一、改进的PDE边缘保持图像插值算法（论文文献综述）
刘慧文[1]（2021）在《独立运行风光柴储微电网多目标容量优化配置研究》文中研究说明以微电网形式开发利用诸如风能、太阳能等可再生能源是实现能源可持续发展的重要方法,也是实现“清洁、低碳、安全、高效”能源结构转型的有效途径。对于可再生能源丰富且电网未覆盖地区,适合以微电网的形式开发利用可再生能源,进而实现电能的生产、传输和利用。微电网规划设计是建设微电网工程的首要任务,容量优化配置是规划设计的核心任务。本文立足于微电网规划设计多目标优化的需要,以独立运行风光柴储微电网为研究对象,在建立微电网多目标容量优化配置模型的基础上,以随机场景技术解算优化模型为主线,聚焦于建立风光荷数据联合概率模型、制定运行策略、设计优化算法三个关键技术问题开展研究,具有重要的理论意义和实际应用价值。主要工作如下:（1）针对所论风光柴储微电网的拓扑结构,综合考虑了经济性、可靠性、环保性三个优化目标及功率平衡、分布式电源输出功率限制、分布式电源装机数量限制、储能荷电状态运行范围限制、储能时序变化等相关约束条件,建立了微电网多目标容量优化配置模型,为后续研究奠定了基础。（2）鉴于Wasserstein生成对抗网络（Wasserstein Generative adversarial networks,WGAN）在图像生成方面的优异表现,结合对风光荷数据的特征分析,提出了基于WGAN的风光荷数据联合概率模型。该模型无需事先知道风光荷数据服从的概率分布,而是用两个相互关联的深度学习模型（生成器、判别器）来直接拟合风光荷数据的联合概率模型,而且该模型便于生成场景数据。为了提高拟合精度并防止训练算法过拟合,构建判别器时借用了迁移学习的思想,以具有强分类能力的ResNet50V2深度学习模型为基础,保留其用于表征通用特性的网络层、删除其表征专用特性的网络层,并针对风光荷数据的特征,在ResNet50V2的底部和顶部重新添加卷积层和全连接层进而完成判别器的网络结构构建;与判别器的结构相对应,利用卷积层和全连接层构建了生成器;结合判别器、生成器的结构特点及风光荷数据的特征,采用两次规范化和一次限幅二次插值对训练样本的结构进行了重构,使得训练样本的数据结构与WGAN的网络模型匹配,并且易于捕捉风光荷数据的统计特性;训练算法采用了标准化、正则化等手段。对WGAN生成数据的月度平均值、自相关性、互相关性及多样性四个方面的分析表明:本文设计的WGAN模型结构合理,训练算法没有过拟合,能够从本质上捕获多维风光荷数据在时间和空间两个尺度的统计特性。（3）针对运行策略问题,在分析微电网运行特征的基础上,制订了柴油发电机的启动和关停条件,将微电网的运行工况分为了七种状态,找出独立运行风光柴储微电网运行策略中,储能、柴油发电机共同跟踪净负荷时,如何分配净负荷功率这一关键问题,进而设计了储能优先跟踪净负荷、柴油发电机优先跟踪净负荷和柴油发电机优先额定功率运行三种运行策略,并给出了运行策略的实现流程。（4）针对微电网容量配置优化模型具有多目标多约束条件、强非线性等复杂特性,以强度Pareto进化算法（Strength Pareto evolutionary algorithm 2,SPEA2）为基础,利用其寻优过程前期收敛速度快的优点,克服其后期易早熟的不足,同时受枚举法全方向搜索和插值数学思想的启发,提出了基于SPEA2的邻近点参考搜索算法（Search algorithm referencing adjacent points based on SPEA2,SARAP）。SARAP算法首先经过SPEA2算法快速定出最优解集的轮廓,实现搜索空间的减小,然后利用SPEA2最优解集的邻近点构建小空间全方向搜索算子进行寻优,从而使得最优解集支配性进一步提升,完整性接近真实Pareto最优解集,最终实现求解结果完整性与运算效率之间的统一。时间复杂度分析和收敛性分析表明,SARAP算法运算速度远快于枚举法,运算结果接近真实Pareto最优解集。同时SARAP算法的思路完全可以推广应用于改进其他智能算法,具有一般的方法论意义。（5）多角度分析优化计算结果,进一步验证了微电网容量优化配置的有效性。首先,采用多种空间形式展示了确定性方法（以历史数据和SARAP算法为基础）的优化计算结果,结合逼近理想解排序多目标决策算法（The technique for order preference by similarity to ideal solution,TOPSIS）选取的几组典型容量配置方案,分析了影响微电网容量优化配置经济性、可靠性、环保性的因素。其次,与确定性方法相比,随机场景技术（以历史数据、WGAN生成的多组场景数据及SARAP算法为基础）解算方法能够有效应对风光荷数据的不确定性,进而可以提高微电网容量优化配置结果的鲁棒性。再次,对比分析三种运行策略下的解算结果及同一优化配置方案在三种运行策略下的生产模拟结果表明:储能优先跟踪净负荷运行策略具有最好的环保性,柴油发电机优先跟踪净负荷运行策略具有最优的经济性,柴油发电机优先额定功率运行策略具有最高的可靠性。最后,典型配置方案在一年期数据和典型日数据下的生产模拟结果验证了本文进行微电网容量优化配置的有效性。本文的研究丰富了独立运行微电网多目标容量优化配置研究的理论,拓展了深度学习在风光荷数据场景生成方面的应用,改善了多目标优化问题求解算法的性能,对提升微电网规划设计精准度具有一定的参考价值。
王君[2]（2020）在《基于结构组稀疏表示的图像修复算法研究》文中指出图像修复即根据图像已有信息按照一定规则对破损区域做出合理猜测并进行填充,使得复原后的图像最大程度地接近原始图像或达到合理自然的视觉效果。在丰富的应用场景下,图像的缺失区域形状各异,对应地不同种类的修复算法被相继提出,本文对这些种类中的经典算法进行了研究和探索,分析其优点与不足,并针对结构组稀疏表示模型提出相应改进,具体内容如下:结构组稀疏表示（Structural Group Sparse Representation,SGSR）图像修复算法提出结构组的概念,对结构组的估计值进行奇异值分解得到自适应字典,然后用SBI（Split Bregman Iteration）算法求解优化模型得到稀疏解,最后借助字典和稀疏解得到修复图像。该算法在一定程度上解决了传统稀疏表示算法忽略图像块之间相似性导致重构图像的结构和纹理不够自然的问题。但是该算法采用双线性插值算法估计结构组,估计量不够准确导致其修复效果一般,本文提出一种优化算法计算每个结构组的估计量,我们采用曲率驱动扩散（Curvature Driven Diffusions,CDD）模型和Criminisi算法分别对小面积区域和较大面积区域缺失图像进行估计,从而得到更加准确的估计量。实验结果和数据表明,所提算法与含SGSR在内的多个文献算法相比,在主观视觉和客观指标上都有更好的表现。传统图像修复算法由于单幅图像上的源区域包含信息有限,很难修复结构纹理较为复杂且缺失区域面积较大的图像。为了解决这一问题,本文提出一种基于多视图的结构组稀疏表示图像修复算法,首先将多幅参考视图图像初始化并配准到与目标图像同一视角,然后用马尔可夫随机场（Markov Random Field,MRF）组合所有配准后的参考视图图像上的已知信息,对目标图像的缺失区域进行填充,用泊松融合技术消除修复边缘光度不一致现象,最后针对剩余孔洞,提出一种策略选择适应性最高的参考视图图像,辅助目标图像使用基于多视图的结构组稀疏表示模型完成修复。实验结果表明,所提算法对大面积缺失区域相较于其它文献算法有更好的修复效果。
