论文摘要
图像超分辨率重建是指利用同一场景的不同观测角度、不同观测时间或不同传感器获取的低分辨率图像序列重建出一幅或多幅高空间分辨率图像的技术。由于在图像获取过程中会因为大气扰动、目标景物和传感器之间的相对运动以及传感器光学系统自身因素的影响,图像中存在模糊、附加噪声等质量退化现象,使得图像的空间分辨率较低。超分辨率技术能够融合多幅图像中存在的信息,重建出质量较高的高分辨率图像。重建过程分为图像配准、插值、模糊函数估计、重建计算等步骤,本论文对图像序列配准、图像复原、图像中的附加噪声、重建算法等问题进行了研究。图像序列的配准方法进行了讨论,基于配准算法的基本理论提出了利用Powell优化算法和图像的多分辨率分解相结合的配准参数估计方法,首先对待配准图像和参考图像进行多分辨率分解,得到图像的金字塔表示,在最粗层上给出配准参数的初始估计值,然后利用Powell优化算法估算出该层上的配准参数值作为上一层的初始值,这样一直进行下去,在原始图像中估计出配准参数值。数值实验表明该算法能够准确估计预先设计的配准参数,对噪声和模糊退化干扰具有一定的稳健性。在对图像模糊函数分析后论文提出了基于神经网络的图像自适应复原算法,当模糊退化过程已知时,该算法能够估计出较好的图像复原效果。论文还讨论了图像中的噪声为泊松噪声和脉冲噪声时的图像超分辨率重建问题,分别建立了重建模型,利用数值实验说明了算法的有效性。对小波分析理论及其在超分辨率重建中的算法进行了研究,提出了小域多通道超分辨率重建算法,利用数值实验对算法进行了验证。基于小波系数的统计模型改进了已有文献中的小波域超分辨率重建算法。对遥感图像超分辨率重建问题进行了讨论,利用ETM+图像中的全色图像作为辅助图像,对多光谱图像进行了重建。首先建立重建模型,讨论了模型中参数的估计方法,提出了利用已知图像的局部方差对正则项系数进行估计的算法。将观测到的多光谱图像作为低分辨率图像序列,认为是由对应的高分辨率多光谱图像序列经过模糊变换、下采样和附加噪声后得到的,高分辨率图像为观测到的全色图像,可以看作是待估计多光谱图像序列的线性组合后得到的。将该算法进行了数值实验,并将实验结果与主成份图像融合及小波方法图像融合结果进行了比较,说明该算法是切实可行的。最后通过实例对超分辨率重建的不确定性问题进行了讨论。
论文目录
致谢摘要AbstractAbstract (detailed)Table of Contents变量列表图像列表表格列表1 引言1.1 研究背景(Background of This Research)1.2 研究现状(The State of This Topic)1.2.1 超分辨率重建问题(The Problem of SR Reconstruction)1.2.2 重建算法(Reconstruction Algorithms)1.2.3 应用领域(Application Domain)1.2.4 研究意义(Significance of this Research)1.3 超分辨率重建问题的研究方向(Research Directions in SR Reconstruction Problem)1.4 研究内容(Work Targets)2 超分辨率重建模型与图像配准2.1 超分辨率重建模型(SR Reconstruction Model)2.2 图像超分辨率重建算法(Algorithms For Image Super-Resolution Reconstruction)2.2.1 频率域方法(Frequency Domain Methods)2.2.2 空域法(Spatial Domain methods)2.3 重建图像质量评价标准(Evaluation Criterion of Reconstructed Images)2.3.1 主观评价(Subjective Evaluation)2.3.2 客观评价(Objective Evaluation)2.4 序列图像配准(Registration of Sequence Images)2.4.1 图像配准原理(Theory of Sequence Images Registration)2.4.2 基于互信息的图像配准(Image Registration Based on Mutual Information )252.4.3 基于梯度方法的参数估计(Parameters Estimation Based on Gradient Method)2.4.4 频率域图像配准(Image Registration Based on Frequency Domain Method)2.4.5 基于 Powell 优化算法的配准参数估计(Registration Parameters Estimation Based on Powell