一、一种基于Cross-Validation的盲图像恢复方法（论文文献综述）
韩选[1]（2020）在《图像恢复的迭代算法研究》文中研究指明图像作为接受信息和传递信息的最主要媒介之一,在现代人们的日常生活、航空航天、医疗诊断、军事公安以及其他科学领域中发挥着至关重要的作用.然而在实际应用中,由于成像系统、记录设备和传输介质的不完善等因素会导致图像退化.因此,图像恢复技术显得尤为重要,即根据图像退化模型和迭代算法反演出原始图像的最佳近似.本文针对图像恢复的迭代正则化方法进行了深入的分析与研究,主要工作概括为以下几个方面:（1）针对模糊图像的恢复问题,详细叙述了图像退化的理论基础,图像恢复的研究背景与意义及其国内外研究现状.（2）基于图像退化的数学模型,分析了图像恢复的不适定性,退化函数的分类及图像退化的噪声分类,研究了正则化方法的基础理论,并推导了中矩形公式离散退化模型的过程。（3）以Tikhonov正则化和TSVD正则化为基础,研究了 Krylov子空间方法中的RRGMRES方法和CGLS方法.重点讨论了三种影响正则化效果的正则化参数的选取策略,分别是Morozov的偏差原理、广义交叉效验（GCV）准则和UPRE准则.（4）基于Krylov子空间方法,提出了由Tikhonov正则化结合LSQR算法形成的混合正则化LSQR算法,并应用于图像恢复中.通过数值模拟,将其与其他的Krylov子空间方法进行分析比较,结果表明本文提出的方法具有信噪比高、相对误差小的优点.（5）从混合正则化方法着手,提出了由TSVD正则化结合GMERR方法所构成的正则化GMERR算法.通过数值模拟与对比结果可以分析得到正则化GMERR算法的可行性和有效性,并且在图像恢复应用中能够明显改善图像恢复的质量.
崔金林[2]（2018）在《基于计算光学的非完善光学系统图像质量提高及其应用研究》文中研究指明利用数字图像处理提高非完善光学系统图像质量是当代成像科学的前沿学科。目前,将计算光学与数字图像处理有机结合是图像复原的主要技术手段之一。图像复原,即以图像去模糊为基本目的,利用退化过程的先验知识,恢复已被退化图像的本来面目。图像复原具有提高光学系统图像质量、降低硬件要求、改善图片质量等优点,广泛应用于军事、医学、测量、公共安全、交通监控和天文探测等领域,在科研和工业生产中占有重要地位。根据图像复原方法是否已知退化模型的点扩散函数（Point Spread Function,PSF）,可以分为两种基本类型:盲去卷积方法和非盲去卷积方法。盲去卷积方法利用退化图像的特征估计PSF,能够有效地改善图像质量。但是,盲去卷积算法获取的最优方程解与真实解不符。目前,盲去卷积方法还无法有效复原受像差影响较大的图像。非盲去卷积方法使用正确的PSF,能够显着改善图像质量。但是,非盲去卷积方法无法对物体进行空间定位,所以,通常只使用一个PSF复原图像。当目标物体不在标定平面时,复原结果不适当,甚至失败。本文综合应用图像复原方法、光学成像系统、稀疏字典、卷积神经网络和空域滤波器,进行了修正像差的研究。论文提出的方法可以准确定位测试图像的空间位置,使非盲去卷积方法适用于实际光学成像系统,达到提高非完善光学系统图像质量的目的。本论文的研究工作主要有以下三个部分:一、使用盲去卷积算法和非盲去卷积算法,获取两类大量先验PSF,采用稀疏字典方法训练双字典。双字典用于精确获知物空间采样范围内任意标定面的空间位置,为解决非盲去卷积的空间定位问题提供参考方案,使先验PSF数量不受预测问题的限制。应用论文提出的方法,搭建非完善光学系统图像复原的平台。二、将光学成像系统物空间切割分段,每段内先验PSF使用自适应滤波器SUBDF（Sub-Dictionary Filter,SUBDF）进行筛选,优化PSF景深分布;然后,训练双字典,记为子字典。物空间内所有样本使用自适应滤波器MDF（Main Dictionary Filter,MDF）筛选后,训练双字典,记为主字典。主字典与子字典组成多重字典。应用多重字典,能有效缩减PSF预测时间,并且先验PSF的使用数量只受硬件内存的限制。应用论文提出的方法,搭建非完善光学系统图像复原的平台。三、分析PSF数据分布的空间特性,将物空间划分N类,N为划分数量。应用卷积神经网络方法判断PSF的类别,准确获取目标图像的物空间区域,使用该区域训练的子字典准确预测先验PSF。以达到缩减先验PSF预测时间的目的。应用论文提出的方法,搭建非完善光学系统图像复原的平台。
贾彤彤[3]（2016）在《基于改进正则项模型的图像盲恢复研究》文中进行了进一步梳理现在,我们已然步入一个信息时代,图像处理的应用也已经非常普遍了.而图像盲恢复是图像处理中很重要的一个应用,它的目的是：在退化过程的先验信息不完整的前提下,通过相关技术从退化图像中尽可能恢复出原来的图像.其一般步骤为：首先建立相关的数学模型用来描述退化过程,然后再求解该逆问题,从而获得最接近原始图像的合理估计,最后应用相关评判标准判别估计结果的好坏.这一相关过程属于二维反卷积问题,从数学角度来讲就是求解反问题.然而反问题又常常具有不适定性,通常添加正则项可以有效的避免这一问题.本文的目的是提出一个改进的模型在可以充分去除噪音及模糊的同时也可以较好地保持图像边缘的特征信息.基于经典的Rudin-Osher-Fatemi （ROF）模型,本文提出了改进的全变分（MTV）模型,该模型的正则项是在ROF模型的基础上添加了光滑项‖▽u‖22可以有效避免图像出现阶梯效应.接着又对其进行了推广,提出推广的改进全变分（G-MTV）模型,该模型的保真项是L1范数和L2范数的结合,从而可以有效的去除大噪音和混合噪音.在算法上,鉴于分裂Bregman算法具有良好的稳定性及快速收敛的特性,本文应用此算法进行了相关的理论推导和仿真分析.此外,由于图像盲恢复问题中的点扩散函数是未知的或只有很少的一部分先验知识,我们需要同时得到近似的点扩散函数及其原始图像,这一过程很耗时.为提高运算速度,迭代过程应用了快速傅里叶变换方法.在数值实验中,针对不同的退化图像,模糊类型及噪音类型,我们通过MATLAB软件编程进行了数值仿真,并将经典模型,MTV模型和G-MTV模型进行了比较.实验结果证明了MTV模型和G-MTV模型的有效性,并得到了估计的点扩散函数.