刘鑫[3]（2020）在《基于混合Criminisi算法的图像及视频修复》文中指出数字图像和视频修复是指利用有效的算法自动修补图像或视频内指定的破损区域的计算机技术。修复技术在我们日常生活中有着广泛的应用,比如书籍、壁画的复原;老照片、老电影的修复;目标移除和恢复压缩传输所造成的丢失。随着人们生活物质条件的提高,人们的需求也越来越多样,因此,数字图像和视频修复有着广阔的应用前景,成为计算机视觉、图像处理和视频处理的热门研究领域之一。通过对国内外修复算法的研究发现,Criminisi算法能完成大面积破损的图像修复工作,但该算法仍存在着不足之处,本文改进了该算法并应用到图像修复和视频修复中。本文对Criminisi算法所做的改进有如下4点:（1）修复之前,利用Kriging模型对图像破损区域进行拟合预处理,该处理能模糊的恢复破损区域原有的样貌,消除检测图像边缘时破损边缘带来的影响。（2）该算法随着迭代进行,置信度骤然减小趋近于0,这导致衡量图像块可信程度的置信度项性能下降。本文提出了置信度改进函数,用同一边界点不同大小邻域窗下的置信度的差值衡量图像块是否有更高的可信度。如果该图像块更值得被信赖,则引入参数提高置信度的可信程度。（3）Criminisi算法选取尺度固定不变的图像块为修复单元,在不同图像纹理结构下,该方法不能自适应调整图像块大小。本文应用Facet模型进行边缘检测,并选取0度、90度、45度和135度四个方向,每个图像块的结构可由Facet模型进行衡量,对纹理图像选取更大尺度的块进行修复。（4）Criminisi算法在寻找最优匹配块的策略上过于单一。Criminsi算法的匹配函数仅利用了图像灰度,没有考虑图像自身结构信息,寻找到的最优匹配块可能因结构不相似造成修复结构不连贯。本文对灰度度量函数SSD加入了Facet结构信息,提出WSSD最小化匹配策略,在考虑灰度的同时加强了对图像结构的重视。上述的改进算法提升了Criminisi算法的性能,为充分利用其优势将该算法应用于视频修复。本文所做工作有如下2点:（1）充分利用视频的时间相关性,同一场景下帧间图像可提供更多的可用信息,因此,最优匹配块的搜索范围扩展为多帧图像。（2）该方法适用于处理摄像头慢速移动下的视频或目标移动速度较慢的视频。利用视频帧间的高度相似性及慢速变化性,待修复块的最优匹配块从多帧的局部邻域搜索。为保证匹配数据充足,提出自适应调整搜索窗尺度。这不仅能找到有效的匹配块同时还有效的压缩了时间,对修复老电影中的斑块有着重要意义。实验表明,本文提出的基于改进的混合Criminisi算法的图像修复和应用改进的混合Criminisi算法的快速视频修复在修复效果上的表现都较为突出。
刘正男[4]（2020）在《基于深度学习的超分辨率重建和图像修复技术研究》文中研究表明随着时代的发展和社会的进步,人们获取信息的方式愈加多样化和简单化,图像作为信息的主要载体,仍然是人们获取信息的主要对象。但是各种因素的干扰,导致所得到的图像与人们的期望图像存在差距,再加之现在人们对于生活品质的提高或者工作需要的考虑,普通图像已经不能够满足所需,而图像重建和图像修复技术恰好可以优化图像的视觉质量,从而更充分的挖掘和利用图像的信息。因此,图像的重建以及修复技术已经成为计算机视觉领域相当热门的研究方向之一,广泛应用于日常生活中的照片修饰,安防工作中的图像识别,文物照片的重建修复等。在此背景下,本文以图像超分辨率重建和图像修复为主要研究内容,进行了深入的学习与研究。在图像重建和图像修复的研究中,针对目前已有处理技术存在的边缘信息过度强化、细节恢复能力不够、过度恢复等问题,提出以下几种算法:（1）对于传统SRCNN（Super resolution using convolution neural network,SRCNN）算法的图像特征提取不完全和信息利用不充分等缺点,提出一种改进的多支路重建算法。首先,为了更充分地提取图像特征信息,将网络深度加深至4层。其次,通过设置不同尺度的卷积核来进行多通道的对象重建,使重建过程中可以考虑更多的信息。最后,在网络结构中通过PReLU函数来解决神经元坏死和收敛困难的问题。实验证明,改进算法取得了比较好的重建效果,不论是峰值信噪比还是结构相似性均优于传统的SRCNN算法。（2）针对传统锚定邻域回归（Anchored Neighborhood Regression,ANR）的图像超分辨率方法缺乏灵活性、且对图像的细节没有很好的恢复能力的缺点,提出一种锚定邻域回归和卷积神经网络（Convolution Neural Network,CNN）相结合的图像重建算法。首先,在ANR中提出使用弹性网络回归模型,使算法具有特征选择的特点。其次,在CNN的图像预处理部分使用lanczos3插值方法,加快了运算速度,在特征提取中提出使用具有自门控特性的Swish函数作为激活函数,用于提高测试准确度。最后,在重建图像的评价方面提出了图像的相关系数,用于对重建结果做进一步的有效性评估。仿真结果证明,该算法有效地构建了图像的细节部分,图像质量得到了明显提升。（3）针对传统Criminisi算法中优先权值很快趋于零,且运行时间较长等缺点,提出一种改进的基于信息熵和梯度因子的图像修复算法。首先,将图像信息熵与梯度因子拟合为权重因子,优化优先权的计算方式用以找到最优修复块;其次,利用可度量像素块复杂度的信息熵对匹配块的搜索区域进行调整,建立搜索区域的动态法则;然后,借助于梯度因子建立匹配块模板尺寸的自适应模型,完善最优匹配块搜索策略;最后,利用SSDA匹配算法从源区域中选取最优匹配块,进行残缺区域的填充。仿真结果证明,与传统Criminisi算法相比,所提算法无论在客观方面还是在主观方面都获得了较满意的修复结果,恢复效果更加真实自然,给人的视觉效果也更佳。
