导读:本文包含了方向性分辨率论文开题报告文献综述及选题提纲参考文献，主要关键词:超分辨率重建,广义方向性全变分,优化算法,正则约束
方向性分辨率论文文献综述
伍政华,孙明健,顾宗山,范明意[1]（2017）在《基于二阶广义方向性全变分的图像超分辨率重建方法》一文中研究指出超分辨率图像重建是增强那些低成本成像传感器系统图像分辨率的有效措施.得益于先验知识的学习,低分辨率图像可有效地被超分辨率增强.针对带有明显边缘结构的图像,现有方法没有有效利用高阶信息从而会出现一些光滑的图像细节.本文针对这种特殊的图像结构,研究一种基于二阶广义方向性全变分的重建方法来挖掘那些隐含的高阶可利用信息.二阶广义方向性全变分不仅可以作为先验知识,还能作为稀疏正则项抑制伪影和噪声.实验结果表明,本文方法可有效超分辨率重建结构边缘图像,并可获得高分辨率图像细节和纹理特征.(本文来源于《电子学报》期刊2017年11期）
沈晓丽,王永华,胡旭君[2]（2012）在《噪声环境下自适应方向性与全向性麦克风助听模式对言语分辨率的影响》一文中研究指出目的比较噪声环境下自适应方向性麦克风与全向性麦克风助听模式对听力损失患者言语识别率的影响。方法 20例双耳对称性感音神经性听力损失患者(男9例,女11例)均单耳佩戴助听器(Resound Canta 780-D),佩戴并适应6个月以上,随机分为两组,每组10例,A组先将助听器麦克风模式切换至全向性,适应2周后测试其在噪声环境下的言语识别率,并完成助听器效果评估表(the abbreviated profile of hearing aid benefit,APHAB)及麦克风效果问卷(microphone performance questionnaire,MPQ);再将麦克风模式切换至自适应方向性,适应2周后重复以上测试。B组麦克风模式切换顺序先为自适应方向性,再为全向性,测试方法同A组。结果声场评估示,噪声环境下,患者使用自适应方向性麦克风助听模式的言语识别率(73.20%±20.69%)高于全向性麦克风模式(64.00%±18.76%),差异有显着统计学意义(P<0.001)。APHAB评估结果显示在有背景噪声、回声、厌恶声存在的环境下,受试者使用自适应方向性麦克风助听模式能更好地提高言语交流能力。MPQ问卷表评估结果显示,除第六类场景(信号来源于听者正前方、无噪声、低混响)外,受试者在其余九类交流场景时使用自适应方向性麦克风助听模式的言语识别率均优于全向性模式。结论噪声环境下自适应方向性麦克风助听模式可显着提高患者的言语识别率。(本文来源于《听力学及言语疾病杂志》期刊2012年06期）
王晓艳[3]（2011）在《基于方向性多分辨率分析的遥感影像融合算法研究》一文中研究指出目前,大多数地球遥感卫星,都能提供高空间分辨率的全色波段影像与低空间分辨率的多光谱影像。图像融合技术可以将全色波段影像的高空间分辨率信息和多光谱影像的光谱信息相结合,获得一幅具有较高空间分辨率的多光谱影像,更好地应用于地物识别、土地利用现状调查等遥感应用中。本论文主要研究基于方向性多分辨率分析的遥感影像融合算法。融合过程中,分别采用离散小波变换、小波包变换、Contourlet变换、基于小波变换的Contourlet变换(Wavelet Based Contourlet Transform,WBCT)、非下采样的Contourlet变换(Non-Sampling Contourlet Transform,NSCT)等方向性多分辨率分析工具对源图像进行分解,按照不同的融合规则进行融合系数的选取,并对各融合结果进行了客观的评价。本论文的主要工作及创新之处如下：(1)对比分析了在传统的基于小波变换的融合算法以及IHS与小波变换相结合的融合算法中,不同的小波函数或不同的小波分解层数对融合结果的影响。分别采用SPOT全色和多光谱影像、ALOS全色和多光谱影像、SPOT全色和TM多光谱影像进行传统的基于小波变换的融合实验。结果表明,在基于小波变换的融合算法中,分解层数应以2-3层为宜,小波函数的选取对融合结果无显着的影响。