一、基于序列圖像處理技術(shù)的高分辨率紅外圖像重建方法（論文文獻(xiàn)綜述）
王五一[1]（2021）在《基于生成對抗網(wǎng)絡(luò)的紅外超分辨率算法研究》文中研究表明盡管紅外成像技術(shù)的發(fā)展十分迅速,應(yīng)用的領(lǐng)域非常廣泛,成像圖像的分辨率還是很低。現(xiàn)階段紅外焦平面陣列分辨率大多為640x512以下,不僅不能滿足人眼對細(xì)節(jié)豐富的高分辨率圖像的需求,而且無法滿足成像顯示器1K、2K分辨率的顯示需要,因此迫切需要采取措施提高紅外圖像的分辨率。圖像插值是提高分辨率最簡單的措施,當(dāng)圖像被放大到成像顯示器的分辨率后,由于沒有新信息引入從而造成結(jié)果圖像細(xì)節(jié)模糊。通過增加探測器陣列密度及陣列尺寸的方式去提升分辨率不僅增加成本且不適用于大尺度放大的情況。所以本文聚焦于超分辨率重建技術(shù),以生成對抗網(wǎng)絡(luò)為切入點,研究了基于生成對抗網(wǎng)絡(luò)的紅外圖像超分辨率重建技術(shù),具體內(nèi)容如下:（1）基于ESRGAN改進(jìn)的紅外圖像超分辨率算法。針對目前ESRGAN算法在紅外超分辨率重建任務(wù)中存在的結(jié)果圖像高頻細(xì)節(jié)不足、產(chǎn)生“偽影”和客觀評價指標(biāo)不能很好反映圖像重建質(zhì)量的問題,提出了RCAGAN算法。通過該算法重建得到的圖像,不僅視覺質(zhì)量好于ESRGAN在內(nèi)的常用超分辨率模型,而且客觀評價指標(biāo)PSNR/SSIM值在公共數(shù)據(jù)集FLIR、CVC-14、室外采集數(shù)據(jù)集上分別達(dá)到了30.86d B/0.8781、28.97d B/0.8104、29.76d B/0.8385,高于現(xiàn)階段常用的超分辨率模型,并且比ESRGAN算法的指標(biāo)高了3.02d B/0.1092、2.68d B/0.1199和2.58d B/0.0934;得到了RCAGAN算法與常用的超分算法相比是更好算法的結(jié)論。（2）基于模糊核生成對抗紅外圖像超分辨率算法。針對“理想”降尺度核和實際降尺度核不相同造成重建圖像質(zhì)量差的問題,提出一個新的數(shù)據(jù)集制作模型Kernel SR,并在此模型的基礎(chǔ)上,構(gòu)建了一個新的紅外超分辨率樣本庫,常用的超分辨率模型在這個樣本庫上有良好表現(xiàn)也可以泛化到實際場景。通過該模型重建得到的圖像,不僅視覺質(zhì)量好于常用的超分辨率模型（Kernel GAN+不同算法）,而且客觀評價指標(biāo)PSNR/SSIM值在公共數(shù)據(jù)集FLIR、CVC-14和紅外超分辨率樣本庫中別達(dá)到了30.58d B/0.8847、29.94d B/0.8167和30.17d B/0.8627,高于現(xiàn)階段最好的基于模糊核的超分辨率模型（Kernel GAN+ESRGAN）4.23d B/0.2036、3.12d B/0.3029、5.44d B/0.3076。得出了提出的超分辨率模型是更好模型的結(jié)論。雖然當(dāng)前版本的紅外圖像樣本庫僅使用三個相機(jī)構(gòu)建,但訓(xùn)練后的超分辨率模型對其他類型的攝像頭設(shè)備捕獲的紅外圖像表現(xiàn)出良好的泛化能力。
黃彪[2]（2021）在《紅外序列圖像場景配準(zhǔn)及超分辨率重建》文中研究指明紅外成像探測在軍事和安防等方面的應(yīng)用變得越來越不可或缺,但是由于目前紅外成像技術(shù)的制作工藝以及成像機(jī)理等方面的限制,紅外圖像的整體和局部對比度都偏低,邊緣模糊并且相較于可見光圖像整體分辨率較低,再加上序列圖像在獲取過程中存在相機(jī)抖動以及相機(jī)和場景存在相對運動等情況會造成幀間圖像存在空間坐標(biāo)變換,這些因素都嚴(yán)重限制了紅外成像技術(shù)應(yīng)用的進(jìn)一步發(fā)展。因此本文將深入研究紅外序列圖像的配準(zhǔn)及增強技術(shù),主要的研究內(nèi)容如下:（1）針對紅外圖像對比度低的缺陷,本文主要研究了基于局部直方圖均衡化的增強算法,將圖像分塊,利用SVM對圖像子塊進(jìn)行簡單子塊和復(fù)雜子塊的二分類。對簡單子塊進(jìn)行線性拉伸,而對每個復(fù)雜子塊依次采用基于人眼最小可覺差的均衡化處理,之后用插值運算來解決由于不同子塊處理方式不同帶來的塊效應(yīng)。經(jīng)過實驗驗證,該算法能有效解決圖像背景區(qū)域過度增強以及噪聲放大等問題;（2）圖像配準(zhǔn)方面,本文主要通過研究探索常見的特征檢測和特征描述算法的不同組合方式,得到了一種Harris+FREAK的特征組合方式,并在誤匹配消除階段,提出了一種基于序列圖像先驗信息的RANSAC算法,在保證配準(zhǔn)精度的前提下,能大量減少RANSAC算法的計算量,大大提升了算法的實時性。同時結(jié)合Hough變換的直線特征配準(zhǔn)算法,解決了一些特征點較少的圖像的配準(zhǔn)問題;（3）針對紅外圖像分辨率差,本文先通過基于Harris+FREAK組合特征配準(zhǔn)算法,得到序列圖像幀間的空間坐標(biāo)變換關(guān)系,之后結(jié)合凸集投影法,并對其PSF函數(shù)進(jìn)行改進(jìn),得到高分辨率圖像。該算法在PSNR和SSIM等評價指標(biāo)上較傳統(tǒng)的基于POCS的超分辨率重建算法有顯著的提升。
柳興國[3]（2020）在《基于壓縮感知的紅外圖像超分辨率重建》文中研究表明與可見光成像系統(tǒng)相比,紅外成像系統(tǒng)的可靠性和穩(wěn)定性還有很大差距,其性能受環(huán)境因素影響很大,通過硬件方式不能完全解決。因此,通過軟件方式,即超分辨率重建方法,從觀測到的一幀或者多幀低分辨率圖像序列中,通過算法獲得高質(zhì)量或者高分辨率圖像,同時去除圖像模糊和噪聲,對紅外圖像進(jìn)行后期處理就更具有現(xiàn)實意義。目前針對紅外圖像超分辨率處理通常采用以灰度變換和直方圖均衡法為代表的空域法,以及小波變換、傅里葉變換為主的變換域法等。作為近年發(fā)展的熱點,壓縮感知理論以其信號稀疏表示、壓縮編碼和高質(zhì)量重建的思想為很多領(lǐng)域的研究提供了新思路,將圖像超分辨率問題看作從采樣信號重建原始信號的過程,就為圖像超分辨率重建開辟了一個廣闊的研究空間。本文以壓縮感知理論為基礎(chǔ),主要從去除圖像模糊和提高圖像分辨率兩個角度研究紅外圖像重建方法,旨在進(jìn)一步提高圖像質(zhì)量客觀評價指標(biāo)和改善視覺效果,提升紅外系統(tǒng)的探測性能。具體研究內(nèi)容包含以下幾方面:（1）對壓縮感知基礎(chǔ)理論進(jìn)行了研究,包括稀疏表示、觀測矩陣和重建算法等理論及特性研究。重點介紹了最小l1范數(shù)法、貪婪算法和迭代閾值法,并從稀疏解、迭代過程以及算法復(fù)雜度三個方面對各類算法進(jìn)行分析對比,為后續(xù)研究提供了理論依據(jù)。（2）通過對紅外圖像噪聲類型的分析,本文研究了椒鹽噪聲和多種模糊條件下的紅外圖像重建,提出利用交疊組稀疏和lp偽范數(shù)的紅外圖像去模糊方法。該方法以交疊組稀疏全變分為正則項,保真項使用lp偽范數(shù)替代傳統(tǒng)模型中的l1范數(shù),從而使圖像在重建中獲得更好的稀疏特性,在不同椒鹽噪聲、高斯模糊和均值模糊條件下的重建效果無論是客觀評價指標(biāo)還是視覺效果,都取得了明顯改善。（3）提出將Shearlet剪切波變換和全變分相結(jié)合用于紅外圖像高斯噪聲去除的方法。針對Shearlet變換包含下采樣過程而不具備平移不變性,圖像重建存在吉布斯現(xiàn)象,以及全變分在每個像素點都計算水平和垂直兩個方向梯度,在非邊緣區(qū)域會出現(xiàn)階梯效應(yīng)的問題,將兩者結(jié)合發(fā)揮Shearlet和全變分對圖像幾何特征和邊緣保護(hù)的特性,減少吉布斯現(xiàn)象和階梯效應(yīng),提高圖像去噪效果,實現(xiàn)紅外圖像的高質(zhì)量重建。（4）提出基于四方向分?jǐn)?shù)階全變分和lp偽范數(shù)的超分辨率重建方法。由于整數(shù)階全變分對保持圖像不連續(xù)性和圖像結(jié)構(gòu)有良好的性能,但用于超分辨率重建時有塊效應(yīng),而分?jǐn)?shù)階全變分對圖像非局部特征,比如邊緣和紋理等細(xì)節(jié)有很好的處理能力,將其用于超分辨率重建能緩解塊效應(yīng)問題。另外,為了利用像素點間空間相關(guān)性,提升去噪去模糊性能,將四方向梯度應(yīng)用于分?jǐn)?shù)階全變分;而lp偽范數(shù)同樣能帶來更好的稀疏特性,進(jìn)一步提升紅外圖像超分辨率重建質(zhì)量。（5）提出基于四方向高階交疊組稀疏的超分辨率重建方法。在前述研究基礎(chǔ)上,將四方向全變分應(yīng)用于交疊組稀疏,進(jìn)一步發(fā)掘像素點之間的相關(guān)性;高階梯度包含水平和垂直方向梯度,以及水平和垂直方向相鄰的三個像素點之間的梯度信息與相鄰四個像素點梯度信息的關(guān)系,因此也能有效抑制超分辨率重建過程中的階梯效應(yīng),提高紅外圖像超分辨率重建質(zhì)量。
