导读:本文包含了边缘插值论文开题报告文献综述及选题提纲参考文献，主要关键词:动态阈值,边缘区域,自适应插值,边缘细节
边缘插值论文文献综述
王震,寇宏玉,杜进楷,陈世国[1]（2019）在《一种新的边缘图像插值算法》一文中研究指出为了解决传统插值方法造成图像模糊、锯齿以及边缘细节信息缺失的问题,提出了一种新的边缘图像插值算法。该算法通过待插值像素点周围低分辨率像素之间位置和方向的特征计算其标准差并将其作为局部动态阈值,以此作为划分图像区域的比较阈值,将图像划分非边缘区域和边缘区域;然后对非边缘区域进行双线性插值,边缘区域进行自适应插值。实验结果表明,与传统的插值方法相比,该插值方法较好的保持了图像边缘细节信息,且具有较好的视觉效果。(本文来源于《贵州师范大学学报(自然科学版)》期刊2019年02期）
王震,杜进楷,寇宏玉,陈世国[2]（2019）在《基于Otsu阈值分割的边缘快速图像插值算法》一文中研究指出为了满足视频监控、目标检测与识别过程中较高图像质量和较低算法复杂度要求,以及改善传统图像插值中细节模糊和边缘锯齿效应,文中提出一种基于Otsu阈值分割的边缘快速图像插值算法。利用Otsu算法,根据目标区域和背景区域的类方差最大,确定分割阈值,对非边缘区域进行双线性插值,边缘区域利用与待插值点周围6个或8个相邻降采样像素局部结构的多方向特点,自适应估计高分辨率像素值。实验表明,该算法运算复杂度低,很好保持了图像的边缘,获得了视觉质量较好的高分辨率图像。(本文来源于《现代电子技术》期刊2019年02期）
吴世豪[3]（2019）在《图像边缘指导插值算法硬件实现》一文中研究指出图像超分辨率重建技术将成像设备获得的低分辨率图像重建为包含更多细节信息的高分辨率图像,对提升图像质量具有重要意义。随着移动设备的普及和对图像质量要求的提高,图像超分辨率算法需要在硬件平台进行优化并移植,基于插值的算法思路简单、计算量较低,比较适合移植到硬件平台。本文针对边缘指导插值算法的计算过程进行分析,针对边缘指导插值算法中输入矩阵相乘过程涉及的大量乘法运算,使用寄存器缓存前两组矩阵乘法中部分乘法结果以避免重复的乘法计算,降低了 2/3乘法运算量;针对边缘指导插值算法中复杂的矩阵求逆运算,提出使用Cholesky分解算法对其进行简化,与采用LU分解算法相比减少了近一半的乘法计算量和存储空间。本文针对Cholesky分解求逆过程进行分析,提出了 一种基于二次放大初值的优化Goldschmidt算法以设计定点数除法器用于加速矩阵分解过程中的除法运算:首先采用移位的方式对除法器初值进行一次缩放,然后采用分段线性拟合的方式对其进行二次放大,再经过两次迭代得到除法运算结果。针对Cholesky分解求逆运算中的数据依赖性,本文采用粗细粒度的流水控制方案隐藏计算间隔,提高硬件利用率和数据吞吐率:在硬件层次上将除法器和乘加器划分为4级流水结构,以提高计算吞吐率,在控制层次上对算法中除法和乘法运算进行调度令其使用同一组硬件计算单元同时进行两组矩阵分解求逆运算。实验表明,本文设计的定点数除法器最高运行频率为198.5MHz,完成一次除法计算需要30.752ns,数据吞吐率为198.5Mdiv/s,最大误差约为0.00448%。Cholesky分解求逆模块最高运行频率为181MHz,最大误差约为4.7751%。边缘指导插值算法硬件实现方案的最高运行频率为181MHz,平均每14个时钟周期可以输出一个有效插值结果,97.8%计算结果的绝对误差在1以内。(本文来源于《浙江大学》期刊2019-01-01）
