导读:本文包含了超分辨重构论文开题报告文献综述及选题提纲参考文献，主要关键词:深过冷熔体,超分辨率重建,混合样本库,低秩矩阵分解
超分辨重构论文文献综述
崔仕明[1]（2019）在《微重力条件下深过冷熔体图像超分辨重构算法研究》一文中研究指出自身无结晶核的液态金属在无重力或微重力环境下,会达到深过冷状态,处于此状态的熔体会表现出其特有的性质。科研者们为了在地面模拟无重力或微重力环境,进一步研究深过冷熔体的性质,搭建了静电悬浮与真空落管的实验平台,并且用高速摄像机拍摄到下落过程中的深过冷熔体图像。由于高速摄像机本身所限制,拍摄到的图像分辨率很低,对研究深过冷熔体的性质有所影响,因此需要借助数字图像处理技术来重建图像,丰富图像细节,增加图像分辨率。现有的图像超分辨率重建方法并不能很好的还原图像本身,更加不适合重建深过冷熔体所特有的细节纹理。为了解决这个问题,本文提出一种基于混合样本与低秩矩阵分解优化(AMS-LMDO)的单幅图像超分辨率重建的方法。该方法充分利用外部样本库与内部样本库提供的互补的先验知识来解决这个极度不适定的超分辨率重建问题。在本文提出的方法下,混合样本库提供的先验知识要比任意单独的样本库提供的先验知识更加适合对深过冷熔体图像的超分辨率重建。重建图像后,利用低秩矩阵分解模型来优化带有错误信息的高分辨率图像,去除稀疏且不相关的错误部分,使得最终所得图像更加接近原始图像。仿真实验结果表明,与当前流行的方法相比,本文提出的方法不但在一般图像的重建中有较好的效果,而且在重建深过冷熔体图像中也表现的很出色。相对于公认较为成熟的YangSR算法,本方法重建深过冷熔体图像结果PSNR指标提高了约1.86dB,SSIM指标提高了约0.06。与其他先进的图像超分辨率重建方法相比,本文所提方法重建结果在PSNR与SSIM两个指标上也有不同程度的提升。由此得出结论,对于本文所讨论的深过冷熔体图像,本方法可以更清晰的重建出该图像所具有的特殊高频细节。(本文来源于《北方工业大学》期刊2019-05-06）
郭宇飞[2]（2018）在《面向多光谱成像的超分辨重构方法研究》一文中研究指出高分辨多维信息光谱成像技术在军事侦查、医学医疗、卫星遥感、气象预测、灾害预防等领域有迫切的需求。尤其是随着我国对地观测和对外太空探索的需求增加,对光谱图像的空间和光谱分辨率的需求也越来越高。传统光谱成像技术多是通过二维探测传感器获取叁维光谱数据,成像质量严重依赖传感器性能。但传感器密度提升又受制于工艺、体积、功耗、传输带宽、成本等因素。2006年压缩感知理论的提出,为成像技术的革新提供了理论依据,基于压缩感知理论的计算成像技术框架也随即被提出,在该框架中将成像过程分为两个阶段:编码感知阶段和优化反演阶段。其中编码感知阶段通过硬件光路实现,优化反演则通过挖掘场景的先验知识,建立合适的超分辨优化模型求解重建出高分辨率光谱场景。此外,由于多光谱图像在成像过程中硬件或者载荷平台的抖动、噪声干扰、系统离焦等原因造成空间分辨率偏低,而且多光谱图像包含多个波段,现有的基于压缩感知计算光谱成像框架的超分辨技术重建得到的光谱图像光谱准确度偏低,导致重建质量不理想,因此本文从成像原理和过程出发,基于压缩感知理论的计算光谱成像框架,研究面向多光谱成像过程的超分辨方法,旨在提高光谱图像的空间分辨率和光谱准确度,从而提高重建的多光谱图像质量。本文的主要工作和创新点如下:1、本文通过研究基于压缩感知的计算光谱成像框架,着眼于该框架中的优化反演阶段,利用物理成像模型分析自然场景光线在物体表面的反射情况来模拟自然场景成像过程,并从光谱场景本身出发,通过对光谱场景联合空间、谱间挖掘光谱场景的稀疏特性和光谱的空间对齐特性,利用这些先验知识建立二阶拉普拉斯超分辨模型。并在彩色图像Demosaicking的框架下使用上述这些先验知识及利用本文建立的超分辨模型进行彩色图像重建。实验结果表明,本文提出的超分辨方法能够有效提高彩色图像的边缘色彩准确度和抗噪能力,从而验证了本文所提空谱联合稀疏特性分析的有效性。