采用同样的方法进行了IHS与小波变换相结合的融合实验,得出了相同的结论。(2)对比分析了采用相同的小波函数并进行相同层次的小波分解时,以上两种融合算法的融合效果。结果表明,IHS与小波变换相结合的融合结果与原始多光谱影像的光谱偏差要远小于传统的基于小波变换的融合,而二者信息熵基本一致。(3)提出了一种IHS与小波包变换相结合的融合算法,并将其与IHS与小波变换相结合的融合算法进行比较。实验结果表明,相对于IHS与小波变换相结合的融合算法,该算法可以使融合结果影像与原始多光谱影像的光谱偏差减少,相关系数和结构相似度提高,但空间信息会略有损失。(4)首次将结构相似度(SSIM)用于表征影像的区域特征,提出了一种基于结构相似度的IHS与小波变换相结合的融合算法,通过判断原始多光谱影像与全色波段影像的结构相似度来确定二者对融合影像的贡献。实验结果表明,该算法可以使融合影像在提高影像分辨率的同时很好地保持影像的光谱特征。(5)进行了IHS与contourlet变换相结合的融合中的最优的金字塔滤波器和方向滤波器组合的选取。实验结果表明,采用“5-3”金字塔滤波器和“pkva8”方向滤波器可以取得最优的融合效果。(6)对各种基于方向性多分辨率分析的融合结果进行了对比分析。结果表明基于contourlet及其拓展形式的变换的融合影像比基于小波变换的融合影像拥有更高的空间分辨率,影像中的道路等线性地物边界清晰,有效地改善了基于小波变换的融合影像中的块状现象。(7)针对目前的融合算法大多是对单个像元进行处理,很少考虑其邻域特征的问题,提出了一种基于区域特征的IHS与WBCT相结合的融合算法,通过比较源影像像高频系数的标准偏差来确定融合影像的高频,通过比较源影像低频系数的能量匹配度来确定融合影像的低频。实验结果表明,该算法在提高融合影像空间分辨率的同时,能有效地保持影像的光谱特性。(本文来源于《兰州大学》期刊2011-11-01）
韩志伟,刘志刚,赵飞[4]（2011）在《基于放大曲波基的方向性超分辨率图像重构技术》一文中研究指出为解决传统图像放大算法边界视觉效果不佳的问题,提出基于二代曲波变换的方向性超分辨率图像重构算法.对图像进行j层曲波分解,利用不同尺度上曲波基的空间比例关系获得放大图像j层分解系数,通过最外层曲波基空间模型可构建(j+1)层放大图像的曲波分解系数,采用新的非线性函数对全部曲波系数进行增强处理,根据曲波分解的方向性,最终可通过曲波重构获得边缘特征较好的放大图像.实验结果表明,基于曲波方向性图像放大算法,可以较好地保留原图的几何特征,增强边缘清晰度;将两幅典型图像放大后的峰值信噪比与经典方法(差值算法)比较分别提升了2.2及0.6 dB.(本文来源于《西南交通大学学报》期刊2011年04期）
张久文[5]（2009）在《方向性多分辨率图像分析研究：理论和应用》一文中研究指出本论文研究方向性多分辨率分析和神经网络PCNN在图像分析中的应用。有关方向性多分辨率分析的研究一直是信号处理的重点内容。有许多在多分辨率分析框架下提取信号方向性信息的方法，这些方法都试图提供高维信号的方向性表达，附加地还必须满足理想重构，低冗余度，高计算效率等性质。DTCWT、Contourlets、NSCT、PDTDFB等变换是目前流行的方向性多分辨率分析方法，但它们都有各自结构性的缺陷。神经网络PCNN是优异的图像分析工具，是一种具有旋转不变、尺度不变、平移不变等特点的图像变换方法。PCNN可以提供对原图像在不同尺度下的逼近序列，因而具有多分辨率分析的性质。与小波和多尺度分析不同，PCNN直接检测边缘信息，这些边缘信息可用于特征提取、图像分割、目标识别、除噪和增强等应用。本论文的主要内容和贡献如下：1、基于解析信号复小波变换的思想，提出了基于解析信号的P-Contourlet变换，通过在原始信号的解析信号上实施Contourlet变换，实现了一种平移不变的方向性多分辨率方法，变换具有相信息。根据方向性分辨率的不同，我们将该方法分为单通道方法P-Contourlet-Ⅰ和双通道方法P-Contourlet-Ⅱ。P-Contourlet实现结构简单，冗余度较低。