李新科[4]（2014）在《桥梁拉索表面缺陷图像检测关键技术的研究》文中进行了进一步梳理随着桥梁交通建设的高速发展，大跨度和超大跨度桥梁的斜拉桥和悬索桥被广泛采用。在已建成并使用的这类桥梁中，拉索是其主要受力部件，拉索的可靠性和耐久性将直接关系到桥梁的安全和使用寿命。拉索外表有聚乙烯（PE）或者高密度聚乙烯（HDPE）保护层，但是拉索保护层长期暴露于自然环境中并承受交变载荷，极易发生腐蚀破坏，从而影响拉索的使用寿命，导致桥梁安全事故的发生。因此，对拉索表面缺陷的检测具有十分重要的意义。目前国内外对拉索表面保护层的主要检测方法有人工检测法和激光扫描法。这些方法存在效率低、成本高、智能化程度不足等局限。本文从此领域相关的迫切需求出发，开发了一个桥梁拉索表面缺陷的机器视觉检测系统，并围绕这个系统，深入研究了机器视觉系统的相关理论和关键技术，提出了桥梁拉索表面的分布式机器视觉缺陷检测和缺陷图像识别的方法，取得了较好的效果。针对系统采集的模糊缺陷图像，提出了基于非负支撑域递归逆滤波（NAS-RIF）和自适应全变分（Total Variation, TV）正则化盲图像恢复方法。为了快速有效地获得完整的拉索表面缺陷，提出基于Harris算子改进的尺度不变特征变换（SIFT）特征匹配算法对缺陷图像进行自动拼接。最后采用粒子群优化（Particle Swarm Optimization, PSO）算法来优化支持向量机（Support Vector Machine, SVM）模型并对拉索表面缺陷进行分类识别。本文的主要研究内容与成果如下：1)提出了基于分布式机器视觉桥梁拉索表面缺陷检测与缺陷图像识别的方法。该方法首先通过爬行机器人装载分布式图像传感器、光源、嵌入式DSP硬件平台、位置传感器和存储设备等机器视觉系统沿拉索爬行，并采用4个分布式CCD图像传感器获取拉索表面四周的图像；然后以TI高性能DSP TMS320DM642（简称DM642）为核心处理器实时实现缺陷图像预处理、缺陷目标分割和缺陷初步判别等，并对初步判别的疑似缺陷进行存储；最后在PC机上通过图像去模糊和图像拼接等图像处理技术完成缺陷图像的识别。2)对桥梁拉索表面缺陷图像预处理和缺陷提取方法的实时实现进行了研究。分析了表面缺陷图像的噪声类型及来源，并基于DM642嵌入式处理器缓存的特点，提出并改进中值滤波方法对拉索表面图像进行快速有效的滤波处理，同时，为了快速实时实现缺陷目标的初步判别，结合数学形态学（Mathematical Morphology）和改进的Sobel边缘检测算法，提出并采用一种基于MM-Sobel的图像分割方法提取缺陷图像中的缺陷目标。最后对缺陷目标进行判别，并将判别出的疑似缺陷图像及其位置信息进行存储。3)针对机器视觉检测系统采集的模糊表面缺陷图像，分析了拉索表面图像模糊的模型，提出了一种将NAS-RIF与自适应全变分正则化相结合的图像盲复原算法。该算法针对原始NAS-RIF算法在低信噪比下对噪声敏感的问题，并结合图像退化和图像盲复原的机理，在原始NAS-RIF算法代价函数的基础上加入TV正则化约束项。为了有效地达到图像细节恢复和噪声抑制之间的平衡，通过最大后验概率自适应地调整全变分正则化参数，并采用优化最小化的共轭梯度迭代算法，提高算法的收敛速度。实验结果表明，文中算法的复原效果具有较好的适应性和有效性。4)系统采用4个CCD摄像头分布在拉索表面一周获取图像，一个缺陷有可能分布在几幅图像中。为了识别完整的缺陷，需要对相应的缺陷图像进行自动拼接。图像匹配是图像拼接算法中十分关键的步骤，根据系统获取拉索表面图像的特征，提出了基于Harris算子改进的SIFT特征匹配算法对缺陷图像进行匹配。首先采用简洁有效的Harris算子提取特征点；然后根据检测系统采集缺陷图像的特点，简化SIFT算子的特征点主方向分配和匹配图像旋转等算法步骤，对特征点进行描述和匹配；最后融合匹配图像，得到相对完整的缺陷图像。实验结果表明，该方法大大降低了算法的复杂度，可以快速有效地获得完整的拉索表面缺陷。5)拉索表面主要存在纵向开裂、横向开裂、表面侵蚀和疤坑孔洞等4类缺陷，本文基于特征提取和支持向量机算法对这4类缺陷进行分类识别。为了提高SVM分类识别率，采用粒子群优化算法来优化SVM模型的惩罚系数c和核函数参数g，即PSO-SVM算法。通过对拉索表面缺陷的分类识别实验，分类识别率达到了96.25%。实验结果表明，采用PSO-SVM对拉索表面缺陷进行分类识别具有较高的识别率和较快的识别速度。论文重点对桥梁拉索表面缺陷图像检测关键技术的理论和实验进行研究。基于分布式机器视觉拉索表面缺陷检测系统，采用有效的缺陷图像预处理、缺陷目标分割和缺陷初步判别等图像处理技术，改善了机器视觉检测系统的实时性。探索适用的图像去模糊方法，图像拼接方法和分类识别算法等，提高了拉索表面缺陷识别的效果。本文的研究对机器视觉检测系统在桥梁拉索表面损伤检测和维护中的应用具有重要意义。
刘晶晶[5]（2014）在《基于Split Bregman方法的图像盲恢复研究》文中进行了进一步梳理跟随现代科技信息技术飞速发展的脚步,数字图像处理也越来越被重视,并且应用也越来越广泛。图像复原属于图像处理的一个重要分支,图像盲复原又是图像复原的更深层次的研究,所谓的图像盲复原即指在退化过程的先验信息不完全获知的情况下,试图考虑如何由退化的观测图像来恢复图像,使得恢复图逼近原始图像。研究图像盲复原的一般步骤是：首先,弄清图像退化的过程；然后,建立相应的数学模型；第三步,探索有效算法,对该模型进行求解,得到原始图像的最逼近估计；最后,通过数值试验验证图像复原算法的有效性。在本文中,由于盲复原问题是一类典型的反问题,且不适定性通常是反问题的特有属性,那么引入正则化方法可以有效地避免不适定问题。Split Bregman方法具有显着的稳定性和快速的收敛性等优势,且Split Bregman技术在解决TV（Total Variation）问题时,不仅简单而且有效,文中我们的图像盲复原算法都是在Split Bregman方法的基础上提出的。算法1：记为TV-SB,是运用Split Bregman方法求解基于TV正则化的盲复原问题,这里我们分别考虑了各向异性TV（Anisotropic TV）最小化问题和各向同性TV （Isotropic TV）最小化问题；算法2：记为NTRF-SB,用Split Bregman方法求解基于TV正则化与新的Tikhonov正则化方法相结合的盲复原问题,对于保真项,我们考虑L2函数空间的情况。在数值试验部分,通过MATLAB软件编程,我们处理不同类型的模糊,以及处理模糊和噪声并存的图像,并比较算法1和算法2,以明确两算法各自擅长的处理图像的领域,以便可以更好地应用于各类图像问题中。试验结果证明我们的算法,显示所提算法的有效性,可以有效地提高图像的恢复质量。
