一、提高航空图像分辨率的小波方法研究（论文文献综述）
施宇[1]（2020）在《基于超分辨重建的遥感图像融合方法研究》文中提出遥感图像融合通过将多幅遥感图像进行互补整合,得到一幅图像信息更丰富、更精确的融合图像,使得图像特征比较全面,对数据的利用率也比较高,具有研究意义。本文主要研究遥感图像中的多光谱（Multispectral,MS）图像和全色（Panchromatic,PAN）图像的融合,通过将MS图像与PAN图像进行融合,在保留MS图像光谱信息的前提下,提高图像的空间分辨率,可以充分利用遥感图像的光谱信息与空间信息以及各种传感器的优势。论文对MS图像与PAN图像融合方法进行了深入研究,针对传统融合方法中MS图像采用插值法得到的匹配图像分辨率较低这一缺陷,引入超分辨重建的方法提高MS图像的分辨率,并将重建的MS图像与PAN图像使用两种方法进行融合,分别是能提取不同尺度上信息的拉普拉斯金字塔,和能保持图像边缘平滑的导向滤波器方法。论文主要的工作为:1、对传统融合方法进行讨论,对比了基于Intensity Hue Saturation（IHS）变换的融合方法、基于主成分分析（Principal Component Analysis,PCA）的融合方法、基于Gram Schmidt（GS）融合方法、基于Brovey变换的融合方法等4种融合方法。针对图像超分辨重建的方法,基于MS图像,对插值、超分辨卷积神经网络（Super-Resolution with Convolutional Neural Network,SRCNN）、快速超分辨卷积神经网络（Fast Super-resolution with Convolutional Neural Network,FSRCNN）等3种重建方法,进行了实验验证与分析。2、研究了拉普拉斯金字塔融合与导向滤波器融合的两种融合方法。在基于超分辨重建的多光谱图像及拉普拉斯金字塔融合中,对PAN图像与经过重建后的MS图像进行卷积神经网络（Convolutional Neural Network,CNN）特征提取,获取两幅图像的细节信息,再分别对两幅图像进行拉普拉斯金字塔分解,并与提取的细节信息进行融合。在基于超分辨重建的多光谱图像及导向滤波器融合中,通过对PAN图像与经过重建后的MS图像进行导向滤波的细节提取,将提取的细节信息自适应增强后注入到MS图像中获得融合图像,并引入了三种滤波方法:基于导向滤波器,基于快速导向滤波器,基于滚动滤波器,将这三种滤波器进行了对比融合实验,从主观与客观分析来看,基于导向滤波器的滤波方法得到的融合结果优于对比的两种滤波方法。3、选择了三种遥感卫星的数据作为融合实验的数据源,包括Geo Eye-1、IKONOS、World View-2。并选择IHS算法、PCA算法、GS算法、Brovey算法、小波变换算法作为对比实验,通过主观视觉分析与客观数据分析,本文研究的基于拉普拉斯金字塔融合与基于导向滤波融合方法较对比方法得到的融合图像效果最好,而基于导向滤波融合方法得到的融合图像光谱信息保留的最丰富,图像细节特征也最丰富。
唐浩伟[2]（2020）在《超声TOFD焊缝缺陷检测成像技术研究》文中提出在我国当前国民经济建设中,重大安全事故严重影响和制约了国民经济的健康发展,来源于运行部件的材料缺陷是不可忽视的重要因素。对材料尖锐缺陷灵敏、检测精度高的无损检测技术之一是超声衍射时差法（TOFD,Time Of Flight Diffraction）,该技术在交通运输领域,在航天舰船、石油化工都有广泛的应用,但是受自身成像特性、检测系统和材料声学特性的影响,利用超声TOFD对缺陷进行检测时,其分辨率相对较低,且存在大量噪声,缺陷特征信息不易于获取,因此研究如何检测图像分辨率水平和降低噪声的方法,是超声TOFD检测中最关键的问题。本文首先介绍了超声TOFD检测成像理论,建立了模拟超声TOFD成像的理论模型,通过模拟超声TOFD检测成像过程,研究其成像规律和特点,以此寻找提高超声TOFD成像分辨率水平的方法,同时,分析产生图像噪声的因素和来源,研究降低噪声的方法,最后通过研究建立超声TOFD成像处理实验系统。分析了产生TOFD检测图像杂波的因素,建立了接近TOFD检测图像噪声特征的噪声模型,并进行了仿真实验,检测图像杂波的特征、通过比较各种滤波的实验效果,确定采用低通滤波器更为适用,实验结果表明:采用低通滤波器对杂波抑制效果较为明显。根据小波变换的基本理论,分析比较了几种主要小波去噪方法的特点,基于软阈值和硬阈值函数提出了高次渐进平缓置零的阈值函数,同时,在通用阈值的基础上提出了随小波分解层数变化的自适应阈值选取方式。实验结果表明:通过改进的小波降噪方法处理超声TOFD检测图像,使图像信噪比从传统方法处理的19.11d B,提高到了31.84d B,效果十分显着。根据超声TOFD检测原理,设计完成了焊缝超声TOFD检测实验系统,通过两步对TOFD检测图像进行处理:先对检测图像进行多幅图像叠加平均处理,再进行改进小波方法降噪处理,实验结果说明:混合处理方法能极大降低图像噪声,有效改善检测图像分辨率水平。
楚玺[3]（2020）在《基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法》文中研究表明基于图像数据对桥梁结构服役状态进行安全监测,较传统以测点传感器为基础的监测系统具有全息、方便、经济的突出优势,并高度契合未来数字信息的发展趋势。本文在国家自然科学基金项目“基于影像轮廓线叠差分析获取桥梁全息变形及结构状态演绎方法探索（51778094）”和“基于面形时空数据的桥梁结构损伤演化与失效过程跨尺度分析方法（51708068）”的资助下,系统研究了基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法。主要研究工作如下:探索了单机定轴旋转条件下桥梁结构数字图像获取方法,分析了相机最大旋转角与图像分辨率的关系,研究了相邻图像旋转角与图像重叠度的变化关系,提出桥梁结构监测图像序列的采集策略;构造了成本低廉、视场非固定、视距可调节的桥梁图像采集硬件系统。分析了旋转相机微小位姿偏移对图像像点坐标的影响,建立了相应的误差模型,揭示了投影中心偏移引发像点坐标偏差的作用机理。针对硬件系统轴系松弛导致的序列图像投影中心非一致问题,建立了偏移投影中心向设定基准投影中心校正的理论模型,推导了同名像点偏差的解析方程,以连续图像序列重叠区域同名像点坐标相等为约束条件,提出纠正图像序列非一致投影中心的迭代平差方法;研究了以图像“特征点”作为“同名点”的数学表征方法,通过试验证明了SIFT特征描述子的尺度不变性和旋转不变性,形成了桥梁结构图像序列投影中心偏移矫正方法;开展了单机定轴旋转采集桥梁结构图像序列试验,获得了试验梁结构等效正射立面图像。基于模糊集理论,探讨了结构模糊图像增强的实现途径;引入“广义交叉验证准则”开展图像噪声判别,通过构造图像滤波窗口,完成了图像的模糊滤波。利用灰度形态学开启和闭合运算对不连续边缘进行处理,改进了桥梁结构边缘分布的连续性;对图像监测分辨率开展标定,获得了试验梁主体形态尺寸。