
| 4.5.3 基于小波分析的背景预侧算法 |
| 4.6 结果分析 |
| 4.7 小结 |
| 第五章 基于DSP 的弱小目标的跟踪 |
| 5.1 前言 |
| 5.2 波门跟踪算法介绍 |
| 5.2.1 投影原理 |
| 5.2.2 形心算法的数学描述 |
| 5.3 波门跟踪的实现 |
| 5.3.1 目标点的判定 |
| 5.3.2 波门设计 |
| 5.4 相关跟踪算法研究 |
| 5.4.1 相关匹配准则的选取 |
| 5.4.2 基于直方图信息的模板更新策略 |
| 5.4.3 目标发生遮挡问题的解决 |
| 5.5 结果与分析 |
| 5.6 小结 |
| 第六章 软件实现与优化 |
| 6.1 前言 |
| 6.2 CCS 工程的建立 |
| 6.2.1 存储空间配置 |
| 6.2.2 软件结构 |
| 6.2.3 工作流程 |
| 6.3 软件优化 |
| 6.3.1 C6416 代码开发流程 |
| 6.3.2 代码优化 |
| 6.3.3 编程优化中应注意的问题 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、DSP在图像处理中的应用（论文参考文献）
- [1]基于视觉传感的高转速搅拌摩擦焊缝成形检测与控制研究[D]. 谢青霖. 江苏科技大学, 2021
- [2]基于FPGA的头戴显示器视频图像处理系统设计与实现[D]. 杨斌. 电子科技大学, 2021(01)
- [3]基于FPGA+DSP的目标跟踪技术研究[D]. 甄海乐. 中北大学, 2021(09)
- [4]基于软硬件协同设计的车牌识别SoC系统[D]. 孟令康. 电子科技大学, 2021(01)
- [5]基于FPGA实时图像边缘检测系统的设计与实现[D]. 靳波. 中北大学, 2020(09)
- [6]嵌入式图像处理平台设计及实现[D]. 马淼. 电子科技大学, 2020(01)
- [7]基于活动轮廓模型的图像分割算法研究[D]. 李诗宇. 南京理工大学, 2017(06)
- [8]图像无损压缩及去噪技术研究[D]. 武晓玥. 西安电子科技大学, 2010(10)
- [9]基于数学形态学的图像边缘检测和增强算法的研究[D]. 闫海霞. 吉林大学, 2009(07)
- [10]基于DAM6416P处理平台对弱小目标的检测与跟踪[D]. 邓俊云. 南京航空航天大学, 2009(S2)