纹理分类实验结果表明，P-Contourlet是一种非常有效的图像分析工具。2、基于对偶树复小波的思想，提出对偶树Contourlet变换DTCT。我们研究PDTDFB的结构和实现方法，认知到它在滤波器设计和系统实现上存在一些问题，所以我们提出一种易于实现的结构DTCT。两个级联的DFBs树形结构对拉普拉斯金字塔的高通子带进行方向性分解，单独的每个树形结构构造为正交系统，实树和虚树对应的滤波器之间满足一定的相约束条件，整个变换为紧框架。我们分析了DTCT的系统结构和滤波器特性，并提出了系统所需要的滤波器设计方法。DTCT实现了近似的平移不变性，方向性分辨率和PDTDFB相同，由于是双树结构，变换具有相信息。与PDTDFB相比，具有结构上的简单性和实现的有效性。3、提出了一种基于二值傅里叶谱的纹理预分类算法，将纹理库中的图像分为结构纹理和随机纹理。实验表明，对结构纹理，利用方向性分解来分析，可实质性地提高检索率。4、基于滤波器组的图像分析方法(小波、Contourlets及基于DFBs的方法等)对图像的旋转和尺度的变换非常敏感，我们提出了一种基于PCNN的图像检索方法，图像特征具有旋转不变、尺度不变和抗噪声的特点。实验表明该方法是有效的。(本文来源于《兰州大学》期刊2009-05-01）
肖美恒[6]（2009）在《方向性多分辨率图像处理算法研究》一文中研究指出Contourlets是由抽样的拉普拉斯金字塔(Laplacian Pyramid,LP)滤波器和抽样的方向性滤波器组成的小波变换。它具有多分辨率多尺度的优点,冗余度为4/3,且计算快速,但不具有平移不变性。非抽样Contourlet(NSCT)是由非抽样的拉普拉斯金字塔滤波器和非抽样的方向性滤波器组成的,它不仅具有多分辨率、多尺度的优点,而且具有平移不变性,但冗余度太大,计算速度慢。Surfacelet变换是一种真正意义上的方向性叁维小波变换。Surfacelets可以对多维信号进行多尺度多方向性分解,相对于小波而言,具有更好的子带稀疏性。本文主要有两个方面的创新:一是提出了解析信号Contourlet(Analytic Signal Contourlet)变换并将其算法应用在纹理分析上。解析信号Contourlet变换是由抑制图像负频率(正频率)的滤波器和Contourlet变换组成的,其主要思想是减小Contourlet变换的混频现象。实验表明解析信号Contourlet变换能很好地抑制图像负频率(正频率)成分,得到更好的方向性,且图像检索率比文献[32]高四个百分点,在计算速度和检索正确率上也优于非抽样Contourlet方法。二是利用Surfacelet变换良好的方向性分解特性,提出了一种基于Surfacelet变换的视频水印算法。对比实验表明,本算法在抗高斯噪声、MPEG攻击方面具有更好的鲁棒性。(本文来源于《兰州大学》期刊2009-04-01）
夏君君[7]（2006）在《多分辨率多方向性变换在图像处理中的应用》一文中研究指出多尺度几何分析是近年来迅速发展的一个研究热点，其目的是通过对高维数据内在几何结构的高效逼近和描述，获得灵活、快速、有效的高维信号处理算法。二维多尺度几何分析中的ridgelet，curvelet和contourlet代表了一类具有多分辨性、时频局域性、方向性和各向异性的固定基函数性质的新的变换工具。本文主要研究了这叁个代表性分析工具：ridgelet，curvelet和contourlet变换。 本文的主要研究内容和成果如下： 1．介绍了连续ridgelet和curvelet变换的基本概念。详细研究离散ridgelet算法中的一种finite ridgelet。介绍了该算法的原理，实现方法和性质。而后详细介绍了经典的curvelet离散算法——基于FFT的curvelet离散算法。 2．改进finite ridgelet算法。finite ridgelet只适用于图像尺寸为P×P(P为素数)的图像，这一点限制了它的应用范围。本文将finite ridgelet的算法进行改进，提出了一种可以适用于图像大小为N×N(N=2~k，k∈Z)的离散ridgelet算法。