导读:本文包含了梯度相似性论文开题报告文献综述及选题提纲参考文献，主要关键词:图像超分辨率,梯度轮廓先验,图像增强,非局部自相似性
梯度相似性论文文献综述
房琰[1]（2019）在《基于梯度轮廓和非局部自相似性的单幅图像超分辨率方法研究》一文中研究指出在数字化图像的采集和获取的过程中,由于受到大气扰动与散焦等多种因素的影响,采集到的图像的质量会有不同程度的下降。另外,成像过程中引入的噪声会进一步加剧图像的退化。随着计算机技术以及计算机性能的显着提高,人们对于图像的质量要求也更高。但是由于环境及硬件的限制,采集到的图像的质量与所期望的质量有所差距。由此,便衍生出了通过改善硬件、软件或环境的方法来提高图像的分辨率的想法。如果通过改善硬件的方法来提高图像的分辨率,相应的代价会很大。如果通过改善环境的方法来提高图像的分辨率,这在实际中是难以实现的,并且有可能造成更大的损失。因此,通常采取软件的方法提高图像的分辨率。图像的超分辨算法是由已知的低分辨率的图像产生相应的高分辨率图像。本文围绕着单幅图像的超分辨率算法展开研究。本文首先列举了近几年来流行的单帧图像超分辨率算法,并重点归纳了基于插值的方法、基于学习的方法与基于重建的方法,进一步比较了各自的优缺点。基于梯度轮廓的超分辨率重建算法在近几年来受到了热议。梯度轮廓考虑到了图像梯度的空间布局,有效地提高了图像的分辨率。另外,图像的自相似性在超分辨率算法中受到了广泛应用。基于对相关算法的研究,本文对基于重建的超分辨率算法进行了改进:结合梯度轮廓先验和非局部自相似先验,构造了新的图像重建框架。首先,本文构造了梯度扩散函数,改善了边缘附近的梯度方向。其次,依据邻域梯度轮廓,本文提出了梯度轮廓锐度优化函数,使得估计的轮廓锐度更精确。在HR图像的重建过程中,为了减少噪声,本文提出了新的非固定搜索方法搜索非局部相似块,然后基于非局部特征相似性构造了新的图像域约束。另外,为了抑制伪影,本文采用梯度轮廓先验作为梯度域约束。本文交替执行梯度域约束和图像域约束,以更有效地对迭代过程进行约束,更好地保证了算法的稳定性。最后,本文设计了一个高通滤波函数,以此得到高分辨率图像的高频部分。仅对高分辨率图像的高频部分执行冲击滤波,进一步增强边缘细节。本文在主观感知与客观量化方面对所提出的方法进行了验证。实验结果表明,本文所提出的方法在获得更清晰的图像的同时,具有更高的PSNR、SSIM、IFC值,较之于以往具有代表性的超分辨率算法有所提高。尤其在边缘、纹理等高频部分,本文的方法可以更好的保留高频信息。(本文来源于《山东大学》期刊2019-05-20）
杨光义,黄奇华,金伟正,李德识[2]（2018）在《基于中央凹视觉的梯度结构相似性图像质量评价》一文中研究指出针对结构相似性(SSIM)指标在评价图像严重失真时存在不准确性,提出了一种基于中央凹视觉的梯度结构相似性的全参考图像质量评价方法 FGSSIM.利用梯度幅度和梯度方向描述图像的结构信息,结合图像亮度和对比度,得到图像的局部质量图.利用人眼视觉的中央凹视觉效应构造中央凹视觉矩阵,以此分配局部质量图的权重,从而提高模型的准确性.实验数据来源于美国Texas大学图像视频工程实验室提供的LIVE数据库.实验结果表明,本文提出的方法是一种有效的图像质量评价方法,评价结果能够准确反映图像质量,并且更加符合人眼主观感受.尤其在图像高度失真的情况下,该方法比广泛使用的SSIM和PSNR更优越.(本文来源于《武汉大学学报(理学版)》期刊2018年06期）