石泉斌[6]（2013）在《盲超分辨图像重建算法及应用研究》文中研究表明在军事遥感、公共安全、数字电视、文物保护和恢复、医学领域等方面常常需要高分辨率的图像。超分辨率图像重建技术在现有成像设备和成像条件的基础上,利用分辨率较低的单帧或多帧图像,来重建质量更好、分辨率更高的图像。经过超分辨率图像重建后,获得比低分辨率图像更高的像素密度和更多的细节信息。本文研究了二维超分辨率重建模型、盲超分辨图像重建和基于压缩感知技术的医学图像重建,主要工作如下：（1）在传统的一维重建模型中,二维图像矩阵被向量化,使得超分辨率图像重建算法的存储量和计算量很大。本文在变形、模糊、采样算子核可分离的前提下,提出了一种基于二维模型的的超分辨率图像重建算法,有效解决图像重建中存储空间庞大和计算时间冗长的问题。（2）盲超分辨率重建是在变形与模糊未知的情况下获取高分辨率图像,它一直是超分辨率重建的难点,本文提出一种有效的盲超分辨率图像重建算法。与传统的盲重建算法进行对比,从理论与实验两方面证实所提出的算法具有重建效果较佳的优势。（3）医学图像重建是超分辨率图像重建的重要分支,也是目前图像重建的研究热点。只要获得一幅图像的少量稀疏变换系数,就可以准确快速地重建出该幅图像。本文将超分辨重建算法应用到基于压缩感知的核磁共振图像重建中,获得了较佳的重建图像序列并进行3维显示。
孙云山[7]（2012）在《盲均衡技术在医学CT图像盲恢复算法中的应用研究》文中提出医学CT图像作为进行疾病检查和诊断的重要依据，其质量好坏直接影响诊断的准确性。在医学CT成像过程中不可避免地受到点扩展函数的影响，使得图像产生退化，影响诊断效果，且退化过程往往是未知的。图像盲恢复算法是在未知图像退化过程的前提下，仅利用退化图像来消除点扩展函数影响的图像恢复技术，广泛应用于天文成像、医疗诊断、军事公安等领域。盲均衡技术目前已扩展应用到图像盲恢复中，它是将点扩展函数影响的消除等效为码间干扰的消除，已成为通信信号处理与图像分析相结合的前沿热点研究课题。本文所做的主要工作如下：（1）提出了降维处理的医学CT图像盲均衡算法，构建了应用于医学CT图像盲均衡算法的代价函数，推导了算法迭代公式，分析了算法收敛性能，进行了计算机仿真；其次，利用变步长思想解决了算法收敛速度和收敛精度之间的矛盾，提出了基于误差信号峰度和均方误差变步长的医学CT图像盲均衡算法，仿真表明新算法具有较快的收敛速度和较小的稳态误差；第三，通过在权值迭代中引入代价函数的二阶Hessian矩阵，提出了分数低阶恒模医学CT图像盲均衡算法，改善了算法的收敛性能，提高了峰值信噪比。（2）提出了行列变换的恒模医学CT图像盲均衡算法，通过行列变换将点扩展函数的影响分解为横纵两个方向，利用复值系统盲均衡算法在I和Q方向彼此不影响的特性，分别进行点扩展函数影响的消除，推导了算法迭代公式，分析了算法稳态和动态收敛性能，计算机仿真表明，新算法提高了峰值信噪比和改善信噪比。同时通过频域变换，提出了频域差错概率最小医学CT图像盲均衡算法，分析了迭代步长选取原则，进行了计算机仿真，验证了算法的有效性。（3）提出了基于Zigzag编码和双Zigzag编码两种医学CT图像神经网络盲均衡算法，选取三层前馈神经网络结构，设计了传递函数，推导了迭代公式，分析了收敛性能，并进行了计算机仿真。实验结果表明，新算法改善了恢复效果，降低了均方误差，提高了峰值信噪比和改善信噪比。
王振国[8]（2010）在《遥感影像中大气模糊消除恢复算法研究》文中提出现在,经过地球大气对兴趣目标进行成像,是所有运行在地球大气层中的成像设备所不可避免的问题。而大气中由于湍流等大气结构的存在,往往会使得这些设备所获取的图像存在不同程度的模糊,所以,就需要对这些受到大气模糊的图像进行恢复。而大气模糊退化图像的恢复与重建问题是一个跨学科、领域的前沿课题和世界性难题,是国内外相关领域的研究人员正在努力解决的问题。由大气干扰所导致的退化图像的恢复,困难在于其退化模型是未知的和随机变化的,且难以用准确的数学解析式或模型来表达,再加上模糊图像中往往含有噪声,就更进一步增加了这类图像恢复的难度。传统的图像恢复算法都属于退化模型已知的范畴,而退化模型未知情况下的图像恢复算法研究是图像恢复领域中具有挑战性的研究方向,具有广阔的应用市场和前景。特别是随着深空探测技术的发展和空间对地观测系统分辨力的提高,大气干扰逐渐成为制约遥感器系统分辨力进一步提高的瓶颈,所以,对解决该问题的需求也就越来越广泛。因此,针对该问题,本文在总结现有国内外关于大气湍流效应图像恢复算法的研究成果的基础上,在国家高技术研究发展计划（863计划,编号:2006AA12Z110）项目的支持下,对大气模糊遥感影像的高清晰恢复与重建问题进行了研究和探讨。通过对现有湍流消除算法的改进和把天文观测领域常用的湍流恢复技术跟遥感影像相结合的方式,开辟了根据遥感影像成像时刻局部地区的气象数据估计大气MTF的新思路,并利用多幅国内外遥感卫星所观测的遥感数据对该思路进行了验证。文中的研究成果和贡献主要体现在:1)基于气象数据的湍流MTF、气溶胶MTF以及大气MTF的估计算法设计。大气整体调制传递函数MTF主要由大气湍流MTF和气溶胶MTF的乘积构成,而大气MTF和气溶胶MTF分别可用气象参数C n2（折射率结构系数）和气溶胶的尺寸分布来描述。根据成像时刻所记录的相同区域的气象数据,利用这两个参数来估计湍流MTF、气溶胶MTF和大气整体MTF;2)基于影像数据的成像系统MTF估计方法。结合MTF的物理意义,对目前获取光学成像系统MTF的两种方法进行了介绍和实验,利用MTF的频率域下降特性,实现对光学成像系统所观测图像的恢复和对光学成像系统性能的评价;3)结合大气MTF估计的改进Wiener滤波算法。利用估计的大气MTF,对经典Wiener滤波算法进行改进,得到了更适合遥感影像恢复的改进型Wiener滤波算法;4)结合大气MTF估计的改进直接解卷积算法。