陈明明[5]（2020）在《基于机器学习的电子散斑干涉相位提取新方法研究与应用》文中指出电子散斑干涉（Electronic Speckle Pattern Interferometry,ESPI）技术是一种现代无损检测技术,具有全场、非接触、高精度等优点。在该技术中,被测物理量与测量所得的条纹图或包裹相位图的相位分布信息直接相关。因此,准确地从条纹图或包裹相位图中提取出相位信息是ESPI技术应用的关键。条纹骨架线法是一种基于单幅条纹图的相位提取方法,可应用于动态测量。该方法涉及到的滤波、骨架线提取、插值等技术的发展与计算机技术的发展紧密相关。如今,机器学习算法为各个研究领域提供了新的研究途径,本文基于机器学习算法分别对变密度的、不连续的、灰度不均的条纹图的滤波方法、骨架线提取方法和插值方法进行了研究,提出了新技术。具体内容如下:（1）提出了基于纹理特征与模糊C均值（Fuzzy C-Means,FCM）聚类算法的变密度条纹图滤波方法。首先,回顾了基于变分图像分解的变密度ESPI条纹图滤波方法,该方法通过将变密度条纹图中高密度条纹部分和低密度条纹部分分开处理,实现了变密度条纹图的有效滤波。基于这个思想,本文提出了基于纹理特征与FCM的变密度条纹图滤波方法。该方法首先利用灰度共生矩阵法提取变密度条纹图的纹理特征,并利用FCM算法根据条纹图的纹理特征,将变密度条纹图分解为低密度条纹部分和高密度条纹部分。然后,选择合适的滤波方法分别对低密度条纹部分和高密度条纹部分滤波。最后,将滤波后的高、低密度条纹组合在一起得到最终的变密度条纹图滤波结果。该方法提供了另一个变密度条纹图分解方法,改进了已有滤波方法对变密度条纹图的滤波效果。（2）提出了基于方向双边滤波器与FCM算法的不连续条纹图滤波方法。该方法首先利用FCM算法对条纹图的方向信息进行聚类,将条纹图分为连续部分和不连续部分,然后根据聚类的结果控制方向滤波模板的尺寸,使方向双边滤波器在条纹不连续处滤波时减小模板尺寸,降低在条纹不连续位置的滤波强度,从而实现对条纹不连续性的保护。该方法扩大了双边滤波器的应用范围,在对不连续条纹图滤波时能够有效保护条纹的不连续性。（3）提出了用于灰度不均条纹图的基于改进的FCM算法的骨架线提取方法。该方法将条纹图的邻域信息引入到原始的FCM算法中,使其在聚类的过程中受到像素邻域信息的影响,克服灰度不均对条纹图二值化的影响。对得到的二值化结果,采用简单的细化方法即可获得灰度不均条纹图的骨架线。与已有的基于条纹图二值化的骨架线提取方法相比,本文所提出的方法无需选取阈值,在条纹图含有噪声等级较低的情况下,无需滤波预处理即可实现对灰度不均条纹图的骨架线提取。（4）提出了基于熵与FCM算法的ESPI条纹图骨架线提取方法。该方法首先提取ESPI条纹图的局域信息熵,然后利用FCM算法根据条纹图的局域信息熵将条纹图像素点分为两类,实现条纹图二值化。对得到的二值化结果,采用简单的细化方法即可获得ESPI条纹图的骨架线。已有的条纹图二值化方法根据像素点的灰度值进行二值化,必须对ESPI条纹图进行充分的滤波预处理才能得到良好的二值化结果。而本文提出的骨架线提取方法根据ESPI条纹图的局域熵值进行二值化,无需对ESPI条纹图滤波即可得到令人满意的骨架线。（5）提出了基于分层递归神经网络的骨架线插值方法。与已有的骨架线插值方法相比,该方法使用了更先进的网络结构和训练算法,获得的插值结果要优于传统的插值方法和BP神经网络插值方法。此外,将本文提出的条纹图滤波方法、骨架线提取方法和插值方法应用到动态测量实验的相位提取中,验证了本文提出方法在实际测量中的应用效果。
高松鹤[6]（2018）在《基于图像分解和卷积神经网络的图像放大方法研究》文中提出传统的插值放大方法由于像素间的连续性不强,容易造成放大图像边缘锯齿状和图像块状区域的缺陷。近年来,偏微分方程在图像处理领域理论和实际应用推进和发展,越来越多的研究者将偏微分方程应用对图像的处理中,深度学习技术在图像中的应用也逐渐广泛。在本文中,将偏微分方程和深度学习作为图像处理的工具,将图像分解和图像扩散引入到图像放大中,分别研究了基于偏微分方程的图像分解模型、图像扩散模型和卷积神经网络,提出了基于图像分解的放大方法,基于融合多尺度特征信息的CNN图像放大方法,本文的主要工作如下:1.结合图像分解模型和偏微分扩散模型,提出了一种基于图像分解的偏微分方程图像放大方法,按照图像分解理论,将图像分解为卡通部分和纹理部分,针对这两部分的不同组成分别采用二阶各向同性和各向异性的扩散模型,同时为了提高放大效果,将四阶各向异性偏微分方程跟二阶扩散模型进行耦合作为扩散模型。经过仿真实验验证,本文提出的方法能够较好地保持图像边缘和图像清晰度,客观评价标准也验证了本文方法的有效性。2.结合卷积神经网络和特征金字塔结构,融合图像低层特征和高层特征信息,提出了基于融合多尺度特征信息的CNN图像放大算法,经过实验验证了改进方法的有效性。
赵晓冬[7]（2017）在《光学遥感影像超分辨率重构算法研究》文中研究说明高分辨率图像在测绘、军事、民用领域一直有着迫切的需求,高分辨率遥感影像的获取技术是遥感领域人员研究的重要课题之一,然而在获取过程当中,图像会受到各种降质因素影响,无法完全满足应用需求。超分辨率（Super resolution,SR）重构技术可以在现有的成像系统基础上,利用信号处理知识,由单帧或多帧低分辨率图像,重构出具备丰富细节和高像素密度的高分辨率图像,已经在众多领域广泛应用,是图像复原领域最有前景的研究方向之一。本文首先介绍了超分辨率重构课题的研究意义、现状和发展趋势;系统阐述了超分辨率重构的理论依据、遥感影像成像技术、经典算法类别和理论架构、重构评价方法;基于特征点检测理论,研究亚像元配准方法及其并行设计;以空域正则化算法为主线,应用偏微分方程和基于稀疏表示的学习理论,实现单帧和多帧算法的超分辨率重构。本论文在提出多种超分辨率重构技术相关算法,取得一定理论创新的基础上,进一步将研究成果应用于遥感领域的面阵和线阵影像中进行实际工程应用。本文的研究成果以及创新点包含以下方面:1.提出一种针对多帧图像的帧间配准算法及其并行化设计方法。该算法实现了基于自适应梯度双边张量滤波的改进型特征点检测,进行多尺度扩展,剔除冗余点,并进行加权高斯曲面亚像素插值,生成描述子进行配准,更好地保证配准精度。此外,在图形处理器平台和多核CPU平台分别基于统一计算设备架构和OpenMP进行算法操作级和任务级并行设计,有效提高配准速度。2.提出一种结合非线性各向异性张量扩散和改进梯度矢量流连续性约束的双正则项多帧超分辨率重构算法。该算法基于偏微分方程的设计思想,首先基于非线性扩散张量构造正则项,充分利用其方向选择平滑特性,更直观地刻画在平坦、边缘、角形结构区域的滤波性能,使得在重构求解过程当中,求解方向在边缘及纹理区域沿着切线方向优化,在梯度方向限制其优化。