吴世豪,罗小华,张建炜,谈智涛[4]（2018）在《基于FPGA的新边缘指导插值算法硬件实现》一文中研究指出针对图像超分辨率算法中新边缘指导插值算法(NEDI)计算复杂度较高、软件计算时间较长的问题,提出基于Cholesky分解的可扩展NEDI算法硬件设计方案.采用Cholesky分解方法简化NEDI算法中复杂的矩阵求逆运算,采用Goldschmidt算法设计低延时定点数除法器加速矩阵求逆运算,使用多周期计算方法隐藏数据相关性带来的数据等待时间并减少硬件资源使用.为了减少硬件资源的消耗,根据NEDI算法在不同大小窗口下核心计算部分的不变性,使用固定资源设计可扩展算法核心电路,采用可变资源设计扩展电路,在FPGA上实现该电路设计.实验结果表明,可扩展NEDI算法硬件的关键路径延时为7.007 ns,工作频率大于100 MHz.与使用PC端软件计算的结果相比,可扩展NEDI算法硬件电路计算结果的误差为0.1%,计算速度是使用PC端软件计算的51倍.(本文来源于《浙江大学学报(工学版)》期刊2018年11期）
杨鹏[5]（2018）在《一种基于图像插值运算的Laplace算子边缘检测方法》一文中研究指出对原有Laplace算子边缘检测方法进行改进以提高边缘检测的精度和清晰度。具体是通过对原图像进行插值运算扩展了原图像的大小,从而达到更精确的确定图像中边缘信息的目的;同时对原有的Laplace算子模板进行扩展,使得扩展后的模板能够同时检测多个方向的边缘信息。通过实验对比不同方法在不同图像场景中边缘检测的效果,可以发现本文所提出的边缘检测方法在一定程度上解决了原有Laplace算子所存在的问题,提高了边缘检测的效果。(本文来源于《浙江工贸职业技术学院学报》期刊2018年03期）
郑茜[6]（2018）在《基于插值小波的信号奇异性检测和图像边缘提取》一文中研究指出信号的奇异性作为信号处理中的重要研究对象,包含了信号的许多重要信息。而小波变换具有良好的时频分析能力,能够有效的检测出信号的突变点,因此在信号奇异性检测和图像边缘检测等领域得到广泛的应用。然而在经典检测算法中,应用小波变换进行奇异性检测时,获取小波系数通常需要利用离散积分替代连续积分。由于离散积分只能作为连续积分的近似表达,因此当采样数据密度较低时,这类方法往往会导致较大的计算误差,从而难以得到令人满意的检测效果。针对上述经典小波算法中的缺陷,本文尝试将插值小波应用于一维信号奇异性检测和二维信号图像边缘检测,从而避免使用离散积分的方法来获取小波系数,在减小计算误差的基础上获得更好的检测效果。本文的主要工作如下:(1)研究了插值小波的特性和插值小波对偶滤波器的构建方法,在此基础上构建出六阶B-样条小波对应的插值滤波器序列,并将其应用于后续的仿真实验中。(2)深入分析了经典小波检测算法中,图像分辨率与检测精度之间的关系。并根据仿真实验结果和理论分析,讨论经典小波算法中存在的缺陷,最终确定算法的优化方案。(3)基于插值小波采样理论中,插值小波系数为信号采样值的特殊性质,将对偶插值滤波器与一维Mallat塔式分解算法结合起来,提出一种新的信号奇异性检测算法。该算法不需要通过信号与小波函数作内积来求取小波系数,而是利用插值小波的特殊性质根据信号采样值直接获得小波系数,因此大大简化了小波系数的计算过程,并且有效提高了小波系数的精度。(4)研究了图像在插值小波条件下的数学化模型,进一步研究插值小波和插值滤波器与二维Mallat塔式分解算法的结合过程,进而提出一种新的图像边缘检测算法。该算法通过插值对偶滤波器序列,即可直接由图像像素矩阵获得定位准确、连续完整的边缘图像。(5)将本课题算法与其他检测算法进行对比实验,对实验结果分别进行定性和定量分析。最终结果表明,本文方法能够获得更加优异的检测效果,验证了该算法的有效性和优越性。本课题完成了插值小波在信号奇异性检测和图像边缘检测中的应用研究,对信号处理和图像处理具有一定的参考价值。(本文来源于《电子科技大学》期刊2018-05-08）
何琳,杨善朝[7]（2018）在《α-混合随机域边缘频率插值的渐近方差性》一文中研究指出本文在研究频率插值估计的基础上,对α-混合随机域边缘频率插值估计的性质进行研究。主要通过对空间样本进行有效地划分,在满足一定的条件下,证得方差的渐近性。渐近方差在实际生活中具有广泛的应用,可以在经济金融、环境科学等领域为高维数据初步分析和判断提供重要依据。(本文来源于《广西师范大学学报(自然科学版)》期刊2018年01期）