利用估计的大气MTF,对直接解卷积算法进行改进,得到了更适合遥感影像恢复的改进型直接解卷积算法;5)基于“近视”解卷积算法的自适应遥感影像恢复算法。把天文和微观观测图像处理领域中常用的“近视”解卷积思想,应用于大气模糊遥感影像的恢复与重建。在实现原有“近视”解卷积算法的基础上,又根据遥感影像自身的特点,提出了一种自适应的遥感影像解卷积算法。算法采用约束共轭梯度优化方法,包含一种平衡极大似然估计和目标正则化的自适应方案,使得算法在得到满意结果的同时,运行时间和效率上也有了明显地提高;6)基于Bayessian原理的遥感影像解卷积算法。通过由关键变量模型和全局能量项所决定的尺度不变随机过程,来对未知的场景进行建模,然后基于概率统计理论,给出了一种估计模型中模糊和噪声参数的贝叶斯方法。根据估计的参数值和退化模型,就可以得到整个成像系统的模糊退化函数MTF,然后采用传统的恢复方法对影像进行恢复。7)基于梯度域动态压缩的高辐射分辨率遥感影像增强算法。针对高辐射分辨率遥感影像在普通显示设备上的显示问题,给出了一种适用于高辐射分辨率遥感影像显示的新算法。结果表明,该算法在实现大幅度的动态范围压缩的同时,能够较好的保留影像的细节信息和抑制一般的边缘效应。算法理论简单,计算高效,使用方便。并通过对真实高辐射分辨率遥感影像的动态压缩处理,验证了该算法的有效性。
沈华[9]（2010）在《基于插值和主元素分析的人脸超分辨率算法研究》文中提出随着视频监控技术的发展,人脸检测和识别因其在罪犯识别、安防系统等方面的巨大应用前景而成为当前模式识别和人工智能领域的一个研究热点。但如果摄像头采集到的人脸图像的分辨率不够高的话,将会影响到人脸检测和识别的成功率。图像超分辨率技术是指由低分辨率图像生成高分辨率图像的过程。而针对人脸检测与识别的需求,人脸图像超分辨率应运而生。它是图像超分辨率技术在人脸图像上的特殊应用。本文主要研究了边缘自适应插值算法和人脸图像超分辨率技术。本文首先介绍并实现了几种典型的边缘自适应插值算法,分析了其增强分辨率的原理,并通过实验验证了各种算法的优缺点。其次,对人脸超分辨率的几种经典方法进行了研究,介绍了基于Bayesian概率的学习超分辨率算法框架,阐述了各种学习模型的建立方式,并且介绍了人脸超分辨率算法的三种约束条件。本文对人脸超分辨率技术的真实性与误差问题进行了深入、详细的讨论,并通过分析提出了自己的观点与结论。本文提出了一种基于插值和主元素分析法的人脸超分辨率方法。该方法将一幅高分辨率人脸图像视为由全局脸和局部高频细节两者组成的。首先,利用“新的基于边缘导向的插值算法”（NEDI）对低分辨率输入图像进行重建,得到全局脸图像。然后,通过主元素分析法（PCA）提取全局脸图像的结构信息。在训练库的辅助下,我们根据这些结构信息合成出局部细节。最后,将全局脸图像和局部细节信息相结合,得到最终的人脸超分辨率结果。实验证明,这种方法可以有效地实现人脸超分辨率。本文在Visual C++的环境下,借助OpenCV计算机视觉库,编写了一个应用软件,实现了本文提出的算法。最后对本文的工作进行了总结,并结合人脸超分辨率技术可能的发展方向,指出下一步研究中需要做的工作。
刘专[10]（2010）在《运动模糊图像的复原算法研究》文中研究指明本文主要研究运动失真以及噪声干扰的图像的复原算法,并做了大量的数值仿真实验。首先从运动模糊的形成机理出发,建立起运动模糊的数学模型,得到模糊系统PSF的频域形式,再从模糊图像的一些特征来预估PSF的参数。本文在倒频谱的定义基础上做出一些改动,则其倒频谱的零值（或接近零值）在空间频率平面内的位置使我们可以确定点扩展函数的位置参数。一旦PSF确定出来,就可以采用多种方法来进行图像的恢复。根据分析,退化函数在整个图像上是不变的,而灰度变化快的边缘区域（具有平滑的幅度频谱）对于估计退化函数的参数有更重要的作用,这样,为了使估计值更接近真实值,对于一幅特定的运动模糊图像,可以选取几个关键区域来进行参数估计,取平均值,实验得出,这样估计出的点扩展函数更加精确,能有效的减少由操作失误或噪声干扰带来的误差。
二、一种基于Cross-Validation的盲图像恢复方法（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、一种基于Cross-Validation的盲图像恢复方法（论文提纲范文）
（1）图像恢复的迭代算法研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.3 本文研究方案 |
| 1.4 本文主要工作 |
| 2 预备知识 |
| 2.1 图像恢复的不适定问题 |
| 2.2 图像退化模型的离散 |
| 2.2.1 离散方式一 |
| 2.2.2 离散方式二 |
| 2.3 退化函数的类型 |
| 2.4 图像噪声的分类 |
| 2.5 本章小结 |
| 3 图像恢复的一般迭代算法 |
| 3.1 直接迭代法 |
| 3.1.1 TSVD方法 |
| 3.1.2 Tikhonov方法 |
| 3.2 正则参数的选取方法 |
| 3.2.1 Morozov偏差原理 |
| 3.2.2 GCV准则 |
| 3.2.3 无偏预风险估计方法(UPRE) |
| 3.3 基于Krylov子空间投影的迭代方法 |
| 3.3.1 Krylov子空间投影方法的一般过程 |
| 3.3.2 限制值域广义极小残余算法(RRGMRES) |
| 3.3.3 共轭梯度最小二乘迭代算法(CGLS) |
| 3.4 本章小结 |
| 4 混合正则化LSQR算法 |
| 4.1 算法的提出 |
| 4.2 图像质量及评价标准 |
| 4.3 混合正则化LSQR算法在图像恢复中的应用 |
| 4.3.1 数值模拟一 |
| 4.3.2 数值模拟二 |
| 4.4 本章小结 |
| 5 正则化GMERR算法 |
| 5.1 算法的提出 |
| 5.2 正则化GMERR算法在图像恢复中的应用 |
| 5.2.1 数值模拟一 |
| 5.2.2 数值模拟二 |
| 5.2.3 数值模拟三 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于计算光学的非完善光学系统图像质量提高及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 图像复原方法的发展与现状 |