其次提出改进的梯度矢量场一致连续性正则项,可以对高低分辨率图像进行更好的一致连续性约束,在对噪声具备鲁棒性的同时,对纹理结构信息进行更好的保留。3.提出一种改进初始聚类中心的K-PCA自适应字典学习算法。该算法结合非局部均值非线性张量滤波和非线性扩散张量保边核回归两项正则项约束进行基于学习的单帧超分辨率重构。首先基于结构张量空间特性测度度量进行聚类初始中心的筛选,其次同时考虑灰度和几何结构相似度量,结合非线性张量、双边张量和模糊熵,提出非局部均值的改进正则项,并提出基于非线性扩散张量核回归和Gaman-McClure核函数改进的重构约束项,进行仿真实验分析,并将该算法重构的结果作为多帧图像重构的初始输入,进行多帧重构算法应用。4.提出一种基于偏微分方程统一框架的单帧超分辨率重构算法。该算法充分结合局部边缘结构和纹理保持特性分析、高阶张量分析、多方向估计分析、梯度向量场和非线性张量扩散分析,能够更好地适应各种噪声强度的图像重构。基于各向异性非线性结构张量的方向扩散项,综合考虑各通道信息防止奇异结果的发生,取得了较好的边缘纹理保持和图像去噪效果,高阶结构张量可以更准确地估计角点和结构信息,多方向估计通过求解二次多项式将混合方向参数分解为两个方向,改进的冲击滤波器可以更好地实现噪声情况下的边缘增强。5.在以上并行亚像素配准算法、基于偏微分方程的多帧和单帧超分辨率重构算法、基于稀疏表示单帧超分辨率重构算法提出并实现的基础上,结合实测遥感面阵和线阵影像,进行全部算法的工程应用分析。实验结果表明,基于并行设计的改进型特征点配准算法针对遥感影像取得了配准精度和配准速度的两方面提升,基于偏微分方程和学习的重构算法对于遥感影像超分辨率重构的实现取得了主观和客观两方面较好的重构结果。
张爱迪[8]（2016）在《基于偏微分方程模型的遥感图像放大模型研究》文中研究表明遥感图像放大是近年来遥感图像处理的研究热点,在军事、医疗、农业和航天等领域有广泛的应用。本文以偏微分方程模型（PDE）为基础,对遥感图像放大的相关问题进行研究,提出两种有效的遥感图像放大算法:基于改进自蛇模型的自适应PDE遥感图像放大算法和基于稀疏编码的PDE放大算法。主要创新点表现在以下方面:1.提出一种基于改进自蛇模型和正则项混合的自适应PDE遥感图像放大模型。在对Tikhonov正则项和传统自蛇模型进行深入分析的基础上,针对Tikhonov正则项具有去除图像噪声、平滑图像的功能,而自蛇模型可以较好的恢复图像边缘的特点,本文提出一种自适应梯度的图像处理模型。首先针对遥感图像更加关注纹理细节区域的需求,对传统的自蛇模型进行了改进,通过引入一个边缘约束函数使改进后的模型更具边缘保持能力;然后,通过构造一个自变量为图像梯度,值域在0到1区间内的严格单调递增的权函数,将改进的自蛇模型与Tikhonov正则项结合,提出了一种具有梯度自适应特性的新的混合模型,实现了对图像边缘区域和非边缘区域的自适应处理;最后将所提出的模型应用于经双线性插值后的遥感图像,实现了对遥感图像的后处理,有效的保护了遥感图像的边缘和纹理细节区域信息。2.提出一种基于稀疏编码的偏微分方程图像放大模型。首先通过引入范数约束和概率密度约束提出一种图像的稀疏编码方法,其中范数约束保证了像素位置的相似性,而像素的概率密度约束则保证了像素值的相似性,该方法减少了因稀疏编码的近似值而引入的噪声;在此基础上,提出了一种基于该稀疏编码方法的图像放大后处理PDE模型,模型包含保真项、还原项和惩罚项,为了保证遥感图像放大后的边缘区域和细节纹理的特征,在惩罚项中引入了图像块的一阶和二阶导数特征,以保证在迭代过程中尽可能保持图像的曲率特征。该模型应用于插值放大后的图像,有效的保证了放大后遥感图像的纹理信息特征。所提出的两种遥感图像放大模型,能够针对遥感图像放大后更关注图像的边缘、细节区域的特征进行相应的约束,在一定程度上保证了放大遥感图像的后继应用需求。
赵小乐[9]（2016）在《单幅图像超分辨技术研究》文中指出数字图像的超分辨（SR,Super-Resolution）重建是计算机视觉中一个很重要的基础性问题,也是计算机视觉领域由来已久的研究热点,在工业、农业、军事和医疗等领域有着广泛的应用。图像超分辨重建技术的发展历程大致经历了三个阶段:基于传统插值理论的方法、基于模型/重建的方法和基于机器学习的方法。基于插值的方法以数据的连续性假设为基础,重建效果较差却一般具有很高的时间效率,是目前应用范围最为广泛的一类技术。但这类技术种类繁多,目前还没有从理论角度对这类方法进行统一说明的相关文献资料;基于重建的技术一般是通过对数字图像成像的逆过程进行建模来重建高分辨率图像,这类方法重建效果比插值方法好,但时间性能较差,而且对缩放因子比较敏感,很少用在实际应用中;基于机器学习的方法是目前最有前景的一类技术,也是该领域当前的研究热点内容。但是,训练样本的兼容性和质量,以及时间性能是这类技术面临的主要问题。针对上述超分辨技术存在问题,本文对数字图像超分辨技术进行了广泛而深入的研究,并分别提出了相应的解决方案。本文的主要贡献如下:1.通过大量的理论分析和实验验证,发现诸多传统多项式插值技术之间的本质规律和内在联系。本文利用密切多项式近似的理论框架为当前大多数多项式插值算法提供了统一的理论描述和规律性的解决方案。这一理论框架既可以用于对现有插值算法进行分析与比较,又可以用于开发新的插值算法。2.提出了一种基于模型/重建的图像超分辨算法。该算法通过泰勒展开式对输入图像进行预处理,使输入图像处于一种过度处理状态,再利用曲率逆向扩散对其进行调整。这种改变迭代初始状态的处理既可以有效缩短处理时间,又可以提高结果图像的对比度和清晰度。3.重点研究了基于机器学习的超分辨技术,针对训练样本质量和时间效率问题提出了基于盲模糊估计与词典学习的单幅图像超分辨算法,从减少低分辨率特征空间与高分辨率特征空间之间的差异性的角度提出了基于统一最小二乘规则的单幅图像超分辨算法。为了进一步提高机器学习方法的时间效率,采用锚定邻域回归对上述方法进行了改进并取得了明显效果。4.基于选择性块处理策略（SPP,Selective Patch Processing）和自然图像的非局部自相似性（NLSS,Non-Local Self-Similarity）提出一种改进的盲模糊估计算法,通过选择性地利用索引块并自适应地确定邻域块数量进行模糊核估计,在有效提高了模糊核估计精度和算法收敛速度的同时,还大大减少了单次迭代的时间消耗。