毛如玉[4]（2020）在《基于融合梯度ESRGAN網(wǎng)絡(luò)的單幅紅外圖像重建與增強研究》文中研究表明紅外成像系統(tǒng)可以在黑夜、雨、霧等光照不足和天氣環(huán)境復(fù)雜的情況下捕捉物體的紅外圖像,并且能夠呈現(xiàn)出較好的穿透成像效果,現(xiàn)廣泛應(yīng)用于軍事、醫(yī)療,公共安全等領(lǐng)域。車載安全輔助系統(tǒng),若配備紅外成像系統(tǒng)能夠輔助駕駛員對車輛前方路況有更清晰的了解,及時避免因光照變化、不良天氣影響等因素造成的危險。由于車輛內(nèi)部高度集成化,為有效利用車內(nèi)空間且不過多占用運算和電力資源,因此紅外成像系統(tǒng)體積不宜過大、成像尺寸受限、運算復(fù)雜度不宜過高。通過對車載紅外圖像的重建和增強進(jìn)行研究,能夠在不增加硬件成本的基礎(chǔ)上有效提升圖像的質(zhì)量和提高人或機(jī)器對圖像內(nèi)容的辨析,這將有助于降低復(fù)雜環(huán)境和無人駕駛情況車禍發(fā)生的概率,提高安全駕駛的效率和安全性。本文在行車記錄儀上采集的高分辨率紅外圖像數(shù)據(jù)集FLIR-ADAS進(jìn)行中心點運動模糊的圖像退化處理,退化化過程包括運動模糊和圖像降采樣。退化后的圖像作為本文算法的低分辨率圖像,源圖像為重建圖像的理想?yún)⒖紙D像。從兩個方面提出了基礎(chǔ)融合梯度網(wǎng)絡(luò)的單幅紅外圖像重建和增強算法,首先對低分辨率圖像進(jìn)行ESRGAN網(wǎng)絡(luò)重建,調(diào)節(jié)優(yōu)化參數(shù)生成初始高分辨率圖像;梯度轉(zhuǎn)換模塊將輸入的低分辨率圖像使用sobel算子捉取出梯度層,將低分辨率梯度圖像輸入梯度重建網(wǎng)絡(luò)模塊重建出梯度高分辨率圖像;從圖像重建的方面,提出基于融合梯度網(wǎng)絡(luò)的圖像超分辨率重建,融合模塊采用了多層網(wǎng)絡(luò)進(jìn)行圖像融合,紅外圖像和梯度圖像輸入融合網(wǎng)絡(luò)經(jīng)調(diào)節(jié)層和重建層生成一張高分辨率圖像。本文能實現(xiàn)晶體硅光伏電池?zé)岢上窀叻直媛手亟?降低了對紅外熱像儀分辨率的要求,降低了成本,減少了對電磁感應(yīng)激勵強度和作用時間,捉高了光伏電池缺陷檢測速率,驗證了網(wǎng)絡(luò)引入梯度圖像能提升紅外圖像高頻細(xì)節(jié)信息。從圖像增強的方面,為了進(jìn)一步提高重建圖像細(xì)節(jié)信息,提出了基于滾動引導(dǎo)濾波的紅外圖像梯度融合,融合模塊設(shè)計了以初始高分辨率圖像作為融合圖像的原始基礎(chǔ)層和以梯度高分辨率圖字像作為原始細(xì)節(jié)層,分別提取出兩幅圖像顯著圖,利用引導(dǎo)濾波構(gòu)造融合圖像的權(quán)重圖,融合成最終高分辨率圖像。經(jīng)過滾動引導(dǎo)濾波權(quán)重融合的圖像相比融合網(wǎng)絡(luò)重建的圖像高頻細(xì)節(jié)豐富,圖中物體輪廓清晰,層次性增強。融合模塊的兩種設(shè)計,基于融合網(wǎng)絡(luò)的重建圖像在擴(kuò)大倍數(shù)為4倍時,紅外圖像結(jié)構(gòu)完整,在復(fù)雜背景下圖像輪廓清晰;基于滾動引導(dǎo)濾波的融合權(quán)重設(shè)計中,融合圖像整體偏暗,但圖像目標(biāo)邊緣輪廓清晰,圖像細(xì)節(jié)得到增強,像素間對比度得到增強。
劉冰[5]（2020）在《微掃描紅外圖像超分辨重建方法研究》文中研究指明隨著紅外圖像在軍事國防、居民生活等領(lǐng)域的廣泛應(yīng)用,提高紅外圖像分辨率已經(jīng)成為人們研究的重點。微掃描紅外成像技術(shù)對于紅外圖像分辨率的提升有很大幫助,但由于硬件條件的限制,難以繼續(xù)從硬件方面提高圖像分辨率,超分辨重建技術(shù)可以處理具有互補信息的多幀低分辨率圖像,而在無需更改硬件系統(tǒng)的條件下來重建一幅或多幅清晰的高分辨率圖像。所以,利用已有的多幀低分辨率紅外圖像信息來進(jìn)行超分辨重建并提高圖像重建質(zhì)量成為研究的熱門話題。本文以微掃描紅外圖像為主要研究目標(biāo),從基于重建和學(xué)習(xí)的方法角度入手,進(jìn)行紅外圖像超分辨研究。首先對微掃描紅外超分辨率成像理論基礎(chǔ)與現(xiàn)有技術(shù)進(jìn)行理論研究,包括紅外成像技術(shù)、微掃描技術(shù)、圖像超分辨重建方法和評價標(biāo)準(zhǔn)等。隨后,針對微掃描紅外圖像特點對多幀圖像超分辨算法——凸集投影算法（Projection Onto Convex Sets,POCS）進(jìn)行改進(jìn),包括運動估計以及圖像邊緣增強。其中,針對微掃描紅外圖像存在亞像素位移以及旋轉(zhuǎn)的特點,選取相位法作為研究,采用窗口函數(shù)以及Fourier-Mellin變換進(jìn)行減小混疊的影響和提高運動估計精度;在參考幀修正方面,采用后處理,引入基于學(xué)習(xí)的方法降低點擴(kuò)散函數(shù)所帶來模糊的影響,提高紅外圖像邊緣和細(xì)節(jié)保持能力。最后,根據(jù)基于學(xué)習(xí)的單幀重建法和視頻超分辨重建方法,利用單幀和多幀超分辨率聯(lián)合的思想,采用遞歸反投影網(wǎng)絡(luò)設(shè)計了針對4幀低分辨圖像輸入的超分辨重建,擴(kuò)大紅外圖像樣本庫,并通過計算得到的殘差增加細(xì)節(jié),獲得邊緣清晰且細(xì)節(jié)豐富的高分辨率圖像。多組實驗結(jié)果表明,在運動估計部分,本文改進(jìn)并應(yīng)用的運動估計算法精度可有效提高POCS算法的重建效果。相較于傳統(tǒng)重建算法,引入基于學(xué)習(xí)的后處理可以有效地改善POCS算法重建后的邊緣模糊現(xiàn)象,提高邊緣輪廓清晰度。基于學(xué)習(xí)的多幀紅外圖像超分辨實驗結(jié)果與其他方法對比,在主客觀視覺上有清晰明顯的優(yōu)勢。重建后的圖像主觀上具有更為清晰的邊緣細(xì)節(jié)表現(xiàn),圖像效果接近原始真實圖像,在客觀評價標(biāo)準(zhǔn)峰值信噪比和結(jié)構(gòu)相似度上也得到了一定的提升。
彭凌冰[6]（2020）在《復(fù)雜成像探測中的微弱目標(biāo)檢測算法研究》文中提出成像目標(biāo)檢測、識別與跟蹤是計算機(jī)視覺領(lǐng)域的研究熱點,無論在軍事還是民用領(lǐng)域都有著極其廣泛的應(yīng)用。尤其在軍事領(lǐng)域,微弱成像目標(biāo)檢測在雷達(dá)探測及光電探測系統(tǒng)中均具有?分重要的作用,對圖像中目標(biāo)的檢測精度將直接影響系統(tǒng)的探測性能。實際應(yīng)用中,需要捕獲目標(biāo)場景的諸多細(xì)節(jié)信息,便于圖像解析及對各類運動軍事目標(biāo)的探測與識別。由于容易受到光照條件、場景復(fù)雜度、目標(biāo)運動速度及可能發(fā)生的遮擋等眾多因素影響,目前現(xiàn)有的目標(biāo)檢測算法還存在魯棒性不強、精度不高、實時性及適應(yīng)性較差等諸多局限性,這將直接影響成像探測系統(tǒng)的目標(biāo)探測性能。本文圍繞復(fù)雜成像探測中的微弱目標(biāo)檢測方法,開展相關(guān)基礎(chǔ)理論及應(yīng)用研究,旨在進(jìn)一步提高目標(biāo)檢測精度、降低虛警率和滿足工程應(yīng)用的實時性要求,以期提高成像探測系統(tǒng)的性能。本文主要工作包括以下幾個方面:（1）對復(fù)雜成像探測系統(tǒng)中的目標(biāo)檢測基礎(chǔ)理論進(jìn)行了研究和算法仿真,包括幀差法、背景減除法、光流法以及基于這些理論的擴(kuò)展和改進(jìn)算法。重點針對復(fù)雜紅外場景下的弱小目標(biāo)檢測涉及到的特有算法和理論進(jìn)行了研究,如紅外圖像預(yù)處理、紅外圖像高分辨率重建及紅外圖像稀疏表示方法等,并進(jìn)行仿真測試?？偨Y(jié)了各種算法的適應(yīng)性,為后續(xù)研究打下了堅實的基礎(chǔ)。（2）針對復(fù)雜背景紅外弱小目標(biāo)檢測難點問題,開展了復(fù)雜動態(tài)場景下的紅外成像背景建模方法研究。重點開展了混合高斯背景建模及非參數(shù)核密度估計背景建模方法等,進(jìn)行了實際場景數(shù)據(jù)的仿真、測試和評價,構(gòu)建了基于背景建模和估計來解決低信噪比紅外弱小目標(biāo)檢測的技術(shù)途徑。du（3）提出了基于多尺度、多方向特征融合的紅外弱小目標(biāo)檢測方法。即在Sheartlet變換域中引入高頻系數(shù)Kurtosis最大化準(zhǔn)則,利用復(fù)雜紅外圖像中的背景、弱小目標(biāo)及噪聲三者在分解后不同高頻子帶中具有不同模極大值的特性來達(dá)到抑制復(fù)雜背景及噪聲的目的,解決了復(fù)雜紅外場景中噪聲及背景干擾下的弱小目標(biāo)檢測問題。（4）從紅外圖像目標(biāo)的視覺顯著性模型入手,提出了多方向多尺度高提升響應(yīng)的紅外弱小目標(biāo)檢測方法。通過設(shè)計空域八方向各向異性濾波器及不同尺度下的局部高提升濾波策略,以解決紅外成像場景下的背景雜波干擾及噪聲抑制問題。最后,對提出的算法進(jìn)行了多組實際紅外場景的仿真實驗,通過與其它現(xiàn)有算法的對比分析,本文算法在檢測率、實時性等方面有較大的性能提升,驗證了本文算法的可行性與有效性。（5）提出了基于最優(yōu)分?jǐn)?shù)域時頻分析的SAR圖像弱目標(biāo)檢測算法。通過引入分?jǐn)?shù)域時頻分析理論,將常規(guī)時頻分析擴(kuò)展到分?jǐn)?shù)階傅立葉變換（FrFT）域,通過設(shè)計和優(yōu)化分?jǐn)?shù)域Gabor變換（FrGT）的最優(yōu)階和對應(yīng)的窗函數(shù),進(jìn)一步提高了SAR圖像的時頻分辨率。最后利用分?jǐn)?shù)域能量衰減梯度特征進(jìn)行SAR目標(biāo)的檢測。通過對MSTAR數(shù)據(jù)集幾種典型SAR成像目標(biāo)的仿真測試,本文提出的算法具有較高的檢測精度和較好的檢測性能,為SAR目標(biāo)檢測和識別提供了新的技術(shù)途徑。