该算法不仅推广了finite ridgelet的适用范围，而且简化了finite ridgelet的算法过程。后将改进的算法应用到curvelet变换中去，得到了低冗余度的curvelet离散算法。通过实验比较得知：该算法去噪效果虽然比不上基于FFT的curvelet算法，但该算法优于小波变换，且其算法简单，冗余度较低，也不失为curvelet变换的一种有效离散实现方法。 3．详细研究了contourlet变换的原理，实现方法和基本性质。指出了由于contourlet变换中存在着下采样而导致contourlet变换缺少平移不变性和频谱泄漏等问题。后介绍了新近提出的完全不采样contourlet变换。简要介绍了(本文来源于《中国科学技术大学》期刊2006-09-01）
覃家美,周瑞霞,廖孟扬[8]（1991）在《用多分辨率图象锥提取纹理方向性测度特征检测纹理边缘》一文中研究指出本文利用计算机模仿人的视觉特性,在多分辨率图象数据结构上对复杂的图象纹理进行分析,解决了通常纹理分析方法中所存在的一些问题。作者利用多分辨图象锥提取纹理的方向性测度特征,利用它进行纹理的边缘检测。理论及实验证明,此方法具有简单、实用、精确度高等优点。(本文来源于《武汉大学学报(自然科学版)》期刊1991年02期）
方向性分辨率论文开题报告
（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：
目的比较噪声环境下自适应方向性麦克风与全向性麦克风助听模式对听力损失患者言语识别率的影响。方法 20例双耳对称性感音神经性听力损失患者(男9例,女11例)均单耳佩戴助听器(Resound Canta 780-D),佩戴并适应6个月以上,随机分为两组,每组10例,A组先将助听器麦克风模式切换至全向性,适应2周后测试其在噪声环境下的言语识别率,并完成助听器效果评估表(the abbreviated profile of hearing aid benefit,APHAB)及麦克风效果问卷(microphone performance questionnaire,MPQ);再将麦克风模式切换至自适应方向性,适应2周后重复以上测试。B组麦克风模式切换顺序先为自适应方向性,再为全向性,测试方法同A组。结果声场评估示,噪声环境下,患者使用自适应方向性麦克风助听模式的言语识别率(73.20%±20.69%)高于全向性麦克风模式(64.00%±18.76%),差异有显着统计学意义(P<0.001)。APHAB评估结果显示在有背景噪声、回声、厌恶声存在的环境下,受试者使用自适应方向性麦克风助听模式能更好地提高言语交流能力。MPQ问卷表评估结果显示,除第六类场景(信号来源于听者正前方、无噪声、低混响)外,受试者在其余九类交流场景时使用自适应方向性麦克风助听模式的言语识别率均优于全向性模式。结论噪声环境下自适应方向性麦克风助听模式可显着提高患者的言语识别率。
（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。
方向性分辨率论文参考文献
[1].伍政华,孙明健,顾宗山,范明意.基于二阶广义方向性全变分的图像超分辨率重建方法[J].电子学报.2017
[2].沈晓丽,王永华,胡旭君.噪声环境下自适应方向性与全向性麦克风助听模式对言语分辨率的影响[J].听力学及言语疾病杂志.2012
[3].王晓艳.基于方向性多分辨率分析的遥感影像融合算法研究[D].兰州大学.2011
[4].韩志伟,刘志刚,赵飞.基于放大曲波基的方向性超分辨率图像重构技术[J].西南交通大学学报.2011
[5].张久文.方向性多分辨率图像分析研究：理论和应用[D].兰州大学.2009
[6].肖美恒.方向性多分辨率图像处理算法研究[D].兰州大学.2009
[7].夏君君.多分辨率多方向性变换在图像处理中的应用[D].中国科学技术大学.2006
[8].覃家美,周瑞霞,廖孟扬.用多分辨率图象锥提取纹理方向性测度特征检测纹理边缘[J].武汉大学学报(自然科学版).1991