2、针对编码孔径快照光谱成像(Coded Aperture Snapshot Spectral Imagers,CASSI)系统多光谱成像系统中现有超分辨方法在重建效果上存在的空间分辨率不高和光谱准确度偏低等问题,本文利用CASSI系统获得光谱场景观测数据,利用本文提出超分辨模型并设计求解算法,通过对光谱观测数据进行超分辨重建,并且与传统超分辨方法:A+方法、BSSC方法、NCSR方法相比,峰值信噪比PNSR平均增加0.3dB,并且在结构相关性方面也比传统方法要好,更为突出的是本文方法解决了上述超分辨方法重构后存在的错误色块、偏色等问题,并进一步通过实验验证了本文方法在提高重建多光谱图像的光谱准确度方面的优势,进而保障了重建的光谱图像质量。(本文来源于《西安电子科技大学》期刊2018-05-01）
丁雯庆[3]（2017）在《基于卷积神经网络的深度图像超分辨重构》一文中研究指出深度图像作为一种场景深度信息的表达方式在计算机视觉领域有非常广泛的应用,如叁维立体重建、人体姿态识别、虚拟现实等领域。深度图像是指描述场景深度信息的图像,与传统的自然图像相比,深度图像的质量不受场景光照及物体反射特性的影响,能准确地描述场景的深度信息。然而,深度图像获取方法在硬件上的局限性,导致生成的深度图像的分辨率非常低,无法满足实际应用的需求。通过超分辨算法来提升深度图像的分辨率得到了国内外学者的广泛研究。深度图像超分辨的关键是构建低分辨图像到高分辨图像之间的映射关系。卷积神经网络由于其强大的非线性表达能力在自然图像处理问题中获得了非常大的成功。目前,已有学者将卷积神经网络应用于深度图像的超分辨问题中,但是,由于深度图像结构特征太少,存在误差传播弥散的问题,导致深度图像超分辨的效果不理想。最近,有学者利用深度图像和相同场景下的彩色图像在结构上的相似性,提出了以彩色图像为导向的深度图像超分辨重构算法。比如基于滤波的方法,该方法只利用了深度图像和彩色图像之间的线性关系,只是考虑了本图的信息,没有利用训练集的信息。本文基于卷积神经网络的方法,对深度图像的超分辨问题展开研究,主要工作如下:1.针对传统卷积网络在深度图像超分辨应用中存在的问题,我们研究并改进了卷积神经网络结构。利用卷积神经网络的非线性学习能力学习低分辨的深度图像和高分辨深度图像的映射关系,构建一个图像端到图像端的卷积神经网络,在网络的结构中加入批量归一化层,该网络层的加入加快了网络的收敛速度。利用该卷积神经网络模型对深度图像进行超分辨重构。在经典测试集上,我们算法的结果优于现有深度图像超分辨算法。2.针对工作一中卷积神经网络只利用了低分辨深度图像的结构信息,没有很好的利用彩色图像的信息的缺点,本文提出了联合彩色图像的卷积神经网络的深度图像超分辨算法。为了利用彩色图像信息,我们设计了基于叁维滤波器的卷积神经网络结构,将深度图像和彩色图像作为网络输入,利用叁维滤波器同时获得场景图像的深度和局部结构信息,从而能学习到更准确的非线性映射关系,并恢复出高分辨的深度图像。仿真实验结果表明,相比工作一的方法和传统方法,联合彩色图像的方法能恢复出质量更好的高分辨深度图像,在Middlebury数据集上测试性能优于其他对比方法,证明了本文算法的有效性。(本文来源于《西安电子科技大学》期刊2017-06-01）
方杰[4]（2017）在《基于图像区域分解的超分辨重构算法研究》一文中研究指出随着现代科技的发展,图像超分辨率重构算法已成为研究热点,并且广泛应用到医学图像,军事侦探领域等。单幅图像超分辨率重构的方法的重点在于研究如何将一幅低分辨率图像重构为高分辨率图像。本文的研究工作是在图像区域分解的理论以及杨建超(Yang)提出的基于稀疏表示的图像超分辨率重构方法的基础上,提出了两种改进的方法以及一种应用场景:基于OSV模型及其Split Bregman方法和稀疏表示的超分辨率重构方法、基于融合LBP(局部二进制模式)和GLCM(灰度共生矩阵)和稀疏表示的超分辨率重构方法,以及一种基于显着图与稀疏表示的超分辨率重构方法相结合的应用场景。基于OSV模型及其Split Bregman方法和稀疏表示的超分辨率重构方法主要是在Yang提出的图像超分辨率重构方法的基础上引入了基于OSV模型及其Split Bregman方法的图像分解理论,将图像分解为结构部分和纹理部分。然后这两部分分别采取相应的重构方法,并将重构得到的两部分进行合并,最终得到高分辨率图像。