肖德广[8]（2017）在《基于边缘保持插值的分段刚性场景流估计》一文中研究指出随着计算机技术、人工智能技术的发展,计算机视觉成为一个越来越热门的研究领域。通过立体图像序列估计场景流是计算机视觉研究领域的重要研究内容。场景流估计是叁维运动研究的重要手段。场景流表示真实世界的叁维运动场,为运动估计提供更加可靠的信息。随着计算机软硬件水平的断提高,场景流估计新理论新算法不断出现,进而推动场景流估计技术在现实生活中的应用。例如,应用于无人驾驶、叁维重建、目标检测跟踪等。场景流估计仍受遮挡、运动边缘不连续等难点的影响。本论文针对场景流估计难点进行优化,旨在进一步提升场景流的估计精度。利用从双目立体图像序列中获取的信息,构建基于分段刚性假设的变分场景流估计能量泛函,进而提出了一种基于边缘保持插值的分段刚性场景流估计算法。首先构造基于分段刚性假设的场景流估计能量泛函。该能量泛函包含数据项与平滑项两部分。数据项基于亮度恒常假设约束,并使用鲁棒惩罚函数增强泛函的鲁棒性。平滑项包括空间正则化项、分割正则化项以及可见正则化项。经典的场景流估计技术大多采用全局的像素级平滑约束,不仅增加计算量又容易受底层像素的限制。本论文使用了分割正则化项约束条件,将全局像素级平滑约束变为分割块的平滑约束。假定在一个分割块区域内,物体具有一致性运动。求解过程中不断去优化分割块。基于分段刚性的平滑约束,极大减小了数据计算量,又提升了场景流估计精度。场景流估计在运动边缘部分会产生较大的误差。针对这部分本论文使用了基于正反交叉一致性校验排除错误区域得到稀疏场景流,然后使用基于边缘保持的插值方法将稀疏场景流插值为稠密场景流。由稀疏到稠密的插值依赖于插值点与其它有值点测地距离的大小,测地距离计算是基于图像边缘的,因此边缘检测图的质量对插值有较大影响。边缘检测部分本论文使用一种快速边缘检测的结构化森林(SED)算法,该算法能够较好地实现边缘检测。论文最后用Middlebury公布的Teddy、Cones数据集,Kitti数据集以及通过双目立体相机采集的真实场景图像序列验证了算法的有效性。(本文来源于《哈尔滨工程大学》期刊2017-12-25）
何琳[9]（2017）在《α-混合随机域边缘频率插值估计》一文中研究指出在未知总体分布类型,总体信息已知较少,样本不一定独立的情况下,非参数密度估计则是非常好的选择.在实际数据统计分析中,由于种种原因,不能随意地假定数据的总体分布,所以我们就需要借助非参数模型来估计密度函数f(x).非参数密度估计已经广泛应用在环境科学、电子物理、生物医学、地质学、经济金融、区域经济等领域.非参数密度估计的方法主要有直方图估计、Rosenblatt估计、核密度估计、最近邻密度估计、频率插值估计等等.其中频率插值密度估计应用极为广泛,而且估计效果良好.频率插值密度估计的积分均方误差(IMSE)与非负核密度估计的收敛速度相同,均可达到n-4/5,且快于直方图密度估计的收敛速度n-2/3.但是在数值计算中,频率插值估计的计算量相对少,所以这相对于核密度估计更有计算优势.因此,研究频率插值估计具有很重要的意义.自Scott(1985)提出频率插值密度估计后,吸引了不少学者对其进行研究.后来Jones(1998)对频率插值估计进行了优化,他提出了边缘频率插值估计,在独立样本下,证明其渐近均方误差(AMSE)比频率插值估计的小,并证明了这种新的估计方法(即边缘频率插值密度估计)比传统的频率插值密度估计具有更好的理论性质.因此,本文选择理论性更好的边缘频率插值密度估计的方法.但是迄今为止.在空间数据(即随机域)下对频率插值密度估计的研究却甚少,仅有Carbon等、Bensaid和Dabo-Niang以及EI Machkouri等少数学者在随机域样本下,研究了频率插值密度估计的积分均方误差、最优窗宽、渐近方差性、渐近正态性以及一致强相合性等性质.然而,目前仍未有学者在随机域样本下,研究边缘频率插值密度估计的渐近性质.因此本文将在α-混合随机域样本下研究边缘频率插值密度估计的性质.首先证明α-混合随机域在满足一定条件下,边缘频率插值密度函数具有渐近方差性.其次证明随机域样本在满足一定条件下,当n→∞时,((?)bn)1/2[fn(x)-Efn(x)]σ-1(x)具有渐近标准正态分布,以及证明α-混合随机域边缘频率插值的强相合性.最后用数值模拟的方法分别对不同样本量和窗宽来进行讨论,进一步验证和说明结论的合理性和正确性.(本文来源于《广西师范大学》期刊2017-06-01）
