导读:本文包含了反卷积滤波器论文开题报告文献综述及选题提纲参考文献，主要关键词:反卷积结构模型,脊波滤波器,特征图,映射
反卷积滤波器论文文献综述
王亚明[1]（2017）在《基于脊波滤波器和反卷积结构模型的SAR图像分割》一文中研究指出SAR图像分割是进行SAR图像处理的一项重要工作,分割结果的准确性对于进行SAR分析至关重要。而SAR图像中相干斑噪声的存在使得分割SAR图像和使用SAR图像非常具有挑战性。传统的SAR图像分割方法主要依靠人工经验以及专业知识来提取图像特征,随着经济的发展以及大数据的到来,很明显单纯的依靠人工来提取图像特征已经无法满足现实社会的发展。如何能够实现自动的提取SAR的特征成为了亟待解决的难题。本文针对以上问题,提出了基于脊波滤波器和反卷积结构模型的SAR图像分割方法。本文的主要工作如下:(1)针对SAR图像的混合聚集结构地物像素子空间具有复杂纹理结构的特点,本文提出了基于脊波滤波器和反卷积结构模型的分割方法。反卷积结构模型利用滤波器和特征图进行卷积操作来重构输入图像的方法来不断更新滤波器和特征图,以达到学习图像特征的目的。为了更好的捕捉SAR图像的结构特征,本文利用脊波滤波器来初始化反卷积结构模型的滤波器。本文利用反卷积结构模型对SAR图像中的混合聚集结构地物像素子空间中的各个极不匀质区域进行特征学习,并将所有极不匀质区域训练得到的脊波滤波器集合作为码本。然后,在将各个极不匀质区域训练得到的脊波滤波器集合分别往码本上进行投影,得到投影向量。最后,本文再利层次聚类算法完成SAR图像中的混合聚集结构地物像素子空间的分割。(2)针对脊波滤波器和反卷积结构模型耗时比较长的缺点,本文在脊波滤波器和反卷积结构模型的基础上进行改进,提出了非卷积运算的结构约束的脊波滤波器反卷积结构学习模型。在提出的非卷积运算的结构约束的的脊波滤波器反卷积结构学习模型中,本文对反卷积结构模型中的非卷积的结构保真项进行优化,将输入图像块与特征图之间的结构损失代替为输入图像块与脊波滤波器和特征图的重构图像块之间的结构损失。然后将在SAR图像的各个极不匀质区域中所采样得到的样本分别输入到一个非卷积运算的结构约束的脊波滤波器反卷积结构学习模型中。最后,利用投影和层次聚类算法完成SAR图像的混合聚集结构地物像素子空间的分割。(3)针对SAR图像匀质区域像素子空间微纹理的特点,本文利用基于自适应邻域的多项式隐模型进行分割;针对SAR图像结构像素子空间中一般为边界、线目标和独立目标,本文利用基于视觉语义规则和素描线的聚拢特征对其进行分割。最后,将这叁个像素子空间的分割结果整合在一起,便完成了SAR图像的分割。(本文来源于《西安电子科技大学》期刊2017-06-01）
邸明轩[2]（2017）在《基于卷积滤波器的视觉目标追踪研究》一文中研究指出视觉目标追踪是计算机视觉领域被广泛关注并被深入研究的一个问题,研究成果广泛应用在无人驾驶、视频检索、视频监控等领域。视觉目标追踪任务的目标是:在视频序列的第一帧中用矩形框标定一个感兴趣的物体,本文希望能够在后续帧中,利用设计的算法,自动发现第一帧中标定的物体,这样就可以在视频序列中得到物体的轨迹,从而完成追踪任务。一个典型的视觉目标追踪系统由叁部分组成。(1)外观模型,这个模型可以基于局部图像的外观,预测感兴趣的目标在某些特殊区域的概率。(2)位置模型,这个模型用于估计目标目前在一个特殊位置的先验概率。(3)搜索策略,用于发现当前视频帧中目标位置的最大后验概率。根据视觉目标追踪系统中采用具体算法的不同,目前阶段的视觉目标追踪算法可以分为两类,一类是鉴别式模型,另外一类是生成式模型。最近,一类叫做人工精确滤波器的技术被用于构建外观模型,并且展示出了优异的实验效果以及令人印象深刻的运行效率。