基于融合LBP和GLCM和稀疏表示的超分辨率重构方法主要是在Yang提出的图像超分辨率重构方法的基础上引入了融合LBP和GLCM的纹理特征提取方法,将图像块分成均匀平滑块和丰富纹理块两大类。然后对这两大类分别训练得到不同类别的字典对,不同的图像块利用相应的字典对进行重构,并将重构得到的不同图像块进行合并,最终得到高分辨率图像。基于显着图和稀疏表示的图像超分辨率重构的算法主要是在Yang提出的超分辨率重构方法的基础上引入了显着区域检测理论以及FT算法。根据FT算法得到的显着图进行二值化,按照图像块是否包含显着点来判定是否为图像的显着区域,然后对图像的显着区域采取Yang提出的图像超分辨率重构算法,对非显着区域则采取双叁次插值法,最终得到预期的重构效果。实验结果表明,前两种方法与Yang提出的超分辨率重构算法进行对比,前者能够获得更好的重构效果,重构后的图像更加平滑清晰。另外第叁种方法在不损失图像主观质量的条件下,大大缩短了用Yang算法重构图像所消耗的时间。(本文来源于《华南理工大学》期刊2017-04-13）
杨海丰[5]（2017）在《基于支持向量机分类学习的彩色图像超分辨重构算法研究》一文中研究指出在成像过程中,由于图像采集环境及采集设备的影响,成像系统往往得不到高分辨率的图像,超分辨重构方法(SR)可以在不改变采集环境和采集设备的前提下,对单帧或者多帧低分辨率图像用数字图像处理的方法,重构出超过成像系统成像范围的高分辨图像。重构图像不仅在视觉效果上有明显提升,在峰值信噪比(PSNR)和相似度(SSIM)上也有相应提升。目前,随着机器学习和模式识别的不断发展,支持向量机作为一种较好的学习方法,在图像超分辨重构方面的应用,得到了很多关注。本文主要研究图像超分辨重构技术,课题来源于天津市应用基础与前沿技术研究计划青年基金资助项目:基于支持向量回归机的超分辨率图像重构(No.14JCQNJC00900),本文将单帧彩色低分辨率图像作为研究对象,具体工作如下:1.根据现实中彩色低分辨率图像的特点,选择相应的降质模型,获取彩色低分辨图像。2.提出一种基于HSV(色度特征)模型的图像超分辨率重构算法。用SVM(支持向量机)作为学习训练工具,针对物体与场景颜色差距小的低分辨彩色图像特征,进行针对性训练,保证匹配搜索过程中样本块与低分辨率图像块内容之间的相关性,减少遍历次数,降低算法复杂度。最后经过重建过程,得到高分辨率图像。通过实验对所提出的HSV空间学习重构的方法进行验证,并与两种基本低分辨图像重构方法的处理效果进行对比,实验结果表明,本文提出的方法比两种基本方法在峰值信噪比和相似度两指标分别提高了3%~5%和2%~4%,是一种能够重构低分辨率图像的有效方法。3.对提出的算法进行了鲁棒性验证。对加入标准差为2及以下高斯噪声的低分辨率图像,用本文提出的方法进行重构,所得图像可以满足人眼观察,峰值信噪比和结构相似度这两个数值指标也能基本达到预期目标。(本文来源于《天津理工大学》期刊2017-01-01）
曾剑,杨俊刚,安玮,吴翰杨,王帅[6]（2016）在《基于稀疏重构的杂波环境下红外图像空间邻近目标超分辨方法》一文中研究指出基于稀疏重构的超分辨方法是应对空间邻近目标的有效方法之一,但是当目标处于杂波环境下时,杂波会布满在整个视场范围内,导致场景原有的稀疏性被破坏。针对这一现象提出了一种在杂波环境下的超分辨方法。该方法充分利用了传感器的结构特性以及重构算法中的参数,通过建立观测信号的红外成像模型并利用像元网格划分的方式,建立空间邻近目标群的位置和幅度信号的稀疏表示,并利用其光学系统的点扩散函数来构造超完备字典,最后通过控制重构场景中非零元素的个数比例来使重构参数处于一个合理的区间范围,以此来达到去除杂波干扰并准确重建稀疏目标的目的。(本文来源于《航天电子对抗》期刊2016年05期）