楊毓鑫[7]（2020）在《基于深度學(xué)習(xí)的紅外圖像質(zhì)量提升關(guān)鍵技術(shù)研究》文中研究指明隨著紅外成像探測技術(shù)的日益發(fā)展與成熟,基于其被動式隱蔽探測、抗干擾性強、全天時工作等特點,紅外成像技術(shù)在安防、工業(yè)檢測、森林檢測、電力行業(yè)、航空航天、醫(yī)療診斷等領(lǐng)域得到了應(yīng)用廣泛。但由于紅外波段頻率低、核心器件焦平面陣列規(guī)模較小等原因造成紅外成像技術(shù)獲取的圖像對比度差、分辨率低、噪聲明顯等問題。為了規(guī)避以上技術(shù)問題造成的缺陷,提高紅外成像的圖像質(zhì)量,獲取對比度高、細(xì)節(jié)清晰、分辨率高的紅外圖像,本文開展了基于深度學(xué)習(xí)的紅外圖像質(zhì)量提升關(guān)鍵技術(shù)研究,所做的主要工作如下。（1）針對紅外探測器的按列信號讀出方式導(dǎo)致紅外圖像存在非均勻性條紋噪聲等問題,研究并實現(xiàn)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像非均勻性校正方法。首先,使用卷積神經(jīng)網(wǎng)絡(luò)對輸入圖像進(jìn)行特征提取,學(xué)習(xí)含有噪聲圖像和無噪聲圖像之間的殘差信息,然后對提取出來的特征圖進(jìn)行非線性映射后重建出只有噪聲的圖像,最后基于含噪圖像進(jìn)行去噪處理,濾除噪聲后得到最終的非均勻校正結(jié)果。通過仿真實驗驗證該方法性能,通過多組數(shù)據(jù)驗證,相較于傳統(tǒng)校正方法,本文方法提升了處理結(jié)果的圖像粗糙度等性能指標(biāo)。（2）針對紅外圖像的高背景低反差、目標(biāo)輪廓模糊的問題,研究并實現(xiàn)了一種基于生成對抗網(wǎng)絡(luò)的紅外圖像增強方法。首先,將原始紅外圖像輸入至生成器中,通過特征提取、非線性映射和圖像重建等處理輸出圖像增強后的結(jié)果,然后判別器對生成器輸出的結(jié)果進(jìn)行評估,通過多次迭代學(xué)習(xí)提高生成器輸出圖像的質(zhì)量,得到對比度高和細(xì)節(jié)增強后的圖像結(jié)果。采用了聯(lián)合損失函數(shù)訓(xùn)練網(wǎng)絡(luò),以更好地保留圖像的語義信息,提高紅外圖像的增強效果。利用多個場景紅外圖像對算法性能進(jìn)行驗證,結(jié)果表明,相較于傳統(tǒng)增強方法,本文方法的增強結(jié)果對細(xì)節(jié)信息的表達(dá)更豐富,圖像平均梯度等性能指標(biāo)均有明顯提升。（3）針對紅外探測器陣列規(guī)模較小導(dǎo)致的紅外圖像空間分辨率不高等問題,基于殘差結(jié)構(gòu)可防止網(wǎng)絡(luò)加深時導(dǎo)致梯度消失的優(yōu)勢,研究并實現(xiàn)了一種基于生成對抗網(wǎng)絡(luò)的紅外圖像超分辨率重建方法。首先,為了濾除超分辨率過程中可能引入的偽影,提高網(wǎng)絡(luò)模型泛化能力,移除生成器網(wǎng)絡(luò)中原始?xì)埐钅K的批量歸一化層,然后擴(kuò)大殘差模塊中激活層的輸入通道數(shù)以獲取紅外圖像的低級特征信息,在降低算法計算復(fù)雜度的同時,可提高重建質(zhì)量,實現(xiàn)了端對端的紅外圖像的超分辨率重建。通過多組紅外圖像實驗驗證重建方法性能,結(jié)果表明,本文方法可有效提高紅外圖像的空間分辨率和主觀視覺效果,重建后圖像的細(xì)節(jié)信息更豐富。
金蒙[8]（2020）在《基于生成式對抗網(wǎng)絡(luò)的紅外圖像盲元補償和超分辨率重建算法研究》文中提出紅外圖像在軍事探測、民用監(jiān)視和醫(yī)學(xué)診斷等領(lǐng)域中有重大的應(yīng)用價值和發(fā)展空間。但是當(dāng)前的紅外成像系統(tǒng)因其材料與制作工藝的限制和外界環(huán)境的影響,拍攝的紅外圖像會受到非均勻性影響而產(chǎn)生紅外盲元且成像系統(tǒng)所獲取的圖像分辨率較低。如何實現(xiàn)對紅外圖像的盲元補償和超分辨重建一直以來都是紅外圖像處理的重點研究問題。因此,論文對紅外盲元補償和超分辨率重建問題展開了深入研究,提出了基于生成式對抗網(wǎng)絡(luò)的紅外圖像盲元補償和超分辨重建算法。本文主要內(nèi)容如下:（1）針對傳統(tǒng)盲元補償算法存在的漏檢或過檢問題,引入了自適應(yīng)閾值檢測方法,采用3加窗法實現(xiàn)對紅外盲元圖像的盲元檢測,一定程度上緩解了盲元檢測不準(zhǔn)確的問題。（2）針對傳統(tǒng)盲元補償算法對盲元簇適應(yīng)性較差的問題,將生成式對抗網(wǎng)絡(luò)引入到紅外圖像盲元補償中。生成器采用Encoder-encoder結(jié)構(gòu),判別器采用馬爾科夫鏈?zhǔn)浇Y(jié)構(gòu),損失函數(shù)中引入梯度懲罰項來提升訓(xùn)練的穩(wěn)定性。同時,通過泊松圖像融合算法和迭代法提升盲元補償效果。算法充分利用了卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取能力和生成式對抗網(wǎng)絡(luò)的像素灰度值的準(zhǔn)確預(yù)測能力,突破了傳統(tǒng)算法盲元簇適應(yīng)性較差局限性。（3）針對傳統(tǒng)算法對紅外圖像序列的空間時間相關(guān)性利用性較差的問題,利用了光流運動估計法和自適應(yīng)運動補償法實現(xiàn)了紅外圖像序列之間的運動補償,為后續(xù)的紅外圖像超分辨率重建任務(wù)打下了基礎(chǔ)。（4）針對傳統(tǒng)紅外圖像超分辨率重建算法在進(jìn)行高放大倍數(shù)任務(wù)時重建效果差的問題,引入生成式對抗網(wǎng)絡(luò)對紅外圖像進(jìn)行超分辨率重建。結(jié)構(gòu)包含深度殘差網(wǎng)絡(luò)模塊,解決了網(wǎng)絡(luò)結(jié)構(gòu)過深而引發(fā)的網(wǎng)絡(luò)退化問題,實現(xiàn)了較好的高放大倍數(shù)重建任務(wù)。
周蘭蘭[9]（2020）在《基于紅外圖像的超分辨率重建技術(shù)的研究及應(yīng)用》文中研究指明紅外成像技術(shù)應(yīng)用廣泛,但圖像分辨率較低限制了其發(fā)展,因此對紅外圖像的超分辨率重建研究很有必要。為了解決上述問題,本文設(shè)計了一種單幀紅外圖像超分辨率重建算法ISRGAN。另外,由于基于單幀紅外圖像的算法無法利用視頻中相鄰幀之間的信息。因此本文在ISRGAN算法的基礎(chǔ)上,設(shè)計了一種多幀紅外圖像超分辨率重建算法,加入了相鄰幀對目標(biāo)幀的信息補充,獲取了多幀之間的信息相關(guān)性。本文的主要研究內(nèi)容及結(jié)果概括如下:（1）針對目前SRGAN算法在紅外圖像超分辨率重建中的問題,設(shè)計了一種新的算法ISRGAN,核心是改進(jìn)以SRGAN算法為基礎(chǔ)的網(wǎng)絡(luò)結(jié)構(gòu),分別改進(jìn)模型的生成網(wǎng)絡(luò)、判別網(wǎng)絡(luò)以及損失函數(shù)。其中生成網(wǎng)絡(luò)的改進(jìn)為,將SRGAN算法的生成網(wǎng)絡(luò)與雙三次插值算法進(jìn)行結(jié)合,保持圖像低頻區(qū)域的信息;判別網(wǎng)絡(luò)的改進(jìn)為,使用相對判別網(wǎng)絡(luò)來代替原來SRGAN算法的標(biāo)準(zhǔn)判別網(wǎng)絡(luò),使生成的圖像高頻紋理細(xì)節(jié)更細(xì)致;損失函數(shù)的改進(jìn)為,在SRGAN算法的感知損失函數(shù)中加入均方誤差損失,達(dá)到清晰的視覺效果與較高的PSNR及SSIM值之間的平衡。對每一個模塊的改進(jìn)都進(jìn)行分析及實驗驗證,最后對整體算法進(jìn)行主觀及客觀評價指標(biāo)上的實驗和分析。（2）針對單幀紅外圖像的超分辨率重建無法充分利用視頻中相鄰多幀之間的不同高頻細(xì)節(jié)信息的問題,結(jié)合第三章設(shè)計的單幀紅外圖像超分辨率重建算法ISRGAN,設(shè)計了一種基于生成對抗網(wǎng)絡(luò)的多幀紅外圖像的超分辨率重建算法。該算法包含光流運動估計算法模塊和多幀紅外圖像融合重建模塊,其中多幀紅外圖像融合重建模塊是基于第三章提出的在單幀紅外圖像上驗證有效的ISRGAN算法進(jìn)行改進(jìn)設(shè)計的。分別對每一個模塊的設(shè)計進(jìn)行分析,最后對整體算法的效果進(jìn)行主觀和客觀評價指標(biāo)上的實驗和分析。（3）設(shè)計并實現(xiàn)了一個超分辨率重建系統(tǒng),能夠集成第三章和第四章的算法,并在顯示窗口顯示出重建前后的圖像。本軟件提供良好的人機(jī)交互體驗,使用戶能夠更加方便和快捷地使用本文算法對低分辨率單幀圖像或者多幀圖像進(jìn)行重建得到高分辨率的圖像,可以直觀的對低分辨率圖像和高分辨率圖像進(jìn)行顯示和對比。