人工精确滤波器由大量训练图片以及与之相关的期望输出训练得到。然而,目前还没有理论解释这种方法在物体检测或者视觉目标追踪任务中取得成功的原因。本文利用匹配滤波器理论解释了人工精确滤波器具备优异性能的原因并且基于该理论提出了卷积滤波器方法,并利用该方法构建了一个全新的视觉目标追踪系统。与之前利用图片以及期望输出训练的人工精确滤波器不同,卷积滤波器仅仅利用图片训练,无需期望输出。基于卷积滤波器的追踪系统的优点包括:运行效率更高并且更加鲁棒,对参数不敏感,对图片的预处理更加简单。此外,本文利用空间上下文信息进一步提升追踪系统的性能。在许多有挑战性的视频序列中的实验表明,基于卷积滤波器构建的追踪系统在追踪精确度方面有非常优异的表现,在追踪效率方面超过了绝大多数追踪系统。(本文来源于《上海交通大学》期刊2017-01-06）
封文清,孙赫,邓自立[3]（2015）在《多通道ARMA信号加权观测融合反卷积Wiener滤波器》一文中研究指出应用现代时间序列与状态空间方程的转换定理,将带观测时滞的ARMA信号转换为状态空间模型。本文描述存在时滞的系统和噪声的方法是用自回归滑动平均模型(ARMA),通过ARMA信号与状态空间模型的转换来完成模型的转换,在转换过程中将时滞巧妙的嵌入到状态转移矩阵Φ中,从而得到信息滤波器形式的Kalman滤波器。提出了加权融合反卷积Wiener滤波器。一个仿真例子说明其有效性。(本文来源于《科技传播》期刊2015年15期）
封文清[4]（2013）在《带观测滞后的ARMA信号最优融合反卷积滤波器》一文中研究指出多传感器信息融合也称作多传感器数据融合或多源信息融合。多传感器信息融合的目的是利用来自多传感器的观测信息，得到系统状态最优融合估计。信息融合是对多源信息的一个优化组合的过程，从而获得系统状态的比基于单传感器更精确的估计。由一个线性随机系统的输出信号估计其输入信号叫反卷积或输入估计，广泛应用于石油地震勘探、信号处理等领域。对带白色观测噪声和观测滞后的ARMA信号反卷积多传感器系统，基于ARMA信号与状态空间模型的转换，并将观测滞后嵌入到状态空间模型中，提出了ARMA信号的集中式融合反卷积滤波器，同时提出了全局最优的分布式融合反卷积滤波器。对带白色和有色观测噪声及带观测时滞的ARMA信号反卷积多传感器系统，提出ARMA信号标量加权融合反卷积Kalman滤波器以及加权观测融合反卷积Kalman滤波器。将带白色和有色观测噪声和观测滞后的ARMA信号滤波问题，转化为ARMA信号反卷积问题，且观测滞后被嵌入到ARMA信号的状态空间模型中，提出ARMA信号的标量加权融合Kalman滤波器。通过若干仿真例子验证了所提出的算法的有效性及正确性。(本文来源于《黑龙江大学》期刊2013-04-15）
杜鑫龙[5]（2013）在《多通道ARMA信号加权信号融合Kalman反卷积滤波器》一文中研究指出多传感器信息融合Kalman滤波是信号滤波理论与信息融合理论相结合的产物，采用优化的融合规则和融合方法来实现优化的信息组合的过程，以获得系统状态的更精确的估计。随着精确制导、过程打击，导弹拦截等先进武器系统的出现和发展，迫切要求提高对运动目标(导弹、飞机、卫星、坦克、车辆、舰船)的跟踪精度或对系统状态与信号估计的精度。多传感器系统在此背景下产生发展。在工业控制、海洋监视、机器人、综合导航和管理等领域广泛应用该技术。新一代的舰载、机载、弹载和各种C3I系统也正朝着多传感器信息融合的方向发展。由系统输出信号估计其输入信号叫反卷积或输入估计，广泛应用于石油地震勘探，通讯，信号处理等领域。对多通道多传感器ARMA信号反卷积问题，通过不同阶次的反卷积信号模型转化为补零的状态空间模型的处理方法，提出叁种加权(按标量、对角阵和矩阵)融合反卷积Kalman滤波器。将带观测滞后、带白色和/或有色观测噪声的ARMA信号滤波问题转化为反卷积处理，用状态空间方法，把滞后嵌入到状态空间模型中，把信号作为状态的一部分，提出加权融合Kalman信号滤波器。对于带未知互协方差，带观测滞后、带白色和/或有色观测噪声多通道两传感器ARMA信号，提出协方差交叉（CI）融合Kalman反卷积滤波器。Monte-Carlo仿真结果验证了理论精度关系的准确性。大量的仿真例子证明了理论结果的有效性和正确性。(本文来源于《黑龙江大学》期刊2013-04-10）