李林伟[10]（2015）在《基于图像分解的图像超分辨率算法的研究》文中研究表明图像超分辨率重构技术一直以来就是数字图像处理中重要的研究热点与难点,随着不同用户对高分辨率图像需求的与日俱增,这种技术在计算机视觉、安防监控、遥感、医疗等领域的应用也越来越广泛。图像超分辨率重构技术的目标是把图像进行放大,提高其分辨率并且重构出“丢失”的高频信息,改善图像的质量。基于学习的图像超分辨率方法是近年来提出的被学者们认为较有前途的方法,该方法主要是通过学习成对的高、低分辨率图像块之间的关系作为先验知识,对输入图像进行放大。本文首先对图像超分辨率技术的发展和理论做了介绍和总结,然后主要是在基于样例学习的方法框架上进行深入的研究,提出了基于图像分解的超分辨率算法,从而改善了重构图像的质量。该方法先通过卡通和纹理分解技术对图像进行分解,然后建立高低频一一对应的图像库,然后对输入的低分辨率图像进行基于偏微分方程的图像的插值放大,图像高频信息通过样本（example）学习的方法获得,最后把高频图像叠加到放大图像中以重构出最终的高分辨率图像。本文的研究内容主要如下：首先,样本库是学习的对象,给图像重构提供重要的先验知识。本文提出了基于图像卡通纹理分解的方法来获得卡通和纹理部分并分别训练建立样本库,卡通纹理分解得到的卡通部分包含部分中高频信息,纹理部分包含部分中低频信息,这样不但丰富了重构后图像的细节信息,而且也能提高图像匹配的准确度。然后,在图像放大过程中提出了基于偏微分方程（PDE）的图像插值的方法。该算法是对插值放大后的图像利用偏微分方程模型进行处理,保持图像的边缘细节,得到了好的视觉效果。最后,提出了基于边缘增强的样本学习的超分辨率重构方法。该算法首先检测图像的边缘信息,然后在图像样例匹配的过程中对于边缘部分的像素点提高其权重,以提高图像的匹配准确度,从而获得更佳的匹配样本。实验结果表明,所提出的基于图像分解的图像超分辨率算法重构出的图像的效果不管在主观上,还是客观上的SSIM、PNSR等指标都有一定的改善。
二、改进的PDE边缘保持图像插值算法（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、改进的PDE边缘保持图像插值算法（论文提纲范文）
（1）独立运行风光柴储微电网多目标容量优化配置研究（论文提纲范文）
| 摘要 |
| Abstract |
| 物理量名称和变量表 |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题的提出 |
| 1.1.3 研究的目的和意义 |
| 1.2 微电网多目标容量优化配置关键技术研究综述 |
| 1.2.1 多目标优化模型研究现状 |
| 1.2.2 多目标优化算法的研究现状 |
| 1.2.3 源荷数据的不确定性研究现状 |
| 1.2.4 运行策略的研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 独立运行风光柴储微电网的拓扑结构与优化模型 |
| 2.1 引言 |
| 2.2 风光柴储微电网的拓扑结构及工作原理 |
| 2.2.1 拓扑结构 |
| 2.2.2 工作原理 |
| 2.3 分布式电源静态特征模型 |
| 2.3.1 风力发电机出力模型 |
| 2.3.2 光伏发电系统出力模型 |
| 2.3.3 柴油发电机油耗模型 |
| 2.3.4 储能S_(OC)时序变化和寿命模型 |
| 2.4 微电网多目标容量优化配置数学模型 |
| 2.5 求解多目标容量优化配置模型的脉络关系 |
| 2.5.1 优化配置关键因素之间的相互联系 |
| 2.5.2 优化计算满足约束条件的过程 |
| 2.6 独立运行风光柴储微电网算例参数 |
| 2.7 本章小结 |
| 第三章 独立运行风光柴储微电网多目标容量优化配置的风光荷数据场景生成 |
| 3.1 引言 |
| 3.2 WGAN的基本原理 |
| 3.2.1 WGAN的基本原理 |
| 3.2.2 WGAN的训练算法 |
| 3.3 针对风光荷数据场景生成的WGAN模型设计与训练 |
| 3.3.1 格式化样本数据 |
| 3.3.2 WGAN模型设计 |
| 3.3.3 WGAN模型的训练过程 |
| 3.4 风光荷数据WGAN模型统计特性分析 |
| 3.4.1 一年期生成数据 |
| 3.4.2 时间尺度统计特性分析 |
| 3.4.3 空间尺度统计特性分析 |
| 3.5 本章小结 |
| 第四章 独立运行风光柴储微电网多目标容量优化配置的运行策略 |
| 4.1 引言 |
| 4.2 风光柴储微电网运行工况分析 |
| 4.2.1 柴油发电机的启停条件设计 |
| 4.2.2 微电网运行工况分析 |
| 4.3 风光柴储微电网运行策略 |
| 4.3.1 OPBES运行策略 |
| 4.3.2 OPDE运行策略 |
| 4.3.3 OPDEPR运行策略 |
| 4.4 运行策略的实现流程 |
| 4.5 本章小结 |
| 第五章 独立运行风光柴储微电网多目标容量优化配置的求解算法 |
| 5.1 引言 |
| 5.2 多目标优化算法相关术语定义 |
| 5.3 SPEA2算法的基本原理及特点分析 |
| 5.3.1 SPEA2多目标优化算法的基本原理 |
| 5.3.2 SPEA2算法的特点分析 |
| 5.4 SARAP多目标优化算法的提出及其原理 |
| 5.4.1 SARAP算法的提出 |
| 5.4.2 SARAP多目标优化算法的原理 |
| 5.4.3 SARAP算法的流程 |
| 5.5 SARAP多目标优化算法的时间复杂度分析 |
| 5.5.1 时间复杂度指标的说明 |
| 5.5.2 时间复杂度的计算 |
| 5.6 SARAP多目标优化算法的收敛性分析 |
| 5.6.1 基于交集法的收敛性分析 |
| 5.6.2 基于IGD~+指标的收敛性分析 |
| 5.6.3 基于HV指标的收敛性分析 |
| 5.7 基于多组场景数据和SARAP的随机场景技术计算流程 |
| 5.8 基于TOPSIS法的多目标决策 |
| 5.9 本章小结 |
| 第六章 独立运行风光柴储微电网多目标容量优化配置结果分析及生产模拟 |
| 6.1 引言 |
| 6.2 基于历史数据的多目标容量优化配置结果分析 |
| 6.2.1 最优解集分析 |
| 6.2.2 典型配置方案的对比分析 |
| 6.3 基于随机场景技术的多目标容量优化配置结果分析 |
| 6.3.1 场景数据生成与分析 |
| 6.3.2 容量优化配置结果分析 |
| 6.4 多目标优化配置的运行策略选择分析 |
| 6.4.1 不同运行策略下的最优解集比较分析 |
| 6.4.2 同一配置方案在不同运行策略下的比较分析 |
| 6.5 典型配置方案的生产模拟 |
| 6.5.1 历史资源数据特性分析 |
| 6.5.2 一年期数据生产模拟 |
| 6.5.3 典型日数据生产模拟 |
| 6.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 功读博士学位期间发表的学术论文及取得的科研成果 |