钟玮[10]（2017）在《基于边缘信息的混合插值方法在彩色图像清晰化中的应用》一文中研究指出时下,对于高质量数字图像的获取和处理,除了提高硬件水平外,在计算机技术高度发展的今天,我们更多的通过软件的方法去处理图像。而在数字图像处理的领域,插值算法作为一种基础的图像处理方法,有着算法复杂度低,计算量小,实时性强等特点,被广泛应用在各种数字图像处理任务中,如:数字图像放大、数字图像修复、数字图像清晰化等。图像细节呈现能力的一个重要指标是图像的分辨率,它描述了图像含有像素信息的数量,是图像信息量大小的一种度量,图像分辨率的高低在很大程度上决定了图像的清晰度,分辨率越高图像越清晰,反之则越模糊。对于一些低分辨率的图像,本文方法在原图像大小尺寸不变,即不改变图像像素点数量的情况下,通过插值的方法去替换图像中重复的像素点,增加图像中的信息像素点加大图像信息量以达到图像清晰化的效果。本文在对图像进行插值处理时,考虑每个待插值替换像素点7×7邻域内像素的聚集情况,判断其是否在边缘区域。对在边缘区域上的待插值替换像素点,本文计算该点边缘的方向上4个邻近信息像素点的信息做立方卷积,而非边缘区域(即轮廓内部)的待插值替换像素点则结合其邻域内各个方向上十六个信息像素点的信息做双叁次插值处理。且,由于插值对象为彩色图像,本文充分考虑颜色平面的相关性,将所有的图像插值操作都转换到YCbCr色彩空间上进行。本文采用的是简单的城市块距离来判断边缘的信息且采取判断完成后即时插值的算法,有计算复杂度低、运算度快的特点。方法适用于像素信息不够的低分辨率图像的清晰化处理。实验结果表明,本文算法清晰化效果显着,而且相对于原图像,本文算法清晰地保持了图像边的纹理结构,只产生了较小的走样。(本文来源于《云南大学》期刊2017-05-01）
边缘插值论文开题报告
（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：
为了满足视频监控、目标检测与识别过程中较高图像质量和较低算法复杂度要求,以及改善传统图像插值中细节模糊和边缘锯齿效应,文中提出一种基于Otsu阈值分割的边缘快速图像插值算法。利用Otsu算法,根据目标区域和背景区域的类方差最大,确定分割阈值,对非边缘区域进行双线性插值,边缘区域利用与待插值点周围6个或8个相邻降采样像素局部结构的多方向特点,自适应估计高分辨率像素值。实验表明,该算法运算复杂度低,很好保持了图像的边缘,获得了视觉质量较好的高分辨率图像。
（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。
边缘插值论文参考文献
[1].王震,寇宏玉,杜进楷,陈世国.一种新的边缘图像插值算法[J].贵州师范大学学报(自然科学版).2019
[2].王震,杜进楷,寇宏玉,陈世国.基于Otsu阈值分割的边缘快速图像插值算法[J].现代电子技术.2019
[3].吴世豪.图像边缘指导插值算法硬件实现[D].浙江大学.2019
[4].吴世豪,罗小华,张建炜,谈智涛.基于FPGA的新边缘指导插值算法硬件实现[J].浙江大学学报(工学版).2018
[5].杨鹏.一种基于图像插值运算的Laplace算子边缘检测方法[J].浙江工贸职业技术学院学报.2018
[6].郑茜.基于插值小波的信号奇异性检测和图像边缘提取[D].电子科技大学.2018
[7].何琳,杨善朝.α-混合随机域边缘频率插值的渐近方差性[J].广西师范大学学报(自然科学版).2018
[8].肖德广.基于边缘保持插值的分段刚性场景流估计[D].哈尔滨工程大学.2017
[9].何琳.α-混合随机域边缘频率插值估计[D].广西师范大学.2017
[10].钟玮.基于边缘信息的混合插值方法在彩色图像清晰化中的应用[D].云南大学.2017