一、提高數(shù)字圖像清晰度的研究（論文文獻(xiàn)綜述）
曾海飛,韓昌佩,李凱,屠黃唯[1]（2021）在《改進(jìn)的梯度閾值圖像清晰度評(píng)價(jià)算法》文中進(jìn)行了進(jìn)一步梳理數(shù)字圖像技術(shù)實(shí)現(xiàn)自動(dòng)對(duì)焦的關(guān)鍵步驟是有效的圖像清晰度評(píng)價(jià)。針對(duì)傳統(tǒng)的灰度梯度算法抗噪性差和實(shí)時(shí)性低的問題,提出一種改進(jìn)的清晰度評(píng)價(jià)算法。首先通過OSTU方法和全局方差計(jì)算出圖像自適應(yīng)分割閾值;然后比較自適應(yīng)分割閾值和圖像像素點(diǎn)局部方差以提取整幅圖像中的邊緣像素點(diǎn);最后考慮人眼視覺特性,采用多方向的Tenengrad算子對(duì)圖像進(jìn)行評(píng)價(jià)運(yùn)算,將圖像中邊緣像素點(diǎn)的評(píng)價(jià)運(yùn)算值進(jìn)行疊加,得到圖像的清晰度量化值。為了衡量改進(jìn)算法的性能,將其與傳統(tǒng)的灰度梯度算法進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的灰度梯度算法相比,所提算法具有實(shí)時(shí)性高、靈敏度強(qiáng)且抗噪能力好的優(yōu)點(diǎn)。
肖紅,楊本勝[2]（2021）在《基于機(jī)器視覺的數(shù)字圖像處理系統(tǒng)設(shè)計(jì)》文中提出本文為改善圖像處理效果,提出基于機(jī)器視覺的數(shù)字圖像處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)。采用機(jī)器視覺技術(shù)設(shè)計(jì)同步分離電路、數(shù)字圖像采樣窗口控制電路以及數(shù)字圖像收集器,完成數(shù)字圖像處理系統(tǒng)的硬件設(shè)計(jì),設(shè)計(jì)數(shù)字圖像處理軟件流程,分析數(shù)字圖像清晰度,確定數(shù)字圖像的灰度值,實(shí)現(xiàn)數(shù)字圖像的處理。系統(tǒng)測(cè)試結(jié)果表明,設(shè)計(jì)系統(tǒng)不僅可以提高數(shù)字圖像處理系統(tǒng)的吞吐量,還可以提高數(shù)字圖像的處理效率。
曾海飛[3]（2021）在《成像自適應(yīng)調(diào)焦系統(tǒng)研究》文中研究表明在光學(xué)成像系統(tǒng)中,清晰成像是必須要解決的首要問題,其次需要解決目標(biāo)在視場(chǎng)中成像尺寸可變問題。自動(dòng)調(diào)焦技術(shù)作為光學(xué)成像系統(tǒng)的一項(xiàng)核心技術(shù),已廣泛應(yīng)用在農(nóng)業(yè)、工業(yè)、軍事、醫(yī)療、航空航天等各領(lǐng)域,從日常使用的手機(jī)、平板電腦、數(shù)碼相機(jī)、顯微系統(tǒng)、攝影設(shè)備以及交通監(jiān)控,到經(jīng)緯儀、太空望遠(yuǎn)鏡、衛(wèi)星成像以及導(dǎo)彈追蹤等,都離不開光學(xué)成像系統(tǒng)。為了更好地解決光學(xué)成像系統(tǒng)中的變焦和對(duì)焦這兩個(gè)關(guān)鍵問題,本文進(jìn)行了相關(guān)的研究,主要的工作和成果如下:1)在對(duì)當(dāng)前變焦系統(tǒng)及其成像系統(tǒng)原理進(jìn)行研究的基礎(chǔ)上,明確提出了對(duì)成像調(diào)焦系統(tǒng)的新需求:在確保不會(huì)改變目標(biāo)成像尺寸的前提下,實(shí)現(xiàn)對(duì)目標(biāo)清晰成像。這樣設(shè)計(jì)的調(diào)焦系統(tǒng)可以清晰的對(duì)運(yùn)動(dòng)目標(biāo)實(shí)時(shí)捕捉和監(jiān)測(cè)。2)針對(duì)自適應(yīng)調(diào)焦系統(tǒng)的需求,本文研究自動(dòng)變焦技術(shù),比較了被動(dòng)式變焦和主動(dòng)式變焦優(yōu)缺點(diǎn),實(shí)現(xiàn)了被動(dòng)式變焦方式的自動(dòng)變焦方案,在運(yùn)動(dòng)目標(biāo)識(shí)別算法研究中,提出一種Vibe背景差分和三幀差法融合的新型算法,并對(duì)改進(jìn)算法進(jìn)行了評(píng)價(jià)。最后,選擇PETS2006測(cè)試集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明:改進(jìn)的融合算法能消除“鬼影”現(xiàn)象,且實(shí)時(shí)性高,能滿足自動(dòng)變焦的要求。3)針對(duì)自動(dòng)對(duì)焦技術(shù)進(jìn)行研究,提出一種改進(jìn)的梯度方向閾值清晰度評(píng)價(jià)算法用于量化圖像清晰度評(píng)價(jià)值。該改進(jìn)清晰度評(píng)價(jià)算法利用局部方差和全局方差來改善算法抗噪性,同時(shí)使用8方向的Sobel算子計(jì)算量化值,能消除人眼邊緣特性。采用長(zhǎng)焦焦距段和廣角焦距段等進(jìn)行成像試驗(yàn),并進(jìn)行改進(jìn)清晰度算法評(píng)價(jià),結(jié)果表明:該算法的實(shí)時(shí)性好、靈敏度高以及抗噪能力強(qiáng)。具體表現(xiàn)為實(shí)時(shí)性較最優(yōu)的傳統(tǒng)算法提升4.612%,靈敏度因子提升4.21%以及陡峭度提升3.27%。4)針對(duì)傳統(tǒng)調(diào)焦搜索算法存在容易陷入局部極值、調(diào)焦機(jī)構(gòu)運(yùn)動(dòng)誤差以及等步長(zhǎng)搜索效率低等問題,提出一種變步長(zhǎng)且搜索方向自適應(yīng)可變的調(diào)焦搜索策略,通過調(diào)焦方向改變策略確定搜索方向,步長(zhǎng)自適應(yīng)調(diào)整策略實(shí)時(shí)更新搜索步長(zhǎng),利用爬山算法思想進(jìn)行調(diào)焦搜索。5)針對(duì)全文提出的自動(dòng)調(diào)焦方案,在Zynq開發(fā)平臺(tái)上設(shè)計(jì)自動(dòng)調(diào)焦系統(tǒng)。包括硬件設(shè)計(jì)、軟件程序開發(fā)以及“自動(dòng)調(diào)焦系統(tǒng)控制軟件”上位機(jī)設(shè)計(jì),上位機(jī)用于PC端實(shí)時(shí)顯示圖像以及控制調(diào)焦機(jī)構(gòu)做變焦、對(duì)焦操作,經(jīng)過實(shí)際測(cè)試,表明設(shè)計(jì)的自動(dòng)調(diào)焦系統(tǒng)能很好滿足要求,并且可以清晰顯示分別在長(zhǎng)焦焦距段和廣角焦距段拍攝的目標(biāo)。
鄒雨彤[4]（2021）在《光學(xué)成像系統(tǒng)中的自動(dòng)檢焦技術(shù)研究》文中指出望遠(yuǎn)鏡、航空相機(jī)等光學(xué)成像系統(tǒng)作為空間觀測(cè)和空中監(jiān)測(cè)的主要手段之一,是人類感知獲取空間目標(biāo)和檢測(cè)空中目標(biāo)的重要途徑。由于其具有分辨率高、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn),在獲取太空信息、保障空防安全等方面得到了諸多應(yīng)用。但光學(xué)成像系統(tǒng)實(shí)際使用環(huán)境復(fù)雜多變,溫度、壓力、沖擊、摩擦等各種因素都有可能在其復(fù)雜精密的成像過程中造成離焦現(xiàn)象,從而導(dǎo)致像質(zhì)下降,干擾后續(xù)工作。調(diào)焦技術(shù)是提高光學(xué)成像系統(tǒng)質(zhì)量的重要手段,而檢焦技術(shù)則是調(diào)焦技術(shù)準(zhǔn)確實(shí)施的前提與基礎(chǔ),因此快速高精度的檢焦方法是高質(zhì)量光學(xué)成像系統(tǒng)中的重要研究?jī)?nèi)容。本文通過研究各類別自動(dòng)檢焦技術(shù),分析其發(fā)展歷程、檢測(cè)原理、對(duì)比其優(yōu)缺點(diǎn),深入探討了基于傳感器的像差檢測(cè)技術(shù)和基于圖像處理的離焦檢測(cè)方法。并在此基礎(chǔ)上,以擴(kuò)展目標(biāo)為主要檢測(cè)任務(wù),針對(duì)時(shí)間和精度兩個(gè)目標(biāo)提出了改進(jìn)方法。文章首先對(duì)研究背景、意義、各類技術(shù)方法及發(fā)展、離焦基本原理及模型做了詳細(xì)的歸納與解釋。