苗莹,易叁莉,贺建峰,邵党国[3]（2015）在《结合梯度信息的特征相似性图像质量评估》一文中研究指出目的图像的边缘信息对于图像质量的评估非常重要。基于底层特征的图像质量评估算法(FSIM),虽然考虑了图像的底层特征,但该算法对边缘信息的识别能力不理想。针对以上问题,将FSIM算法与对边缘信息更敏感的梯度结构相似度(GSSIM)算法相结合得到一种既符合人眼视觉系统特点又能有效识别图像边缘的新的图像质量评估算法(FGSIM)。方法该算法将FSIM算法的相位一致性部分与GSSIM算法的提取图像信息的部分相结合从而得到一种新的图像质量评估算法FGSIM。其中,采用相位一致性表示图像的特征,用于保持评估算法接近人类视觉系统的特点,提取图像信息的部分通过图像的梯度来实现,用于更有效的识别图像边缘。结果分别使用FSIM、GSSIM以及FGSIM算法对不同运动模糊程度、不同高斯模糊程度以及不同高斯噪声的图像进行质量评估,将得到的数据用曲线图表示,从图中可以看出:在运动模糊实验中,随图像模糊程度的增大,FGSIM算法的数值由0.894 3下降到0.344 3,变化更加明显,对运动模糊表现出更好的敏感性;在高斯模糊和高斯噪声实验中,FGSIM算法数值变化的程度虽然不如GSSIM算法好,但相较FSIM算法有一定的提高。FGSIM算法在公共测试图像库中与FSIM、GSSIM算法进行实验比较,FGSIM算法的散点图较FSIM算法稍差些,但与GSSIM算法相比具有非常大的改进,其散点图比GSSIM更为集中。采用较为常用的衡量评估方法性能的指标:皮尔逊相关系数、斯皮尔曼秩相关系数、KROCC和均方根误差对评估算法的性能进行衡量,数据显示,FGSIM算法的性能比GSSIM算法好。结论实验结果表明,FGSIM算法是一种既符合人眼视觉系统特点又能有效识别图像边缘的新的图像质量评估算法,该算法对边缘信息的识别能力更强,对图像质量的变化更加敏感。(本文来源于《中国图象图形学报》期刊2015年06期）
金慧,赵莹,赵伟,尹航,秦立武[4]（2015）在《长白山牛皮杜鹃群落物种多样性的海拔梯度变化及相似性》一文中研究指出采用样地调查法,研究了牛皮杜鹃群落物种组成、群落结构特征、物种多样性及其沿海拔梯度的变化规律,对不同海拔牛皮杜鹃群落进行相似性分析。结果表明:(1)牛皮杜鹃群落相同海拔高度,草本层的物种多样性普遍高于灌木层的物种多样性。自海拔1926—1986m,灌木层α多样性指数先降低后升高,1986m后再次降低,到达海拔2010m处达到最低点,适应高山苔原带特殊生境条件的物种逐渐增多,多样性指数开始回升。海拔2250m,生物多样性指数的变化趋于平缓,物种组成相对较为稳定。海拔2528m以上,生物多样性再次呈降低趋势。草本层的α多样性指数中,物种多样性指数SW、丰富度指数D和均匀度指数R沿海拔梯度的变化趋势大致相同。海拔1986m处时出现最小值,海拔2350m时达最大值。牛皮杜鹃群落α多样性指数间呈P<0.01水平极显着正相关性,物种丰富度指数对群落的物种多样性贡献率最大,表现为丰富度指数(D1、D2)>种间机遇指数(H)>生态优势度指数(SN)>群落均匀度指数(R)。(2)牛皮杜鹃群落β多样性沿海拔梯度基本呈波形变化,草本层β多样性指数普遍高于灌木层β多样性指数。在牛皮杜鹃群落物种沿海拔梯度的替换速率上,草本植物高于灌木物种。Routledge指数的变化趋势不显着。海拔1986m处和海拔2250m处,草本层Cody指数出现两处极值,海拔2250m以上群落灌木层之间差异和变化较小,Whittaker多样性指数和Cody指数逐渐趋于平稳。(3)海拔梯度间生境及群落结构差异性越大,生物多样性变化越明显。海拔高度接近的群落间相似性系数较高,海拔是影响牛皮杜鹃群落差异的主要因素。(本文来源于《生态学报》期刊2015年01期）