通过将三维激光扫描形态数据与图像监测形态数据对比,验证了试验梁等效正射立面图像中结构形态的准确性;分析了结构边缘不同区域振荡效应的主导因素,构造了一种改进的小波阈值去噪函数,对结构边缘的规律性高频噪声实现了有效的滤波;通过叠差分析获得了结构边缘全息变形数据。利用固定标定板的强特征和严格误差标准,提出前后工况结构图像测量平面同名点的约束构造方法;针对结构表面自然纹理条件下部分位移矢量误匹配问题,依据结构的变形连续特性和边缘全息变形中包含的挠度和转角信息,提出位移矢量场一致性约束条件,据此剔除矢量的长度和方向存在明显偏差的误匹配矢量,实现了自然纹理条件下结构表面全场位移矢量的提取;通过与三维激光扫描获取的试验梁形态数据进行对比验证,验证了全场位移矢量能够准确反映结构的变形特征。探索了基于表面全场位移矢量的结构损伤识别方法。借助狄拉克?函数的奇异性和线性叠加性来描述梁多处损伤产生的柔度突变现象,推导了对损伤位置和程度具有显式响应的梁挠度方程;通过理论分析和数值模拟研究了结构裂缝导致相邻矢量转角发生突变的作用机理;利用结构全场位移矢量相同位置转角的叠差值,计算了结构损伤前后的转角变化率,通过对位移矢量转角变化率的显着性检验,实现了结构构件损伤位置的判断;对试验梁进行数值模拟,通过理论分析得到的转角差-损伤程度公式,建立了构件损伤数值分析拟合函数,得到了不同构件的损伤位置转角差与损伤程度关系方程。通过提取试验梁构件损伤位置转角差值,实现了构件损伤程度的辨识;通过试验验证了该损伤识别方法的有效性。
王竹筠[4]（2019）在《基于深度学习的管道漏磁信号智能识别方法研究》文中研究表明石油、天然气等能源运输的最主要方式是管道运输,由于腐蚀、磨损、意外损伤等原因导致管线泄漏事故频发,从而造成极大的经济损失,环境污染甚至是人员伤亡。这对人民的生命财产安全造成了极大的影响。管道漏磁内检测技术是当前在无损检测领域中非常重要的方法之一,可以通过管道漏磁内检测器对管道进行定期检测,通过内检测器采集到的漏磁信号识别分析找出管道中潜在缺陷进而及时修复,因此管道漏磁检测技术在长输油气管道中发挥着重要作用。现阶段管道漏磁数据的识别分析大多采用人工判读方式,由于石油天然气管道的管线距离比较长,通常都是上百公里乃至上千公里。因此由管道漏磁内检测器采集到的漏磁信号数据量是非常大的,而且由于漏磁信号种类较多,在识别和分析时存在耗时长、漏检、误检等问题。目前针对管道漏磁信号的自动识别方法仍在探索阶段,如何对漏磁信号进行高效、高精度的智能检测,完成缺陷的识别与判定,出具管道缺陷报告开挖单是当前研究的重点。深度学习理论能够提供基于学习的特征表示,在图像分类、检测、分割等领域都有广泛应用。目前针对管道漏磁信号的识别研究较少,因此本文以管道环焊缝、螺旋焊缝、缺陷漏磁信号为研究对象,以深度学习为基础框架对管道漏磁信号的智能识别问题进行研究。本文的研究内容主要包括以下四点:针对管道漏磁信号数据成像问题,从曲线成像法和伪彩色成像法对其进行可视化处理。首先确定管道漏磁信号数据的基本格式和类型,将实际检测到的漏磁信号从检测器中提取出来。然后根据管道漏磁信号的特点,利用描点成像法和伪彩色变换法将其生成曲线图像和伪彩色图像。通过实验对比发现伪彩色图像能提高对图像细节的分辨能力,得到看起来清晰、自然的图像。彩色值可以作为漏磁信号的第三维特征,从而利用彩色来显示完整的漏磁信号数据。最后利用非线性双边滤波器对管道漏磁图像做平滑处理,得到预处理后的图像。将图像预处理后的管道漏磁曲线图像和伪彩色图像构建数据集,建立图像数据库,作为后续的分类和识别实验中的网络输入。针对管道漏磁图像目标边缘轮廓模糊的问题,提出一种基于多尺度数学形态学和拉普拉斯算子的管道漏磁图像边缘增强方法。构建多尺度结构元素,将不同尺度的矩形结构元素和圆形结构元素相结合对曲线图像进行增强处理;针对管道漏磁伪彩色图像,首先利用拉普拉斯算子对伪彩色图像的各分量进行边缘检测得到边缘点,然后利用边缘颜色约束对检测到的边缘点进行判定删除非边缘检测点,最后将各分量的边缘检测图与原始图像叠加得到边缘增强后的伪彩色图像。实验结果表明,该方法可以有效的对焊缝、缺陷图像等特征的边缘进行增强,细化了边缘轮廓信息,从而提高图像分辨率。针对管道漏磁焊缝图像的自动分类问题,提出一种基于稀疏自编码卷积神经网络的管道漏磁焊缝图像分类方法。首先,搭建基于Caffe的深度学习平台,以卷积神经网络（Convolutional Neural Network,CNN）为基础分类网络和模型的优化方法。为了增强卷积核对管道漏磁信号的特征提取能力问题,将卷积核输入到稀疏自编码网络中进行优化预训练。利用稀疏自编码网络自动学习图像特征,然后在网络中加入图像熵相似度约束规则来判定每个卷积携带图像结构的信息量,使卷积核的图像熵达到均衡值,再通过相似度判定条件删除权值相似的卷积核,使卷积核具有更多样的学习能力。通过预训练网络可以提高卷积核的特征提取能力,并增强目标特征信息与背景特征信息的差异性,从而提高网络分类能力。最后将管道环焊缝、螺旋焊缝、三通、法兰、缺陷、无缺陷这六种类型的漏磁图像作为输入,输入优化卷积核后的卷积神经网络中进行验证。实验结果表明,该方法对上述六种管道类型的平均分类准确率达到94%,优于传统卷积神经网络模型,具有良好的特征提取能力和泛化能力。针对管道漏磁伪彩色图像的自动识别问题,提出一种基于DAR-SSD网络的管道漏磁伪彩色图像识别算法。首先以SSD（Single Shot MultiBox Detector）网络为基础目标检测网络模型,为提高SSD算法对管道漏磁信号中小缺陷的识别精度,在SSD模型中加入空洞卷积和注意力残差模块。利用空洞卷积扩大网络模型的感受野,将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,提高网络对小目标细节特征的学习能力。然后利用注意力残差模块有针对性的强化网络感兴趣的区域,使待检测目标成为显着性目标,从而提高模型获取目标位置和类别的准确性。通过实验结果表明,本文提出的算法能自动识别出漏磁数据的环焊缝、螺旋焊缝、缺陷等位置,准确率提高到97.33%,误检率为2.05%,漏检率降为0.62%,定位误差小于2米,具有更优良的鲁棒性,在小缺陷目标检测上效果明显。综上所述,本文主要从数据集和模型结构方面提升网络的特征表达能力。包括图像增强,设计网络结构,引入稀疏自编码、空洞卷积、注意力残差模块的优化算法。实验结果表明改进算法能较好的提升网络的识别性能。
