导读:本文包含了低阶视觉论文开题报告文献综述及选题提纲参考文献，主要关键词:图像质量评价,多通道视觉梯度,低阶矩,自适应融合
低阶视觉论文文献综述
丰明坤,赵生妹,施祥[1]（2015）在《视觉多通道梯度与低阶矩自适应图像评价》一文中研究指出针对现有图像梯度特征质量评价方法的不足,充分考虑人类视觉系统(HVS)特性,提出了一种基于HVS多通道梯度和低阶矩联合(MGLJA)方法。MGLJA基于log-Gabor滤波器提取图像的多通道视觉特征并予以阈值稀疏化处理;然后以梯度相似度算法和低阶矩失真度算法分别评价各通道视觉特征的能量特征和结构特征;在评价融合阶段,MGLJA首先依据视觉中央凹空域加权局部评价,其次依据对比度函数频域加权各通道评价;最后,通过一步快速回归算法自适应地融合梯度评价和低阶矩评价得到待测图像的质量评价。不同类型和水平失真图像的实验结果表明,MGLJA方法的斯皮尔曼原始排序相关系数、回归曲线的相关系数及均方根误差等评价指标均优于PSNR类传统方法,与特征结构相似度(FSIM)及视觉显着(VSI)等新方法相比整体性能上也有较大优势,且评价实时性也明显优于FSIM方法。(本文来源于《仪器仪表学报》期刊2015年11期）
马林[2]（2008）在《基于学习的低阶视觉问题研究》一文中研究指出近年来,计算机视觉方面的研究越来越受到计算机科学家们的重视,尤其是低阶视觉问题的一些基本问题,例如:图像的超分辨率,图像的重构,消除噪声等。同样在现实生活中,低阶视觉在天文学、遥感图像、医疗图像,网络应用等领域获得了广泛的应用。本文主要讨论了低阶视觉中的两个重要问题:图像的超分辨率与面向压缩图像的图像重建研究。这两种方法目的都是为观察者提供高分辨率,高质量的图像。因此,它涉及的是低阶视觉问题,而不包括图像内容与信息的理解与分析。如今,机器学习的方法,为很多传统的问题提供了解决思路。因此,使用基于学习的方法来解决计算机视觉的问题,成为了众多科学家的研究热点。在本文中,我们也是利用基于学习的方法对低阶视觉中的两个经典问题进行研究。(1)基于学习图像超分辨率研究我们分析了传统的图像超分辨率技术的主要方法与所存在的问题。基于学习的方法,通常会引入一些不规则的噪声点到重构的高分辨率图像中。因此,我们提出了叁层的网络模型来解决这个问题。首先,利用基于主要框架先验知识的图像超分辨率技术生成一个粗糙的高频图像;然后,这个粗糙的高频图像通过图像增强技术后,来加强其边缘信息的一致性与连续性;最后我们通过一个马尔科夫网络来进一步更新产生的增强后的高频图像。并且基于提出的模型,我们给出了多阶段的图像超分辨率的框架。实验结果进一步表明我们的方法可以重构出较高质量的高分辨率图像。(2)面向压缩图像的基于学习的图像重建研究我们提出了一个新的面向压缩图像的重建框架。利用先前从自然图像中所学到的先验知识,来压制压缩图像中的噪声进而重构出图像被量化截去的高频组成部分。首先,通过去块效应滤波去除图像中的块效应;然后,图像本质块之间的连续性通过估计高频图像的组成部分进行增强;最终,我们假设增强后的图像本质块与原始的高频图像本质块形成一个具有同样几何特性的流体。临近嵌入算法用于重构最终的高频图像。实验结果表明,我们的方法无论在主观或者客观效果上,都能够产生高质量的图像。(本文来源于《哈尔滨工业大学》期刊2008-06-01）
低阶视觉论文开题报告
（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：
近年来,计算机视觉方面的研究越来越受到计算机科学家们的重视,尤其是低阶视觉问题的一些基本问题,例如:图像的超分辨率,图像的重构,消除噪声等。同样在现实生活中,低阶视觉在天文学、遥感图像、医疗图像,网络应用等领域获得了广泛的应用。本文主要讨论了低阶视觉中的两个重要问题:图像的超分辨率与面向压缩图像的图像重建研究。这两种方法目的都是为观察者提供高分辨率,高质量的图像。因此,它涉及的是低阶视觉问题,而不包括图像内容与信息的理解与分析。如今,机器学习的方法,为很多传统的问题提供了解决思路。因此,使用基于学习的方法来解决计算机视觉的问题,成为了众多科学家的研究热点。在本文中,我们也是利用基于学习的方法对低阶视觉中的两个经典问题进行研究。(1)基于学习图像超分辨率研究我们分析了传统的图像超分辨率技术的主要方法与所存在的问题。基于学习的方法,通常会引入一些不规则的噪声点到重构的高分辨率图像中。因此,我们提出了叁层的网络模型来解决这个问题。首先,利用基于主要框架先验知识的图像超分辨率技术生成一个粗糙的高频图像;然后,这个粗糙的高频图像通过图像增强技术后,来加强其边缘信息的一致性与连续性;最后我们通过一个马尔科夫网络来进一步更新产生的增强后的高频图像。并且基于提出的模型,我们给出了多阶段的图像超分辨率的框架。实验结果进一步表明我们的方法可以重构出较高质量的高分辨率图像。(2)面向压缩图像的基于学习的图像重建研究我们提出了一个新的面向压缩图像的重建框架。利用先前从自然图像中所学到的先验知识,来压制压缩图像中的噪声进而重构出图像被量化截去的高频组成部分。首先,通过去块效应滤波去除图像中的块效应;然后,图像本质块之间的连续性通过估计高频图像的组成部分进行增强;最终,我们假设增强后的图像本质块与原始的高频图像本质块形成一个具有同样几何特性的流体。临近嵌入算法用于重构最终的高频图像。实验结果表明,我们的方法无论在主观或者客观效果上,都能够产生高质量的图像。
（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。
低阶视觉论文参考文献
[1].丰明坤,赵生妹,施祥.视觉多通道梯度与低阶矩自适应图像评价[J].仪器仪表学报.2015
[2].马林.基于学习的低阶视觉问题研究[D].哈尔滨工业大学.2008