| 1.2.1 传统图像复原方法 |
| 1.2.2 基于稀疏表示的图像复原方法 |
| 1.2.3 基于卷积神经网络的图像复原方法 |
| 1.2.4 关键技术及难点 |
| 1.3 本文的主要工作和成果 |
| 1.4 本文的章节内容和结构安排 |
| 第2章 图像复原与光学景深基础理论 |
| 2.1 引言 |
| 2.2 图像复原基础理论 |
| 2.2.1 图像退化原因 |
| 2.2.2 图像退化模型 |
| 2.2.3 图像退化点扩散函数 |
| 2.2.4 图像复原算法 |
| 2.3 光学系统景深及其相关的基础理论 |
| 2.3.1 波像差基础理论 |
| 2.3.2 光学系统的景深 |
| 2.4 本章小结 |
| 第3章 基于字典学习空间定位方法的图像去模糊方法研究 |
| 3.1 引言 |
| 3.2 图像复原物空间点扩散函数的采样间隔 |
| 3.3 离焦点扩散函数获取方法 |
| 3.3.1 离焦模糊点扩散函数估计方法 |
| 3.3.2 利用CODEV光学设计软件快速获取点扩散函数 |
| 3.4 图像复原模型及工作原理 |
| 3.4.1 先验点扩散函数 |
| 3.4.2 图像复原模型的字典 |
| 3.4.3 模糊图像复原 |
| 3.5 实验结果与分析 |
| 3.5.1 仿真实验 |
| 3.5.2 实际相机测试结果 |
| 3.6 本章小结 |
| 第4章 基于多重字典空间定位方法的图像去模糊方法研究 |
| 4.1 引言 |
| 4.2 图像复原模型及工作原理 |
| 4.2.1 图像复原模型的字典 |
| 4.2.2 模糊图像复原 |
| 4.3 实验结果与分析 |
| 4.3.1 算法验证的参数设置 |
| 4.3.2 算法验证实验与分析 |
| 4.3.3 实际图像复原 |
| 4.4 本章小结 |
| 第5章 卷积神经网络方法识别功能的扩展应用 |
| 5.1 引言 |
| 5.2 卷积神经网络训练样本 |
| 5.2.1 先验点扩散函数的分类 |
| 5.2.2 训练样本集与验证样本集 |
| 5.3 图像复原模型及工作原理 |
| 5.4 实验结果与分析 |
| 5.4.1 算法验证的参数设置 |
| 5.4.2 算法验证实验与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于改进正则项模型的图像盲恢复研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 图像恢复背景及研究意义 |
| 1.2 图像恢复的应用 |
| 1.3 图像盲恢复的研究 |
| 1.3.1 图像盲恢复的特征 |
| 1.3.2 图像盲恢复的分类 |
| 1.4 本文的研究内容与结构安排 |
| 第2章 图像盲恢复的理论基础 |
| 2.1 概述 |
| 2.2 图像退化模型 |
| 2.2.1 连续退化模型 |
| 2.2.2 离散退化模型 |
| 2.3 图像盲恢复中的病态特性及其解决方法 |
| 2.3.1 病态特性 |
| 2.3.2 图像恢复问题中的病态特性 |
| 2.3.3 病态特性的解决方法 |
| 2.4 正则化的图像盲恢复方法 |
| 2.4.1 正则化方法的分类及其在图像恢复中的应用 |
| 2.4.2 TV正则化方法及其模型 |
| 2.4.3 基于TV正则化的改进模型—MTV |
| 2.4.4 MTV模型的推广G-MTV |
| 2.5 本章小结 |
| 第3章 基于改进正则项的图像盲恢复算法研究 |
| 3.1 点扩散函数基本知识 |
| 3.2 盲恢复算法介绍 |
| 3.3 Bregman迭代 |
| 3.4 分裂Bregman算法 |
| 3.5 基于分裂Bregman算法的G-MTV迭代格式 |
| 3.6 本章小结 |
| 第4章 图像盲恢复数值实验 |
| 4.1 评价标准 |
| 4.2 参数的选取 |
| 4.3 模糊图像恢复 |
| 4.4 模糊-纯噪音的图像恢复 |
| 4.4.1 小噪音退化图的恢复 |
| 4.4.2 大噪音退化图的恢复 |
| 4.5 模糊-混合噪音的图像恢复 |
| 4.6 本章小结 |
| 第5章 收敛性分析 |
| 第6章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）桥梁拉索表面缺陷图像检测关键技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 拉索检测技术的研究现状 |
| 1.2.1 拉索内部结构缺陷检测 |
| 1.2.2 拉索表面缺陷检测 |
| 1.3 表面缺陷的机器视觉检测系统 |
| 1.3.1 机器视觉检测系统分析 |
| 1.3.2 机器视觉的表面缺陷检测 |
| 1.4 表面缺陷检测系统的图像处理技术分析 |
| 1.5 桥梁拉索表面缺陷机器视觉检测关键技术分析 |
| 1.6 本文研究内容与结构安排 |
| 2 桥梁拉索表面缺陷自动检测系统 |
| 2.1 引言 |
| 2.2 系统的功能和性能分析 |
| 2.2.1 系统的功能分析 |
| 2.2.2 系统的性能技术指标 |
| 2.3 系统总体方案 |
| 2.4 桥梁拉索表面缺陷检测系统硬件结构 |
| 2.4.1 光源系统 |
| 2.4.2 图像传感器阵列的配置 |
| 2.4.3 图像处理硬件平台 |
| 2.4.4 损伤定位系统 |
| 2.4.5 数据储存系统 |
| 2.5 软件系统设计 |
| 2.5.1 软件系统总体结构 |
| 2.5.2 软件系统工作流程 |
| 2.6 系统测试和性能技术指标 |
| 2.7 本章小结 |
| 3 表面缺陷图像预处理及缺陷提取方法研究 |
| 3.1 引言 |
| 3.2 缺陷图像预处理 |
| 3.2.1 拉索表面缺陷图像的采集 |
| 3.2.2 图像预处理 |
| 3.2.3 改进的中值滤波算法 |
| 3.3 缺陷图像的分割 |
| 3.3.1 边缘检测算法分析 |
| 3.3.2 改进的 Sobel 边缘检测 |
| 3.3.3 基于 MM-Soble 算法的缺陷目标分割 |
| 3.4 拉索表面缺陷目标的判别 |
| 3.5 实验结果和分析 |
| 3.5.1 缺陷图像的判别 |
| 3.5.2 缺陷图像的存储 |