為了實(shí)現(xiàn)點(diǎn)目標(biāo)的檢焦,本文在基于夏克—哈特曼傳感器檢測(cè)像差的研究基礎(chǔ)上,完成了對(duì)于離焦量的檢測(cè),平均誤差為0.03?,并分析了影響其精度的各種因素。為了提升針對(duì)擴(kuò)展目標(biāo)檢焦的快速性,本文在基于圖像處理的檢焦方法基礎(chǔ)上,提出了直接對(duì)離焦圖像頻譜處理的方法。先根據(jù)離焦圖像頻域特性直接求得模糊參數(shù),然后求出擴(kuò)展目標(biāo)的粗檢離焦量,此方法可以節(jié)省基于圖像的檢調(diào)焦系統(tǒng)中大量的步進(jìn)調(diào)整時(shí)間,將原本多幅圖像所需的調(diào)整、傳輸、檢測(cè)時(shí)間縮短至1s左右。為了提升針對(duì)擴(kuò)展目標(biāo)檢焦方法的精度、改善基于圖像處理的檢焦方法抗噪性弱的問題,提出了一種基于圖像灰度梯度算子的改進(jìn)清晰度評(píng)價(jià)函數(shù),該函數(shù)通過豐富算子灰度梯度方向、改善閾值和權(quán)重等方式,在精度方面相比于傳統(tǒng)清晰度評(píng)價(jià)函數(shù)提升約0.0855～0.2145,同時(shí)極大地改善了抗噪性;在真實(shí)離焦擴(kuò)展目標(biāo)的驗(yàn)證中,該方法的靈敏度因子在單一場(chǎng)景和復(fù)雜場(chǎng)景下分別表現(xiàn)出至少13%和17%的提升。最終針對(duì)空中擴(kuò)展目標(biāo)提出了一種粗精結(jié)合的快速高精度檢焦方法,為后續(xù)空中目標(biāo)檢測(cè)的高質(zhì)量影像獲取提供了保障。
熊銳[5]（2021）在《基于數(shù)字圖像處理的顯微自動(dòng)對(duì)焦技術(shù)研究》文中研究說明微納檢測(cè)領(lǐng)域,需要對(duì)微納結(jié)構(gòu)的線寬,缺陷進(jìn)行檢測(cè),對(duì)大尺寸微納器件檢測(cè)時(shí),需要快速穩(wěn)定的聚焦掃描。傳統(tǒng)手動(dòng)對(duì)焦方式,花費(fèi)時(shí)間長(zhǎng),效率低,無法滿足高精度與穩(wěn)定性的要求。隨著精密儀器逐步向著自動(dòng)化、智能化的方向發(fā)展,對(duì)數(shù)字顯微鏡也提出了更高的要求,涌現(xiàn)出了各種針對(duì)數(shù)字顯微鏡的自動(dòng)對(duì)焦技術(shù),其中基于圖像處理的自動(dòng)對(duì)焦法應(yīng)用最為廣泛,該方法可分為離焦深度法和聚焦深度法這兩大類,本文選擇了其中的聚焦深度法進(jìn)行研究。本文在國(guó)內(nèi)外自動(dòng)對(duì)焦技術(shù)的研究基礎(chǔ)上,以顯微成像系統(tǒng)為研究對(duì)象,針對(duì)聚焦深度法中的聚焦評(píng)價(jià)函數(shù)、聚焦窗口、聚焦搜索算法這三個(gè)重要環(huán)節(jié),結(jié)合實(shí)際應(yīng)用開展了一系列研究。首先,介紹了顯微鏡成像原理、光學(xué)成像模型、點(diǎn)擴(kuò)散函數(shù)與光學(xué)傳遞函數(shù)等理論,奠定了自動(dòng)對(duì)焦技術(shù)的理論基礎(chǔ)。其次,深入研究了聚焦評(píng)價(jià)函數(shù)。針對(duì)空域類聚焦評(píng)價(jià)函數(shù)對(duì)多邊緣方向微納結(jié)構(gòu)聚焦時(shí),聚焦穩(wěn)定性較差的問題,結(jié)合HVS多通道特性,提出了一種新的聚焦評(píng)價(jià)函數(shù)Bre2d＿Rob函數(shù),實(shí)驗(yàn)結(jié)果表明該聚焦評(píng)價(jià)函數(shù)能夠適應(yīng)多邊緣方向的顯微圖像,聚焦穩(wěn)定性更好。再次,對(duì)聚焦窗口的選擇進(jìn)行了研究。提出了變步長(zhǎng)的聚焦窗口選擇方法,相比中央取窗法,能夠適應(yīng)成像主體偏離中央?yún)^(qū)域時(shí)的情況。然后,制定了自動(dòng)聚焦系統(tǒng)的搜索策略。改進(jìn)了傳統(tǒng)的爬山搜索法,將整個(gè)聚焦搜索過程分為了粗搜索和精搜索兩個(gè)階段,精搜索階段采用連續(xù)三幅圖像判斷搜索方向,以提高搜索算法的抗干擾性和搜索效率。最后,結(jié)合實(shí)際應(yīng)用,提出了以PC機(jī)為圖像處理單元的自動(dòng)對(duì)焦總體方案,并搭建了自動(dòng)對(duì)焦實(shí)驗(yàn)平臺(tái),進(jìn)行了大量的實(shí)驗(yàn)驗(yàn)證,測(cè)試了自動(dòng)對(duì)焦系統(tǒng)的對(duì)焦效果、精度與穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明,本文提出的自動(dòng)對(duì)焦方法切實(shí)可行,對(duì)焦成功率較高,具有一定的實(shí)際工程應(yīng)用價(jià)值。
劉佳[6]（2021）在《非下采樣輪廓波變換應(yīng)用于多源圖像融合研究》文中研究表明成像技術(shù)日益發(fā)展,應(yīng)用越來越廣泛,圖像逐漸成為表達(dá)信息的一種重要載體。一方面,目前單一傳感器成像模式只能從單個(gè)角度對(duì)場(chǎng)景成像,無法獲得對(duì)目標(biāo)完整的表達(dá),從而影響了圖像數(shù)據(jù)分析效果。另一方面,大量的圖像數(shù)據(jù)的存儲(chǔ)與讀取時(shí)非常占用空間也非常消耗時(shí)間。因此,有必要從多模態(tài)圖像中收集信息并將其整合成為單一圖像,以便可以在一幅圖像中提取更豐富的信息。將圖像融合技術(shù)運(yùn)用到圖像處理上可以滿足這一需求。不同的傳感器可以從不同角度描述圖像,使用圖像算法將從不同傳感器中獲得的圖像信息提取到一幅圖像中,非常有利于計(jì)算機(jī)對(duì)圖像信息做處理。本文研究像素級(jí)圖像融合,利用多尺度分析工具非下采樣輪廓波變換（NSCT）對(duì)多源圖像融合方法進(jìn)行研究,通過分析NSCT變換的系數(shù)特點(diǎn),提出多源圖像融合算法,主要討論多聚焦圖像融合和紅外圖像融合方法。針對(duì)多聚焦圖像融合,為了更全面的描述圖像像素清晰度,提升融合圖像質(zhì)量與紋理性質(zhì)。使用信息熵、拉普拉斯能量和以及平均梯度的統(tǒng)計(jì)特征,結(jié)合邊緣檢測(cè)技術(shù),本文設(shè)計(jì)一種多聚焦圖像融合方法?；贜SCT的變換域融合框架,使用局域信息熵以及局域拉普拉斯能量和計(jì)算多聚焦圖像的像素匹配度,用于低頻分量融合。對(duì)高頻分量使用NSCT域的系數(shù)相關(guān)性計(jì)算兄弟關(guān)聯(lián)權(quán)重,并結(jié)合領(lǐng)域窗口內(nèi)的平均梯度設(shè)計(jì)融合規(guī)則。邊緣檢測(cè)技術(shù)對(duì)圖像邊緣提取具有高效性,可以極大的提高了融合圖像的清晰度以及紋理特性。在算法初步融合后,對(duì)高頻分量做邊緣檢測(cè),將邊緣圖逐步覆蓋到初步融合圖像上,產(chǎn)生最終融合圖像。針對(duì)紅外圖像和可見光圖像的融合,為使融合圖像能夠獲得更好的清晰度和細(xì)節(jié)目標(biāo)信息。本文通過馬氏距離加權(quán)的拉普拉斯能量和,與引導(dǎo)濾波改進(jìn)的頻域協(xié)調(diào)算法相結(jié)合的方式,實(shí)現(xiàn)紅外圖像和可見光圖像融合。可見光圖像容易受光照影響,造成圖像對(duì)比度不高,對(duì)可見光圖像做直方圖均衡提高其對(duì)比清晰度。對(duì)源圖像預(yù)處理后經(jīng)過N SCT分解,對(duì)變換域中的低頻分量使用紅外圖像顯著性圖設(shè)計(jì)權(quán)值進(jìn)行加權(quán)融合。對(duì)高頻分量使用馬氏距離設(shè)計(jì)一種基于距離的權(quán)值計(jì)算方法,以此計(jì)算局域拉普拉斯能量和進(jìn)行取大融合。對(duì)分量分別處理后,經(jīng)過NSCT逆變換獲得融合圖像。