黄怀波[5]（2019）在《基于生成模型的人脸图像合成与分析》文中研究说明人脸图像合成与分析是近年来机器学习和计算机视觉领域最热门的研究方向之一。随着深度学习技术的发展,人脸图像合成与分析技术取得了巨大突破。例如,当前人脸图像合成算法①经可以合成肉眼难辨真假的高清人脸图像,人脸图像分析中的人脸识别算法也已经在很多场景下超越了人类的准确率。人脸图像合成与分析技术已经广泛地进入社会各领域,成为关系国计民生的重要技术。然而,目前的人脸图像合成与分析算法在理论和应用上仍然面临着许多挑战和问题。比如,高分辨率人脸图像合成仍然是一个相对困难的任务,人脸图像的条件合成和编辑也面临着可控性和多样性的问题,人脸分析技术在非受控场景下的鲁棒性仍远远落后于人类,低质量人脸图像的复原和分析也需要继续研究。针对这些挑战,本文以生成模型为基础,从高清人脸图像合成、人脸图像条件合成与分析,和人脸图像复原三个方面对人脸图像合成与分析技术展开研究。本文取得的主要研究成果如下:1.提出了一种自省变分自编码器模型,用来合成包括人脸图像在内的高分辨率真实图像。该模型具有类似人类的自省能力,可以自己估计生成样本和真实数据之间的差异并作出改进。它为变分自编码器提供了一种全新的训练方法,以自省的方式联合训练推断网络和生成网络。在训练过程中,对于真实数据,采用标准变分自编码器的变分下界目标函数来同时对推断网络和生成网络的参数进行优化;对于生成样本,推断网络和生成网络分别最小化和最大化其对应的近似后验与先验之间的KL散度,通过最小化最大化博弈来学习数据先验知识。该模型一方面不需要引入额外的判别器,对抗学习发生在变分自编码器内部,从而简化了网络结构;另一方面,使用单阶段而非多阶段的方式训练高分辨率图像模型,简化了训练复杂度。实验表明,该模型结合了变分自编码器和生成对抗网络的优点,既能进行稳定的训练,也能学习到良好的流形表达,同时可以合成高分辨率的清晰图像（比如1024 × 1024像素大小的CelebA人脸图像）。2.提出了两种基于变分表达的人脸图像合成与分析算法,即解耦判别变分自编码器模型和基于解耦变分表达的异质人脸识别方法。第一种模型将变分自编码器的隐变量分解为一系列变分语义单元,每一个单元都和某个特定的人脸属性关联。当某个属性标签为正时,最小化其对应变分语义单元关于给定先验分布的KL散度;当该标签为负时,则最大化其对应的KL散度。通过这种方式,将每一个变分语义单元与特定的人脸属性关联起来,使得模型既可以预测人脸属性,又可以根据属性标签控制人脸合成。另外,该模型通过引入互信息最小化来对这些单元进行解耦,通过引入自省对抗来提高生成图像的质量。实验表明,该模型既可以学习到鲁棒的特征,提高人脸属性预测的准确率,又能够实现准确的属性合成,提高人脸属性合成的可解释性和多样性。第二种方法是一种基于解耦变分表达的异质人脸识别方法。该方法将异质人脸数据建模为域不变的身份信息和域相关的变化信息。通过变分自编码器的变分下界来优化近红外和可见光的近似后验,可以学习到解耦的变分表达。另外,通过均值差异最小化来约束不同域之间的身份信息,利用相关对齐约束来进一步减小域差异,可以学习到更加紧凑且具有判别性的特征表达。实验表明,该方法可以在训练数据有限的情况下,通过合成新的近红外和可见光样本,提高异质人脸识别的精度。3.提出了三种基于小波变换的人脸图像复原方法,即小波域超分辨率卷积神经网络、小波域超分辨率生成对抗网络和小波域深度变焦网络。第一种方法首次将小波变换和卷积神经网络结合,将图像超分辨率问题转化为深度学习框架下的小波系数预测问题。通过使用小波域损失函数来优化小波域卷积神经网络,该方法可以在保持人脸图像全局拓扑信息不变的情况下恢复丰富的纹理细节。第二种方法将小波域人脸超分辨率方法从卷积神经网络扩展到生成对抗网络,同时使用小波域对抗损失函数和身份保持损失函数来分别产生更加真实的小波系数和恢复身份信息。实验表明,该方法不仅可以合成更加真实的人脸图像,而且能够显着提高低分辨率人脸的识别精度。第三个工作针对更一般的人脸图像复原问题,对小波域方法做出了进一步的改进。该工作首先建立了一个由手机和数码相机成对采集的大规模深度变焦人脸数据集,通过真实的低质量图像而非模拟退化图像对人脸图像复原模型进行训练。其次,提出小波域深度变焦网络,进一步挖掘不同频段小波之间的共享信息来恢复更多的纹理细节,同时引入人脸结构先验来克服数据非严格对齐的问题。实验表明,利用深度变焦人脸数据集训练的小波域深度变焦网络,可以显着提高对真实场景采集的低质量人脸图像复原的鲁棒性。
窦法旺[6]（2017）在《多波束前视声呐图像提高分辨率技术研究》文中研究表明高分辨率的声呐图像可以更加清晰、真实地呈现水下探测场景中的目标信息,是目标探测、定位、识别与跟踪的重要依据,在海底地形测绘、堤坝缺陷检测和水下搜救打捞等国防和民生领域中发挥着重要作用。在高分辨率声呐中,距离向分辨率可以通过增大系统带宽的方法实现,方位向分辨率则依赖于阵列孔径,而增大孔径尺寸又会显着增加通道数量,进而增加系统的功耗和体积。本文针对课题组研制的一款多波束前视声呐系统,在不改变硬件设备的基础上,对多波束前视声呐图像提高分辨率技术展开研究,具体工作包括以下几个方面:（1）提出并实现了一种基于失真度评估的时变聚焦波束形成算法。针对声呐系统对复杂多变的水下场景进行高分辨率精细成像的要求,该方法将聚焦点的时间结构与半圆形阵列的空间结构联系起来,建立了近场时变聚焦模型,获得了各个聚焦点精确的延时信息;通过失真度评估准则选择聚焦距离和声速等级,并采用分段近似的方法实现了近场聚焦;在兼顾波束方向图的各项性能指标的基础上,利用二阶锥规划的方法优化设计成像波束。最后,对算法进行了FPGA实现,并通过成像测试验证了算法的有效性和实用性。（2）研究了一种基于和差波束测角的单脉冲前视成像算法。由于波束扫描成像的方位向分辨率受限于波束的主瓣宽度,该方法将和差波束单脉冲测角处理引入成像过程,实现了对波束内强散射点的精确定位,使得某些具有特征的目标更加清晰,有效提高了声呐对探测区域的方位向分辨率。算法并不涉及复杂的数据处理运算,有利于工程实现。（3）提出了一种基于卷积反演的扫描波束方位向超分辨算法。针对扫描波束的卷积平滑作用导致成像结果具有明显被模糊的现象,该方法建立了方位向卷积模型,将成像数据等价为目标散射信息与波束方向图的卷积结果,然后采用贝叶斯最大似然准则对超分辨反问题进行正则化,通过近似迭代求解,复原探测场景中的目标散射分布信息,实现了方位向上的超分辨效果。（4）研究了一种基于稀疏表示的声呐图像超分辨率重建方法。考虑到声呐图像轮廓特征的重要性,利用改进后的NEDI算法插值得到高分辨率图像的初始估计;在假定高、低分辨率图像空间具有相似流形的前提下,采用原子修正后的K-SVD算法训练得到高、低分辨率字典对,并使用PCA算法降低训练样本的维数,从而提高了训练的收敛速度。实验结果表明,该方法重建得到的声呐图像能够很好地保持边缘和细节信息不变,而且在视觉效果和客观指标上都有明显的提高。
李景芳[7]（2016）在《基于遗传算法的SAR图像变化检测技术研究》文中指出图像变化检测是指利用同一个地区不同时间段的图像获取地物目标的变化信息,并进一步实现对目标定性或定量的分析的过程,已经广泛应用于民用和军事领域。合成孔径雷达（SAR）相对于可见光、红外线具有全天候、全天时等优点,在目标识别、变化检测、图像融合领域得到广泛的应用。针对SAR特有的斑点噪声问题,探讨了斑点噪声抑制方法,对几种常用的滤波算法进行实验比较和分析,确定了将小波算法、Lee滤波算法和双边滤波算法三种算法联合,实现SAR斑点噪声抑制。这种方法在有效去除斑点噪声的同时能够较好的保留边缘信息。然后针对目前变化检测算法准确率低、实时性差等问题,本文提出了一种基于遗传算法-FCM算法的SAR图像变化检测算法。因为图像配准对变化检测的不利影响,首先利用Harris-SIFT算法实现图像自动匹配。然后利用不同变化检测方法提取初步差异图像。最后引入遗传算法,获取FCM算法所需要的初始聚类中心,在一定程度上避免了FCM算法对初始聚类中心敏感和容易陷入局部最优解的问题。将最终获取的变化图像,与参考图像进行比较,验证算法的准确度。实验结果表明本文所提出的方法有更好的变化检测效果。