（2）基于结构组稀疏表示的图像修复算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于偏微分方程的方法 |
| 1.2.2 基于纹理合成的方法 |
| 1.2.3 基于稀疏表示的方法 |
| 1.2.4 基于多视图修复的方法 |
| 1.3 论文的主要内容和结构安排 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文结构安排 |
| 第二章 图像修复的理论与方法 |
| 2.1 图像修复的基本原理 |
| 2.2 经典的图像修复算法 |
| 2.2.1 基于偏微分方程的图像修复算法 |
| 2.2.2 基于纹理合成的图像修复算法 |
| 2.2.3 基于稀疏表示的图像修复算法 |
| 2.2.4 基于多视图的图像修复算法 |
| 2.3 图像修复的质量评估标准 |
| 2.4 本章小结 |
| 第三章 基于优化估计量的结构组稀疏表示图像修复 |
| 3.1 构造图像结构组 |
| 3.2 结构组稀疏表示模型 |
| 3.3 基于估计量的字典学习 |
| 3.3.1 基于CDD模型的估计量求解 |
| 3.3.2 基于Criminisi的估计量求解 |
| 3.4 SGSR模型求解 |
| 3.4.1 L_0范数最小化求解 |
| 3.4.2 算法整体描述 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于多视图的结构组稀疏表示图像修复 |
| 4.1 图像配准 |
| 4.2 组合多幅配准后的图像 |
| 4.2.1 MRF组合配准后图像 |
| 4.2.2 泊松图像融合 |
| 4.3 基于多视图的SGSR图像修复 |
| 4.3.1 基于多视图的结构组构造 |
| 4.3.2 算法整体描述 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（3）基于混合Criminisi算法的图像及视频修复（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 图像修复国内外研究现状 |
| 1.3 视频修复国内外研究现状 |
| 1.4 本文的主要工作 |
| 1.5 本文的结构安排 |
| 第二章 图像修复理论 |
| 2.1 经典图像修复算法 |
| 2.1.1 全变分修复模型 |
| 2.1.2 基于曲率驱动扩散的修复模型 |
| 2.1.3 加权核范数最小化修复模型 |
| 2.2 图像修复质量评价标准 |
| 2.2.1 峰值信噪比 |
| 2.2.2 特征相似性 |
| 2.3 实验结果及小结 |
| 第三章 基于样本块的修复模型及其改进方案 |
| 3.1 Criminisi修复模型理论基础与原理 |
| 3.1.1 优先级的计算 |
| 3.1.2 最优匹配块的寻找及修复 |
| 3.1.3 置信度的更新 |
| 3.1.4 Criminisi算法流程 |
| 3.1.5 实验结果及小结 |
| 3.2 Criminisi修复模型改进方案 |
| 3.2.1 Kriging模型预处理 |
| 3.2.2 优先权改进策略 |
| 3.2.3 Facet模型结构检测 |
| 3.2.4 自适应图像块尺度 |
| 3.2.5 基于Facet模型的WSSD匹配原则 |
| 3.2.6 改进的Criminisi算法流程 |
| 3.2.7 实验结果及小结 |
| 第四章 基于混合Criminisi算法的快速视频修复 |
| 4.1 视频修复相关知识 |
| 4.2 基于混合Criminisi算法的快速视频修复 |
| 4.3 快速视频修复算法流程 |
| 4.4 实验结果及小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评网及答辩情况表 |
（4）基于深度学习的超分辨率重建和图像修复技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 图像超分辨率重建技术的研究现状 |
| 1.2.2 图像修复技术的研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的结构安排 |
| 第2章 图像超分辨率重建及图像修复相关技术分析 |
| 2.1 图像超分辨率重建 |
| 2.1.1 基于插值的图像重建 |
| 2.1.2 基于锚定邻域回归的重建算法 |
| 2.1.3 基于稀疏先验的深度网络重建算法 |
| 2.1.4 基于极深网络的方法 |
| 2.2 图像修复 |
| 2.2.1 基于扩散的修复算法 |
| 2.2.2 Criminisi算法 |
| 2.3 图像质量评价 |
| 2.4 本章小结 |
| 第3章 基于卷积神经网络的图像超分辨率重建算法研究 |
| 3.1 基于卷积神经网络的重建算法 |
| 3.2 改进的卷积神经网络重建算法 |
| 3.2.1 网络结构 |
| 3.2.2 激活函数 |
| 3.3 实验结果与性能比较 |
| 3.3.1 主观评价 |
| 3.3.2 客观评价 |
| 3.4 本章小结 |
| 第4章 改进的联合型图像超分辨率重建算法 |
| 4.1 字典学习与图像重建 |
| 4.2 改进的ANR算法 |
| 4.3 基于改进CNN的图像二次重建 |
| 4.3.1 网络结构 |
| 4.3.2 预处理 |
| 4.3.3 激活函数 |
| 4.3.4 损失函数 |
| 4.4 实验仿真 |
| 4.4.1 客观评价 |
| 4.4.2 主观评价 |
| 4.5 本章小结 |
| 第5章 改进的Criminisi图像修复方法 |
| 5.1 优先权函数的改进 |
| 5.2 动态法则的建立 |
| 5.3 自适应模型的建立 |
| 5.4 匹配准则的改进 |
| 5.5 实验结果与分析 |
| 5.5.1 客观评价 |
| 5.5.2 主观评价 |
| 5.6 本章小节 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的学术成果情况 |
| 致谢 |
（5）基于机器学习的电子散斑干涉相位提取新方法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 ESPI条纹图相位提取方法研究现状 |
| 1.2.2 ESPI条纹图滤波方法研究现状 |
| 1.2.3 ESPI条纹图二值化方法研究现状 |
| 1.3 论文研究内容、创新点和章节安排 |
| 第2章 基于变分图像分解的变密度ESPI条纹图滤波方法回顾 |