徐夢溪[10]（2020）在《基于先驗約束的超分辨率圖像復(fù)原方法研究》文中提出在圖像和視頻采集及傳輸過程中,諸如成像條件、自然場景變化、成像設(shè)備的時間、空間分辨率等因素的限制,成像及視頻采集系統(tǒng)難以無失真地獲取自然場景中的信息。盡管成像及視頻采集設(shè)備飛速發(fā)展和硬件性能的提高,但在衛(wèi)星遙感及航空攝影測量、工業(yè)成像監(jiān)測、刑偵分析、醫(yī)療圖像分析、公共安全視頻監(jiān)控、視頻娛樂系統(tǒng)與多媒體通信等應(yīng)用領(lǐng)域,高質(zhì)量、高時空分辨率圖像的獲取與傳輸仍受到許多因素的限制。一種有效提高圖像（或序列圖像、視頻）時、空分辨率的途徑是在不改變原有系統(tǒng)硬件的前提下,采用基于軟件的方式（即信號與信息處理算法的方式）。這種基于軟件方式的超分辨率圖像復(fù)原（super resolution image restoration,SRIR）方法和技術(shù)是指融合來自同一場景的（多幀）低分辨率圖像（或視頻序列）的信息,恢復(fù)和重構(gòu)出高空間分辨率圖像或高時-空分辨率視頻序列。對于靜態(tài)圖像SRIR而言,是對同一場景的單幅（單幀）或多幀低分辨率圖像實現(xiàn)高分辨率圖像的恢復(fù)和重構(gòu);對于視頻序列SRIR而言,是對相同動態(tài)場景的低分辨率視頻序列實現(xiàn)包括高時間分辨率和高空間分辨率視頻序列的恢復(fù)和重構(gòu)。本論文是以最大后驗概率（MAP）估計求解法和范數(shù)求極值的變分法為研究主線,結(jié)合先驗建模作為解空間約束,分別針對多幀圖像、單幅（單幀）圖像和視頻序列,研究MAP法估計求解框架下基于先驗（正則化）約束的改進(jìn)方法、自適應(yīng)稀疏表示結(jié)合正則化約束的方法、及基于像素流和時間特征先驗的視頻超分辨率復(fù)原方法。針對性地聚焦研究三方面內(nèi)容:（1）多幀低質(zhì)圖像的最大后驗概率MAP估計求解框架下正則化SRIR改進(jìn)研究;（2）基于稀疏字典學(xué)習(xí)的單幅圖像SRIR改進(jìn)研究;（3）基于像素流和時間特征先驗建模的視頻SRIR研究。主要研究工作包括:（1）針對多幀圖像的SRIR,提出了一種基于鄰域像素擴(kuò)展的廣義全變分正則化超分辨率圖像復(fù)原方法。該方法是在最大后驗概率（MAP）框架下,針對全變分、雙邊全變分、廣義全變分等正則化算法存在的不足提出的。通過從度量相鄰像素間幾何距離的相關(guān)性擴(kuò)展到鄰域像素間幾何距離和灰度的雙重相關(guān)性,設(shè)計不同于1-范數(shù)形式的代價函數(shù),以提高相關(guān)性度量的準(zhǔn)確性;引入優(yōu)化-最小化（MM）迭代尋優(yōu)以改善目前采用共軛梯度（conjugate gradient,CG）尋優(yōu)的不足。通過多組對比試驗分析表明,所提方法具有較好的抑制噪聲和保持邊緣細(xì)節(jié)的能力,魯棒性更強。（2）針對多幀圖像的SRIR,提出了一種基于改進(jìn)保真項與自適應(yīng)雙邊全變分的正則化超分辨率圖像復(fù)原方法。同樣,在MAP框架下,現(xiàn)有的SRIR算法大多采用L1、L2、Huber或Gaussian誤差范數(shù)來構(gòu)建保真項,存在著對異常值數(shù)據(jù)較為敏感、算法的魯棒性受限等問題。為此,通過采用Tukey范數(shù)構(gòu)建保真項解決重尾效應(yīng),以適用處理復(fù)雜變化的噪聲;建立自適應(yīng)權(quán)值矩陣,有助圖像細(xì)節(jié)信息進(jìn)一步增強。通過多組仿真實驗,驗證了所提方法的有效性與魯棒性。（3）針對單幅（單幀）圖像的SRIR,提出了基于自適應(yīng)稀疏表示結(jié)合正則化約束的超分辨圖像復(fù)原方法?；谙∈枳值鋵W(xué)習(xí)的SRIR方法,在構(gòu)建全局過完備字典、對不同結(jié)構(gòu)圖像塊的稀疏表示約束等方面存在一定的局限,本文從提升稀疏表示準(zhǔn)確性、編碼效率以及保持圖像細(xì)節(jié)信息等入手,結(jié)合圖像的稀疏表示和范數(shù)函數(shù)求極值的變分方法,采用基于自適應(yīng)稀疏表示結(jié)合正則化約束的策略,對傳統(tǒng)的基于稀疏字典學(xué)習(xí)的SRIR方法進(jìn)行改進(jìn),并利用絕對差值的總和（SAD）度量圖像塊像素結(jié)構(gòu)相似性,以減少計算量和提高計算效率。實驗結(jié)果表明,所提算法在復(fù)原圖像視覺效果、邊緣細(xì)節(jié)的保持、噪聲抑制、計算效率等方面均具有一定的優(yōu)勢。（4）針對視頻序列的SRIR,提出了基于像素流和時間特征先驗的視頻超分辨率復(fù)原方法?？紤]到目前的視頻SRIR方法,大多在空間解模糊與消除運動模糊及提高插值幀保真度等方面存在局限,為有效提高幀速率和減少（或消除）視頻中的運動模糊,在MAP框架下,采用了基于逐像素流的時-空超分辨率復(fù)原與基于特征驅(qū)動的像素流時間先驗策略,提出了一種單視頻時-空超分辨率復(fù)原算法。通過單一灰度視頻和單一彩色視頻的多組不同實驗,驗證了所提算法的有效性。
二、基于序列圖像處理技術(shù)的高分辨率紅外圖像重建方法（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡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)備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級頁表轉(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系統(tǒng)實現(xiàn)的一個重要組成部分。
（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象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(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。
實證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進(jìn)行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認(rèn)識進(jìn)一步精確化。
跨學(xué)科研究法：運用多學(xué)科的理論、方法和成果從整體上對某一課題進(jìn)行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個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、基于序列圖像處理技術(shù)的高分辨率紅外圖像重建方法（論文提綱范文）
（1）基于生成對抗網(wǎng)絡(luò)的紅外超分辨率算法研究（論文提綱范文）
| 摘要 |
| abstract |
| 主要符號表 |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外發(fā)展及研究現(xiàn)狀 |
| 1.2.1 基于頻率域的國內(nèi)外發(fā)展及研究現(xiàn)狀 |
| 1.2.2 基于空間域的國內(nèi)外發(fā)展及研究現(xiàn)狀 |
| 1.3 本文主要研究內(nèi)容和創(chuàng)新點 |
| 1.4 論文的結(jié)構(gòu)安排 |
| 第二章 基于生成對抗網(wǎng)絡(luò)的紅外超分辨率理論分析 |
| 2.1 紅外圖像超分辨率理論基礎(chǔ) |
| 2.2 紅外圖像超分辨率算法分類 |
| 2.2.1 基于頻率域的超分辨率重建方法 |
| 2.2.2 基于空間域的超分辨率重建方法 |
| 2.3 生成對抗網(wǎng)絡(luò)理論基礎(chǔ) |
| 2.3.1 生成對抗理論概述 |
| 2.3.2 生成對抗理論推導(dǎo) |
| 2.4 紅外超分辨率算法評價指標(biāo) |
| 2.4.1 主觀評價方法 |
| 2.4.2 客觀評價方法 |
| 2.5 本章小結(jié) |
| 第三章 基于ESRGAN改進(jìn)的紅外圖像超分辨率算法研究 |
| 3.1 ESRGAN在紅外圖像超分辨率重建問題分析 |
| 3.2 基于ESRGAN改進(jìn)的紅外圖像超分辨率算法 |
| 3.2.1 模型總體結(jié)構(gòu) |
| 3.2.2 生成模型設(shè)計 |
