导读:本文包含了多尺度图像论文开题报告文献综述及选题提纲参考文献，主要关键词:稀疏角度CT,残差网络,多尺度小波变换
多尺度图像论文文献综述
韦子权,王永波,陶熙,贾晓,边兆英[1]（2019）在《基于多尺度小波残差网络的稀疏角度CT图像恢复》一文中研究指出目的稀疏角度CT具有加速数据采集和减少辐射剂量的优点。然而,由于采集信息的减少,使用传统滤波反投影算法(FBP)进行重建得到的图像中伴有严重的条形伪影和噪声。针对这一问题,本文提出基于多尺度小波残差网络(MWResNet)对稀疏角度CT图像进行恢复。方法本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率。实验中使用真实的螺旋几何CT图像数据"Low-dose CT Grand Challenge"数据集训练网络。通过观察图像表征和计算定量参数的方法对结果进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络(IRLNet),残差编码解码卷积神经网络(REDCNN)和FBP卷积神经网络(FBPConvNet)。结果实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法。结论本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影。(本文来源于《南方医科大学学报》期刊2019年11期）
潘健鸿,高银[2]（2019）在《基于天空区域分割和多尺度融合的单幅雾天图像复原算法》一文中研究指出传统的暗原色理论相关算法在处理带有天空区域的雾天图像时易出现亮度损失和光晕现象。针对这一问题,该文提出一种基于空区域分割和多尺度融合的单幅雾天图像复原算法。该方法首先对图像进行缩放,根据雾天图像的特性分割天空区域,获取全局大气背景光;根据散射模型获取初步的透射率图像,运用L0梯度最小化方法获取优化的透射率图像;最后运用多尺度融合的方法对不同曝光度的图像进行融合,获取最终的去雾图像。主观观察和客观评价表明,在整体和细节方面,该算法比现有暗原色算法及其改进算法处理效果更好。(本文来源于《南京理工大学学报》期刊2019年05期）
徐亮,符冉迪,金炜,唐彪,王尚丽[3]（2019）在《基于多尺度特征损失函数的图像超分辨率重建》一文中研究指出在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。(本文来源于《光电工程》期刊2019年11期）
王小春,葛雨凡,杨晨箫,黎星言[4]（2019）在《基于多尺度几何分解的光照不均图像增强方法》一文中研究指出针对光照不均匀的图像,结合W系统和NSCT变换,提出了一种新的图像增强方法.方法首先利用W变换对图像进行多尺度分解,然后利用NSCT中的非下采样方向滤波器组对尺度分解中的高频部分进行方向分解,得到不同尺度不同方向上的变换系数.在多尺度几何分解的基础上,对低频子带图像采用动态直方图均衡化、高频子带图像采用同态滤波的方法进行增强处理,最后利用非线性函数减小图像明、暗部分灰度值的差异,得到最后的增强结果.仿真实验结果表明,算法无论在视觉效果上还是客观评价指标上都优于其他被比较的四种增强算法,对于过亮、过暗以及局部光照不均匀的图像均取得了更好的增强效果,在增强图像细节的同时能有效抑制图像的伪吉布斯失真和过增强失真.在评价指标上,算法对叁组经典图像处理后的增强图像的信息熵分别达到了10.0755、9.7879、10.5338,明显优于其他方法.(本文来源于《数学的实践与认识》期刊2019年21期）
王校伟,朱晨[5]（2019）在《以多尺度颜色小波纹理特征为基础的工业炉火焰图像分割研究》一文中研究指出分割火焰图像最常用的方法是分类算法,而使用这种算法最大的缺陷在于当像素点数增高时,分割图像的耗时就越大。通过以火焰图像采集装置来采集研究样本,提出了一种可以加快分割速度的方法及运用多尺度颜色小波纹理特征为基础的工业炉火焰图像分割法,经过对图像特征矩阵进行压缩,采用分类算法获取压缩尺度火焰区域并检测其边缘;根据压缩尺度火焰边缘进一步检测其在原始尺度区域,构建边缘区域特征矩阵并进一步检测,从而得到原始尺度火焰区域图像的目的。(本文来源于《工业加热》期刊2019年05期）
何一凡,林熠珉,林佳敏,杜晓凤[6]（2019）在《多尺度卷积神经网络的图像超分辨率重建算法》一文中研究指出为利用多尺度信息重建超分辨率图像,提出多尺度卷积神经网络的图像超分辨率重建算法。算法利用不同尺度的卷积核提取图像特征,为图像重建提供不同大小的邻域信息;用瓶颈层融合多尺度特征图,增强网络非线性表示能力,降低中间层输出的维数,提高图像的超分辨率重建性能。多个测试集上的实验结果表明,多尺度卷积神经网络算法优于现有的单幅图像超分辨率方法。(本文来源于《厦门理工学院学报》期刊2019年05期）
王竹筠,杨理践,高松巍[7]（2019）在《基于Laplacian与多尺度数学形态学的漏磁图像边缘增强方法》一文中研究指出为增强管道焊缝漏磁图像的边缘特征,提出一种基于Laplacian与多尺度数学形态学的焊缝漏磁图像边缘增强方法。首先采集管道漏磁内检测器中的漏磁数据进行成像,然后利用数学形态学算法,通过构建多尺度结构元素对图像进行边缘检测,利用边缘颜色约束对删除非边缘点,最后利用拉普拉斯算子对边缘进行增强。结果表明,该方法可较准确地提取漏磁信号图像的焊缝和缺陷边界,实现焊缝和缺陷的边缘增强,具有一定的可行性和实用性。(本文来源于《辽宁石油化工大学学报》期刊2019年05期）
