导读:本文包含了图像超分辨率重建论文开题报告文献综述及选题提纲参考文献，主要关键词:图像匹配,超分辨率重建,回归学习,特征点数量
图像超分辨率重建论文文献综述
武玉坤,陈沅涛[1]（2019）在《应用超分辨率重建算法的图像匹配算法》一文中研究指出图像场景中提取特征数量较少,难以满足叁维重建对特征匹配的要求,为此提出基于超分辨率重建的特征提取算法。采用回归学习对低分辨率图像进行重建,对重建结果采用图像先验知识优化,获取较高分辨率图像,对高分辨率图像进行特征提取。实验结果表明,相较重建前图像平均提高6倍以上特征点数量,提高5倍以上匹配点数量,该算法能够提高提取特征点的数目,满足叁维重建等需要较多特征点的情况。(本文来源于《计算机工程与设计》期刊2019年12期）
杜玉萍,刘严严[2]（2019）在《基于POCS的微扫描超分辨率图像重建算法研究》一文中研究指出超分辨率重建,就是从单帧或者序列低分辨率图像中,估计出接近原始高分辨率图像的过程。首先介绍了微扫描超分技术原理,给出了四幅通过微扫描超分相机拍摄的低分辨率图像,之后介绍了基于序列图像重建的超分辨率重建算法POCS(凸集投影法,projections onto convex set,简称POCS),给出了算法的重构图像及细节对比。(本文来源于《光电技术应用》期刊2019年06期）
李昂,宋晓莹[3]（2019）在《基于生成对抗网络的遥感图像超分辨率重建》一文中研究指出生成对抗网络模型可以用来生成服从原始真实图像分布规律的高频细节信息。为了进一步提高重建图像的视觉质量,对生成对抗网络的生成网络、判别网络及感知损失叁个方面进行了改进。首先移除了生成网络中的BN层,同时在残差块中采用密集连接的方式,增加网络模型的容量,降低了计算复杂性,增强了网络训练的稳定性。然后采用迁移学习技术来促进深度模型的训练,解决了遥感数据不足的问题。实验结果表明提出的算法通过对遥感图像超分辨率重建算法进行改进,可以获得更好的主观视觉效果,PSNR和SSIM均有显着提高。(本文来源于《光学与光电技术》期刊2019年06期）
徐亮,符冉迪,金炜,唐彪,王尚丽[4]（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）
沈明玉,俞鹏飞,汪荣贵,杨娟,薛丽霞[5]（2019）在《多路径递归网络结构的单帧图像超分辨率重建》一文中研究指出卷积神经网络在单帧图像超分辨率重建任务中取得了巨大成功,但是其重建模型多是基于单链结构,层间联系较弱且不能充分利用网络提取的分层特征。针对这些问题,本文设计了一种多路径递归的网络结构(MRCN)。通过使用多路径结构来加强层之间的联系,实现特征的有效利用并且提取丰富的高频成分,同时使用递归结构降低训练难度。此外,通过引入特征融合的操作使得在重建的过程中可以充分利用各层提取的特征,并且自适应的选择有效特征。在常用的基准测试集上进行了大量实验表明,MRCN比现有的方法在重建效果上具有明显提升。(本文来源于《光电工程》期刊2019年11期）
陈文静,唐轶[6]（2019）在《基于深度学习的图像超分辨率重建方法综述》一文中研究指出图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显着的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.(本文来源于《云南民族大学学报(自然科学版)》期刊2019年06期）
谢堂鑫,杨欣,朱松岩,周大可,朱晨[7]（2019）在《基于Dirac残差模块的单幅图像超分辨率重建》一文中研究指出针对单幅图像超分辨率重建问题(SISR),提出了一种新的基于Dirac残差的超分辨率重建算法.算法使用全局跳跃重建层来直接利用输入LR图像的低频特征,通过多个dirac残差块来自适应学习输入LR图像的高频特征,通过亚像素卷积进行图像重建.算法通过权重参数化来改进残差层,同时使用输入图像的卷积特征与残差网络学习特征结合进行重建.实验采用Adam优化器进行网络训练.使用L1范数作为损失函数.在PSNR、SSIM和视觉效果与其他先进算法进行对比,实验结果表明,在常用测试集上与其他深度学习算法相比有较大提高.(本文来源于《云南民族大学学报(自然科学版)》期刊2019年06期）