| 3.6 本章小结 |
| 4 拉索缺陷图像去模糊方法研究 |
| 4.1 引言 |
| 4.2 桥梁拉索表面缺陷图像的模糊模型分析 |
| 4.3 全变分正则化图像复原方法 |
| 4.3.1 全变分模型 |
| 4.3.2 全变分模型的求解 |
| 4.3.3 全变分盲图像复原 |
| 4.4 基于 NAS-RIF 和 TV 自适应正则化图像复原方法 |
| 4.4.1 NAS-RIF 算法 |
| 4.4.2 自适应 TV 正则化的 NAS-RIF 算法 |
| 4.4.3 优化最小化求解的图像复原方法 |
| 4.4.4 自适应正则化参数的获取 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 5 拉索表面缺陷图像的拼接技术研究 |
| 5.1 引言 |
| 5.2 表面缺陷图像的拼接 |
| 5.2.1 图像拼接技术 |
| 5.2.2 表面缺陷图像的拼接方法 |
| 5.3 改进的 SIFT 匹配算法 |
| 5.3.1 SIFT 配准原理 |
| 5.3.2 SIFT 匹配算法性能分析 |
| 5.3.3 SIFT 算法的改进 |
| 5.4 基于改进 SIFT 配准的缺陷图像拼接 |
| 5.4.1 缺陷图像拼接流程 |
| 5.4.2 拉索缺陷图像拼接的融合实现 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 6 桥梁拉索表面缺陷的分类识别研究 |
| 6.1 引言 |
| 6.2 表面缺陷的特征提取 |
| 6.2.1 缺陷的形状特征 |
| 6.2.2 缺陷的灰度特征 |
| 6.2.3 缺陷的纹理特征 |
| 6.3 PSO-SVM 分类器设计 |
| 6.3.1 支持向量机（SVM）理论 |
| 6.3.2 PSO-SVM 算法 |
| 6.4 拉索表面缺陷分类实验和分析 |
| 6.4.1 拉索表面缺陷类型 |
| 6.4.2 粒子群优化的支持向量机分类 |
| 6.5 小结 |
| 7 总结与展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录 |
| B. 作者在攻读学位期间取得的专利成果目录 |
| C. 作者在攻读学位期间参与的科研项目 |
（5）基于Split Bregman方法的图像盲恢复研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 图像盲复原的研究现状及发展趋势 |
| 1.3 图像复原技术的应用 |
| 1.4 本文所做工作及内容安排 |
| 第2章 图像盲复原技术 |
| 2.1 引言 |
| 2.2 图像退化模型 |
| 2.2.1 连续退化模型 |
| 2.2.2 离散退化模型 |
| 2.3 图像复原中正则化问题及边界条件 |
| 2.3.1 图像复原中正则化问题 |
| 2.3.2 边界条件 |
| 2.4 图像复原效果的评价 |
| 2.5 本章小结 |
| 第3章 图像盲复原算法研究 |
| 3.1 点扩散函数基本知识 |
| 3.2 算法预备知识 |
| 3.2.1 Bregman距离和Bregman迭代方法 |
| 3.2.2 Split Bregman迭代 |
| 3.3 基于TV正则化的算法TV—SB算法 |
| 3.4 基于NTRM的算法——NTRF-SB |
| 3.5 本章小结 |
| 第4章 图像盲复原数值试验 |
| 4.1 模糊图像复原 |
| 4.2 模糊-噪声图像复原 |
| 4.2.1 模糊-小噪声图像复原 |
| 4.2.2 模糊-大噪声图像复原 |
| 4.3 实验结果和讨论 |
| 4.4 本章小结 |
| 第5章 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其成果 |
| 致谢 |
（6）盲超分辨图像重建算法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 超分辨率重建的预备知识 |
| 1.2.1 观察模型 |
| 1.2.2 理论依据 |
| 1.3 本人的工作要点 |
| 1.4 论文的结构安排 |
| 第二章 基于2D模型的SR重建算法 |
| 2.1 传统的1D模型 |
| 2.1.1 重建观察模型其数学表示 |
| 2.1.2 国内外传统经典的重建算法概述 |
| 2.2 基于2D模型的超分辨率重建算法 |
| 2.2.1 基于克罗内克积的超分辨率快速算法 |
| 2.2.2 基于先验知识的人脸超分辨率快速算法 |
| 2.3 提出的2D新算法 |
| 2.3.1 算法步骤 |
| 2.3.2 算法的比较分析 |
| 第三章 盲超分辨率图像重建算法 |
| 3.1 盲超分辨率重建技术概述 |
| 3.1.1 盲SR重建的基本技术 |
| 3.1.2 现有的盲SR重建算法 |
| 3.2 新的盲SR重建方法 |
| 3.3 算法分析与比较 |
| 第四章 重建算法在3D MR图像中的应用 |
| 4.1 CS图像重建技术 |
| 4.1.1 压缩感知理论 |
| 4.1.2 CS图像重建 |
| 4.2 有效的MR图像3D重建技术 |
| 4.2.1 MR图像3D重建算法 |
| 4.2.2 实验分析 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在学期间的研究成果及发表的学术论文 |
（7）盲均衡技术在医学CT图像盲恢复算法中的应用研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 图像盲恢复算法研究现状 |
| 1.2.1 单通道图像盲恢复算法 |
| 1.2.2 多通道图像盲恢复算法 |
| 1.3 图像盲恢复算法的应用 |
| 1.4 论文创新点及结构安排 |
| 1.4.1 论文创新点 |
| 1.4.2 论文结构安排 |
| 第二章 医学CT图像盲均衡算法研究的理论基础 |
| 2.1 医学 CT 图像的成像机理及退化分析 |
| 2.1.1 医学 CT 图像 |
| 2.1.2 医学 CT 图像的成像过程 |
| 2.1.3 医学 CT 图像的退化过程 |
| 2.2 盲均衡技术及其理论分析 |