王静[8]（2014）在《基于小波方法的超分辨率图像重建》文中研究说明近年来，随着科学技术的不断提高，网络的日益普及，多媒体技术的涌现，使得图像重建技术得到日益广泛的应用。当下，在信号领域，该技能成为了重要的研究方向。众所周知，当我们要得到一幅图像的时候，往往会受到物理方面成像方式和成像条件的局限，使得成像体系不能获取最初场景的全部信息，且已有的图像分辨率是很低的，不能达到人们的要求，得到人们满意的结果。所以，怎样去提高所获得图像的辨识度是如今人们致力解决地问题。正因为这样的背景,该技术才会发展开来。该种图像重建主要运用信号处理方面的理论，重构一些成像体系之外的信息，但是，该技术并不需要硬件方面做出改变，仅仅是根据现存的低图像通过重建的思想重构高的图像。首先，文章综合介绍了关于方法的发展过程。于此同时，介绍了小波变换的一些重要知识，小波变换有很多的优点比如它的多尺度分解特性、高频信息与低频信息的可分离性等，基于这些优点使得小波变换在图像分析领域中有很重要的应用。其次，文章介绍了关于单幅图像的两种重建算法，同时比对以往的算法，找出不足，并将小波变换、迭代方法、图像融合和图像外推等技术引入到算法中去更好的重建图像。最后，文章阐述了关于多帧图像的重建方法，对于多帧图象重建来说，关键是精确的运动配准估计，而后映在相应的高分辨率网格上，再选用经典的重建方法处理图像。从而，提高图像的分辨率。多帧图像的信息量多于单帧。所以，由多帧图像重建的图像更加清晰。用小波去噪来尽量减少噪声的污染。实验的最终结果证实，本篇文章提出的结合小波方法的超分辨率图像重建算法与以往的插值算法相比，弥补了一定的不足，能够获得分辨率提高的图像。在评价环节，选择主观与客观标准。用峰值信噪比的大小，来权衡重现质量。
周丽平,孙志峻,张泉[9]（2013）在《显微视觉系统的自动聚焦及控制》文中研究指明对自动显微镜的自动聚焦评价函数及聚焦控制策略进行了研究。首先,介绍了频域聚焦函数提升小波变换及时域聚焦函数Sobel-Tenengrad算子,通过将提升小波变换和Sobel-Tenengrad算子有机组合提出了一种新型聚焦评价函数。然后,利用离焦、正焦样本图像对自组织算法进行无监督训练,使用粒子群优化算法加速训练过程,并以经过学习的自组织映射算法作为聚焦控制器。最后,进行了显微视觉自动聚焦实验。实验结果表明:新型组合算子具有单峰性,峰值处变化陡峭,对不同样本、不同倍数物镜均可在正焦位置达到最大值,鲁棒性强;经过学习控制器后平均仅用7.6步即可完成自动聚焦,与爬山法相比,该聚焦算法不仅大大提高了聚焦速度且性能稳定,对每幅输入图像处理、识别时间约为120ms;满足了显微视觉自动聚焦要求,获得了良好聚焦效果。
程光权[10]（2010）在《基于方向小波图像处理与几何特征保持质量评价研究》文中进行了进一步梳理随着科学技术的发展,以及人们需求的日益提高,从一维信号处理中发展起来的经典图像处理算法,已越来越难满足人们对高质量图像处理的需求。小波等经典图像处理方法忽略了高维数据的本征几何结构特征,并不是适于图像数据结构的视觉最优图像处理方法。因此,为了改善各类图像处理算法的效果,必须从图像数据的本身结构特点出发,根据人眼视觉系统特性,结合实际应用背景需求,设计真正适合于图像数据特征的图像处理算法。图像数据的离散属性,以及结构的复杂特性,决定了在数字图像处理过程中,建立符合视觉感知特点的适于应用背景的精确模型的困难性。本文在深入研究图像数据视觉感知特点的基础上,针对传统图像压缩、分辨率增强以及质量评价算法设计中的不足,对算法设计中的一些关键问题做出了深入研究。本文的主要工作和创新包括以下几个方面:1.针对基于小波变换图像压缩方法的不足,结合图像数据几何结构特征,提出了基于边缘导向的正交小波变换图像压缩方法。该方法在继承经典小波变换优点的基础上,能够充分理解图像数据的方向奇异结构特性,有效地利用图像数据空间不均匀的特性,提高图像压缩效率的同时,有效保护图像数据中人眼视觉感兴趣的几何奇异特征。同时,将方法根据SAR图像数据特点加以改进,拓展应用到SAR图像压缩中。2.针对传统插值方法的不足,提出了基于小波变换的边缘保持方向自适应图像插值方法。该方法通过改进双线性插值方法,自适应调整插值核函数,有效地保护了图像的边缘特征。同时结合小波变换的多分辨表示性能,有效地提高了插值图像的高频信息,并进行相关后处理,增强了图像的视觉效果。与传统方法比较,试验结果的主客观质量都得到了提高。3.在研究二分树复小波变换系数几何先验信息的基础上,建立了基于复小波变换的超分辨图像重建模型。该方法利用二分树复小波变换具有近似平移不变和灵活的方向选择性,实现图像的高效稀疏表示。同时,根据复小波变换系数模值和相位信息在边缘处的几何约束条件,结合超分辨重建问题,从而在复小波变换域建立一种新型的超分辨重建模型。最后,利用分裂Bregman方法实现模型的有效优化求解,得到高质量的超分辨率图像。4.针对传统质量评价方法的缺陷,根据视觉感知图像数据的特点,提出了基于几何结构失真模型的完全参考图像质量评价方法。该方法根据图像数据中引起视觉敏感的方向失真、幅度失真和锐度失真,建立了几何结构失真模型,物理意义明确,计算复杂度较低,符合人眼视觉感知特点,试验结果与主观预测结果具有很好的一致性。同时,利用小波变换与人眼视觉系统的多通道特性相匹配的特点,建立基于小波变换的几何结构失真模型的质量评价方法,试验结果验证了方法的有效性。5.根据自然图像统计先验信息,提出了基于边缘特征统计的部分参考型图像质量评价方法。图像边缘信息在人眼感知图像质量过程中占据着十分重要的地位,而自然图像的边缘统计分布符合一定的先验统计规律,该方法通过度量这种统计分布特征的变化程度预测图像质量,仿真试验对标准图像库中所有失真类型数据都得到较好的预测结果。总之,本文从图像数据结构特征出发,结合人眼视觉感知特性,解决基于方向小波图像处理算法与几何特征保持质量评价方法设计中的一些关键问题,获得了更加符合人眼视觉系统特性的试验结果。
二、提高航空图像分辨率的小波方法研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、提高航空图像分辨率的小波方法研究（论文提纲范文）
（1）基于超分辨重建的遥感图像融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作和结构安排 |
| 第二章 图像融合的理论基础 |
| 2.1 引言 |
| 2.2 融合层次 |
| 2.3 常见的融合方法 |
| 2.3.1 IHS变换融合方法 |
| 2.3.2 PCA变换融合方法 |
| 2.3.3 GS变换融合方法 |