何一凡,林熠珉,林佳敏,杜晓凤[8]（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）
成云凤,汪伟[9]（2019）在《基于医学图像的超分辨率重建算法综述》一文中研究指出随着临床对医学图像高分辨率的要求,基于低分辨率医学图像的超分辨率重建算法已成为研究热点,该类方法在不需要改进硬件设备的情况下,可以显着提高图像分辨率,因此对其进行综述具有重要意义。针对医学图像领域中特有的超分辨率重建算法,首先分析了该类算法的研究现状,并将其分为叁类:基于插值的超分辨率重建、基于重构的超分辨率重建和基于学习的超分辨率重建。同时,基于MR图像、CT图像、超声图像等细分医学图像领域,深入分析了超分辨率重建算法的研究进展,并对不同类型的算法进行了归纳总结和比对分析。其次,对超分辨率重建算法所对应的评价标准也进行了介绍。最后,展望了超分辨率重建技术在医学图像领域的发展趋势。当前应用于医学图像领域的超分辨重建算法已经发展到一定水平,逐步突破基于单一方法的研究形式,通过与机器学习和稀疏表示等理论的深度融合,形成了更高效的算法。(本文来源于《北京生物医学工程》期刊2019年05期）
王丹,陈亮[10]（2019）在《基于深度学习的红外夜视图像超分辨率重建》一文中研究指出针对红外夜视图像对比度低、成像质量不高的问题,提出适合红外夜视图像超分辨率重建方法。在自然图像超分辨率重建模型的基础上增加基于Retinex的对比度增强预处理步骤,并对网络模型做如下改进:构建超深卷积神经网络学习低分辨率图像与高分辨率图像之间的映射关系,增大感受野,提升网络学习能力;仅学习高低分辨率图像间的差值信息加速网络收敛。针对高分辨率红外夜视图像不易获得,数据量较少的问题,利用迁移学习理论,使用少量的高分辨率红外夜视图像为目标样本,对自然图像超分辨率重建模型进行微调,得到适合红外夜视图像重建的网络权重模型。实验结果证明:使用该方法得到的红外夜视图像信息丰富,层次分明,具有良好的视觉效果。(本文来源于《红外技术》期刊2019年10期）
图像超分辨率重建论文开题报告
（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：
超分辨率重建,就是从单帧或者序列低分辨率图像中,估计出接近原始高分辨率图像的过程。首先介绍了微扫描超分技术原理,给出了四幅通过微扫描超分相机拍摄的低分辨率图像,之后介绍了基于序列图像重建的超分辨率重建算法POCS(凸集投影法,projections onto convex set,简称POCS),给出了算法的重构图像及细节对比。
（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。
图像超分辨率重建论文参考文献
[1].武玉坤,陈沅涛.应用超分辨率重建算法的图像匹配算法[J].计算机工程与设计.2019
[2].杜玉萍,刘严严.基于POCS的微扫描超分辨率图像重建算法研究[J].光电技术应用.2019
[3].李昂,宋晓莹.基于生成对抗网络的遥感图像超分辨率重建[J].光学与光电技术.2019
[4].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
[5].沈明玉,俞鹏飞,汪荣贵,杨娟,薛丽霞.多路径递归网络结构的单帧图像超分辨率重建[J].光电工程.2019
[6].陈文静,唐轶.基于深度学习的图像超分辨率重建方法综述[J].云南民族大学学报(自然科学版).2019
[7].谢堂鑫,杨欣,朱松岩,周大可,朱晨.基于Dirac残差模块的单幅图像超分辨率重建[J].云南民族大学学报(自然科学版).2019
[8].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
[9].成云凤,汪伟.基于医学图像的超分辨率重建算法综述[J].北京生物医学工程.2019
[10].王丹,陈亮.基于深度学习的红外夜视图像超分辨率重建[J].红外技术.2019