| 2.2.1 盲均衡算法基本原理 |
| 2.2.2 代价函数及其选择 |
| 2.3 自适应算法及其选择 |
| 2.4 图像盲均衡与一维盲均衡算法的等效分析 |
| 2.4.1 图像盲均衡的算法结构 |
| 2.4.2 二维图像盲均衡与一维盲均衡等效分析 |
| 2.5 图像盲均衡的评价指标 |
| 第三章 基于降维处理的医学CT图像盲均衡算法的研究 |
| 3.1 降维处理在图像处理中的应用与发展 |
| 3.1.1 降维处理在图像处理中的发展 |
| 3.1.2 降维处理在医学图像处理中的应用 |
| 3.2 降维处理恒模医学 CT 图像盲均衡算法 |
| 3.2.1 降维处理恒模医学 CT 图像盲均衡算法原理 |
| 3.2.2 算法稳态收敛性能分析 |
| 3.2.3 算法动态收敛性能分析 |
| 3.2.4 实验仿真及结果分析 |
| 3.3 降维处理变步长恒模医学 CT 图像盲均衡算法 |
| 3.3.1 基于误差信号峰度的变步长恒模医学 CT 图像盲均衡算法 |
| 3.3.2 基于均方误差变步长恒模医学 CT 图像盲均衡算法 |
| 3.4 分数低阶恒模医学 CT 图像盲均衡算法 |
| 3.4.1 分数低阶恒模医学 CT 图像盲均衡算法基本原理 |
| 3.4.2 实验仿真及结果分析 |
| 3.5 本章小结 |
| 第四章 基于复值变换的医学CT图像盲均衡算法研究 |
| 4.1 复值变换的图像盲恢复算法研究现状 |
| 4.2 基于行列变换的恒模医学 CT 图像盲均衡算法 |
| 4.2.1 基于行列变换的恒模医学 CT 图像盲均衡算法的基本原理 |
| 4.2.2 算法推导 |
| 4.2.3 算法收敛特性分析 |
| 4.2.4 实验仿真及结果分析 |
| 4.3 频域差错概率最小医学 CT 图像盲均衡算法 |
| 4.3.1 频域差错概率最小医学 CT 图像盲均衡算法基本原理 |
| 4.3.2 算法推导 |
| 4.3.3 步长选择 |
| 4.3.4 实验仿真及结果分析 |
| 4.4 本章小结 |
| 第五章 基于Zigzag编码医学CT图像神经网络盲均衡算法研究 |
| 5.1 神经网络图像盲恢复算法研究 |
| 5.2 基于 Zigzag 编码的医学 CT 图像神经网络盲均衡算法 |
| 5.2.1 Zigzag 编码的医学 CT 图像神经网络盲均衡算法的基本原理 |
| 5.2.2 算法推导 |
| 5.2.3 算法收敛性能分析 |
| 5.2.4 实验仿真结果分析 |
| 5.3 双Zigzag 编码的医学 CT 图像神经网络盲均衡算法 |
| 5.3.1 双 Zigzag 编码医学 CT 图像神经网络盲均衡算法基本原理 |
| 5.3.2 算法推导 |
| 5.3.3 传递函数选择分析 |
| 5.3.4 实验仿真及结果分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文所做的主要工作 |
| 6.2 论文的创新之处 |
| 6.3 今后进一步研究的方向 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（8）遥感影像中大气模糊消除恢复算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 大气对遥感成像系统分辨力的影响分析[2] |
| 1.2.1 基本原理 |
| 1.2.2 结论 |
| 1.3 遥感影像去大气模糊的研究意义 |
| 1.4 数字图像恢复算法概述 |
| 1.4.1 图像恢复问题的数学描述 |
| 1.4.2 图像恢复问题中所需的先验信息 |
| 1.4.3 直接恢复算法 |
| 1.4.4 正则化算法 |
| 1.4.5 自适应恢复算法 |
| 1.4.6 图像盲恢复算法 |
| 1.4.7 超分辨率恢复算法 |
| 1.4.8 神经网络法 |
| 1.4.9 基于支持向量机的图像恢复算法 |
| 1.5 大气退化图像恢复的研究现状 |
| 1.6 论文主要研究内容及章节安排 |
| 1.6.1 主要研究内容 |
| 1.6.2 章节安排 |
| 第二章 MTF的物理意义及其应用 |
| 2.1 MTF 的概念与物理意义 |
| 2.1.1 MTF 的概念 |
| 2.1.2 MTF 的物理意义 |
| 2.2 MTF 的计算方法 |
| 2.2.1 理论基础 |
| 2.2.2 卫星遥感系统MTF 的常用计算方法 |
| 2.3 基于MTF 的遥感影像质量评价方法与常用评价指标 |
| 2.3.1 基于MTF 的遥感影像质量评价 |
| 2.3.2 常用的遥感影像质量评价指标 |
| 2.4 遥感影像的MTF 补偿 |
| 2.5 本章小结 |
| 第三章 基于气象数据的大气MTF估计 |
| 3.1 简介 |
| 3.2 大气湍流MTF 估计模型 |
| 3.3 大气气溶胶MTF 估计模型 |
| 3.4 大气整体MTF 估计模型 |
| 3.5 试验结果与分析 |
| 3.6 本章小结 |
| 第四章 利用估计大气MTF改进的维纳滤波和直接解卷积算法 |
| 4.1 经典维纳滤波算法 |
| 4.2 改进的维纳滤波算法及其试验结果 |
| 4.2.1 算法改进思路与实现步骤 |
| 4.2.2 试验结果与对比分析 |
| 4.3 直接解卷积算法 |
| 4.3.1 算法简介 |
| 4.3.2 Lévy 点扩散函数 |
| 4.3.3 中心极限定理与直接解卷积算法 |
| 4.3.4 影像傅里叶变换与直接解卷积算法 |
| 4.3.5 SECB 图像恢复方法与扩散方程 |
| 4.3.6 慢动作盲解卷积(Slow Motion Blind Deconvolution) |
| 4.3.7 算法实现步骤 |
| 4.4 改进的直接解卷积算法及其试验结果 |
| 4.4.1 算法改进思路与实现流程 |
| 4.4.2 试验结果与对比分析 |
| 4.5 本章小结 |
| 第五章 基于“近视”解卷积算法的自适应遥感影像恢复 |
| 5.1 简介 |
| 5.2 自适应解卷积算法 |
| 5.2.1 成像模型 |
| 5.2.2 基于Bayesian 原理的解卷积框架 |
| 5.2.3 基于边缘保护的“近视”解卷积 |
| 5.2.4 扩展到多帧数据 |