李志明[7]（2016）在《基于L1范数的全变分正则化超分辨重构算法》一文中研究指出针对结构化照明显微成像系统的超分辨图像重构算法存在边界振铃效应、噪声免疫性差的问题,提出了一种基于L1范数的全变分正则化超分辨图像重构算法(简称L1/TV重构算法)。从结构化显微成像模型入手,分析了传统算法的设计原理和局限性;论述了L1/TV重构算法的原理,采用L1范数对重构图像保真度进行约束,并利用全变分正则化有效克服了重构过程的病态性,保护了重构图像边缘。对比研究传统重构算法和L1/TV重构算法的性能。实验结果表明:L1/TV重构算法具有更强的抗噪声干扰能力,重构图像空间分辨率更高。(本文来源于《计算机工程与应用》期刊2016年15期）
于晗[8]（2016）在《基于重构方法的图像超分辨研究》一文中研究指出在这个不断变化的时代,人类社会在各方面不断地发展,简单的图像已经不能满足人们的所有需求。数字图像处理技术的出现,满足了不同人群的不同图像处理要求。在很多数字图像应用领域,我们往往希望得到高分辨率的图像。图像的高分辨率就说明在一幅图像中,图像的像素密度更高。高分辨图像可以提供更多的图像细节信息,这些细节信息对于数字图像应用领域,可能起着至关重要的作用。因此,寻找一种有效的方法来提升图像的分辨率非常重要。图像超分辨技术就是研究通过一幅或者多幅低分辨图像,估计出一幅高分辨图像的技术。与有多幅低分辨图像输入的情况相比较,由于图像超分辨过程中的模糊核是未知的并且缺乏足够多的低分辨图像信息,只有一幅图像输入的情形更复杂。处理图像超分辨问题可以从叁个方面来考虑:插值方法、学习方法以及重构方法。基于插值方法的图像超分辨技术需要建立插值函数,然后利用插值函数从给定的一幅低分辨图像估计出一幅高分辨图像。基于学习方法的图像超分辨技术是通过机器学习建立低分辨图像数据集合与高分辨图像数据集合之间的对应关系,实现图像超分辨的过程。严格来说,由于引入了额外的训练集信息,基于学习方法的图像超分辨技术不属于单图像超分辨方法。基于重构的图像超分辨技术是通过研究高分辨图像在低分辨图像下的表现形式,建立模型,实现图像超分辨过程。本文主要研究基于重构方法的图像超分辨技术。本文受到快速上采样方法的启发,考虑了图像超分辨过程中模糊核未知的情形,提出了一种基于去卷积以及核估计的快速单图像超分辨方法。在去卷积的过程中,我们采用了一种快速全变差去卷积的方法,有效的提升了算法的运行时间。此外,由于在图像超分辨的过程中,模糊核是未知的,我们考虑在算法的迭代过程中,不断的修正模糊核,缩小模糊核与真实情况之间的差距。在数值实验部分,我们将本文提出的方法与几种经典的图像超分辨处理方法进行了比较。实验验证了所提出方法在提升高分辨图像视觉效果和计算加速方面的有效性。(本文来源于《电子科技大学》期刊2016-03-30）
吴玉莲,张文娟[9]（2015）在《运用Foveated非局部均值和局部核回归的单幅图像超分辨重构》一文中研究指出旨在对一幅低分辨图像进行单幅图像超分辨重构.采用Foveated距离度量图像的冗余相似块,利用Foveated非局部滤波进行Foveated非局部先验"冲突.利用Foveated非局部滤波进行Foveated非局部先验及引导核回归的局部先验,得出运用Foveated非局部均值和局部核回归的单幅图像超分辨重构方法.数值实验结果表明:该方法有效重构出清晰度较优的超分辨率图像,其图像边界、峰值信噪比及结构相似性均显着优于其他超分辨重构方法.(本文来源于《西安工业大学学报》期刊2015年09期）
穆绍硕,张叶,贾平[10]（2015）在《一种改进Papoulis-Gerchberg的多幅超分辨重构方法》一文中研究指出为进一步提高拍摄图像的分辨率,提出一种改进的Papoulis-Gerchberg超分辨算法.新算法提出边缘检测方法,可以改善传统方法空间复杂度和重构图像边缘模糊的问题.新算法在原有的算法基础上融于边缘检测,针对多幅同一场景输入图像,在每次Papoulis-Gerchberg迭代过程加入坎尼检测,同时将每步的重构误差投影到下一步重构过程,降低了算法空间复杂度,能有效恢复丢失的边缘高频信息.MATLAB实验结果表明,与现有的经典超分辨重构方法相比,本算法反映图像质量的峰值信噪比和灰度标准差更高,信噪比和灰度标准差比改进前算法分别提高0.5 d B和2.5.从视觉感官上对比,重构图像整体效果也更加清楚,去除了原始重构方法图像边缘迭影现象,有效提高了原始输入图像的分辨率.(本文来源于《哈尔滨工业大学学报》期刊2015年10期）