Optimal Algorithm)2.4.6 实验(Experiments)2.5 本章小结(Summary)3 模糊函数与图像复原3.1 模糊函数(Blur Functions)3.1.1 散焦模糊(Out-of-focus Blurring)3.1.2 运动模糊(Motion Blurring)3.1.3 大气扰动造成的图像模糊(Image Blur Because of Atmosphere Disturbance)3.2 模糊函数的辨识(Identification of Blurring Function)3.3 图像复原(Image Restoration)3.4 基于神经网络的图像复原算法(Image Restoration Algorithm Based on Neural Network Method)3.4.1 Hopfield 神经网络(Hopfield Neural Network)3.4.2 基于神经网络的自适应参数估计图像复原(Image Restoration Based on Adaptive Regularization Estimation Neural Network)3.4.3 实验(Experiments)3.5 本章小节(Summary)4 泊松噪声和脉冲噪声模型下的超分辨率重建4.1 泊松噪声(Poisson Noise)4.1.1 泊松噪声去除(Remove of Poisson Noise)4.1.2 重建模型(Model of Reconstruction)4.1.3 实验(Experiments)4.2 脉冲噪声(Impulse Noise)4.2.1 脉冲噪声去除方法综述(Review of Methods for Removing the Impulse Noise)4.2.2 去除脉冲噪声方法(Method to Denoise the Impulse Noise)4.2.3 脉冲噪声图像重建(Reconstruction of Noise Images)4.3 本章小节(Summary)5 小波变换用于图像超分辨率重建5.1 小波变换(Wavelet Transformation)5.1.1 小波变换的定义(Definition of Wavelet Transformation)5.1.2 离散小波变换(Discrete Wavelet Transformation)5.1.3 多尺度分析(Multi-Resolution Analysis)5.1.4 Mallat 算法(Mallat Algorithm)5.1.5 二维小波变换(2D Wavelet Transformation)5.2 小波插值超分辨率重建(Super-resolution Reconstruction Based on Wavelet Domain Interpolation)5.2.1 超分辨率图像实小波插值(Super-resolution Image Reconstruction Based on Real Wavelet Interpolation)5.2.2 二元复小波插值(Dual Complex Wavelet Interpolation)5.3 小波域多通道超分辨率重建(Super-Resolution Reconstruction in Wavelet Domain Using Multi-Passway)5.4 基于小波系数统计特征的超分辨率重建(SR Reconstruction Based on the Statistics Characters of Wavelet Coefficients)5.4.1 小波域 EM 方法超分辨率重建(SR Reconstruction Based EM Method in Wavelet Domain)5.4.2 小波域局部高斯模型超分辨率重建(SR Reconstruction Based Local Gauss Model in Wavelet Domain)5.5 本章小节(Summary)6 遥感图像超分辨率重建6.1 概论(Preface)6.2 遥感图像融合(Fusion of Remote Sensed Images)6.2.1 基于 IHS 变换的融合方法(Fusion Based on IHS Transform)6.2.2 基于主成份分析的图像融合(Image Fusion Based on PCA)6.2.3 基于小波变换的图像融合算法(Image Fusion Based on Wavelet Transform)6.3 基于超分辨率算法的遥感图像增强(RS Image Enhancement Based on SR Algorithms)6.4 自适应重建算法(Adaptive Reconstruction