项德良,粟毅,赵凌君,唐涛,陆军[5]（2014）在《一种基于局部梯度比率特征度量SAR图像相似性的新方法》一文中研究指出本文针对SAR图像相干斑噪声和图像局部梯度特性,提出一种基于局部梯度比率特征的相似度准则.首先提取SAR图像各个像素的梯度比率特征,进而构建局部梯度比率特征直方图LGRPH,并进一步分析多尺度LGRPH,最后通过计算多尺度LGRPH的K-L距离定义相似度.基于SAR仿真和实测图像的实验结果表明,本文提出的相似度准则对SAR图像上相干斑噪声和局部梯度变化不敏感,能有效应用于SAR图像的目标识别.(本文来源于《电子学报》期刊2014年01期）
郭桂莲[6]（2013）在《基于梯度相似性的图像质量评价》一文中研究指出本文的主要研究内容是基于全参考的图像质量评价算法。图像质量评价算法是指通过对比参考图像与失真图像的差异,最终得出失真图像降质程度的一个过程。得到新的评价算法之后还需通过一定的评价标准来判断新算法是否与主观评价相一致。这是本文研究内容的两个主要部分。现如今社会正处于信息时代,信息在我们的生活和工作中发挥着重要作用。而信息作为一种形式,必然要有其载体,在研究过程中我们通常选择通过具体的载体来获取其所携带的信息。图像恰是信息的一种载体,因此图像的研究也是现如今的重要课题之一图像技术的应用如图像的获取,存储,传输,处理,编码和重建等,在这些处理过程中,图像的质量或多或少都会受到影响,如何准确的评判图像的质量或者图像技术中所用算法的性能也就成为了图像技术处理的核心问题之一。本文恰是以此为目的展开了对图像质量评价算法的研究。本文中提出的新算法通过提取代表图像主要特征的梯度和亮度信息,对比原参考图像最终对图像进行全面评定。然后再对该方法与主观方法进行拟合,通过拟合过程中对参数的调试得到最终的拟合结果来判断是否与主观评价相一致。本文新算法的主要创新点主要体现在：1)通过梯度变化来表示结构变化和对比度的变化；2)对掩蔽信号和被掩蔽信号都较小的情况下仍能获得较好的结果；3)最后对不同特征信息(梯度和亮度)的整合采用了自适应的方法,使结果更精确。(本文来源于《南京理工大学》期刊2013-02-01）
孙登第,卜令斌,赵海峰,罗斌[7]（2012）在《基于梯度相似性与Rényi熵图的图像配准算法》一文中研究指出图像配准技术是图像处理与分析中的基本任务。针对图像配准对鲁棒性强、准确性高和速度快的要求,文中提出一种基于梯度相似性与Rényi熵图的图像配准算法。该算法首先提取图像特征点集,以Rényi互信息作为目标函数,然后使用特征点集的广义近邻图来估计Rényi熵与互信息,最后将特征点梯度信息融入到配准框架中。新算法结合了特征点梯度信息的鲁棒性和Rényi熵图理论的高效性。在真实遥感图像上进行的配准的实验表明,与传统方法相比,新算法在鲁棒性、速度和准确度上都达到很好的结果,是一种有效的图像配准方法。(本文来源于《计算机技术与发展》期刊2012年12期）
李迅波,蒋东升,王振林[8]（2012）在《梯度相似性的椒盐图像加权中值滤波算法》一文中研究指出在对现有椒盐噪声中值滤波算法分析的基础上,提出了基于梯度相似性的椒盐噪声图像加权中值滤波算法。利用灰度图像窗口内各个像素点灰度值的差异,将含有椒盐噪声的图像分为疑似噪声点和信号点,然后利用窗口像素点的梯度相似性对疑似噪声点进行分析,并运用图像极值剪切技术去除噪声点像素的干扰。采用舍弃方差极大值的改进加权中值滤波算法给噪声点赋值。实验表明,该算法对图像的细节保留能力和滤波能力有较大的提高,能取得较好的峰值信噪比。(本文来源于《电子科技大学学报》期刊2012年01期）