| 3.2.3 判別模型結(jié)構(gòu) |
| 3.2.4 損失函數(shù)設(shè)計 |
| 3.2.5 模型訓(xùn)練細(xì)節(jié) |
| 3.3 實驗與結(jié)果分析 |
| 3.3.1 實驗平臺 |
| 3.3.2 數(shù)據(jù)集構(gòu)建 |
| 3.3.3 模型參數(shù)訓(xùn)練結(jié)果分析 |
| 3.3.4 主觀評價指標(biāo)分析 |
| 3.3.5 客觀評價指標(biāo)分析 |
| 3.4 本章小結(jié) |
| 第四章 基于模糊核生成對抗紅外圖像超分辨率算法研究 |
| 4.1 模糊核在紅外超分辨率重建問題分析 |
| 4.2 基于Kernel GAN改進(jìn)的紅外圖像超分辨率算法 |
| 4.2.1 模型總體結(jié)構(gòu) |
| 4.2.2 模糊核模型設(shè)計 |
| 4.2.3 噪聲提取模型設(shè)計 |
| 4.2.4 模型訓(xùn)練細(xì)節(jié) |
| 4.3 紅外圖像樣本庫構(gòu)建 |
| 4.4 實驗與結(jié)果分析 |
| 4.4.1 實驗平臺 |
| 4.4.2 主觀評價指標(biāo)分析 |
| 4.4.3 客觀評價指標(biāo)分析 |
| 4.5 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 全文總結(jié) |
| 5.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間學(xué)術(shù)成果及獲獎情況 |
（2）紅外序列圖像場景配準(zhǔn)及超分辨率重建（論文提綱范文）
| 摘要 |
| abstract |
| 縮略詞表 |
| 第一章 緒論 |
| 1.1 研究工作的背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 圖像配準(zhǔn) |
| 1.2.2 圖像增強 |
| 1.3 本文的主要研究內(nèi)容及技術(shù)方案 |
| 1.4 本論文的結(jié)構(gòu)安排 |
| 第二章 紅外成像特性分析及預(yù)處理 |
| 2.1 紅外成像特性分析 |
| 2.1.1 紅外成像原理 |
| 2.1.2 紅外圖像質(zhì)量問題分析 |
| 2.2 紅外圖像預(yù)處理 |
| 2.2.1 紅外圖像降噪 |
| 2.2.2 紅外圖像非均勻性校正 |
| 2.3 本章總結(jié) |
| 第三章 基于局部梯度及統(tǒng)計特征的對比度增強算法 |
| 3.1 紅外圖像對比度增強算法基礎(chǔ)概述 |
| 3.1.1 紅外圖像對比度增強理論 |
| 3.1.2 紅外圖像質(zhì)量評價指標(biāo) |
| 3.2 基于局部梯度及統(tǒng)計特征的對比度增強算法流程 |
| 3.3 實驗方案 |
| 3.3.1 子塊分類 |
| 3.3.2 局部灰度映射策略 |
| 3.3.3 圖像塊效應(yīng)處理 |
| 3.4 實驗結(jié)果及分析 |
| 3.5 本章小結(jié) |
| 第四章 基于組合特征的紅外序列圖像配準(zhǔn)算法 |
| 4.1 圖像配準(zhǔn)基礎(chǔ)概述 |
| 4.1.1 圖像配準(zhǔn)理論基礎(chǔ) |
| 4.1.2 圖像配準(zhǔn)評價指標(biāo) |
| 4.2 基于組合特征的紅外序列圖像配準(zhǔn)算法流程 |
| 4.3 基于點特征配準(zhǔn)實驗方案 |
| 4.3.1 特征點提取 |
| 4.3.2 特征匹配 |
| 4.3.3 基于序列圖像先驗信息的RANSAC算法 |
| 4.3.4 基于點特征配準(zhǔn)實驗結(jié)果及分析 |
| 4.4 基于Hough變換的直線特征配準(zhǔn)實驗方案 |
| 4.4.1 Hough變換直線特征提取 |
| 4.4.2 圖像變換模型估計 |
| 4.4.3 實驗結(jié)果與分析 |
| 4.5 本章小結(jié) |
| 第五章 基于改進(jìn)POCS的紅外序列圖像超分辨率重建 |
| 5.1 基于凸集投影法的超分辨率重建基礎(chǔ)概述 |
| 5.1.1 凸集投影法原理 |
| 5.1.2 評價指標(biāo) |
| 5.2 基于改進(jìn)POCS的紅外序列圖像超分辨率重建算法流程 |
| 5.3 實驗方案 |
| 5.3.1 初始參考圖像選取 |
| 5.3.2 參考圖像更新策略 |
| 5.4 實驗結(jié)果及分析 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 全文總結(jié) |
| 6.1.1 主要工作 |
| 6.1.2 創(chuàng)新點及貢獻(xiàn) |
| 6.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的成果 |
（3）基于壓縮感知的紅外圖像超分辨率重建（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 圖像超分辨率重建技術(shù) |
| 1.2.2 壓縮感知及應(yīng)用 |
| 1.3 主要研究工作 |
| 1.4 論文結(jié)構(gòu)安排 |
| 第二章 壓縮感知理論 |
| 2.1 壓縮感知理論框架 |
| 2.2 觀測矩陣 |
| 2.3 重建算法 |
| 2.3.1 最小l1范數(shù)法 |
| 2.3.2 貪婪算法 |
| 2.3.3 迭代閾值法 |
| 2.4 本章小結(jié) |
| 第三章 基于交疊組稀疏及l(fā)p偽范數(shù)的圖像重建 |
| 3.1 引言 |
| 3.2 預(yù)備知識 |
| 3.2.1 基于lp偽范數(shù)的TV模型 |
| 3.2.2 交疊組稀疏全變分 |
| 3.2.3 Majorization Minimization算法 |
| 3.3 新模型及分析求解 |
| 3.4 數(shù)值實驗 |
| 3.4.1 圖像質(zhì)量評價方法 |
| 3.4.2 參數(shù)選擇 |
| 3.4.3 快速ADMM效果分析 |
| 3.4.4 與OGSATVL1 詳細(xì)比較 |
| 3.4.5 與其它方法對比 |
| 3.4.6 討論 |
| 3.5 本章小結(jié) |
| 第四章 基于Shearlet-TV正則模型的圖像重建 |
| 4.1 引言 |
| 4.2 預(yù)備知識 |
| 4.2.1 Shearlet變換 |
| 4.2.2 全變分正則化模型 |
| 4.3 新模型與ADMM求解算法 |
| 4.4 數(shù)值實驗 |
| 4.5 本章小結(jié) |
| 第五章 基于四方向分?jǐn)?shù)階和lp全變分的圖像超分辨率重建 |
| 5.1 引言 |
| 5.2 預(yù)備知識 |
| 5.2.1 四方向全變分 |
| 5.2.2 分?jǐn)?shù)階全變分 |
| 5.3 新模型及分析求解 |
| 5.4 實驗與結(jié)果分析 |
| 5.4.1 快速ADMM和 Plug-and-Play ADMM對比 |
| 5.4.2 無噪聲超分辨率重建實驗 |
| 5.4.3 高斯噪聲下超分辨率重建實驗 |
| 5.4.4 討論 |
| 5.5 本章小結(jié) |
| 第六章 基于四方向高階交疊組稀疏的圖像超分辨率重建 |
| 6.1 引言 |
| 6.2 去噪正則化的超分辨率重建模型 |
| 6.3 新方法及分析求解 |
| 6.4 數(shù)值實驗 |
| 6.4.1 無噪聲紅外圖像超分辨率重建 |
| 6.4.2 有噪聲紅外圖像超分辨率重建 |
| 6.4.3 討論 |
| 6.5 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 全文總結(jié) |
| 7.1.1 工作總結(jié) |
| 7.1.2 主要貢獻(xiàn)與創(chuàng)新點 |
| 7.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間取得的成果 |
（4）基于融合梯度ESRGAN網(wǎng)絡(luò)的單幅紅外圖像重建與增強研究（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 單幀圖像基于傳統(tǒng)方法的重建算法 |
| 1.3 單幀圖像基于深度學(xué)習(xí)的圖像重建算法的發(fā)展現(xiàn)狀 |
| 1.3.1 插值處理圖像重建 |
| 1.3.2 原圖像直接輸入 |
| 1.3.3 網(wǎng)絡(luò)訓(xùn)練過程重建 |
| 1.3.4 細(xì)節(jié)紋理信息重建 |
| 1.4 紅外圖像梯度增強和圖像重建 |
| 1.5 論文主要研究內(nèi)容及結(jié)構(gòu)安排 |
| 第2章 重建技術(shù)相關(guān)理論 |
| 2.1 超分辨率問題描述 |
| 2.2 對圖像分辨率有影響的紅外熱像儀參數(shù) |
| 2.3 紅外圖像特點及成因 |
| 2.3.1 紅外圖像的特點 |
| 2.3.2 紅外模糊圖像成因 |
| 2.4 紅外圖像退化模型 |
| 2.4.1 一般圖像退化模型 |
| 2.4.2 紅外勻速中心點運動模糊圖像退化模型 |
| 2.5 圖像質(zhì)量評價標(biāo)準(zhǔn) |