超分辨重构论文开题报告
（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：
高分辨多维信息光谱成像技术在军事侦查、医学医疗、卫星遥感、气象预测、灾害预防等领域有迫切的需求。尤其是随着我国对地观测和对外太空探索的需求增加,对光谱图像的空间和光谱分辨率的需求也越来越高。传统光谱成像技术多是通过二维探测传感器获取叁维光谱数据,成像质量严重依赖传感器性能。但传感器密度提升又受制于工艺、体积、功耗、传输带宽、成本等因素。2006年压缩感知理论的提出,为成像技术的革新提供了理论依据,基于压缩感知理论的计算成像技术框架也随即被提出,在该框架中将成像过程分为两个阶段:编码感知阶段和优化反演阶段。其中编码感知阶段通过硬件光路实现,优化反演则通过挖掘场景的先验知识,建立合适的超分辨优化模型求解重建出高分辨率光谱场景。此外,由于多光谱图像在成像过程中硬件或者载荷平台的抖动、噪声干扰、系统离焦等原因造成空间分辨率偏低,而且多光谱图像包含多个波段,现有的基于压缩感知计算光谱成像框架的超分辨技术重建得到的光谱图像光谱准确度偏低,导致重建质量不理想,因此本文从成像原理和过程出发,基于压缩感知理论的计算光谱成像框架,研究面向多光谱成像过程的超分辨方法,旨在提高光谱图像的空间分辨率和光谱准确度,从而提高重建的多光谱图像质量。本文的主要工作和创新点如下:1、本文通过研究基于压缩感知的计算光谱成像框架,着眼于该框架中的优化反演阶段,利用物理成像模型分析自然场景光线在物体表面的反射情况来模拟自然场景成像过程,并从光谱场景本身出发,通过对光谱场景联合空间、谱间挖掘光谱场景的稀疏特性和光谱的空间对齐特性,利用这些先验知识建立二阶拉普拉斯超分辨模型。并在彩色图像Demosaicking的框架下使用上述这些先验知识及利用本文建立的超分辨模型进行彩色图像重建。实验结果表明,本文提出的超分辨方法能够有效提高彩色图像的边缘色彩准确度和抗噪能力,从而验证了本文所提空谱联合稀疏特性分析的有效性。2、针对编码孔径快照光谱成像(Coded Aperture Snapshot Spectral Imagers,CASSI)系统多光谱成像系统中现有超分辨方法在重建效果上存在的空间分辨率不高和光谱准确度偏低等问题,本文利用CASSI系统获得光谱场景观测数据,利用本文提出超分辨模型并设计求解算法,通过对光谱观测数据进行超分辨重建,并且与传统超分辨方法:A+方法、BSSC方法、NCSR方法相比,峰值信噪比PNSR平均增加0.3dB,并且在结构相关性方面也比传统方法要好,更为突出的是本文方法解决了上述超分辨方法重构后存在的错误色块、偏色等问题,并进一步通过实验验证了本文方法在提高重建多光谱图像的光谱准确度方面的优势,进而保障了重建的光谱图像质量。
（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。
超分辨重构论文参考文献
[1].崔仕明.微重力条件下深过冷熔体图像超分辨重构算法研究[D].北方工业大学.2019
[2].郭宇飞.面向多光谱成像的超分辨重构方法研究[D].西安电子科技大学.2018
[3].丁雯庆.基于卷积神经网络的深度图像超分辨重构[D].西安电子科技大学.2017
[4].方杰.基于图像区域分解的超分辨重构算法研究[D].华南理工大学.2017
[5].杨海丰.基于支持向量机分类学习的彩色图像超分辨重构算法研究[D].天津理工大学.2017
[6].曾剑,杨俊刚,安玮,吴翰杨,王帅.基于稀疏重构的杂波环境下红外图像空间邻近目标超分辨方法[J].航天电子对抗.2016
[7].李志明.基于L1范数的全变分正则化超分辨重构算法[J].计算机工程与应用.2016
[8].于晗.基于重构方法的图像超分辨研究[D].电子科技大学.2016
[9].吴玉莲,张文娟.运用Foveated非局部均值和局部核回归的单幅图像超分辨重构[J].西安工业大学学报.2015
[10].穆绍硕,张叶,贾平.一种改进Papoulis-Gerchberg的多幅超分辨重构方法[J].哈尔滨工业大学学报.2015