于淼[7]（2021）在《基于光場(chǎng)重建的大景深高分辨率成像技術(shù)研究》文中指出軍事偵查、醫(yī)學(xué)檢測(cè)、地質(zhì)勘探以及自動(dòng)駕駛等多個(gè)領(lǐng)域都需要獲取大范圍場(chǎng)景內(nèi)的準(zhǔn)確信息,這就要求在光學(xué)成像上實(shí)現(xiàn)大景深、高精度的圖像采集。傳統(tǒng)相機(jī)受到光學(xué)系統(tǒng)的固有限制,成像景深有限:在景深范圍內(nèi)的物體聚焦清晰,超出景深范圍的物體因離焦而模糊,這使得圖像傳感器不能清晰記錄全部的場(chǎng)景信息,造成信息丟失。全焦成像技術(shù)是實(shí)現(xiàn)景深擴(kuò)展最直接有效的方法,最常見的全焦成像方式是進(jìn)行多聚焦融合,此方法主要分為多聚焦圖像的獲取和全焦融合兩個(gè)步驟。在多聚焦圖像的獲取方面,手動(dòng)聚焦方法精度較低,且多聚焦圖像獲取效率低;基于機(jī)械結(jié)構(gòu)的方法引入機(jī)械部件,增加了系統(tǒng)復(fù)雜度,且可以實(shí)現(xiàn)的景深擴(kuò)展范圍有限;基于特定光學(xué)部件的方法增加了成本,場(chǎng)景適應(yīng)能力較差,不利于廣泛應(yīng)用。此外,傳統(tǒng)多聚焦圖像采集方法需要多次曝光,這種操作會(huì)導(dǎo)致背景信息不一致,極大地影響了全焦融合質(zhì)量。在全焦融合算法方面,主要包含基于空間域、基于變換域、空間域與變換域相結(jié)合以及基于深度學(xué)習(xí)的方法,其中基于變換域的方法如小波變換融合方法,不具有平移不變性、融合誤差較大、信息冗余大;基于空間域的融合方法會(huì)出現(xiàn)時(shí)間損耗大的問題,而且區(qū)域邊緣位置像素點(diǎn)融合質(zhì)量差;空間域和變換域相結(jié)合的算法增加了系統(tǒng)復(fù)雜度,且對(duì)聚焦特性分布不明顯的圖像敏感度低;基于深度學(xué)習(xí)的融合算法對(duì)硬件的要求較高、易出現(xiàn)噪聲,影響全焦融合質(zhì)量。目前,仍然缺少一種獲取高質(zhì)量全焦圖像的有效方法。為了解決傳統(tǒng)全焦融合算法中出現(xiàn)的問題,本文應(yīng)用基于引導(dǎo)濾波器的全焦融合算法對(duì)多聚焦圖像進(jìn)行全焦融合。引導(dǎo)濾波器是一種典型的非線性濾波器,可以最大限度地保留邊緣信息,實(shí)現(xiàn)高速、高質(zhì)量的全焦融合。為了提升多聚焦圖像采集質(zhì)量,本文采用光場(chǎng)成像的方法在單次曝光下進(jìn)行多聚焦圖像采集,保證了多聚焦圖像背景信息的一致性和全焦融合輸入信息的完備性,同時(shí)此方法還具有成本低、系統(tǒng)結(jié)構(gòu)簡(jiǎn)單以及深度擴(kuò)展范圍廣的優(yōu)點(diǎn),有效地實(shí)現(xiàn)了高質(zhì)量的多聚焦圖像采集。將基于引導(dǎo)濾波器的融合算法與光場(chǎng)成像相結(jié)合,本文提出了基于引導(dǎo)濾波的單次曝光光場(chǎng)全焦融合技術(shù),實(shí)現(xiàn)了高質(zhì)量、大景深全焦圖像的采集。為了解決光場(chǎng)成像空間分辨率低的問題,本文提出了基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像技術(shù)。采用光場(chǎng)成像技術(shù)采集多聚焦圖像,其特點(diǎn)是在單次曝光下同時(shí)獲取場(chǎng)景光線的強(qiáng)度信息和角度信息,此操作具有很高的時(shí)間分辨率,但是通過光場(chǎng)成像獲取的多聚焦圖像,受到微透鏡單元個(gè)數(shù)以及對(duì)應(yīng)傳感器個(gè)數(shù)的限制,其空間分辨率往往較低,因而無法獲取高分辨率的全焦圖像。為了解決此問題,本文提出了基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像技術(shù),設(shè)計(jì)了卷積深度神經(jīng)網(wǎng)絡(luò),用于實(shí)現(xiàn)光場(chǎng)低分辨率圖像的單圖超分辨,利用此網(wǎng)絡(luò)對(duì)低分辨率的光場(chǎng)部分在焦圖像進(jìn)行上采樣,有效地提升了多聚焦圖像的分辨率,最后經(jīng)過基于引導(dǎo)濾波器的全焦融合算法,得到具有高時(shí)-空分辨率的全焦圖像,實(shí)現(xiàn)了對(duì)場(chǎng)景信息的高分辨率大景深的圖像采集。本文提出的基于引導(dǎo)濾波的單次曝光光場(chǎng)全焦融合技術(shù)解決了傳統(tǒng)多聚焦融合方法精度低、復(fù)雜度高、背景信息不一致、高頻信息丟失等問題,實(shí)現(xiàn)了單次曝光下全焦圖像的采集,有效獲取了大景深的場(chǎng)景信息,為了提升全焦圖像的分辨率,本文進(jìn)一步提出了基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像技術(shù),利用卷積深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)低分辨率光場(chǎng)部分在焦圖像的上采樣,有效地提升了全焦圖像的空間分辨率,進(jìn)而實(shí)現(xiàn)了高時(shí)-空分辨率的全焦成像,達(dá)成了大景深范圍內(nèi)高分辨率全焦圖像采集的目標(biāo),在軍事偵查、醫(yī)學(xué)檢測(cè)、地質(zhì)勘探以及自動(dòng)駕駛等多種圖像采集和定位的實(shí)際應(yīng)用中有重要意義。
尹文明[8]（2021）在《基于卷積神經(jīng)網(wǎng)絡(luò)的圖像快速調(diào)焦技術(shù)研究》文中研究指明光學(xué)測(cè)量系統(tǒng)作為一種有效監(jiān)測(cè)目標(biāo)的手段,一直受到大家的重視。由于傳統(tǒng)的靶場(chǎng)光測(cè)設(shè)備使用的調(diào)焦技術(shù)一般需要依賴額外輔助的設(shè)備指導(dǎo)調(diào)焦操作,不符合光測(cè)設(shè)備集成化的發(fā)展要求。而基于圖像的自動(dòng)調(diào)焦系統(tǒng),只需依靠圖像信息即可完成調(diào)焦,且硬件結(jié)構(gòu)集成度高、運(yùn)算速度快,逐漸成為自動(dòng)調(diào)焦領(lǐng)域的主要研究方向。但是基于圖像處理的自動(dòng)調(diào)焦方法是一個(gè)逐漸尋找調(diào)焦最優(yōu)值的方法,在實(shí)時(shí)調(diào)焦系統(tǒng)中,調(diào)焦速度慢是該方法有待解決的首要問題。另一方面,近些年在無參考圖像質(zhì)量評(píng)價(jià)領(lǐng)域中卷積神經(jīng)網(wǎng)絡(luò)成果突出,通過網(wǎng)絡(luò)模型即可對(duì)圖像的清晰度作出直觀評(píng)價(jià),具有計(jì)算速度快（無迭代過程）、準(zhǔn)確性高（無局部最優(yōu)問題）等優(yōu)點(diǎn),有望解決調(diào)焦速度慢的問題。本文針對(duì)上述背景,開展了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像快速調(diào)焦系統(tǒng)的相關(guān)研究工作。首先,針對(duì)SMD函數(shù)在精細(xì)調(diào)焦過程中精度不足的問題,提出了基于像素差異的改進(jìn)SMD評(píng)價(jià)函數(shù)。該函數(shù)在原SMD函數(shù)基礎(chǔ)上補(bǔ)充了水平方向和垂直方向額外兩個(gè)像素的對(duì)比,另外又增加了目標(biāo)像素45°和135°斜對(duì)角的像素的對(duì)比差異,通過Matlab仿真和自動(dòng)調(diào)焦實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該評(píng)價(jià)函數(shù)的靈敏度和抗噪性得到了提升,有利于提高調(diào)焦系統(tǒng)的成像精度。其次,針對(duì)圖像評(píng)價(jià)值無法直接反應(yīng)圖像是否清晰,提出了一種圖像評(píng)價(jià)網(wǎng)絡(luò)。通過改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)對(duì)圖像模糊程度識(shí)別任務(wù),并與常用的圖像識(shí)別網(wǎng)絡(luò)方法進(jìn)行對(duì)比。結(jié)果顯示:改進(jìn)后的VGG網(wǎng)絡(luò)對(duì)數(shù)據(jù)集包含4類、7類、10類和15類不同模糊程度的識(shí)別精度分別為97.45%、95.28%、93.65%和83.54%,證明了該圖像評(píng)價(jià)網(wǎng)絡(luò)能夠很好地識(shí)別圖像的模糊程度。然后,針對(duì)傳統(tǒng)爬山搜索算法大步長(zhǎng)調(diào)焦容易導(dǎo)致電機(jī)反轉(zhuǎn),影響調(diào)焦精度;小步長(zhǎng)調(diào)焦增加調(diào)焦次數(shù),影響調(diào)焦效率的問題,提出了一種以圖像評(píng)價(jià)網(wǎng)絡(luò)為主,評(píng)價(jià)函數(shù)為輔的改進(jìn)爬山搜索算法。