| 2.1 变分图像分解方法的基本理论 |
| 2.1.1 函数空间及范数 |
| 2.1.2 分解模型 |
| 2.2 基于变分图像分解的变密度ESPI条纹图滤波方法 |
| 2.3 本章小结 |
| 第3章 基于纹理特征与FCM的变密度条纹图滤波方法 |
| 3.1 本章提出方法描述 |
| 3.1.1 特征提取 |
| 3.1.2 基于FCM的图像分解 |
| 3.1.3 滤波结果的获得 |
| 3.2 实验结果 |
| 3.3 本章小结 |
| 第4章 基于FCM与方向双边滤波器的不连续条纹图滤波方法 |
| 4.1 双边滤波器 |
| 4.2 本章提出方法描述 |
| 4.2.1 条纹方向计算与聚类 |
| 4.2.2 根据聚类结果构建方向模板 |
| 4.2.3 将方向模板引入双边滤波器 |
| 4.3 实验结果 |
| 4.3.1 方向双边滤波器的效果验证 |
| 4.3.2 基于FCM与方向双边滤波器不连续条纹图滤波方法效果验证 |
| 4.4 本章小结 |
| 第5章 用于灰度不均条纹图的基于改进的FCM算法的骨架线提取方法 |
| 5.1 几种常用的条纹图二值化方法 |
| 5.1.1 全局二值化法 |
| 5.1.2 局域二值化法 |
| 5.1.3 全局与局域相结合法 |
| 5.2 本章提出方法描述 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 第6章 基于熵和FCM算法的ESPI条纹图骨架线提取方法 |
| 6.1 本章提出方法描述 |
| 6.1.1 熵 |
| 6.1.2 基于熵实现二值化 |
| 6.2 实验结果 |
| 6.3 本章小结 |
| 第7章 基于分层递归神经网络的骨架线插值方法 |
| 7.1 本章提出方法描述 |
| 7.1.1 神经网络基本原理及模型 |
| 7.1.2 训练算法 |
| 7.1.3 基于分层递归神经网络插值方法流程 |
| 7.2 本文提出方法在动态测量中的应用 |
| 7.2.1 本文提出方法在钢板热变形动态测量中的应用 |
| 7.2.2 本文提出方法在剪切电子散斑干涉动态测量中的应用 |
| 7.3 本章小结 |
| 第8章 总结与展望 |
| 8.1 本文工作总结 |
| 8.2 工作展望 |
| 参考文献 |
| 发表论文及科研情况说明 |
| 致谢 |
（6）基于图像分解和卷积神经网络的图像放大方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究目的与意义 |
| 1.2 研究背景 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容和章节安排 |
| 2 常用图像放大方法 |
| 2.1 基于插值的放大方法 |
| 2.2 基于偏微分方程的放大方法 |
| 2.3 基于卷积神经网络的图像放大方法 |
| 2.4 本章小结 |
| 3 图像分解 |
| 3.1 图像分解概述 |
| 3.2 图像分解模型 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于图像分解的图像放大算法 |
| 4.1 算法概述 |
| 4.2 图像放大模型 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于融合多尺度特征信息的CNN图像超分辨率重建 |
| 5.1 算法概述 |
| 5.2 MSF-SRCNN方法 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间主要成果 |
（7）光学遥感影像超分辨率重构算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题的研究目的和意义 |
| 1.3 课题研究现状和发展趋势 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 发展趋势 |
| 1.4 论文研究内容和结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 结构安排 |
| 第二章 超分辨率重构理论和遥感影像成像技术 |
| 2.1 超分辨率实现的理论依据 |
| 2.1.1 解析延拓理论 |
| 2.1.2 重构中的数学反问题 |
| 2.1.3 病态性问题解决方法 |
| 2.2 遥感影像成像技术 |
| 2.2.1 遥感影像成像模型 |
| 2.2.2 遥感影像降质模型 |
| 2.2.3 遥感影像模糊辨识 |
| 2.2.4 遥感影像几何校正 |
| 2.2.5 遥感影像重构应用 |
| 2.3 经典的超分辨率重构方法 |
| 2.3.1 最大后验估计算法 |
| 2.3.2 确定性正则化算法 |
| 2.3.3 迭代反投影算法 |
| 2.3.4 三角网重构算法 |
| 2.3.5 凸集投影重构算法 |
| 2.3.6 稀疏表示重构算法 |
| 2.4 影像质量评价方法 |
| 2.4.1 无参考影像评价方法 |
| 2.4.2 有参考影像评价方法 |
| 2.5 本章小结 |
| 第三章 基于改进型特征点检测的多尺度图像配准 |
| 3.1 图像配准概念 |
| 3.1.1 图像配准定义 |
| 3.1.2 图像配准算法 |
| 3.2 基于自适应双边结构张量的多尺度检测与配准 |
| 3.2.1 自适应双边结构张量滤波的角点检测 |
| 3.2.2 加权高斯曲面亚像素插值 |
| 3.2.3 多尺度扩展及描述子生成 |
| 3.2.4 配准实验验证分析 |
| 3.3 基于CUDA和OpenMP平台的算法设计 |
| 3.3.1 算法的并行加速设计 |
| 3.3.2 配准性能验证分析 |
| 3.4 遥感影像的配准 |
| 3.4.1 面阵遥感影像配准 |
| 3.4.2 线阵遥感影像配准 |
| 3.5 本章小结 |
| 第四章 基于双正则项和学习结合的多帧超分辨率重构 |
| 4.1 多帧超分辨率重构基本模型 |
| 4.2 相关偏微分方程经典模型 |
| 4.2.1 热扩散模型 |
| 4.2.2 P-M非线性扩散模型 |
| 4.2.3 MCM及其改进模型 |
| 4.2.4 张量扩散模型 |
| 4.2.5 高阶模型 |
| 4.3 基于双正则项的多帧重构方法 |
| 4.3.1 结构张量特性分析 |
| 4.3.2 非线性扩散张量正则项 |
| 4.3.3 离散化推导形式 |
| 4.3.4 梯度矢量流改进的正则项 |
| 4.3.5 多帧重构PDE及实验结果分析 |
| 4.4 基于学习的高分辨率初始图像生成 |