| 5.3 算法实现步骤 |
| 5.3.1 算法综述 |
| 5.3.2 约束共轭梯度最小化 |
| 5.3.3 代价函数偏导数的计算 |
| 5.3.4 正则化参数的自适应估计 |
| 5.4 基于遥感影像的实验结果 |
| 5.5 本章小结 |
| 第六章 基于Bayesian原理的遥感影像解卷积算法 |
| 6.1 算法简介与贝叶斯原理 |
| 6.1.1 盲解卷积的发展现状 |
| 6.1.2 复杂问题的约束 |
| 6.1.3 贝叶斯原理 |
| 6.2 正向模型 |
| 6.2.1 利用关键变量模型对自然场景进行建模 |
| 6.2.2 对图像形成过程的理解 |
| 6.3 贝叶斯估计：正向模型的逆过程 |
| 6.3.1 多余变量的边际化和相关近似 |
| 6.3.2 一种参数估计的盲算法 |
| 6.3.3 对模型进行简化 |
| 6.3.4 简化的优化算法 |
| 6.4 实验结果 |
| 6.4.1 对两种模糊参数识别算法的验证 |
| 6.4.2 利用识别的模糊参数对退化影像进行恢复 |
| 6.5 进一步的发展与改进 |
| 6.5.1 计算的不确定性 |
| 6.5.2 模型估计和检测 |
| 6.5.3 增强算法的鲁棒性 |
| 6.6 本章小结 |
| 第七章 基于梯度域动态压缩的高辐射分辨率遥感影像增强算法 |
| 7.1 简介 |
| 7.1.1 高辐射分辨率遥感影像及其特性 |
| 7.1.2 梯度域高动态范围图像压缩 |
| 7.2 研究现状 |
| 7.3 梯度域动态压缩 |
| 7.4 梯度衰减函数 |
| 7.5 应用 |
| 7.6 实验结果与分析 |
| 7.7 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 作者简历 攻读博士学位期间完成的主要工作 |
| 致谢 |
（9）基于插值和主元素分析的人脸超分辨率算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及研究意义 |
| 1.2 观测模型与盲图像恢复 |
| 1.2.1 低分辨率图像的观测模型 |
| 1.2.2 盲图像超分辨率恢复 |
| 1.3 国内外研究现状 |
| 1.4 本文的主要工作和内容安排 |
| 第2章 边缘自适应插值算法 |
| 2.1 边缘自适应插值算法 |
| 2.1.1 传统插值方法简介 |
| 2.1.2 边缘导向插值方法 |
| 2.1.3 新的边缘导向插值算法 |
| 2.1.4 自适应最优恢复插值法 |
| 2.2 插值算法的实验对比 |
| 2.3 本章小结 |
| 第3章 人脸超分辨率的基本算法 |
| 3.1 基于学习超分辨率方法的理论基础 |
| 3.2 基于图像金字塔的人脸超分辨率算法 |
| 3.3 基于特征变换的人脸超分辨率算法 |
| 3.4 全局与局部相结合的人脸超分辨率技术 |
| 3.4.1 人脸超分辨率的约束条件 |
| 3.4.2 全局参数模型和局部非参数模型 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于插值和主元素分析的人脸超分辨率算法 |
| 4.1 人脸图像超分辨率的误差研究 |
| 4.2 基于插值和主元素分析的人脸超分辨算法 |
| 4.2.1 本文算法的框架 |
| 4.2.2 全局人脸的重构 |
| 4.2.3 局部细节特征的补偿算法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 人脸超分辨率软件研制 |
| 5.1 软件环境介绍 |
| 5.2 算法实现及软件界面 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
| 附录B 攻读学位期间所参加的科研项目目录 |
（10）运动模糊图像的复原算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的目的和专业背景 |
| 1.2 国内外相关研究概况 |
| 1.3 论文的内容安排与基本结构 |
| 第二章 图像复原技术 |
| 2.1 引言 |
| 2.2 图像复原的一般模型 |
| 2.3 图像复原的新方法 |
| 2.4 小结 |
| 第三章 图像盲复原方法 |
| 3.1 引言 |
| 3.2 直接测量法和间接估计法 |
| 3.3 各向异性正则化算法图像盲复原 |
| 3.4 小结 |
| 第四章 运动失真或噪声干扰图像的盲复原 |
| 4.1 引言 |
| 4.2 运动模糊的退化模型 |
| 4.3 运动模糊的形成分析 |
| 4.4 点扩展函数的确定 |
| 4.5 图像的恢复 |
| 4.6 实验结果 |
| 4.7 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 硕士期间发表论文情况 |
| 致谢 |
四、一种基于Cross-Validation的盲图像恢复方法（论文参考文献）
- [1]图像恢复的迭代算法研究[D]. 韩选. 西安理工大学, 2020(01)
- [2]基于计算光学的非完善光学系统图像质量提高及其应用研究[D]. 崔金林. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2018(10)
- [3]基于改进正则项模型的图像盲恢复研究[D]. 贾彤彤. 华北电力大学(北京), 2016(02)
- [4]桥梁拉索表面缺陷图像检测关键技术的研究[D]. 李新科. 重庆大学, 2014(11)
- [5]基于Split Bregman方法的图像盲恢复研究[D]. 刘晶晶. 华北电力大学, 2014(01)
- [6]盲超分辨图像重建算法及应用研究[D]. 石泉斌. 福州大学, 2013(09)
- [7]盲均衡技术在医学CT图像盲恢复算法中的应用研究[D]. 孙云山. 天津大学, 2012(05)
- [8]遥感影像中大气模糊消除恢复算法研究[D]. 王振国. 解放军信息工程大学, 2010(07)
- [9]基于插值和主元素分析的人脸超分辨率算法研究[D]. 沈华. 湖南大学, 2010(03)
- [10]运动模糊图像的复原算法研究[D]. 刘专. 西安电子科技大学, 2010(10)