孙赫[6]（2013）在《基于现代时间序列分析方法的信息融合反卷积滤波器》一文中研究指出多传感器信息融合技术作为快速发展的边缘学科，其使用多个传感器同时对同一目标进行测量，避免了在单个传感器测量时，所造成的局限性和不可靠性，得到更加精确的信息。信息融合得到了越来越广泛的应用，其应用领域遍及军用和民用的各个方面。反卷积是应用系统的观测来估计系统的输入信号，广泛应用在信号处理、通讯和控制、图像恢复、语音识别、地震学、无损探伤等领域。多传感器信息融合技术在反卷积中的应用，有效的提高了线性随机系统的输入估计的精度和可靠性。对ARMA信号反卷积滤波问题，本文提出基于现代时间序列分析方法，应用自回归滑动平均模型与状态空间模型之间的转化关系作为桥梁，在模型转换过程中，将输入信号包含到状态中，同时也将时滞嵌入到状态转移阵中，使得信号的反卷积问题转变为对状态滤波的处理方法。提出两种模型转换算法，并验证了两种算法的等价性。应用Gevers-Wouters算法将时滞系统模型转换为ARMA信息模型，应用现代时间序列分析方法得到局部和融合Wiener形式的反卷积滤波器。对带公共有色噪声、不同白色观测噪声、相同时滞的ARMA信号多传感器反卷积系统，提出加权观测信息融合反卷积Wiener滤波器和标量加权信息融合反卷积滤波器；对带不同有色噪声、不同白色观测噪声、不同时滞的ARMA信号的多传感器反卷积系统提出标量加权信息融合反卷积Wiener滤波器。对带时滞和有色观测噪声的ARMA信号，提出ARMA信号标量加权融合Wiener滤波器。若干的仿真例子验证了推导结果的有效性和正确性。(本文来源于《黑龙江大学》期刊2013-03-28）
陈善继,苏建萍[7]（2012）在《基于盲反卷积的盲自适应滤波器设计》一文中研究指出通过盲反卷积的算法来实现盲自适应滤波,阐述了盲反卷积滤波器的工作原理及基本结构模型,通过调整滤波器系数来实现滤波,以便更好地跟踪信号的变化,最终实现自适应滤波,并借用Matlab仿真平台设计出自适应滤波器,验证了它的设计性能。(本文来源于《现代电子技术》期刊2012年13期）
谭毅[8]（2011）在《基于频域反卷积滤波器的光声成像》一文中研究指出采用探测器的脉冲响应在频域反卷积滤波光声信号以进一步提高光声成像的分辨率。由仿真和实验结果表明,频域反卷积滤波重建相对于时域反投影重建和滤波反投影重建具有更好的成像效果,明显地提高重建图像的分辨率,经仿真结果的计算,其重建图像的分辨率由2.58mm提高到了0.16mm。实验所用的光源为YAG激光器,波长为1064nm,重复频率为20Hz,脉宽为7ns,探测器为针状的PVDF膜水听器,接收面积的直径为1mm。(本文来源于《激光生物学报》期刊2011年05期）
崔崇信,邓自立[9]（2010）在《多传感器加权观测融合Wiener反卷积滤波器》一文中研究指出基于Kalman滤波方法,应用加权观测融合方法,提出了全局最优观测融合Wiener反卷积滤波器。同集中式观测融合方法和分布式状态融合方法相比,不仅可获得全局最优Wiener反卷积滤波器,而且明显减小计算负担,便于实时应用。一个四传感器加权观测融合仿真例子说明了其有效性。(本文来源于《科学技术与工程》期刊2010年30期）