首先,圖像經(jīng)過圖像評(píng)價(jià)網(wǎng)絡(luò)識(shí)別模糊程度,然后根據(jù)圖像模糊程度制定精確的搜索步長(zhǎng),圖像評(píng)價(jià)函數(shù)用來控制調(diào)焦搜索方向是否正確。在系統(tǒng)離焦程度較低的位置采取曲線擬合搜索算法,充分利用各個(gè)算法的優(yōu)點(diǎn),提升調(diào)焦的搜索效率,并且有效避免在調(diào)焦過程中陷入局部極值。最后,將本文所提出相關(guān)算法應(yīng)用在基于監(jiān)控相機(jī)的自動(dòng)調(diào)焦系統(tǒng)上。實(shí)驗(yàn)結(jié)果表明,本文的搜索算法的搜索速度是傳統(tǒng)爬山法的2-3倍,調(diào)焦效率得到明顯提升,電機(jī)驅(qū)動(dòng)次數(shù)穩(wěn)定在5-8次,且不受系統(tǒng)初始狀態(tài)影響。證明了該自動(dòng)調(diào)焦方案的可行性,為以后自動(dòng)調(diào)焦系統(tǒng)中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)提供了參考。
包丞嘯[9]（2021）在《基于圖像處理的自動(dòng)聚焦技術(shù)研究》文中提出從二十世紀(jì)中葉至今,光電成像技術(shù)一直處于迅速發(fā)展中,現(xiàn)如今已經(jīng)廣泛應(yīng)用于攝影攝像、交通引導(dǎo)、軍事對(duì)抗和醫(yī)學(xué)影像等各個(gè)方面。作為數(shù)字成像系統(tǒng)中的核心技術(shù)之一,自動(dòng)聚焦技術(shù)的相關(guān)研究也越發(fā)受到人們重視。早期的相機(jī)多是基于人工對(duì)焦的方式進(jìn)行工作,但隨著工業(yè)技術(shù)發(fā)展和光學(xué)理論知識(shí)的完善,這種效率低下的對(duì)焦方式很快被自動(dòng)聚焦技術(shù)所取代。當(dāng)前,基于圖像處理的現(xiàn)代自動(dòng)聚焦系統(tǒng)已經(jīng)成為生產(chǎn)和應(yīng)用的主流,系統(tǒng)利用光電傳感器接收前端鏡頭成像并轉(zhuǎn)換為電信號(hào),再經(jīng)計(jì)算機(jī)對(duì)模數(shù)轉(zhuǎn)換后的數(shù)字圖像作聚焦程度評(píng)價(jià),最終驅(qū)動(dòng)電機(jī)帶動(dòng)鏡頭實(shí)現(xiàn)搜索定位,完成成像聚焦?，F(xiàn)代自動(dòng)聚焦系統(tǒng)多采用聚焦深度法和離焦深度法原理進(jìn)行搭建,其中又以聚焦深度法的應(yīng)用更為廣泛。聚焦深度法主要由三部分構(gòu)成:聚焦窗口選擇、聚焦評(píng)價(jià)函數(shù)和聚焦搜索策略。選擇聚焦窗口旨在強(qiáng)調(diào)整幅圖像中的前景目標(biāo),合理的聚焦區(qū)域在縮減評(píng)價(jià)函數(shù)工作量的同時(shí),也能有效減小背景區(qū)域因素和噪聲的干擾。聚焦評(píng)價(jià)函數(shù)作為自動(dòng)聚焦流程最重要的一環(huán),通過特定算法對(duì)不同焦距上的成像結(jié)果進(jìn)行清晰度衡量,為鏡頭調(diào)控提供參考標(biāo)準(zhǔn)。聚焦搜索策略的作用在于為步進(jìn)電機(jī)規(guī)劃行程,以精準(zhǔn)、迅速地實(shí)現(xiàn)焦點(diǎn)定位,提高聚焦效率。本文研究?jī)?nèi)容即圍繞這三個(gè)方面展開。研究主要在以下各方面提出改進(jìn)與創(chuàng)新:（1）針對(duì)傳統(tǒng)的聚焦評(píng)價(jià)函數(shù)難以兼顧精度與穩(wěn)定性,且抗噪能力不足,提出一種基于動(dòng)態(tài)分割和局部最大梯度的的清晰度評(píng)價(jià)函數(shù)。結(jié)合二維Otsu算法和改進(jìn)的最大梯度法對(duì)圖像作二值化過濾,以增強(qiáng)離焦圖像與聚焦圖像的邊緣細(xì)節(jié)對(duì)比,再基于梯度方差和梯度非零解變化特征構(gòu)建新的清晰度評(píng)價(jià)函數(shù)。通過仿真實(shí)驗(yàn)可知,本文提出的清晰度評(píng)價(jià)函數(shù)滿足聚焦精度要求,且靈敏度和抗噪性較傳統(tǒng)算法更優(yōu)。（2）針對(duì)聚焦窗口區(qū)域的選擇,提出了一種基于自適應(yīng)差分進(jìn)化算法的窗口采樣方法。方法結(jié)合窗口采樣需求設(shè)置進(jìn)化算法初始種群及控制參數(shù),并以圖像邊緣銳利度分布特征為基準(zhǔn)構(gòu)建適應(yīng)度函數(shù),實(shí)現(xiàn)基于智能搜索算法的目標(biāo)區(qū)域查找。經(jīng)大量實(shí)驗(yàn)證明,本文提出的窗口采樣方法在前景目標(biāo)的精準(zhǔn)定位方面表現(xiàn)更優(yōu),更能滿足穩(wěn)定性與適用性需求。（3）為提高聚焦搜索性能,在傳統(tǒng)搜索方法的基礎(chǔ)上進(jìn)行改進(jìn),提出一種混合搜索策略,先采用斐波那契搜索完成粗過濾,再采用自適應(yīng)爬山搜索法實(shí)現(xiàn)細(xì)定位,較大程度上提高了聚焦搜索的精度和效率。并結(jié)合本文提出的聚焦評(píng)價(jià)函數(shù)和聚焦窗口選擇策略設(shè)計(jì)出一套完整的基于聚焦深度法的自動(dòng)聚焦方法。
秦馳[10]（2021）在《高精度智能顯微鏡系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)》文中研究說明隨著人們對(duì)醫(yī)療與生命健康的關(guān)注,智慧醫(yī)療逐步從概念走向全面應(yīng)用,醫(yī)&工結(jié)合的輔助診斷方式,也漸漸進(jìn)入人們的視野。鏡檢是醫(yī)學(xué)臨床檢查中最常用的方法,在糞便檢測(cè)、血常規(guī)檢測(cè)、白帶常規(guī)檢測(cè)中均有應(yīng)用。檢測(cè)人員可以通過使用顯微鏡對(duì)細(xì)胞的狀態(tài)進(jìn)行觀察,獲取其中的重要信息或感興趣區(qū)域,為最后診斷提供重要依據(jù)。除細(xì)胞外,也可以對(duì)其他有形成分進(jìn)行觀測(cè)。如今,我國(guó)大多數(shù)中小醫(yī)院在臨床檢查中仍采用傳統(tǒng)的顯微鏡檢查,然后再進(jìn)行人工治療,整個(gè)流程耗時(shí)費(fèi)力。據(jù)統(tǒng)計(jì),2018年全國(guó)所需檢驗(yàn)科醫(yī)生數(shù)量約14萬人,但符合條件的不足8萬,存在巨大缺口。傳統(tǒng)的人工檢測(cè)一次只能觀察小部分區(qū)域,檢測(cè)人員往往需要經(jīng)過多次重復(fù)操作才能對(duì)樣本作出判斷,且檢測(cè)人員在工作任務(wù)密集時(shí),會(huì)長(zhǎng)時(shí)間在鏡下工作,疲勞、誤判的狀況時(shí)有發(fā)生,難免會(huì)產(chǎn)生一些誤判。本課題通過對(duì)傳統(tǒng)光學(xué)顯微鏡進(jìn)行結(jié)構(gòu)上的改造,并結(jié)合數(shù)字圖像處理技術(shù),將人工顯微鏡檢測(cè)的流程進(jìn)行簡(jiǎn)化,可以在一定程度上提高檢測(cè)精度并減輕醫(yī)務(wù)人員的工作壓力,進(jìn)而緩解目前存在的醫(yī)療資源緊缺問題。本文的具體研究?jī)?nèi)容概括如下:首先,在不改變傳統(tǒng)光學(xué)顯微鏡的工作原理的條件下,引入步進(jìn)電機(jī)、螺旋絲桿、光柵尺等硬件設(shè)備,實(shí)現(xiàn)顯微鏡的自動(dòng)化工作流程。之后,通過軟件控制相機(jī)進(jìn)行圖片采集,并對(duì)采集到的圖片進(jìn)行清晰度分析,并通過基于SVM的自動(dòng)對(duì)焦算法,獲取最清晰的圖片。然后,通過軟件驅(qū)動(dòng)步進(jìn)電機(jī)進(jìn)行玻片位置的調(diào)整,拍攝多個(gè)視野的目標(biāo)圖像,結(jié)合基于增量搜索的多視野圖像自動(dòng)拼接方法,將樣本細(xì)胞圖像拼接為一張大視野圖像。最后,將上述實(shí)驗(yàn)方法應(yīng)用于糞便、尿液、白帶的顯微圖像中,并對(duì)最終的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比、總結(jié)。本文研究的高精度智能顯微系統(tǒng),在自動(dòng)對(duì)焦過程中極大程度提升了顯微鏡物鏡所在z軸的精度且對(duì)焦用時(shí)較傳統(tǒng)方法提升約24%,基于增量搜索的多視野圖像自動(dòng)拼接方法較傳統(tǒng)的點(diǎn)匹配方式提升了70%左右,拼接后重疊區(qū)域的融合效果更柔順,拼接縫的處理更加平滑。
