| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 引言 | 第9-15页 |
| 1.1 图像压缩概述 | 第9-10页 |
| 1.2 分形图像压缩的历史 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 存在问题及发展方向 | 第13-14页 |
| 1.5 本论文研究内容及目标 | 第14页 |
| 1.6 本章小结 | 第14-15页 |
| 2 分形理论中的基本概念 | 第15-27页 |
| 2.1 分形几何学 | 第15页 |
| 2.2 分形图像压缩的数学基础 | 第15-19页 |
| 2.2.1 度量空间 | 第15-16页 |
| 2.2.2 仿射变换 | 第16-17页 |
| 2.2.3 拼贴定理 | 第17页 |
| 2.2.4 迭代函数系统 | 第17-19页 |
| 2.2.4.1 确定性迭代 | 第18页 |
| 2.2.4.2 随机迭代算法 | 第18-19页 |
| 2.3 基本分形图像编码方法 | 第19-24页 |
| 2.4 图像压缩的性能指标 | 第24-25页 |
| 2.5 实验环境与参数设置 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于非线性变换和改进遗传算法的分形图像压缩算法 | 第27-37页 |
| 3.1 遗传算法 | 第27-30页 |
| 3.1.1 染色体描述 | 第28-29页 |
| 3.1.2 适应度函数选择 | 第29页 |
| 3.1.3 交叉和变异概率及位置 | 第29-30页 |
| 3.2 改进算法 | 第30-32页 |
| 3.2.1 非线性迭代函数系统 | 第30-31页 |
| 3.2.2 区间选择策略 | 第31-32页 |
| 3.2.3 终止条件 | 第32页 |
| 3.3 仿真测试与分析 | 第32-36页 |
| 3.3.1 实验环境与参数设置 | 第32-33页 |
| 3.3.2 试验结果及分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于深度卷积神经网络的分形图像压缩算法 | 第37-48页 |
| 4.1 深度卷积神经网络原理 | 第37-41页 |
| 4.1.1 卷积神经网络 | 第38-39页 |
| 4.1.2 卷积神经网络结构 | 第39-40页 |
| 4.1.3 卷积神经网络的训练过程 | 第40-41页 |
| 4.2 基于深度卷积神经网络的分形图像压缩算法 | 第41-44页 |
| 4.2.1 图像块聚类规则 | 第42-43页 |
| 4.2.2 图像块匹配规则 | 第43-44页 |
| 4.3 代码框架选择及流程 | 第44页 |
| 4.4 实验与分析 | 第44-47页 |
| 4.4.1 实验环境与参数设置 | 第44-45页 |
| 4.4.2 试验结果及分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 改进的用于人脸图像压缩的分形图像算法 | 第48-54页 |
| 5.1 改进算法 | 第48-50页 |
| 5.1.1 卷积神经网络的双通道网络结构 | 第48-49页 |
| 5.1.2 BP算法及改进 | 第49-50页 |
| 5.2 卷积网络结构及设置 | 第50-51页 |
| 5.3 实验与分析 | 第51-53页 |
| 5.3.1 实验环境与参数设置 | 第51-52页 |
| 5.3.2 试验结果及分析 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 结论及展望 | 第54-55页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 作者简介 | 第60页 |