| 2.3.4 Brovey变换融合方法 |
| 2.4 融合效果评价 |
| 2.5 基于超分辨重建的方法 |
| 2.5.1 传统插值方法 |
| 2.5.2 SRCNN模型重建方法 |
| 2.5.3 FSRCNN模型重建 |
| 2.5.4 超分辨处理对比实验 |
| 2.6 本章小结 |
| 第三章 基于超分辨重建的多光谱及拉普拉斯金字塔融合方法 |
| 3.1 引言 |
| 3.2 CNN特征提取 |
| 3.2.1 CNN的一般特性 |
| 3.2.2 CNN特征提取模型 |
| 3.3 拉普拉斯金字塔分解与重建 |
| 3.3.1 高斯金字塔分解 |
| 3.3.2 拉普拉斯金字塔分解 |
| 3.3.3 拉普拉斯金字塔重建 |
| 3.4 融合步骤 |
| 3.5 本章小结 |
| 第四章 基于超分辨重建的多光谱及导向滤波融合方法 |
| 4.1 引言 |
| 4.2 导向滤波器的基础与应用 |
| 4.3 导向滤波器的性质 |
| 4.3.1 保边平滑性 |
| 4.3.2 核函数分析 |
| 4.4 快速导向滤波与滚动导向滤波 |
| 4.5 融合步骤 |
| 4.6 三种导向滤波器的对比实验 |
| 4.7 本章小结 |
| 第五章 实验结果与融合质量评价 |
| 5.1 引言 |
| 5.2 Geo Eye-1 图像融合结果与评价 |
| 5.2.1 Geo Eye-1 遥感图像介绍 |
| 5.2.2 主观评价 |
| 5.2.3 客观评价 |
| 5.3 IKONOS图像融合结果与评价 |
| 5.3.1 IKONOS遥感图像介绍 |
| 5.3.2 主观评价 |
| 5.3.3 客观评价 |
| 5.4 World View-2 图像融合结果与评价 |
| 5.4.1 World View-2 遥感图像介绍 |
| 5.4.2 主观评价 |
| 5.4.3 客观评价 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）超声TOFD焊缝缺陷检测成像技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 超声TOFD检测技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文的组织结构 |
| 第2章 超声TOFD成像理论与模拟 |
| 2.1 TOFD的理论基础和模型 |
| 2.1.1 理论基础 |
| 2.1.2 数学模型 |
| 2.2 超声TOFD的数据可视化及特征分析 |
| 2.2.1 图像灰度图谱特征 |
| 2.2.2 波形相位特征 |
| 2.2.3 TOFD缺陷特征 |
| 2.3 TOFD检测噪声及尺寸测量偏差 |
| 2.3.1 TOFD检测噪声特性 |
| 2.3.2 TOFD检测缺陷尺寸 |
| 2.3.3 TOFD检测噪声分析 |
| 2.4 本章小结 |
| 第3章 超声TOFD图像的噪声杂波抑制研究 |
| 3.1 噪声模型 |
| 3.2 仿真结果与分析 |
| 3.2.1 缺陷模型仿真 |
| 3.2.2 噪声模型仿真 |
| 3.2.3 噪声滤波仿真 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 小波变换图像降噪技术研究 |
| 4.1 小波分析 |
| 4.2 小波去噪声的方法 |
| 4.2.1 小波变换模极大去噪声 |
| 4.2.2 小波变换尺度相关性去燥 |
| 4.2.3 小波阈值去噪 |
| 4.3 小波阈值去噪的改进方法 |
| 4.3.1 阈值选取方式 |
| 4.3.2 阈值函数的选取 |
| 4.3.3 实验结果 |
| 4.4 本章小结 |
| 第5章 实验结果与分析 |
| 5.1 TOFD实验系统 |
| 5.1.1 超声探伤仪主机及软件 |
| 5.1.2 TOFD探头 |
| 5.1.3 焊缝人工缺陷试块 |
| 5.1.4 扫查装置 |
| 5.2 分析实验数据 |
| 5.2.1 裂纹 |
| 5.2.2 未熔合 |
| 5.2.3 未焊透 |
| 5.2.4 气孔 |
| 5.2.5 夹渣 |
| 5.2.6 缺陷位置测定 |
| 5.3 TOFD成像实验结果与分析 |
| 5.4 缺陷的尺寸测量 |
| 5.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（3）基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 桥梁结构状态监测方法研究现状 |
| 1.2.1 常规安全监测方法 |
| 1.2.2 桥梁智能监测新技术进展 |
| 1.3 结构损伤识别方法的研究现状 |
| 1.3.1 常规桥梁损伤识别方法 |
| 1.3.2 图像处理技术在结构损伤识别中的应用 |
| 1.4 桥梁结构损伤识别问题探讨 |
| 1.5 本文主要研究工作 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第二章 面向桥梁结构状态监测的数字图像获取方法 |
| 2.1 桥梁状态监测影像数据采集方案 |
| 2.2 摄影图像的几何关系与转角约束 |
| 2.2.1 最大转角对监测图像的影响及阈值判定方法 |
| 2.2.2 相邻图像适度旋转角的阈值判定方法 |
| 2.3 单机监测桥梁结构状态的硬件系统组成 |
| 2.4 本章小结 |
| 第三章 基于旋转摄影的桥梁等效正射图像获取方法 |
| 3.1 投影中心偏移矫正方法 |
| 3.1.1 连续图像序列向基准图像的映射 |
| 3.1.2 图像序列投影中心偏移纠正方法 |
| 3.1.3 投影中心矫正方法的试验验证 |
| 3.2 基于尺度不变特征变换(SIFT)的图像同名点数学表征 |
| 3.2.1 SIFT特征点的提取和配准 |
| 3.2.2 尺度变化对特征点稳定性的影响 |
| 3.2.3 转角变化对特征点稳定性的影响 |
| 3.3 桥梁结构正射图像获取试验 |
| 3.3.1 模型试验梁的设计与制作 |
| 3.3.2 试验数据的采集方法 |
| 3.3.3 试验梁的损伤及加载制度 |
| 3.3.4 试验梁的等效正射图像获取 |
| 3.4 本章小结 |
| 第四章 桥梁结构图像轮廓线全息变形获取方法 |
| 4.1 基于模糊集理论的桥梁图像增强 |
| 4.2 桥梁图像边缘连续化处理 |
| 4.2.1 不连续边缘检测算法改进 |
| 4.2.2 灰度形态学对不连续边缘的处理 |
| 4.2.3 桥梁图像边缘连续性处理效果验证 |
| 4.3 桥梁图像监测分辨率标定和形态提取 |
| 4.3.1 桥梁图像的监测分辨率标定 |
| 4.3.2 桥梁结构主体形态提取 |
| 4.3.3 结构主体形态提取结果验证 |
| 4.4 桥梁结构边缘变形分析 |
| 4.4.1 结构图像边缘线形振荡成因及特征分析 |
| 4.4.2 基于改进小波阈值去噪函数的结构边缘滤波方法 |