二、提高數(shù)字圖像清晰度的研究（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級(jí)分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過主支變革、控制研究對(duì)象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過創(chuàng)設(shè)一個(gè)與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、提高數(shù)字圖像清晰度的研究（論文提綱范文）
（1）改進(jìn)的梯度閾值圖像清晰度評(píng)價(jià)算法（論文提綱范文）
| 1 引 言 |
| 2 基于灰度梯度的清晰度評(píng)價(jià)函數(shù) |
| 1) Brenner函數(shù)，表達(dá)式為 |
| 2) Roberts函數(shù)，表達(dá)式為 |
| 3) Roberts能量函數(shù)，表達(dá)式為 |
| 4) 灰度差分絕對(duì)值求和(SMD)函數(shù)，表達(dá)式為 |
| 5) 灰度平方和(EOG)函數(shù)，表達(dá)式為 |
| 6) 改進(jìn)的拉普拉斯能量和(SML)函數(shù)，表達(dá)式為 |
| 7) Sobel函數(shù)，表達(dá)式為 |
| 3 改進(jìn)的算法原理 |
| 3.1 多方向Tenengrad函數(shù) |
| 3.2 邊緣點(diǎn)提取 |
| 3.3 改進(jìn)的清晰度評(píng)價(jià)算法的運(yùn)算步驟 |
| 4 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析 |
| 4.1 清晰度評(píng)價(jià)曲線的性能指標(biāo) |
| 4.2 傳統(tǒng)灰度梯度評(píng)價(jià)算法與本文改進(jìn)算法的對(duì)比實(shí)驗(yàn) |
| 4.2.1 算法實(shí)時(shí)性的對(duì)比分析 |
| 4.2.2 算法靈敏度的對(duì)比分析 |
| 4.2.3 算法抗噪性的對(duì)比分析 |
| 5 結(jié) 論 |
（2）基于機(jī)器視覺的數(shù)字圖像處理系統(tǒng)設(shè)計(jì)（論文提綱范文）
| 1 數(shù)字圖像處理系統(tǒng)硬件設(shè)計(jì) |
| 1.1 設(shè)計(jì)同步分離電路 |
| 1.2 設(shè)計(jì)數(shù)字圖像采樣窗口控制電路 |
| 1.3 設(shè)計(jì)數(shù)字圖像收集器 |
| 2 數(shù)字圖像處理系統(tǒng)軟件設(shè)計(jì) |
| 3 系統(tǒng)測(cè)試分析 |
| 4 結(jié)束語 |
（3）成像自適應(yīng)調(diào)焦系統(tǒng)研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 課題研究背景和意義 |
| 1.2 變焦原理與光學(xué)成像原理 |
| 1.2.1 變焦系統(tǒng)原理 |
| 1.2.2 光學(xué)成像原理 |
| 1.3 國(guó)內(nèi)外自動(dòng)調(diào)焦系統(tǒng)的研究現(xiàn)狀 |
| 1.3.1 國(guó)外自動(dòng)調(diào)焦研究現(xiàn)狀 |
| 1.3.2 國(guó)內(nèi)自動(dòng)調(diào)焦研究現(xiàn)狀 |
| 1.4 現(xiàn)有調(diào)焦系統(tǒng)存在的問題 |
| 1.5 本文的主要研究?jī)?nèi)容和各章節(jié)內(nèi)容 |
| 1.6 本章小結(jié) |
| 第2章 自動(dòng)變焦的理論依據(jù) |
| 2.1 自動(dòng)變焦的意義與實(shí)現(xiàn)方式 |
| 2.1.1 自動(dòng)變焦的意義 |
| 2.1.2 自動(dòng)變焦的實(shí)現(xiàn)方式 |
| 2.2 主動(dòng)式變焦技術(shù) |
| 2.3 被動(dòng)式變焦的實(shí)現(xiàn)依據(jù) |
| 2.3.1 被動(dòng)式變焦原理 |
| 2.3.2 傳統(tǒng)運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù) |
| 2.3.3 改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法 |
| 2.4 實(shí)驗(yàn)結(jié)果及分析 |
| 2.4.1 定性評(píng)價(jià) |
| 2.4.2 定量評(píng)價(jià) |
| 2.5 本章小結(jié) |
| 第3章 自動(dòng)對(duì)焦的理論依據(jù) |
| 3.1 自動(dòng)對(duì)焦的意義與實(shí)現(xiàn)方式 |
| 3.1.1 自動(dòng)對(duì)焦的意義 |
| 3.1.2 自動(dòng)對(duì)焦實(shí)現(xiàn)方式 |
| 3.2 傳統(tǒng)的自動(dòng)對(duì)焦技術(shù) |
| 3.2.1 測(cè)距法 |
| 3.2.2 檢焦對(duì)焦法 |
| 3.3 基于數(shù)字圖像處理的自動(dòng)對(duì)焦技術(shù) |
| 3.3.1 基于圖像處理的自動(dòng)對(duì)焦原理 |
| 3.3.2 圖像預(yù)處理 |
| 3.3.3 清晰度評(píng)價(jià)函數(shù) |
| 3.4 本章小結(jié) |
| 第4章 調(diào)焦搜索算法 |
| 4.1 傳統(tǒng)調(diào)焦搜索算法介紹 |
| 4.1.1 調(diào)焦搜索算法功能 |
| 4.1.2 傳統(tǒng)的調(diào)焦搜索算法 |
| 4.1.3 傳統(tǒng)調(diào)焦搜索算法的不足 |
| 4.2 改進(jìn)傳統(tǒng)爬山搜索算法應(yīng)考慮的問題 |
| 4.3 本文的調(diào)焦搜索算法 |
| 4.4 調(diào)焦搜索算法性能對(duì)比實(shí)驗(yàn) |
| 4.4.1 算法評(píng)價(jià)指標(biāo) |
| 4.4.2 仿真實(shí)驗(yàn)及結(jié)果分析 |
| 4.5 本章小結(jié) |
| 第5章 自動(dòng)調(diào)焦系統(tǒng)實(shí)現(xiàn) |
| 5.1 自動(dòng)調(diào)焦系統(tǒng)的總體設(shè)計(jì) |
| 5.2 系統(tǒng)硬件設(shè)計(jì) |
| 5.2.1 電動(dòng)變焦鏡頭的選擇 |
| 5.2.2 CMOS圖像采集電路 |
| 5.2.3 電機(jī)驅(qū)動(dòng)電路 |
| 5.2.4 系統(tǒng)供電電路 |
| 5.2.5 主控電路及接口設(shè)計(jì) |
| 5.3 系統(tǒng)軟件設(shè)計(jì) |
| 5.4 系統(tǒng)控制界面設(shè)計(jì) |
| 5.5 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析 |
| 5.5.1 實(shí)驗(yàn)設(shè)備及環(huán)境 |
| 5.5.2 調(diào)焦系統(tǒng)功能測(cè)試 |
| 5.5.3 調(diào)焦系統(tǒng)可靠性和有效性分析 |
| 5.6 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果 |
（4）光學(xué)成像系統(tǒng)中的自動(dòng)檢焦技術(shù)研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外檢焦技術(shù)研究歷程 |
| 1.3 常用的離焦系統(tǒng)自動(dòng)檢焦方法 |
| 1.4 主要研究?jī)?nèi)容及論文結(jié)構(gòu) |
| 第2章 檢焦基本理論分析 |
| 2.1 離焦光學(xué)模型 |
| 2.1.1 幾何光學(xué)模型 |
| 2.1.2 波動(dòng)光學(xué)模型 |
| 2.2 離焦系統(tǒng)成像分析及其降質(zhì)模型 |