Algorithm)6.4.1 重建模型(Reconstruction Model)6.4.2 参数估计(Estimation of Parameters)6.4.3 正则参数的自适应估计(Adaptive Estimation of Regularization)6.5 实验(Experiments)6.6 超分辨率重建问题的不确定性分析(Uncertainty Analysis of SR Reconstruction Problem)6.6.1 配准算法影响(Influence of Different Registration Algorithms)6.6.2 模糊函数尺度对重建图像的影响(Influence of Size of Blur Function)6.6.3 高斯噪声对重建结果的影响(Influence of Gaussian Noise)6.7 本章小结(Summary)7 结论与展望7.1 研究结论(Research Conclusions)7.2 研究的创新点(Innovative Points of Research)7.3 研究展望(Research Expectations)参考文献作者简历学位论文数据集
相关论文文献
- [1].图像超分辨率重建[J]. 中国新通信 2020(02)
- [2].基于深度学习的单图像超分辨率重建研究综述[J]. 计算机应用研究 2020(02)
- [3].基于稀疏编码的图像超分辨率复原[J]. 计算机与数字工程 2020(03)
- [4].深度图像超分辨率重建技术综述[J]. 西华大学学报(自然科学版) 2020(04)
- [5].视频解码与图像超分辨率重建研究[J]. 电视技术 2020(02)
- [6].功能型复合深度网络的图像超分辨率重建[J]. 计算机科学与探索 2020(08)
- [7].人工智能在广电领域中的应用——以大连新闻传媒集团为例[J]. 演艺科技 2020(07)
- [8].基于球形矩匹配与特征判别的图像超分辨率重建[J]. 计算机应用 2020(08)
- [9].图像超分辨率方法研究进展[J]. 计算机工程与应用 2020(19)
- [10].混合阶通道注意力网络的单图像超分辨率重建[J]. 计算机应用 2020(10)
- [11].基于深度学习的图像超分辨率重建方法综述[J]. 云南民族大学学报(自然科学版) 2019(06)
- [12].基于生成对抗网络的遥感图像超分辨率重建[J]. 光学与光电技术 2019(06)
- [13].基于深度学习的图像超分辨率复原研究进展[J]. 自动化学报 2017(05)
- [14].图像超分辨率重建的研究进展[J]. 计算机工程与应用 2017(16)
- [15].基于对抗网络遥感图像超分辨率重建研究[J]. 计算机工程与应用 2020(21)
- [16].基于深度学习的图像超分辨率重建研究[J]. 电脑知识与技术 2020(29)
- [17].基于分离字典的图像超分辨率重建[J]. 中国科学:信息科学 2020(02)
- [18].基于密集连接的生成对抗网络实现单图像超分辨率方法研究[J]. 电子设计工程 2020(12)
- [19].改进的生成对抗网络的图像超分辨率重建[J]. 计算机工程与设计 2020(07)
- [20].基于改进总广义变分的单幅红外图像超分辨率算法[J]. 轻工学报 2020(04)
- [21].生成对抗网络的单图像超分辨率重建方法[J]. 计算机科学与探索 2020(09)
- [22].基于改进邻域嵌入与导向核回归的图像超分辨率重建[J]. 数字技术与应用 2020(08)
- [23].基于深度卷积神经网络的图像超分辨率重建方法[J]. 传感器与微系统 2020(09)
- [24].基于稀疏贝叶斯估计的单图像超分辨率算法[J]. 计算机应用研究 2019(02)
- [25].基于生成网络的遥感图像超分辨率的研究[J]. 实验室研究与探索 2019(03)
- [26].用于图像超分辨率重构的深度学习方法综述[J]. 小型微型计算机系统 2019(09)
- [27].基于残差密集网络的单幅图像超分辨率重建[J]. 计算机应用与软件 2019(10)
- [28].基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用[J]. 有线电视技术 2019(11)
- [29].基于深度特征学习的图像超分辨率重建[J]. 自动化学报 2017(05)
- [30].基于FPGA的图像超分辨率的硬件化实现[J]. 现代电子技术 2017(17)
标签:超分辨率重建论文; 图像融合论文; 图像配准论文; 神经网络论文; 脉冲噪声论文; 小波分析论文; 参数估计论文;