| 4.4.3 桥梁结构边缘变形提取及精度验证 |
| 4.5 本章小结 |
| 第五章 桥梁结构全场位移矢量求解方法 |
| 5.1 桥梁结构全场位移向量集合的求解方法 |
| 5.1.1 结构图像同名点对的批量筛选与匹配 |
| 5.1.2 图像测量平面点对位置的约束构造 |
| 5.1.3 结构全场位移矢量求解方法 |
| 5.2 位移矢量场一致性约束条件 |
| 5.2.1 全场位移矢量转角误匹配筛除 |
| 5.2.2 位移矢量一致性约束 |
| 5.2.3 矢量一致性约束能力验证 |
| 5.3 结构位移矢量场精度验证 |
| 5.3.1 全场位移矢量精度验证 |
| 5.3.2 局部位移矢量异常分布验证 |
| 5.4 本章小结 |
| 第六章 基于全息形态变化的桥梁结构损伤识别方法探索 |
| 6.1 损伤致梁形态变化的理论分析 |
| 6.1.1 带损伤梁的变形方程 |
| 6.1.2 损伤致梁形态变化的数值算例 |
| 6.2 基于形态变化损伤识别的数值模拟 |
| 6.2.1 有限元模型的建立 |
| 6.2.2 损伤梁有限元数值分析结果 |
| 6.3 全息形态变化下的损伤识别参数选取 |
| 6.3.1 基于曲率参数识别损伤的应用问题 |
| 6.3.2 基于转角参数识别组合梁损伤的数值模拟 |
| 6.4 基于位移矢量转角变化的结构损伤识别方法 |
| 6.4.1 结构位移矢量异常分布特征 |
| 6.4.2 位移转角差表征的结构状态 |
| 6.5 结构损伤识别方法试验验证 |
| 6.5.1 验证试验概况 |
| 6.5.2 试验梁全场位移矢量提取 |
| 6.5.3 试验梁构件的损伤识别 |
| 6.5.4 基于位移矢量转角变化的桥梁结构损伤识别程序 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 后记与研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和取得的学术成果 |
（4）基于深度学习的管道漏磁信号智能识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 管道漏磁信号识别技术国内外研究现状 |
| 1.2.1 管道漏磁内检测技术研究现状 |
| 1.2.2 管道漏磁信号识别技术研究现状 |
| 1.3 深度学习国内外研究现状 |
| 1.3.1 基于深度学习的图像分类技术研究现状 |
| 1.3.2 基于深度学习的目标检测技术研究现状 |
| 1.4 主要研究内容及当前存在的问题 |
| 1.4.1 主要研究内容 |
| 1.4.2 漏磁信号识别技术当前存在问题 |
| 1.5 论文整体结构 |
| 第2章 管道漏磁信号识别相关技术 |
| 2.1 长输油气管道主要特征类型 |
| 2.2 管道漏磁内检测技术 |
| 2.2.1 漏磁内检测器基本结构 |
| 2.2.2 管道漏磁内检测原理 |
| 2.3 管道漏磁信号数据格式 |
| 2.3.1 漏磁数据格式 |
| 2.3.2 漏磁数据读取方法 |
| 2.4 常用管道漏磁信号识别技术 |
| 2.4.1 基于传统神经网络识别方法 |
| 2.4.2 基于支持向量机识别方法 |
| 2.4.3 基于深度学习识别方法 |
| 2.5 本章小结 |
| 第3章 图库建立及管道漏磁图像预处理技术研究 |
| 3.1 管道漏磁信号成像技术研究 |
| 3.1.1 曲线图像 |
| 3.1.2 伪彩色图像 |
| 3.2 管道漏磁信号特征分析 |
| 3.2.1 焊缝特征分析 |
| 3.2.2 特殊部件特征分析 |
| 3.2.3 缺陷特征分析 |
| 3.3 管道漏磁图像预处理 |
| 3.4 图库建立 |
| 3.5 实验所用硬件及软件 |
| 3.6 本章小结 |
| 第4章 基于多尺度数学形态学和拉普拉斯算子的图像边缘增强算法研究 |
| 4.1 边缘增强算子 |
| 4.2 多尺度数学形态学算法 |
| 4.2.1 数学形态学基本原理 |
| 4.2.2 多尺度数学形态学算法增强处理 |
| 4.3 基于自适应阈值的拉普拉斯图像边缘增强算法 |
| 4.3.1 自适应阈值设定 |
| 4.3.2 边缘颜色约束对 |
| 4.3.3 自适应阈值拉普拉斯边缘增强处理 |
| 4.4 实验结果与分析 |
| 4.4.1 实验 |
| 4.4.2 多尺度数学形态增强实验与结果分析 |
| 4.4.3 自适应阈值拉普拉斯增强实验结果与分析 |
| 4.4.4 不同边缘增强算子对比实验分析 |
| 4.5 本章小结 |
| 第5章 基于稀疏自编码卷积神经网络的管道漏磁图像分类算法研究 |
| 5.1 卷积神经网络原理 |
| 5.2 稀疏自编码网络 |
| 5.2.1 自编码网络结构 |
| 5.2.2 加入稀疏限制的自编码网络 |
| 5.3 基于稀疏自编码卷积神经网络的管道漏磁图像分类方法 |
| 5.3.1 卷积核稀疏自编码 |
| 5.3.2 稀疏卷积核图像熵相似度优化方法 |
| 5.3.3 漏磁图像分类方法 |
| 5.4 实验结果与分析 |
| 5.4.1 实验参数设置 |
| 5.4.2 评价标准 |
| 5.4.3 实验结果分析 |
| 5.4.4 影响CNN分类性能的因素 |
| 5.5 本章小结 |
| 第6章 基于DAR-SSD网络的管道漏磁伪彩色图像识别算法研究 |
| 6.1 SSD网络框架基本结构 |
| 6.2 空洞卷积与注意力残差模块 |
| 6.2.1 空洞卷积 |
| 6.2.2 注意力残差模块 |
| 6.3 基于DAR-SSD网络的管道漏磁图像识别 |
| 6.3.1 网络结构设计 |
| 6.3.2 网络训练 |
| 6.4 实验与结果分析 |
| 6.4.1 实验参数设置 |
| 6.4.2 实验结果分析 |
| 6.4.3 定位结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（5）基于生成模型的人脸图像合成与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容和主要工作 |
| 1.3 论文的组织结构 |
| 第2章 研究现状 |
| 2.1 引言 |
| 2.2 生成模型 |
| 2.2.1 生成对抗网络 |
| 2.2.2 变分自编码器 |
| 2.2.3 其他生成模型 |
| 2.3 条件生成模型 |
| 2.3.1 基于标签的生成模型 |
| 2.3.2 图像翻译模型 |
| 2.3.3 图像复原模型 |
| 2.4 人脸图像分析技术 |
| 2.4.1 人脸属性预测技术 |
| 2.4.2 人脸识别技术 |
| 2.5 小结 |
| 第3章 基于自省对抗的高清人脸图像合成 |
| 3.1 引言 |
| 3.2 背景知识 |
| 3.3 自省变分自编码器 |
| 3.3.1 对抗式分布学习 |
| 3.3.2 自省式变分推断 |