| 2.2.1 離焦對(duì)光學(xué)成像系統(tǒng)的影響 |
| 2.2.2 離焦成像系統(tǒng)的降質(zhì)模型 |
| 2.3 本文技術(shù)路線 |
| 2.4 本章小結(jié) |
| 第3章 點(diǎn)目標(biāo)的自動(dòng)檢焦方法 |
| 3.1 基于夏克—哈特曼波前傳感器的自動(dòng)檢焦原理 |
| 3.2 仿真分析 |
| 3.3 本章小結(jié) |
| 第4章 擴(kuò)展目標(biāo)的自動(dòng)粗檢焦方法 |
| 4.1 圖像預(yù)處理 |
| 4.1.1 圖像低照度增強(qiáng) |
| 4.1.2 圖像去噪處理 |
| 4.2 基于圖像頻譜的直接粗檢焦原理 |
| 4.3 改進(jìn)的頻譜信息提取方法 |
| 4.4 結(jié)果分析與討論 |
| 4.5 本章小結(jié) |
| 第5章 擴(kuò)展目標(biāo)的自動(dòng)精檢焦方法 |
| 5.1 基于圖像評(píng)價(jià)的精檢焦原理 |
| 5.2 常用的清晰度評(píng)價(jià)函數(shù) |
| 5.2.1 基于空域清晰度評(píng)價(jià)函數(shù) |
| 5.2.2 基于頻域清晰度評(píng)價(jià)函數(shù) |
| 5.2.3 基于信息熵的清晰度評(píng)價(jià)函數(shù) |
| 5.2.4 基于統(tǒng)計(jì)學(xué)的清晰度評(píng)價(jià)函數(shù) |
| 5.3 基于SOBEL算子的改進(jìn)圖像清晰度評(píng)價(jià)函數(shù) |
| 5.4 改進(jìn)清晰度評(píng)價(jià)函數(shù)性能驗(yàn)證 |
| 5.4.1 清晰度評(píng)價(jià)性能仿真實(shí)驗(yàn) |
| 5.4.2 抗噪能力檢驗(yàn)及靈敏度分析 |
| 5.4.3 真實(shí)圖像驗(yàn)證 |
| 5.4.4 望遠(yuǎn)鏡系統(tǒng)實(shí)驗(yàn)驗(yàn)證 |
| 5.5 本章小結(jié) |
| 第6章 總結(jié)和展望 |
| 6.1 全文工作總結(jié) |
| 6.2 論文主要?jiǎng)?chuàng)新點(diǎn) |
| 6.3 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果 |
（5）基于數(shù)字圖像處理的顯微自動(dòng)對(duì)焦技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國(guó)外研究現(xiàn)狀 |
| 1.2.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.3 研究?jī)?nèi)容及論文結(jié)構(gòu) |
| 第2章 顯微自動(dòng)對(duì)焦理論基礎(chǔ)與方法 |
| 2.1 引言 |
| 2.2 顯微自動(dòng)對(duì)焦成像的基本原理 |
| 2.2.1 顯微鏡成像原理 |
| 2.2.2 光學(xué)成像模型 |
| 2.2.3 點(diǎn)擴(kuò)散函數(shù)與光學(xué)傳遞函數(shù) |
| 2.2.4 成像系統(tǒng)的景深與焦深 |
| 2.3 自動(dòng)對(duì)焦方法分類 |
| 2.4 基于圖像處理的自動(dòng)對(duì)焦方法 |
| 2.4.1 離焦深度法 |
| 2.4.2 聚焦深度法 |
| 2.5 本章小結(jié) |
| 第3章 聚焦評(píng)價(jià)函數(shù)的研究 |
| 3.1 引言 |
| 3.2 典型的聚焦評(píng)價(jià)函數(shù) |
| 3.2.1 空域類聚焦評(píng)價(jià)函數(shù) |
| 3.2.2 變換域類聚焦評(píng)價(jià)函數(shù) |
| 3.2.3 信息熵類聚焦評(píng)價(jià)函數(shù) |
| 3.2.4 統(tǒng)計(jì)學(xué)類聚焦評(píng)價(jià)函數(shù) |
| 3.3 Brenner2d_Roberts聚焦評(píng)價(jià)函數(shù) |
| 3.4 各種聚焦評(píng)價(jià)函數(shù)性能分析實(shí)驗(yàn) |
| 3.4.1 聚焦評(píng)價(jià)函數(shù)的性能評(píng)價(jià)指標(biāo) |
| 3.4.2 幾種聚焦評(píng)價(jià)函數(shù)的性能評(píng)估 |
| 3.5 本章小結(jié) |
| 第4章 聚焦窗口的選擇 |
| 4.1 引言 |
| 4.2 聚焦窗口選擇的重要性 |
| 4.3 常用的聚焦窗口選擇方法 |
| 4.3.1 中央取窗法 |
| 4.3.2 多區(qū)域取窗法 |
| 4.3.3 非均勻采樣取窗法 |
| 4.4 變步長(zhǎng)取窗法 |
| 4.5 本章小結(jié) |
| 第5章 系統(tǒng)實(shí)現(xiàn)平臺(tái)及實(shí)驗(yàn)結(jié)果分析 |
| 5.1 引言 |
| 5.2 自動(dòng)對(duì)焦系統(tǒng)總體方案設(shè)計(jì) |
| 5.3 自動(dòng)對(duì)焦系統(tǒng)元件選擇 |
| 5.3.1 光源 |
| 5.3.2 顯微物鏡 |
| 5.3.3 圖像采集模塊 |
| 5.3.4 運(yùn)動(dòng)控制模塊 |
| 5.4 自動(dòng)聚焦搜索算法 |
| 5.4.1 傳統(tǒng)聚焦搜索算法 |
| 5.4.2 粗精結(jié)合的爬山搜索算法 |
| 5.5 實(shí)驗(yàn)結(jié)果分析 |
| 5.5.1 對(duì)焦效果測(cè)試實(shí)驗(yàn) |
| 5.5.2 對(duì)焦精度與穩(wěn)定性測(cè)試 |
| 5.6 本章小結(jié) |
| 第6章 總結(jié)和展望 |
| 6.1 主要工作總結(jié) |
| 6.2 本文創(chuàng)新點(diǎn) |
| 6.3 未來工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果 |
（6）非下采樣輪廓波變換應(yīng)用于多源圖像融合研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 數(shù)字圖像處理 |
| 1.1.1 數(shù)字圖像處理的概念 |
| 1.1.2 數(shù)字圖像處理技術(shù)的特點(diǎn) |
| 1.1.3 數(shù)字圖像處理技術(shù)的基本內(nèi)容 |
| 1.1.4 數(shù)字圖像處理技術(shù)的研究現(xiàn)狀 |
| 1.2 圖像融合 |
| 1.2.1 圖像融合的概念 |
| 1.2.2 圖像融合研究現(xiàn)狀 |
| 1.3 圖像融合質(zhì)量評(píng)價(jià) |
| 1.3.1 主觀評(píng)價(jià) |
| 1.3.2 客觀評(píng)價(jià) |
| 1.4 本文研究?jī)?nèi)容 |
| 1.5 論文結(jié)構(gòu)安排 |
| 1.6 本章小結(jié) |
| 2 非下采樣輪廓波變換 |
| 2.1 輪廓波(Contourlet)變換 |
| 2.1.1 拉普拉斯金字塔分解 |
| 2.1.2 方向?yàn)V波器 |
| 2.2 非下采樣輪廓波變換 |
| 2.2.1 非下采樣金字塔 |
| 2.2.2 非下采樣方向?yàn)V波器組 |
| 2.2.3 NSCT的變換的結(jié)構(gòu) |
| 2.3 本章小結(jié) |
| 3 多聚焦圖像融合 |
| 3.1 概述 |
| 3.2 特征匹配度結(jié)合邊緣檢測(cè)的圖像融合 |
| 3.2.1 算法概述 |
| 3.2.2 低頻融合規(guī)則 |
| 3.2.3 高頻融合規(guī)則 |
| 3.2.4 邊緣檢測(cè)融合 |
| 3.3 融合實(shí)驗(yàn) |
| 3.3.1 實(shí)驗(yàn)設(shè)置 |
| 3.3.2 實(shí)驗(yàn)結(jié)果與分析 |
| 3.4 本章小結(jié) |
| 4 紅外圖像與可見光圖像融合 |
| 4.1 概述 |
| 4.2 馬氏距離與引導(dǎo)濾波加權(quán)的紅外圖像融合 |
| 4.2.1 算法概述 |
| 4.2.2 對(duì)比度受限的自適應(yīng)直方圖均衡化 |
| 4.2.3 引導(dǎo)濾波改進(jìn)的圖像顯著性圖 |
| 4.2.4 馬氏距離加權(quán)的拉普拉斯能量和 |
| 4.2.5 高低頻融合規(guī)則 |
| 4.3 融合實(shí)驗(yàn) |
| 4.3.1 實(shí)驗(yàn)設(shè)置 |