| 2.5.1 主觀評價方法 |
| 2.5.2 客觀評價方法 |
| 2.5.3 融合圖像客觀質(zhì)量評價方法 |
| 2.6 本章小結(jié) |
| 第3章 基于ESRGAN網(wǎng)絡(luò)圖像重建與融合網(wǎng)絡(luò)架構(gòu) |
| 3.1 引言 |
| 3.2 增強型超分辨率生成對抗網(wǎng)絡(luò)(ESRGAN) |
| 3.2.1 ESRGAN背景介紹 |
| 3.2.2 網(wǎng)絡(luò)結(jié)構(gòu) |
| 3.2.3 相對判別器 |
| 3.2.4 感知損失 |
| 3.3 融合網(wǎng)絡(luò)構(gòu)架 |
| 3.3.1 融合重建網(wǎng)絡(luò)整體架構(gòu) |
| 3.3.2 梯度轉(zhuǎn)換網(wǎng)絡(luò)結(jié)構(gòu) |
| 3.4 實驗說明與實驗結(jié)果分析 |
| 3.4.1 實驗條件 |
| 3.4.2 數(shù)據(jù)集說明 |
| 3.4.3 實驗結(jié)果分析 |
| 3.5 本章小結(jié) |
| 第4章 基于融合梯度網(wǎng)絡(luò)的光伏電池紅外圖像超分辨率重建 |
| 4.1 引言 |
| 4.2 檢測技術(shù)系統(tǒng)原理 |
| 4.2.1 傳統(tǒng)的光伏電池缺陷檢測技術(shù) |
| 4.2.2 電磁激勵紅外輻射原理 |
| 4.3 融合梯度網(wǎng)絡(luò)圖像超分辨率重建 |
| 4.3.1 數(shù)據(jù)集說明 |
| 4.3.2 融合網(wǎng)絡(luò)模塊搭建與訓(xùn)練 |
| 4.3.4 模型測試 |
| 4.4 實驗驗證 |
| 4.5 本章小結(jié) |
| 第5章 基于滾動引導(dǎo)濾波的紅外圖像梯度融合增強 |
| 5.1 引言 |
| 5.2 滾動引導(dǎo)濾波 |
| 5.3 基于滾動引導(dǎo)濾波的紅外圖像梯度融合 |
| 5.3.1 融合框架 |
| 5.3.2 權(quán)重圖構(gòu)造過程 |
| 5.3.3 融合算法 |
| 5.4 實驗設(shè)置 |
| 5.5 實驗結(jié)果與分析 |
| 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) |
（5）微掃描紅外圖像超分辨重建方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題背景及研究的目的和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀及分析 |
| 1.2.1 微掃描紅外成像技術(shù) |
| 1.2.2 超分辨重建算法 |
| 1.2.3 研究現(xiàn)狀分析 |
| 1.3 主要研究內(nèi)容及論文結(jié)構(gòu) |
| 第2章 微掃描紅外圖像超分辨理論基礎(chǔ) |
| 2.1 引言 |
| 2.2 紅外成像技術(shù) |
| 2.2.1 紅外成像原理 |
| 2.2.2 紅外圖像特點 |
| 2.3 微掃描成像技術(shù) |
| 2.4 圖像超分辨重建 |
| 2.4.1 圖像退化模型 |
| 2.4.2 超分辨重建理論基礎(chǔ) |
| 2.4.3 超分辨圖像重建方法 |
| 2.4.4 超分辨重建的圖像質(zhì)量評價 |
| 2.5 本章小結(jié) |
| 第3章 基于POCS算法改進(jìn)的超分辨重建方法 |
| 3.1 引言 |
| 3.2 POCS算法基本原理 |
| 3.3 基于POCS算法改進(jìn)的超分辨重建實現(xiàn) |
| 3.3.1 運動估計 |
| 3.3.2 基于學(xué)習(xí)的圖像增強 |
| 3.3.3 基于POCS改進(jìn)的算法步驟 |
| 3.4 實驗結(jié)果與分析 |
| 3.4.1 不同運動估計算法下的POCS算法重建結(jié)果 |
| 3.4.2 重建算法結(jié)果對比分析 |
| 3.5 本章小結(jié) |
| 第4章 基于學(xué)習(xí)的多幀紅外圖像超分辨重建方法 |
| 4.1 引言 |
| 4.2 相關(guān)理論基礎(chǔ) |
| 4.2.1 深度反投影網(wǎng)絡(luò) |
| 4.2.2 殘差網(wǎng)絡(luò) |
| 4.3 基于學(xué)習(xí)的超分辨網(wǎng)絡(luò)結(jié)構(gòu)重建 |
| 4.4 實驗結(jié)果與分析 |
| 4.5 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 致謝 |
（6）復(fù)雜成像探測中的微弱目標(biāo)檢測算法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)分析 |
| 1.2.1 成像目標(biāo)檢測技術(shù) |
| 1.2.2 紅外成像弱小目標(biāo)檢測 |
| 1.3 主要研究內(nèi)容及技術(shù)路線 |
| 1.4 論文的結(jié)構(gòu)安排 |
| 第二章 成像目標(biāo)視覺檢測基礎(chǔ)理論 |
| 2.1 紅外成像特性分析 |
| 2.1.1 紅外成像機(jī)理 |
| 2.1.2 紅外圖像的特點 |
| 2.1.3 典型紅外背景及目標(biāo)特性分析 |
| 2.2 紅外圖像預(yù)處理 |
| 2.2.1 圖像增強 |
| 2.2.2 紅外圖像高分辨重建 |
| 2.3 成像目標(biāo)檢測技術(shù) |
| 2.3.1 幀間差分 |
| 2.3.2 背景減除法 |
| 2.3.3 光流法 |
| 2.3.4 動態(tài)規(guī)劃 |
| 2.4 紅外弱小目標(biāo)檢測 |
| 2.4.1 空時濾波法 |
| 2.4.2 視覺顯著性檢測 |
| 2.4.3 基于稀疏表示的弱小目標(biāo)檢測 |
| 2.5 本章小結(jié) |
| 第三章 基于背景建模的目標(biāo)檢測算法 |
| 3.1 概述 |
| 3.2 高斯背景模型 |
| 3.2.1 單高斯背景模型 |
| 3.2.2 混合高斯背景模型 |
| 3.3 核密度估計背景模型 |
| 3.3.1 非參數(shù)估計方法 |
| 3.3.2 基于核密度估計的背景建模 |
| 3.4 實驗結(jié)果與算法分析 |
| 3.4.1 實驗結(jié)果 |
| 3.4.2 性能分析 |
| 3.5 本章小結(jié) |
| 第四章 基于多尺度幾何分析的紅外目標(biāo)檢測算法 |
| 4.1 概述 |
| 4.2 多尺度幾何分析 |
| 4.2.1 多尺度幾何分析理論 |
| 4.2.2 Contourlet變換 |
| 4.2.3 Shearlet變換 |
| 4.3 基于NSST的紅外弱小目標(biāo)檢測 |
| 4.3.1 多特征融合與Kurtosis最大化 |
| 4.3.2 基于最大對比度準(zhǔn)則的閾值分割 |
| 4.4 實驗結(jié)果與性能分析 |
| 4.4.1 實驗設(shè)置 |
| 4.4.2 實驗結(jié)果 |
| 4.4.3 性能分析 |
| 4.5 本章小結(jié) |
| 第五章 基于視覺顯著性的紅外弱小目標(biāo)檢測方法 |
| 5.1 概述 |
| 5.2 視覺顯著性模型 |
| 5.3 紅外弱小目標(biāo)視覺顯著性檢測 |
| 5.3.1 局部對比度檢測模型 |
| 5.3.2 紅外目標(biāo)HB-MLCM檢測算法 |
| 5.4 基于MDMSHB模型的紅弱小目標(biāo)檢測方法 |
| 5.4.1 方向濾波器 |
| 5.4.2 改進(jìn)的高提升響應(yīng)濾波器 |
| 5.4.3 多方向及多尺度分析 |
| 5.4.4 自適應(yīng)閾值分割 |
| 5.5 實驗結(jié)果與算法分析 |
| 5.5.1 實驗設(shè)置 |
| 5.5.2 實驗結(jié)果與分析 |
| 5.6 本章小結(jié) |
| 第六章 基于分?jǐn)?shù)域最優(yōu)時頻特征的SAR目標(biāo)檢測 |
| 6.1 SAR圖像及其特性分析 |
| 6.1.1 SAR成像概述 |
| 6.1.2 SAR圖像特性分析 |
| 6.2 時頻分析理論 |
| 6.2.1 信號的展開 |
| 6.2.2 短時傅里葉變換 |
| 6.2.3 Gabor變換及展開 |
| 6.2.4 Wigner-Ville時頻分布 |
| 6.3 分?jǐn)?shù)階傅里葉變換 |
| 6.3.1 FrFT的定義 |
| 6.3.2 FrFT的特性 |
| 6.4 基于最優(yōu)FrGT時頻譜特征的SAR目標(biāo)檢測 |
| 6.4.1 二維分?jǐn)?shù)階Gabor變換 |
| 6.4.2 最優(yōu)窗函數(shù)設(shè)計 |
| 6.4.3 最優(yōu)階決策 |
| 6.4.4 能量衰減梯度特征 |
| 6.5 實驗結(jié)果與算法分析 |
| 6.5.1 實驗設(shè)置 |
| 6.5.2 實驗結(jié)果與分析 |
| 6.6 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 全文總結(jié) |
| 7.1.1 工作總結(jié) |