| 3.3.3 模型训练细节 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集和协议 |
| 3.4.2 合成结果及分析 |
| 3.4.3 训练稳定性和速度分析 |
| 3.4.4 隐空间和最近邻分析 |
| 3.5 小结 |
| 第4章 基于变分表达的人脸图像合成与分析 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 变分自编码器 |
| 4.2.2 解耦表达学习 |
| 4.2.3 人脸属性预测与合成 |
| 4.2.4 异质人脸识别 |
| 4.3 基于变分表达的人脸属性预测与合成 |
| 4.3.1 基准模型设计 |
| 4.3.2 互信息解耦表达 |
| 4.3.3 自省对抗学习 |
| 4.3.4 模型训练细节 |
| 4.3.5 预测和采样 |
| 4.4 基于变分表达的异质人脸识别 |
| 4.4.1 Wasserstein卷积神经网络 |
| 4.4.2 解耦变分表达 |
| 4.4.3 异质人脸识别网络 |
| 4.4.4 模型训练细节 |
| 4.5 实验结果与分析 |
| 4.5.1 人脸属性预测与合成 |
| 4.5.2 异质人脸识别 |
| 4.6 小结 |
| 第5章 基于小波变换的人脸图像复原 |
| 5.1 引言 |
| 5.2 小波域超分辨率卷积神经网络 |
| 5.2.1 小波变换分析 |
| 5.2.2 损失函数设计 |
| 5.2.3 网络结构设计 |
| 5.2.4 模型训练细节 |
| 5.3 小波域超分辨率生成对抗网络 |
| 5.3.1 损失函数设计 |
| 5.3.2 网络结构设计 |
| 5.3.3 模型训练细节 |
| 5.4 小波域深度变焦网络 |
| 5.4.1 深度变焦人脸数据集 |
| 5.4.2 小波域深度变焦算法 |
| 5.5 实验结果与分析 |
| 5.5.1 人脸图像超分辨率 |
| 5.5.2 手机人脸图像复原 |
| 5.6 小结 |
| 第6章 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 本文工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（6）多波束前视声呐图像提高分辨率技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 成像声呐的发展现状 |
| 1.2.2 声呐图像提高分辨率的技术途径 |
| 1.3 本文主要研究内容与章节安排 |
| 第二章 多波束前视声呐系统总体架构 |
| 2.1 引言 |
| 2.2 多波束前视声呐成像原理 |
| 2.3 声呐系统总体结构 |
| 2.3.1 组成模块 |
| 2.3.2 技术指标 |
| 2.3.3 工作原理 |
| 2.4 系统成像视觉优化 |
| 2.4.1 通道幅相较正 |
| 2.4.2 成像算法优化 |
| 2.4.3 动态范围优化 |
| 2.4.4 扇形视图转换 |
| 2.5 本章小结 |
| 第三章 基于失真度评估的时变聚焦波束形成算法 |
| 3.1 引言 |
| 3.2 波束形成的基本原理 |
| 3.2.1 声呐阵列的数学模型 |
| 3.2.2 波束形成器的实现 |
| 3.3 波束优化的综合设计 |
| 3.3.1 基于数据统计的波束优化设计 |
| 3.3.2 基于数据独立的波束优化设计 |
| 3.4 基于失真度评估的时变聚焦波束形成 |
| 3.4.1 近场时变聚焦模型 |
| 3.4.2 成像波束优化设计 |
| 3.4.3 失真度评估的定义 |
| 3.4.4 算法仿真与分析 |
| 3.5 FPGA实现与成像测试 |
| 3.6 本章小结 |
| 第四章 基于和差波束测角的单脉冲前视成像算法 |
| 4.1 引言 |
| 4.2 和差波束单脉冲测角原理 |
| 4.3 单脉冲前视成像算法流程 |
| 4.4 实测数据仿真与分析 |
| 4.5 本章小结 |
| 第五章 基于卷积反演的扫描波束方位向超分辨算法 |
| 5.1 引言 |
| 5.2 反卷积问题与病态性分析 |
| 5.2.1 反卷积的病态性 |
| 5.2.2 奇异值分解分析 |
| 5.2.3 反卷积的正则化 |
| 5.3 波束扫描方位向卷积模型 |
| 5.4 基于卷积反演的扫描波束方位向超分辨算法 |
| 5.4.1 贝叶斯准则 |
| 5.4.2 算法推导与实现 |
| 5.5 实测数据仿真与分析 |
| 5.6 本章小结 |
| 第六章 基于稀疏表示的声呐图像超分辨率重建算法 |
| 6.1 引言 |
| 6.2 声呐图像退化模型 |
| 6.3 图像的稀疏表示理论 |
| 6.3.1 稀疏表示理论 |
| 6.3.2 稀疏编码算法 |
| 6.3.3 字典学习算法 |
| 6.4 基于稀疏表示的声呐图像超分辨率重建算法 |
| 6.4.1 改进的NEDI插值 |
| 6.4.2 超分辨率算法流程 |
| 6.4.3 实验结果与分析 |
| 6.5 本章小结 |
| 第七章 结束语 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（7）基于遗传算法的SAR图像变化检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR的发展现状 |
| 1.2.2 SAR图像变化检测研究 |
| 1.2.3 SAR图像变化检测的应用 |
| 1.3 论文的主要内容和章节安排 |
| 第2章 SAR图像成像方法 |
| 2.1 SAR成像基本原理 |
| 2.2 RD成像方法 |
| 2.3 本章小结 |
| 第3章 斑点噪声抑制方法 |
| 3.1 斑点噪声形成机理 |
| 3.2 三种降噪方法介绍 |
| 3.2.1 小波方法 |
| 3.2.2 Lee滤波降噪方法 |
| 3.2.3 双边滤波降噪方法 |
| 3.3 实验仿真与结果分析 |
| 3.4 本章小结 |
| 第4章 SAR图像配准方法 |
| 4.1 Harris角点检测 |
| 4.2 SIFT算子 |
| 4.3 实验仿真与结果分析 |
| 4.4 本章小结 |
| 第5章 遗传算法和FCM算法介绍 |
| 5.1 遗传算法 |
| 5.2 FCM算法 |
| 5.2.1 模糊概念 |
| 5.2.2 FCM原理和步骤 |
| 5.3 实验仿真与结果分析 |
| 5.4 本章小结 |
| 第6章 基于遗传算法的FCM算法的仿真 |
| 6.1 K均值聚类算法 |
| 6.2 K-means方法和FCM方法的结果分析 |
| 6.3 初步变化检测图像的获取 |
| 6.4 PCA降维方法 |
| 6.5 基于GA的FCM算法 |
| 6.6 仿真与分析 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表（含录用）的学术论文 |
（8）基于小波方法的超分辨率图像重建（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 发展现状 |