崔崇信,邓自立[10]（2009）在《多传感器观测融合单通道白噪声反卷积滤波器》一文中研究指出利用现代时间序列分析方法,基于ARMA新息模型应用加权观测融合方法,提出了多传感器加权观测融合白噪声反卷积Wiener滤波器。同集中式和分布式融合方法相比,不仅可得到全局最优白噪声融合估值器,而且可显着地减小计算负担,便于实时应用。一个两传感器Bernoulli-Gaussian白噪声加权观测融合估值器的仿真例子说明其有效性。(本文来源于《科学技术与工程》期刊2009年10期）
反卷积滤波器论文开题报告
（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：
视觉目标追踪是计算机视觉领域被广泛关注并被深入研究的一个问题,研究成果广泛应用在无人驾驶、视频检索、视频监控等领域。视觉目标追踪任务的目标是:在视频序列的第一帧中用矩形框标定一个感兴趣的物体,本文希望能够在后续帧中,利用设计的算法,自动发现第一帧中标定的物体,这样就可以在视频序列中得到物体的轨迹,从而完成追踪任务。一个典型的视觉目标追踪系统由叁部分组成。(1)外观模型,这个模型可以基于局部图像的外观,预测感兴趣的目标在某些特殊区域的概率。(2)位置模型,这个模型用于估计目标目前在一个特殊位置的先验概率。(3)搜索策略,用于发现当前视频帧中目标位置的最大后验概率。根据视觉目标追踪系统中采用具体算法的不同,目前阶段的视觉目标追踪算法可以分为两类,一类是鉴别式模型,另外一类是生成式模型。最近,一类叫做人工精确滤波器的技术被用于构建外观模型,并且展示出了优异的实验效果以及令人印象深刻的运行效率。人工精确滤波器由大量训练图片以及与之相关的期望输出训练得到。然而,目前还没有理论解释这种方法在物体检测或者视觉目标追踪任务中取得成功的原因。本文利用匹配滤波器理论解释了人工精确滤波器具备优异性能的原因并且基于该理论提出了卷积滤波器方法,并利用该方法构建了一个全新的视觉目标追踪系统。与之前利用图片以及期望输出训练的人工精确滤波器不同,卷积滤波器仅仅利用图片训练,无需期望输出。基于卷积滤波器的追踪系统的优点包括:运行效率更高并且更加鲁棒,对参数不敏感,对图片的预处理更加简单。此外,本文利用空间上下文信息进一步提升追踪系统的性能。在许多有挑战性的视频序列中的实验表明,基于卷积滤波器构建的追踪系统在追踪精确度方面有非常优异的表现,在追踪效率方面超过了绝大多数追踪系统。
（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。
反卷积滤波器论文参考文献
[1].王亚明.基于脊波滤波器和反卷积结构模型的SAR图像分割[D].西安电子科技大学.2017
[2].邸明轩.基于卷积滤波器的视觉目标追踪研究[D].上海交通大学.2017
[3].封文清,孙赫,邓自立.多通道ARMA信号加权观测融合反卷积Wiener滤波器[J].科技传播.2015
[4].封文清.带观测滞后的ARMA信号最优融合反卷积滤波器[D].黑龙江大学.2013
[5].杜鑫龙.多通道ARMA信号加权信号融合Kalman反卷积滤波器[D].黑龙江大学.2013
[6].孙赫.基于现代时间序列分析方法的信息融合反卷积滤波器[D].黑龙江大学.2013
[7].陈善继,苏建萍.基于盲反卷积的盲自适应滤波器设计[J].现代电子技术.2012
[8].谭毅.基于频域反卷积滤波器的光声成像[J].激光生物学报.2011
[9].崔崇信,邓自立.多传感器加权观测融合Wiener反卷积滤波器[J].科学技术与工程.2010
[10].崔崇信,邓自立.多传感器观测融合单通道白噪声反卷积滤波器[J].科学技术与工程.2009