| 7.1.2 創(chuàng)新點及主要貢獻(xiàn) |
| 7.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間取得的成果 |
（7）基于深度學(xué)習(xí)的紅外圖像質(zhì)量提升關(guān)鍵技術(shù)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號對照表 |
| 縮略語對照表 |
| 第一章 緒論 |
| 1.1 課題背景與意義 |
| 1.2 紅外圖像質(zhì)量提升技術(shù)國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 紅外圖像非均勻性校正技術(shù)研究現(xiàn)狀 |
| 1.2.2 紅外圖像增強技術(shù)研究現(xiàn)狀 |
| 1.2.3 紅外圖像超分辨率重建技術(shù)研究現(xiàn)狀 |
| 1.3 本文課題來源及主要研究內(nèi)容 |
| 1.3.1 本文課題來源 |
| 1.3.2 主要研究內(nèi)容 |
| 第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像非均勻性校正 |
| 2.1 引言 |
| 2.2 紅外非均勻性噪聲圖像數(shù)據(jù)集的生成 |
| 2.2.1 非均勻性噪聲圖像的生成模型 |
| 2.2.2 紅外圖像數(shù)據(jù)采集 |
| 2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像非均勻性校正網(wǎng)絡(luò)模型 |
| 2.3.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理 |
| 2.3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像非均勻性校正網(wǎng)絡(luò)結(jié)構(gòu) |
| 2.3.3 損失函數(shù) |
| 2.4 實驗結(jié)果分析 |
| 2.4.1 實驗平臺與數(shù)據(jù) |
| 2.4.2 紅外圖像非均勻校正效果評價方法 |
| 2.4.3 結(jié)果分析 |
| 2.5 本章小結(jié) |
| 第三章 基于生成對抗網(wǎng)絡(luò)的紅外圖像增強 |
| 3.1 引言 |
| 3.2 基于生成對抗網(wǎng)絡(luò)的紅外圖像增強網(wǎng)絡(luò)模型構(gòu)建 |
| 3.2.1 生成對抗網(wǎng)絡(luò)基本原理 |
| 3.2.2 基于生成對抗網(wǎng)絡(luò)的圖像增強網(wǎng)絡(luò)結(jié)構(gòu) |
| 3.2.3 損失函數(shù) |
| 3.3 實驗結(jié)果分析 |
| 3.3.1 實驗平臺與數(shù)據(jù) |
| 3.3.2 紅外圖像增強效果評價方法 |
| 3.3.3 結(jié)果分析 |
| 3.4 本章小結(jié) |
| 第四章 基于生成對抗網(wǎng)絡(luò)的紅外圖像超分辨率重建 |
| 4.1 引言 |
| 4.2 超分辨率圖像重建模型 |
| 4.2.1 圖像退化模型 |
| 4.2.2 圖像重建理論 |
| 4.3 基于生成對抗網(wǎng)絡(luò)的紅外圖像超分辨率重建網(wǎng)絡(luò)模型 |
| 4.3.1 改進(jìn)的殘差網(wǎng)絡(luò)模塊 |
| 4.3.2 基于生成對抗網(wǎng)絡(luò)的紅外圖像超分辨率重建網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.3.3 損失函數(shù) |
| 4.4 實驗結(jié)果與分析 |
| 4.4.1 實驗平臺與數(shù)據(jù) |
| 4.4.2 紅外圖像超分辨率重建效果評價方式 |
| 4.4.3 結(jié)果分析 |
| 4.5 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡介 |
（8）基于生成式對抗網(wǎng)絡(luò)的紅外圖像盲元補償和超分辨率重建算法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 紅外盲元補償研究現(xiàn)狀 |
| 1.2.2 超分辨率重建算法研究現(xiàn)狀 |
| 1.2.3 深度學(xué)習(xí)研究現(xiàn)狀 |
| 1.3 課題研究內(nèi)容和方法 |
| 1.4 本文組織結(jié)構(gòu) |
| 第二章 深度學(xué)習(xí) |
| 2.1 發(fā)展簡介 |
| 2.2 神經(jīng)網(wǎng)絡(luò) |
| 2.3 卷積神經(jīng)網(wǎng)絡(luò) |
| 2.3.1 卷積層 |
| 2.3.2 池化層 |
| 2.3.3 激活函數(shù) |
| 2.3.4 全連接層 |
| 2.4 本章小結(jié) |
| 第三章 生成式對抗網(wǎng)絡(luò) |
| 3.1 判別式模型和生成式模型 |
| 3.2 生成式對抗網(wǎng)絡(luò)基本原理 |
| 3.3 改進(jìn)的生成式對抗網(wǎng)絡(luò) |
| 3.3.1 深度卷積生成式對抗網(wǎng)絡(luò) |
| 3.3.2 Wasserstein GAN原理 |
| 3.3.3 WGAN-GP原理 |
| 3.4 生成式對抗網(wǎng)絡(luò)的應(yīng)用 |
| 3.4.1 基于生成式對抗網(wǎng)絡(luò)的圖像修復(fù) |
| 3.4.2 基于生成式對抗網(wǎng)絡(luò)的圖像超分辨率重建 |
| 3.5 本章小結(jié) |
| 第四章 基于生成式對抗網(wǎng)絡(luò)的紅外盲元補償算法 |
| 4.1 盲元的產(chǎn)生與特性分析 |
| 4.1.1 盲元的定義 |
| 4.1.2 盲元特征以及影響 |
| 4.2 盲元檢測 |
| 4.2.1 檢測原理 |
| 4.2.2 3σ加窗法 |
| 4.3 盲元補償 |
| 4.3.1 網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.3.2 損失函數(shù)構(gòu)建 |
| 4.3.3 泊松圖像融合 |
| 4.3.4 迭代法盲元補償 |
| 4.4 實驗結(jié)果與分析 |
| 4.4.1 運行環(huán)境與網(wǎng)絡(luò)參數(shù) |
| 4.4.2 訓(xùn)練時間與補償時間 |
| 4.4.3 補償效果比較與分析 |
| 4.4.4 討論 |
| 4.5 本章小結(jié) |
| 第五章 基于生成式對抗網(wǎng)絡(luò)的多幀紅外圖像超分辨重建 |
| 5.1 運動估計與運動補償 |
| 5.1.1 光流法運動估計 |
| 5.1.2 自適應(yīng)運動補償 |
| 5.2 基于生成式對抗網(wǎng)絡(luò)的多幀紅外圖像超分辨率重建 |
| 5.2.1 殘差網(wǎng)絡(luò)原理 |
| 5.2.2 網(wǎng)絡(luò)結(jié)構(gòu) |
| 5.2.3 損失函數(shù)構(gòu)建 |
| 5.3 實驗結(jié)果與分析 |
| 5.3.1 數(shù)據(jù)集與網(wǎng)絡(luò)參數(shù) |
| 5.3.2 重建效果比較與分析 |
| 5.3.3 討論 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡介 |
（9）基于紅外圖像的超分辨率重建技術(shù)的研究及應(yīng)用（論文提綱范文）
| 摘要 |
| abstract |
| 主要符號表 |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外發(fā)展及研究現(xiàn)狀 |
| 1.2.1 國內(nèi)發(fā)展及研究現(xiàn)狀 |
| 1.2.2 國外發(fā)展及研究現(xiàn)狀 |
| 1.3 論文的主要研究內(nèi)容 |
| 1.4 論文的結(jié)構(gòu)安排 |
| 第二章 相關(guān)技術(shù)理論分析及總體設(shè)計 |
| 2.1 紅外圖像超分辨率重建理論分析 |
| 2.2 紅外圖像超分辨率重建算法的分類 |
| 2.2.1 基于插值的超分辨率重建算法 |
| 2.2.2 基于重建的超分辨率重建算法 |
| 2.2.3 基于學(xué)習(xí)的超分辨率重建算法 |
| 2.3 生成對抗網(wǎng)絡(luò)的理論分析 |
| 2.3.1 生成對抗網(wǎng)絡(luò)GAN的理論基礎(chǔ) |
| 2.3.2 SRGAN算法的網(wǎng)絡(luò)模型及損失函數(shù) |
| 2.4 紅外圖像超分辨率重建算法的客觀評價指標(biāo) |
| 2.4.1 峰值信噪比PSNR |
| 2.4.2 結(jié)構(gòu)相似度SSIM |
| 2.5 總體設(shè)計 |
| 2.6 本章小結(jié) |
| 第三章 單幀紅外圖像超分辨率重建技術(shù)研究 |
| 3.1 SRGAN算法在紅外圖像中的效果展示及問題分析 |
| 3.2 基于SRGAN改進(jìn)的單幀紅外圖像超分辨率重建算法 |