| 1.3 文章的结构安排 |
| 第二章 相关问题的描述 |
| 2.1 理论基础 |
| 2.1.1 基本概念 |
| 2.1.2 图像复原、图像增强 |
| 2.2 图像重建的数学模型 |
| 2.2.1 降质模型 |
| 2.2.2 图像重建的模型 |
| 2.3 几种重建算法的介绍 |
| 2.3.1 频率域法 |
| 2.3.2 空域方法 |
| 2.4 重建图像的评价方法 |
| 2.4.1 主观评价方法 |
| 2.4.2 客观评价方法 |
| 2.5 本章小结 |
| 第三章 小波理论的相关分析 |
| 3.1 小波理论 |
| 3.1.1 小波的定义 |
| 3.1.2 连续小波变换 |
| 3.1.3 离散小波变换 |
| 3.2 多分辨率分析 |
| 3.2.1 基本理论 |
| 3.2.2 正交小波 |
| 3.2.3 mallat 算法 |
| 3.3 几种常用的小波 |
| 3.4 小波去噪 |
| 3.4.1 去噪介绍 |
| 3.4.2 去噪的方法 |
| 3.4.3 去噪实验 |
| 3.5 本章小结 |
| 第四章 单帧图像的超分辨率重建 |
| 4.1 经典的插值方法 |
| 4.1.1 最邻近插值（Nearest Neighbor Interpolation） |
| 4.1.2 双线性插值(Bilinear) |
| 4.1.3 双三次插值（Bicubic Interpolation ） |
| 4.2 数学模型分析 |
| 4.3 基于小波变换的超分辨率重建算法 |
| 4.4 基于小波方法和融合技术的超分辨率图像重建算法 |
| 4.5 实验的结果和分析 |
| 4.6 基于小波和图像外推技术的图像重建算法分析 |
| 4.6.1 外推方法的简介 |
| 4.6.2 算法介绍 |
| 4.7 实验结果与分析 |
| 4.8 本章小结 |
| 第五章 多帧图像的超分辨率图像重建 |
| 5.1 图像配准方法 |
| 5.1.1 图像配准的模型 |
| 5.1.2 块匹配 |
| 5.1.3 泰勒级数法 |
| 5.1.4 三步搜索法 |
| 5.1.5 基于频域的图像配准方法 |
| 5.2 算法的提出 |
| 5.3 实验分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 申请学位期间的研究成果及发表的学术论文 |
（9）显微视觉系统的自动聚焦及控制（论文提纲范文）
| 1 引言 |
| 2 聚焦评价函数 |
| 2.1 DWT算子 |
| 2.2 Sobel-Tenengrad算子 |
| 2.3 组合算子 |
| 3 自组织映射聚焦策略 |
| 3.1 SOM算法 |
| 3.2 PSO优化算法 |
| 3.3 SOM-PSO自动聚焦控制器 |
| 4 实验结果 |
| 4.1 实验平台 |
| 4.2 自动聚焦评价函数 |
| 4.3 自动聚焦实验 |
| 5 结论 |
（10）基于方向小波图像处理与几何特征保持质量评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 图像数据的几何结构特征 |
| 1.3 多尺度几何分析 |
| 1.3.1 从傅立叶分析到小波 |
| 1.3.2 多尺度几何分析方法 |
| 1.4 本文研究内容 |
| 1.5 主要创新点 |
| 第二章 基于边缘导向正交小波变换的图像压缩 |
| 2.1 引言 |
| 2.2 图像压缩主要方法 |
| 2.3 小波图像压缩及其不足 |
| 2.4 基于边缘导向的正交小波变换图像压缩 |
| 2.4.1 方向消失矩 |
| 2.4.2 方向提升格式 |
| 2.4.3 算法框架 |
| 2.4.4 试验结果 |
| 2.4.5 结论 |
| 2.5 基于最优树结构的边缘导向正交小波包变换SAR 图像压缩 |
| 2.5.1 SAR 图像数据特点 |
| 2.5.2 SAR 图像压缩方案 |
| 2.5.3 试验结果 |
| 2.5.4 结论 |
| 2.6 本章小结 |
| 第三章 基于特征保持的图像分辨率增强技术研究 |
| 3.1 引言 |
| 3.2 研究现状 |
| 3.3 基于小波变换的边缘保持方向自适应图像插值 |
| 3.3.1 方向自适应插值 |
| 3.3.2 基于小波的自适应插值方法 |
| 3.3.3 插值图像后处理 |
| 3.3.4 试验结果 |
| 3.3.5 结论 |
| 3.4 基于复小波变换的单幅图像超分辨率重建 |
| 3.4.1 复小波变换及几何正则约束 |
| 3.4.2 基于复小波变换的超分辨率图像重建及求解 |
| 3.4.3 数值试验 |
| 3.4.4 结论 |
| 3.5 本章小结 |
| 第四章 基于几何特征保持的图像质量评价研究 |
| 4.1 引言 |
| 4.2 研究现状 |
| 4.3 基于几何结构失真模型的完全参考型图像质量评价 |
| 4.3.1 方向失真 |
| 4.3.2 幅度失真 |
| 4.3.3 锐度失真 |
| 4.3.4 数值试验 |
| 4.3.5 结论 |
| 4.4 基于小波变换的几何结构失真模型图像质量评价 |
| 4.4.1 对比敏感函数 |
| 4.4.2 算法设计 |
| 4.4.3 试验结果 |
| 4.4.4 结论 |
| 4.5 基于边缘特征统计的部分参考型质量评价方法 |
| 4.5.1 引言 |
| 4.5.2 自然图像特征统计 |
| 4.5.3 模型建立 |
| 4.5.4 数值试验 |
| 4.5.5 结论 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、提高航空图像分辨率的小波方法研究（论文参考文献）
- [1]基于超分辨重建的遥感图像融合方法研究[D]. 施宇. 西安电子科技大学, 2020(05)
- [2]超声TOFD焊缝缺陷检测成像技术研究[D]. 唐浩伟. 西南交通大学, 2020(07)
- [3]基于定轴旋转摄影的桥梁结构全息形态监测及损伤识别方法[D]. 楚玺. 重庆交通大学, 2020
- [4]基于深度学习的管道漏磁信号智能识别方法研究[D]. 王竹筠. 沈阳工业大学, 2019(01)
- [5]基于生成模型的人脸图像合成与分析[D]. 黄怀波. 中国科学院大学(中国科学院人工智能学院), 2019(02)
- [6]多波束前视声呐图像提高分辨率技术研究[D]. 窦法旺. 南京航空航天大学, 2017(03)
- [7]基于遗传算法的SAR图像变化检测技术研究[D]. 李景芳. 沈阳航空航天大学, 2016(03)
- [8]基于小波方法的超分辨率图像重建[D]. 王静. 天津职业技术师范大学, 2014(07)
- [9]显微视觉系统的自动聚焦及控制[J]. 周丽平,孙志峻,张泉. 光学精密工程, 2013(03)
- [10]基于方向小波图像处理与几何特征保持质量评价研究[D]. 程光权. 国防科学技术大学, 2010(04)