余祥伟,薛东剑,陈凤娇[8]（2019）在《融合多尺度边缘检测的小波贝叶斯SAR图像滤波》一文中研究指出针对实测的SAR图像被噪声广泛淹没、传统滤波方法易模糊边缘等问题,提出了一种新的滤波方法。该方法在图像多尺度的小波分量上,将基于贝叶斯理论对不同系数和不同方向上设置不同阈值得到消噪后的各分量与基于多尺度边缘检测提取的图像边缘等结构所对应小波分量加权融合,重构输出。以真实的SAR影像进行对比实验后,选取图像的均值、等效视数、边缘保持指数、信噪比及特征地物的像素灰度曲线作为评价指标,对不同的滤波方法进行了综合量化评价。实验结果表明,该方法抑制SAR图像斑点噪声的效果较好,对边缘有较好的保持效果。(本文来源于《遥感信息》期刊2019年05期）
吴磊,吕国强,赵晨,盛杰超,冯奇斌[9]（2019）在《基于多尺度残差网络的CT图像超分辨率重建》一文中研究指出为了将超分辨率重建算法应用于医学影像领域,提升各类医学影像的分辨率,针对当前主流算法网络结构和分辨率提升倍数的尺度单一性问题,提出了一种应用于CT图像的多尺度残差网络模型。首先,通过级联多层残差块构建模型框架,残差块内采用3种尺度的卷积核提取低分辨率图像的细节特征。然后,将特征图融合在一个维度进行特征映射和数据降维,并将多尺度特征信息导入下一残差块。最后,将网络学习到的残差图与低分辨率图像融合,重建高分辨率图像。采用经过多种放大倍数处理的CT图像对网络进行混合训练,实现了一个模型可以同时支持多种倍数的分辨率提升。实验结果表明:在2,3,4倍放大因子下,该模型重建的CT图像PSNR平均较VDSR算法高0.87,0.83,1.16dB。因此,本文模型有效提升了CT图像的超分辨率重建效果,更锐利地恢复了其细节特征,同时大大提升了算法实用性。(本文来源于《液晶与显示》期刊2019年10期）
姚群力,胡显,雷宏[10]（2019）在《基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测》一文中研究指出飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题,本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架,采用轻量级基础网络提取多尺度特征信息;然后设计反卷积特征融合模块,通过跳跃连接将高层语义特征与低层细节特征进行特征融合,得到结构层次丰富的多尺度融合特征;最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验,结果表明,MultDet512在飞机数据集上取得了94.8%的平均检测精度(average precision,AP),在Titan Xp GPU上达到0.050 0 s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中,能够实现多尺度飞机目标的高精度稳健检测。(本文来源于《测绘学报》期刊2019年10期）
多尺度图像论文开题报告
（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：
传统的暗原色理论相关算法在处理带有天空区域的雾天图像时易出现亮度损失和光晕现象。针对这一问题,该文提出一种基于空区域分割和多尺度融合的单幅雾天图像复原算法。该方法首先对图像进行缩放,根据雾天图像的特性分割天空区域,获取全局大气背景光;根据散射模型获取初步的透射率图像,运用L0梯度最小化方法获取优化的透射率图像;最后运用多尺度融合的方法对不同曝光度的图像进行融合,获取最终的去雾图像。主观观察和客观评价表明,在整体和细节方面,该算法比现有暗原色算法及其改进算法处理效果更好。
（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。
多尺度图像论文参考文献
[1].韦子权,王永波,陶熙,贾晓,边兆英.基于多尺度小波残差网络的稀疏角度CT图像恢复[J].南方医科大学学报.2019
[2].潘健鸿,高银.基于天空区域分割和多尺度融合的单幅雾天图像复原算法[J].南京理工大学学报.2019
[3].徐亮,符冉迪,金炜,唐彪,王尚丽.基于多尺度特征损失函数的图像超分辨率重建[J].光电工程.2019
[4].王小春,葛雨凡,杨晨箫,黎星言.基于多尺度几何分解的光照不均图像增强方法[J].数学的实践与认识.2019
[5].王校伟,朱晨.以多尺度颜色小波纹理特征为基础的工业炉火焰图像分割研究[J].工业加热.2019
[6].何一凡,林熠珉,林佳敏,杜晓凤.多尺度卷积神经网络的图像超分辨率重建算法[J].厦门理工学院学报.2019
[7].王竹筠,杨理践,高松巍.基于Laplacian与多尺度数学形态学的漏磁图像边缘增强方法[J].辽宁石油化工大学学报.2019
[8].余祥伟,薛东剑,陈凤娇.融合多尺度边缘检测的小波贝叶斯SAR图像滤波[J].遥感信息.2019
[9].吴磊,吕国强,赵晨,盛杰超,冯奇斌.基于多尺度残差网络的CT图像超分辨率重建[J].液晶与显示.2019
[10].姚群力,胡显,雷宏.基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测[J].测绘学报.2019