| 4.3.2 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4 本章小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 附錄 |
| 致謝 |
（7）基于光場(chǎng)重建的大景深高分辨率成像技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 多聚焦圖像的采集方法 |
| 1.2 全焦融合算法 |
| 1.3 本文開展的主要工作 |
| 1.4 本章小節(jié) |
| 第二章 基于引導(dǎo)濾波的光場(chǎng)全焦融合技術(shù)的基礎(chǔ)理論 |
| 2.1 基于光場(chǎng)成像的多聚焦圖像采集原理 |
| 2.2 基于引導(dǎo)濾波器的多聚焦圖像融合算法 |
| 2.3 本章小結(jié) |
| 第三章 基于引導(dǎo)濾波的單次曝光光場(chǎng)全焦融合技術(shù) |
| 3.1 基于引導(dǎo)濾波的單次曝光光場(chǎng)全焦融合技術(shù)的基礎(chǔ)原理 |
| 3.2 基于單次曝光光場(chǎng)成像的引導(dǎo)濾波全焦圖像重建技術(shù)的模擬 |
| 3.3 基于引導(dǎo)濾波的單次曝光光場(chǎng)全焦融合技術(shù)的實(shí)驗(yàn)結(jié)果 |
| 3.4 全焦融合結(jié)果定量分析 |
| 3.5 本章小結(jié) |
| 第四章 基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像 |
| 4.1 基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像技術(shù)的基本原理 |
| 4.1.1 單圖像超分辨算法 |
| 4.1.2 基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像的網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.2 基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像技術(shù)的數(shù)值模擬 |
| 4.3 基于深度神經(jīng)網(wǎng)絡(luò)的高時(shí)-空分辨全焦成像技術(shù)的實(shí)驗(yàn) |
| 4.4 本章小結(jié) |
| 總結(jié)與展望 |
| 主要總結(jié) |
| 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄: 作者在攻讀碩士學(xué)位期間發(fā)表的論文 |
（8）基于卷積神經(jīng)網(wǎng)絡(luò)的圖像快速調(diào)焦技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 自動(dòng)調(diào)焦技術(shù)的研究現(xiàn)狀 |
| 1.2.1 國(guó)外研究現(xiàn)狀 |
| 1.2.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.3 擬解決關(guān)鍵問題 |
| 1.4 本論文研究的內(nèi)容及結(jié)構(gòu)安排 |
| 第2章 自動(dòng)調(diào)焦原理與卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) |
| 2.1 引言 |
| 2.2 光學(xué)成像原理 |
| 2.2.1 圖像模糊模型 |
| 2.2.2 點(diǎn)擴(kuò)散函數(shù)與光學(xué)傳遞函數(shù)分析 |
| 2.2.3 成像系統(tǒng)的景深和焦深 |
| 2.3 傳統(tǒng)的自動(dòng)調(diào)焦方法 |
| 2.3.1 主動(dòng)的調(diào)焦方法 |
| 2.3.2 被動(dòng)的調(diào)焦方法 |
| 2.4 基于圖像的自動(dòng)調(diào)焦方法 |
| 2.4.1 離焦深度法 |
| 2.4.2 對(duì)焦深度法 |
| 2.5 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)基礎(chǔ)知識(shí) |
| 2.6 本章小結(jié) |
| 第3章 圖像評(píng)價(jià)函數(shù)和圖像評(píng)價(jià)網(wǎng)絡(luò)研究 |
| 3.1 引言 |
| 3.2 常用的清晰度評(píng)價(jià)函數(shù) |
| 3.2.1 空域評(píng)價(jià)函數(shù) |
| 3.2.2 頻域評(píng)價(jià)函數(shù) |
| 3.2.3 信息熵評(píng)價(jià)函數(shù) |
| 3.2.4 統(tǒng)計(jì)學(xué)評(píng)價(jià)函數(shù) |
| 3.3 基于像素差異的改進(jìn)SMD圖像評(píng)價(jià)函數(shù) |
| 3.3.1 理想評(píng)價(jià)函數(shù)模型 |
| 3.3.2 改進(jìn)SMD函數(shù)基本原理 |
| 3.3.3 空域評(píng)價(jià)函數(shù)對(duì)比分析 |
| 3.3.4 評(píng)價(jià)函數(shù)抗噪性測(cè)試 |
| 3.4 基于改進(jìn)VGG的圖像評(píng)價(jià)網(wǎng)絡(luò)研究 |
| 3.4.1 數(shù)據(jù)集構(gòu)建 |
| 3.4.2 圖像評(píng)價(jià)網(wǎng)絡(luò)結(jié)構(gòu) |
| 3.4.3 訓(xùn)練參數(shù)設(shè)置 |
| 3.4.4 圖像評(píng)價(jià)網(wǎng)絡(luò)性能 |
| 3.5 本章小結(jié) |
| 第4章 調(diào)焦搜索算法的研究 |
| 4.1 引言 |
| 4.2 常用的圖像調(diào)焦搜索算法 |
| 4.2.1 Fibonacci調(diào)焦搜索算法 |
| 4.2.2 曲線擬合調(diào)焦搜索算法 |
| 4.2.3 爬山調(diào)焦搜索算法 |
| 4.3 基于圖像評(píng)價(jià)網(wǎng)絡(luò)的改進(jìn)爬山搜索算法 |
| 4.3.1 評(píng)價(jià)網(wǎng)絡(luò)對(duì)圖像模糊的識(shí)別及搜索步長(zhǎng)選擇 |
| 4.4 本章小結(jié) |
| 第5章 快速調(diào)焦實(shí)驗(yàn)的研究 |
| 5.1 引言 |
| 5.2 圖像調(diào)焦系統(tǒng)結(jié)構(gòu) |
| 5.2.2 調(diào)焦系統(tǒng)硬件連接 |
| 5.3 調(diào)焦搜索算法的實(shí)驗(yàn)數(shù)據(jù)分析 |
| 5.2.1 基于圖像快速調(diào)焦系統(tǒng)的工作流程 |
| 5.4 快速調(diào)焦時(shí)效性分析 |
| 5.5 本章小結(jié) |
| 第6章 總結(jié)和展望 |
| 6.1 論文工作總結(jié) |
| 6.2 創(chuàng)新點(diǎn) |
| 6.3 未來工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果 |
（9）基于圖像處理的自動(dòng)聚焦技術(shù)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 課題研究的背景與意義 |
| 1.2 自動(dòng)聚焦技術(shù)的國(guó)內(nèi)外發(fā)展情況 |
| 1.2.1 國(guó)外自動(dòng)聚焦技術(shù)發(fā)展情況 |
| 1.2.2 國(guó)內(nèi)自動(dòng)聚焦技術(shù)發(fā)展情況 |
| 1.3 本文的研究?jī)?nèi)容和架構(gòu) |
| 第二章 光學(xué)成像系統(tǒng)及自動(dòng)聚焦原理 |
| 2.1 光學(xué)成像系統(tǒng)的基本構(gòu)造及工作原理 |
| 2.2 光學(xué)成像系統(tǒng)的主要影響因素 |
| 2.2.1 像差 |
| 2.2.2 模糊圓 |
| 2.2.3 景深與焦深 |
| 2.3 自動(dòng)聚焦技術(shù)原理 |
| 2.3.1 控距調(diào)節(jié)法 |
| 2.3.2 聚焦檢測(cè)法 |
| 2.3.3 現(xiàn)代自動(dòng)聚焦技術(shù) |
| 2.4 本章小結(jié) |
| 第三章 聚焦評(píng)價(jià)函數(shù)的研究與改進(jìn) |