| 3.2.1 算法總體設(shè)計 |
| 3.2.2 生成網(wǎng)絡(luò)模塊設(shè)計 |
| 3.2.3 判別網(wǎng)絡(luò)模塊設(shè)計 |
| 3.2.4 損失函數(shù)設(shè)計 |
| 3.3 實驗結(jié)果與分析 |
| 3.3.1 算法參數(shù)實驗分析 |
| 3.3.2 生成網(wǎng)絡(luò)改進(jìn)前后實驗分析 |
| 3.3.3 判別網(wǎng)絡(luò)改進(jìn)前后實驗分析 |
| 3.3.4 損失函數(shù)改進(jìn)前后實驗分析 |
| 3.3.5 整體ISRGAN算法的實驗分析 |
| 3.3.6 ISRGAN算法在標(biāo)準(zhǔn)數(shù)據(jù)集上的評估分析 |
| 3.4 本章小結(jié) |
| 第四章 多幀紅外圖像超分辨率重建技術(shù)研究 |
| 4.1 單幀紅外圖像超分辨率重建的問題分析 |
| 4.2 基于ISRGAN算法改進(jìn)的多幀紅外圖像超分辨率重建算法 |
| 4.2.1 算法總體設(shè)計 |
| 4.2.2 運動估計模塊設(shè)計 |
| 4.2.3 多幀紅外圖像融合重建模塊設(shè)計 |
| 4.3 實驗結(jié)果與分析 |
| 4.3.1 算法參數(shù)實驗分析 |
| 4.3.2 整體算法的實驗分析 |
| 4.3.3 整體算法在標(biāo)準(zhǔn)數(shù)據(jù)集上的評估分析 |
| 4.4 本章小結(jié) |
| 第五章 軟件系統(tǒng)的設(shè)計與實現(xiàn) |
| 5.1 軟件系統(tǒng)設(shè)計 |
| 5.1.1 開發(fā)環(huán)境配置 |
| 5.1.2 軟件界面設(shè)計 |
| 5.2 超分辨率重建技術(shù)的應(yīng)用場景與效果展示 |
| 5.2.1 拍攝的紅外圖像的效果展示 |
| 5.2.2 數(shù)據(jù)集中紅外圖像的效果展示 |
| 5.3 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 全文總結(jié) |
| 6.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的成果 |
（10）基于先驗約束的超分辨率圖像復(fù)原方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究的背景和意義 |
| 1.2 超分辨率圖像復(fù)原問題的描述 |
| 1.2.1 光學(xué)成像的退化降質(zhì)過程 |
| 1.2.2 超分辨率圖像復(fù)原方法分類 |
| 1.2.3 超分辨率圖像復(fù)原質(zhì)量的評價 |
| 1.3 超分辨率圖像復(fù)原的國內(nèi)外研究綜述 |
| 1.3.1 基于重建的超分辨率圖像復(fù)原 |
| 1.3.2 基于學(xué)習(xí)的超分辨率圖像復(fù)原 |
| 1.3.3 基于稀疏字典學(xué)習(xí)的超分辨率圖像復(fù)原 |
| 1.3.4 視頻超分辨率復(fù)原 |
| 1.3.5 其他超分辨率復(fù)原方法 |
| 1.4 研究內(nèi)容和論文的組織 |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 論文的組織 |
| 2 基于鄰域像素擴(kuò)展的廣義全變分正則化超分辨率圖像復(fù)原 |
| 2.1 引言 |
| 2.2 基于MAP估計求解框架的超分辨率復(fù)原和正則化函數(shù)構(gòu)建原則 |
| 2.2.1 基于MAP估計求解框架的超分辨率圖像復(fù)原 |
| 2.2.2 正則化函數(shù)的構(gòu)建原則 |
| 2.3 鄰域像素擴(kuò)展的廣義全變分正則化函數(shù)和MM迭代尋優(yōu) |
| 2.3.1 關(guān)于雙邊全變分 |
| 2.3.2 Minkowski距離和鄰域像素擴(kuò)展的廣義全變分 |
| 2.3.3 E-GTV結(jié)合優(yōu)化-最小化迭代尋優(yōu)的正則化算法 |
| 2.4 仿真實驗結(jié)果與分析 |
| 2.4.1 BTV中采用不同范數(shù)函數(shù)形式的性能比較 |
| 2.4.2 標(biāo)準(zhǔn)測試圖像和自拍圖像的超分辨率復(fù)原實驗 |
| 2.4.3 遙感影像的超分辨率圖像復(fù)原實驗 |
| 2.5 本章小結(jié) |
| 3 基于改進(jìn)保真項與自適應(yīng)雙邊全變分的正則化超分辨率圖像復(fù)原 |
| 3.1 引言 |
| 3.2 圖像觀測模型和代價函數(shù) |
| 3.3 TUKEY范數(shù)構(gòu)建保真項和權(quán)值自適應(yīng)BTV正則化 |
| 3.3.1 雙邊全變分(BTV)正則化項 |
| 3.3.2 魯棒估計與Tukey范數(shù)函數(shù) |
| 3.3.3 Tukey范數(shù)構(gòu)建保真項結(jié)合權(quán)值自適應(yīng)BTV正則化算法 |
| 3.4 仿真實驗結(jié)果與分析 |
| 3.4.1 標(biāo)準(zhǔn)測試圖像Lena的超分辨率復(fù)原實驗 |
| 3.4.2 文本圖像的超分辨率復(fù)原實驗 |
| 3.4.3 自拍圖像的超分辨率復(fù)原實驗 |
| 3.4.4 使用結(jié)構(gòu)相似性SSIM指標(biāo)的算法性能評價 |
| 3.4.5 遙感影像超分辨率復(fù)原實驗 |
| 3.5 本章小結(jié) |
| 4 基于自適應(yīng)稀疏表示結(jié)合正則化約束的超分辨圖像復(fù)原 |
| 4.1 引言 |
| 4.2 稀疏表示和稀疏性約束 |
| 4.3 非局部自相似先驗的正則化技術(shù)策略 |
| 4.4 自適應(yīng)稀疏表示和改進(jìn)的非局部自相似正則化項及SRIR算法 |
| 4.4.1 圖像塊幾何結(jié)構(gòu)信息分析和自適應(yīng)稀疏表示 |
| 4.4.2 改進(jìn)的非局部自相似正則化 |
| 4.4.3 基于自適應(yīng)稀疏表示結(jié)合改進(jìn)的非局部自相似正則化算法 |
| 4.5 仿真實驗結(jié)果與分析 |
| 4.5.1 參數(shù)設(shè)置 |
| 4.5.2 算法對于不同訓(xùn)練樣本集的魯棒性實驗 |
| 4.5.3 無噪和加噪情況下的實驗 |
| 4.5.4 計算效率實驗 |
| 4.6 本章小結(jié) |
| 5 基于像素流和時間特征先驗的視頻超分辨率復(fù)原 |
| 5.1 基于視頻時間的超分辨率復(fù)原方法存在的問題 |
| 5.2 空間模糊與運動模糊的形成機(jī)制 |
| 5.3 像素流及退化降質(zhì)過程建模 |
| 5.3.1 關(guān)于像素流 |
| 5.3.2 像素流退化降質(zhì)過程建模 |
| 5.4 時間特征先驗作為解空間約束的像素流超分辨率圖像復(fù)原 |
| 5.4.1 像素流SRIR的貝葉斯推理 |
| 5.4.2 像素流與基于時間特征先驗作為解空間約束的建模 |
| 5.4.3 像素流超分辨率復(fù)原結(jié)果的估計 |
| 5.5 低幀率運動模糊單視頻的時間超分辨率復(fù)原 |
| 5.6 基于像素流和時間特征先驗建模的時-空SRIR算法 |
| 5.7 仿真實驗結(jié)果與分析 |
| 5.7.1 不同的超分辨率復(fù)原算法對測試視頻的實驗比較 |
| 5.7.2 不同超分辨率算法對真實視頻復(fù)原的實驗比較 |
| 5.8 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄 |
四、基于序列圖像處理技術(shù)的高分辨率紅外圖像重建方法（論文參考文獻(xiàn)）
- [1]基于生成對抗網(wǎng)絡(luò)的紅外超分辨率算法研究[D]. 王五一. 電子科技大學(xué), 2021(01)
- [2]紅外序列圖像場景配準(zhǔn)及超分辨率重建[D]. 黃彪. 電子科技大學(xué), 2021(01)
- [3]基于壓縮感知的紅外圖像超分辨率重建[D]. 柳興國. 電子科技大學(xué), 2020
- [4]基于融合梯度ESRGAN網(wǎng)絡(luò)的單幅紅外圖像重建與增強研究[D]. 毛如玉. 西安理工大學(xué), 2020(01)
- [5]微掃描紅外圖像超分辨重建方法研究[D]. 劉冰. 哈爾濱工業(yè)大學(xué), 2020(01)
- [6]復(fù)雜成像探測中的微弱目標(biāo)檢測算法研究[D]. 彭凌冰. 電子科技大學(xué), 2020
- [7]基于深度學(xué)習(xí)的紅外圖像質(zhì)量提升關(guān)鍵技術(shù)研究[D]. 楊毓鑫. 西安電子科技大學(xué), 2020(05)
- [8]基于生成式對抗網(wǎng)絡(luò)的紅外圖像盲元補償和超分辨率重建算法研究[D]. 金蒙. 南京信息工程大學(xué), 2020(02)
- [9]基于紅外圖像的超分辨率重建技術(shù)的研究及應(yīng)用[D]. 周蘭蘭. 電子科技大學(xué), 2020(07)
- [10]基于先驗約束的超分辨率圖像復(fù)原方法研究[D]. 徐夢溪. 南京理工大學(xué), 2020(01)