陈伟卿,欧宗瑛,李冠华,韩军,赵德伟[9]（2009）在《基于互信息与梯度相似性相结合的医学图像配准方法》一文中研究指出针对传统互信息配准方法未利用图像空间信息的缺点,提出一种将互信息与梯度相似性结合的医学图像配准方法.待配准图像的每组对应点的梯度相似性包括方向相似性和模值相似性.待配准图像整体梯度相似性系数由各对应点对的梯度相似性之和决定,该系数与传统互信息的乘积作为图像配准的测度.利用2D多模图像分别进行平移、旋转、采样,得到配准函数曲线,并给出具体的配准实例.实验结果表明,该方法比传统互信息有更高的鲁棒性和精度.(本文来源于《大连理工大学学报》期刊2009年03期）
陈伟卿,李冠华,欧宗瑛,韩军[10]（2008）在《基于灰度互信息和梯度相似性的医学图像配准及其加速处理》一文中研究指出研究基于归一化互信息的医学图像刚性配准算法,提出改进配准速度和改善配准精度的相应措施.配准处理包含3项主要计算处理,即空间变换、互信息计算以及优化搜索.针对不同计算处理分别研究了相应加速策略,提高其计算速度,实现叁维体数据的快速配准.并且,针对传统基于互信息测度配准方法未利用图像灰度空间分布信息,提出将灰度变化梯度相似性与互信息相结合的配准方法,从而进一步提高了配准算法的精度和鲁棒性.实验结果表明了算法的有效性.(本文来源于《智能系统学报》期刊2008年06期）
梯度相似性论文开题报告
（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：
针对结构相似性(SSIM)指标在评价图像严重失真时存在不准确性,提出了一种基于中央凹视觉的梯度结构相似性的全参考图像质量评价方法 FGSSIM.利用梯度幅度和梯度方向描述图像的结构信息,结合图像亮度和对比度,得到图像的局部质量图.利用人眼视觉的中央凹视觉效应构造中央凹视觉矩阵,以此分配局部质量图的权重,从而提高模型的准确性.实验数据来源于美国Texas大学图像视频工程实验室提供的LIVE数据库.实验结果表明,本文提出的方法是一种有效的图像质量评价方法,评价结果能够准确反映图像质量,并且更加符合人眼主观感受.尤其在图像高度失真的情况下,该方法比广泛使用的SSIM和PSNR更优越.
（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。
梯度相似性论文参考文献
[1].房琰.基于梯度轮廓和非局部自相似性的单幅图像超分辨率方法研究[D].山东大学.2019
[2].杨光义,黄奇华,金伟正,李德识.基于中央凹视觉的梯度结构相似性图像质量评价[J].武汉大学学报(理学版).2018
[3].苗莹,易叁莉,贺建峰,邵党国.结合梯度信息的特征相似性图像质量评估[J].中国图象图形学报.2015
[4].金慧,赵莹,赵伟,尹航,秦立武.长白山牛皮杜鹃群落物种多样性的海拔梯度变化及相似性[J].生态学报.2015
[5].项德良,粟毅,赵凌君,唐涛,陆军.一种基于局部梯度比率特征度量SAR图像相似性的新方法[J].电子学报.2014
[6].郭桂莲.基于梯度相似性的图像质量评价[D].南京理工大学.2013
[7].孙登第,卜令斌,赵海峰,罗斌.基于梯度相似性与Rényi熵图的图像配准算法[J].计算机技术与发展.2012
[8].李迅波,蒋东升,王振林.梯度相似性的椒盐图像加权中值滤波算法[J].电子科技大学学报.2012
[9].陈伟卿,欧宗瑛,李冠华,韩军,赵德伟.基于互信息与梯度相似性相结合的医学图像配准方法[J].大连理工大学学报.2009
[10].陈伟卿,李冠华,欧宗瑛,韩军.基于灰度互信息和梯度相似性的医学图像配准及其加速处理[J].智能系统学报.2008