| 3.1 傳統(tǒng)聚焦評(píng)價(jià)函數(shù) |
| 3.1.1 信息與統(tǒng)計(jì)類聚焦評(píng)價(jià)函數(shù) |
| 3.1.2 空間域類聚焦評(píng)價(jià)函數(shù) |
| 3.1.3 頻域類聚焦評(píng)價(jià)函數(shù) |
| 3.2 聚焦評(píng)價(jià)函數(shù)性能指標(biāo) |
| 3.2.1 定性性能評(píng)價(jià)指標(biāo) |
| 3.2.2 定量性能評(píng)價(jià)指標(biāo) |
| 3.3 基于動(dòng)態(tài)分割及局部最大梯度的聚焦評(píng)價(jià)函數(shù) |
| 3.3.1 圖像動(dòng)態(tài)分割 |
| 3.3.2 聚焦評(píng)價(jià)函數(shù)的原理及構(gòu)建 |
| 3.4 聚焦函數(shù)仿真實(shí)驗(yàn)及分析 |
| 3.5 本章小結(jié) |
| 第四章 聚焦窗口的選擇與分析 |
| 4.1 聚焦窗口選擇的影響因素分析 |
| 4.2 經(jīng)典聚焦窗口選擇方法 |
| 4.2.1 中心區(qū)域聚焦窗口選擇法 |
| 4.2.2 多區(qū)分布聚焦窗口選擇法 |
| 4.2.3 一階矩聚焦窗口選擇法 |
| 4.3 基于差分進(jìn)化算法的聚焦窗口選擇方法 |
| 4.3.1 差分進(jìn)化算法原理及特征 |
| 4.3.2 差分進(jìn)化算法基本框架 |
| 4.3.3 基于自適應(yīng)優(yōu)化的差分進(jìn)化算法 |
| 4.3.4 自適應(yīng)差分進(jìn)化算法在聚焦窗口選擇中的應(yīng)用 |
| 4.4 窗口選擇實(shí)驗(yàn)結(jié)果與分析 |
| 4.5 本章小結(jié) |
| 第五章 一種新的自動(dòng)聚焦方法 |
| 5.1 傳統(tǒng)的聚焦搜索策略 |
| 5.1.1 傳統(tǒng)聚焦搜索方法介紹 |
| 5.1.2 傳統(tǒng)聚焦搜索方法優(yōu)劣分析 |
| 5.2 改進(jìn)的二階混合搜索算法 |
| 5.3 一種新的自動(dòng)聚焦方法 |
| 5.4 實(shí)驗(yàn)結(jié)果與分析 |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀碩士學(xué)位期間的學(xué)術(shù)論文 |
| 學(xué)位論文評(píng)閱及答辯情況表 |
（10）高精度智能顯微鏡系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究工作的背景與意義 |
| 1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀 |
| 1.2.1 光學(xué)顯微鏡的國(guó)內(nèi)外研究歷史與現(xiàn)狀 |
| 1.2.2 自動(dòng)對(duì)焦技術(shù)的國(guó)內(nèi)外研究歷史與現(xiàn)狀 |
| 1.2.3 圖像拼接技術(shù)的國(guó)內(nèi)外研究歷史與現(xiàn)狀 |
| 1.3 本文的主要研究?jī)?nèi)容與組織結(jié)構(gòu) |
| 第二章 高精度智能顯微鏡的系統(tǒng)設(shè)計(jì) |
| 2.1 系統(tǒng)總體設(shè)計(jì) |
| 2.2 硬件模塊設(shè)計(jì) |
| 2.2.1 光學(xué)顯微鏡及相關(guān)組件的選型 |
| 2.2.2 微型光柵系統(tǒng) |
| 2.2.3 載物臺(tái)的改造 |
| 2.3 軟件模塊設(shè)計(jì) |
| 2.3.1 整體架構(gòu) |
| 2.3.2 界面展示 |
| 2.4 智能光柵顯微鏡的工作流程 |
| 2.5 本章小結(jié) |
| 第三章 基于SVM的自動(dòng)對(duì)焦設(shè)計(jì)與實(shí)現(xiàn) |
| 3.1 傳統(tǒng)的對(duì)焦搜索算法 |
| 3.1.1 遍歷算法 |
| 3.1.2 爬山搜索算法 |
| 3.2 圖像清晰度評(píng)價(jià)方法簡(jiǎn)介 |
| 3.2.1 Tenengrad評(píng)價(jià)函數(shù) |
| 3.2.2 基于頻域的清晰度評(píng)價(jià)函數(shù) |
| 3.2.3 SMD清晰度評(píng)價(jià)函數(shù) |
| 3.2.4 八鄰域點(diǎn)銳度清晰度評(píng)價(jià)函數(shù) |
| 3.3 一種基于SVM的自動(dòng)對(duì)焦算法 |
| 3.3.1 SVM處理流程 |
| 3.3.2 基于SVM的爬山搜索 |
| 3.4 實(shí)驗(yàn)結(jié)果與傳統(tǒng)算法及人工耗時(shí)的對(duì)比 |
| 3.5 本章小結(jié) |
| 第四章 基于增量搜索的多視野圖像自動(dòng)拼接技術(shù) |
| 4.1 圖像特征點(diǎn)的提取方法 |
| 4.1.1 SIFT算子 |
| 4.1.2 SURF算子 |
| 4.1.3 ORB算子 |
| 4.1.4 三種算子的性能比對(duì) |
| 4.2 圖像拼接策略 |
| 4.2.1 圖像配準(zhǔn)的意義 |
| 4.2.2 增量搜索算法 |
| 4.2.3 基于增量搜索的多視野圖像自動(dòng)拼接算法 |
| 4.3 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4 本章小結(jié) |
| 第五章 多種鏡檢樣本測(cè)試 |
| 5.1 鞭蟲卵樣本測(cè)試 |
| 5.1.1 自動(dòng)對(duì)焦結(jié)果與分析 |
| 5.1.2 自動(dòng)拼接結(jié)果與分析 |
| 5.2 宮頸刮片樣本測(cè)試 |
| 5.2.1 自動(dòng)對(duì)焦結(jié)果與分析 |
| 5.2.2 自動(dòng)拼接結(jié)果與分析 |
| 5.3 白帶樣本測(cè)試 |
| 5.3.1 自動(dòng)對(duì)焦結(jié)果與分析 |
| 5.3.2 自動(dòng)拼接結(jié)果與分析 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀碩士研究生期間取得的研究成果 |
四、提高數(shù)字圖像清晰度的研究（論文參考文獻(xiàn)）
- [1]改進(jìn)的梯度閾值圖像清晰度評(píng)價(jià)算法[J]. 曾海飛,韓昌佩,李凱,屠黃唯. 激光與光電子學(xué)進(jìn)展, 2021(22)
- [2]基于機(jī)器視覺的數(shù)字圖像處理系統(tǒng)設(shè)計(jì)[J]. 肖紅,楊本勝. 電子技術(shù)與軟件工程, 2021(16)
- [3]成像自適應(yīng)調(diào)焦系統(tǒng)研究[D]. 曾海飛. 中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院上海技術(shù)物理研究所), 2021(01)
- [4]光學(xué)成像系統(tǒng)中的自動(dòng)檢焦技術(shù)研究[D]. 鄒雨彤. 中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所), 2021(08)
- [5]基于數(shù)字圖像處理的顯微自動(dòng)對(duì)焦技術(shù)研究[D]. 熊銳. 中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所), 2021(08)
- [6]非下采樣輪廓波變換應(yīng)用于多源圖像融合研究[D]. 劉佳. 武漢紡織大學(xué), 2021(08)
- [7]基于光場(chǎng)重建的大景深高分辨率成像技術(shù)研究[D]. 于淼. 江南大學(xué), 2021(01)
- [8]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像快速調(diào)焦技術(shù)研究[D]. 尹文明. 中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所), 2021(08)
- [9]基于圖像處理的自動(dòng)聚焦技術(shù)研究[D]. 包丞嘯. 山東大學(xué), 2021(12)
- [10]高精度智能顯微鏡系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 秦馳. 電子科技大學(xué), 2021(01)
標(biāo)簽：清晰度論文; 圖像融合論文; 數(shù)字圖像處理論文; 函數(shù)圖像論文; 自動(dòng)對(duì)焦論文;