| 4.4.1 超分辨率稀疏重构模型 |
| 4.4.2 改进的K-PCA自适应字典学习 |
| 4.4.3 非局部均值非线性张量滤波正则项 |
| 4.4.4 非线性扩散张量保边核回归正则项 |
| 4.4.5 目标方程及实现方法 |
| 4.4.6 初始图像生成仿真分析 |
| 4.4.7 双正则项结合学习的仿真分析 |
| 4.5 遥感影像的多帧超分辨率重构 |
| 4.5.1 基于学习的初始遥感影像生成 |
| 4.5.2 面阵遥感影像重构 |
| 4.5.3 线阵遥感影像重构 |
| 4.6 本章小结 |
| 第五章 基于张量扩散和方向估计的单帧超分辨率重构 |
| 5.1 单帧超分辨率重构基本模型 |
| 5.2 相关偏微分方程经典模型 |
| 5.2.1 冲击滤波器及其改进模型 |
| 5.2.2 MCF、GVF及其改进模型 |
| 5.3 结合张量扩散和方向估计的单帧重构方法 |
| 5.3.1 非线性结构张量的去噪性能分析 |
| 5.3.2 基于高阶张量分析的正则项 |
| 5.3.3 各向异性冲击滤波器正则项 |
| 5.3.4 单帧重构实验结果分析 |
| 5.4 遥感影像的单帧超分辨率重构 |
| 5.4.1 面阵遥感影像重构 |
| 5.4.2 线阵遥感影像重构 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 作者简介及在学期间发表的学术论文与研究成果 |
（8）基于偏微分方程模型的遥感图像放大模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 遥感图像放大的必要性 |
| 1.2 研究的背景和现状 |
| 1.3 研究目标和内容 |
| 1.4 文章结构 |
| 2 图像放大基础知识 |
| 2.1 变分法和梯度下降流 |
| 2.2 曲线曲率和曲面曲率 |
| 2.3 Tikhonov正则化 |
| 2.4 图像稀疏编码 |
| 2.5 图像放大质量评价标准 |
| 2.6 本章小结 |
| 3 经典图像放大方法分析 |
| 3.1 传统插值法 |
| 3.1.1 最邻近插值法 |
| 3.1.2 双线性插值法 |
| 3.1.3 双三次插值法 |
| 3.2 自蛇模型 |
| 3.3 学习法 |
| 3.3.1 单一字典训练 |
| 3.3.2 联合字典训练 |
| 3.4 本章小结 |
| 4 基于改进自蛇模型和正则项混合的自适应PDE遥感图像放大模型 |
| 4.1 引言 |
| 4.2 对自蛇模型的改进 |
| 4.3 本文提出的自适应模型 |
| 4.3.1 模型的形式表达 |
| 4.3.2 模型的离散化 |
| 4.3.3 模型的可行性分析 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于稀疏编码的PDE模型放大算法 |
| 5.1 引言 |
| 5.2 局部稀疏编码 |
| 5.3 偏微分方程模型 |
| 5.3.1 模型的提出 |
| 5.3.2 模型的可行性分析 |
| 5.3.3 模型的离散化 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 结论 |
| 1 总结 |
| 2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）单幅图像超分辨技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 研究现状与发展趋势 |
| 1.3 研究内容与主要贡献 |
| 1.4 本文的组织结构说明 |
| 第二章 数字图像超分辨处理简介 |
| 2.1 引言 |
| 2.2 图像分辨率的基本概念 |
| 2.3 图像分辨率的退化模型 |
| 2.4 超分辨处理的基本原理 |
| 2.5 超分辨处理的基本分类 |
| 2.5.1 根据输入图像数量分类 |
| 2.5.2 根据操作对象所在域分类 |
| 2.5.3 根据模糊核假设分类 |
| 2.5.4 根据理论基础分类 |
| 2.6 本章小结 |
| 第三章 基于插值技术的超分辨方法 |
| 3.1 引言 |
| 3.2 发展历程与研究现状 |
| 3.3 常见的图像插值算法 |
| 3.3.1 传统多项式插值技术 |
| 3.3.2 面向边缘的插值技术 |
| 3.3.3 基于机器学习的插值技术 |
| 3.4 插值算法的主要问题 |
| 3.5 基于密切多项式近似的多项式插值理论 |
| 3.5.1 密切多项式近似理论 |
| 3.5.2 导数近似规则 |
| 3.5.3 导数近似边界条件 |
| 3.5.4 密切多项式插值框架的作用 |
| 3.6 数值试验与理论分析 |
| 3.6.1 空间域分析 |
| 3.6.2 频率域分析 |
| 3.7 本章小结 |
| 第四章 基于模型/重建的超分辨方法 |
| 4.1 引言 |
| 4.2 发展历程与研究现状 |
| 4.3 常见的模型/重建算法 |
| 4.3.1 基于先验模型的图像超分辨 |
| 4.3.2 基于概率模型的图像超分辨 |
| 4.3.3 基于偏微分方程的图像超分辨 |
| 4.4 重建算法的主要问题 |
| 4.5 基于泰勒展开式与曲率逆向驱动的超分辨算法 |
| 4.5.1 基于泰勒展开式的预处理 |
| 4.5.2 基于曲率逆向驱动的后处理 |
| 4.5.3 等照度线曲率的计算 |
| 4.5.4 数值实验与理论分析 |
| 4.6 本章小结 |
| 第五章 基于机器学习的超分辨方法 |
| 5.1 引言 |
| 5.2 发展历程与研究现状 |
| 5.3 常见的机器学习算法简介 |
| 5.3.1 样本学习 |
| 5.3.2 邻域嵌入 |
| 5.3.3 稀疏表达 |
| 5.3.4 深度学习 |
| 5.4 学习算法的主要问题 |
| 5.5 基于盲模糊核估计的机器学习方法 |
| 5.5.1 改进的盲模糊核估计算法 |
| 5.5.2 基于对偶词典训练的超分辨重建 |
| 5.5.3 基于锚定空间映射的超分辨重建 |
| 5.5.4 数值试验与理论分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻硕期间发表的学术论文及研究成果 |
（10）基于图像分解的图像超分辨率算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 课题的研究现状与展望 |
| 1.2.1 研究现状 |
| 1.2.2 展望 |
| 1.3 本文的主要工作和创新点 |
| 1.4 本文的结构 |
| 2 图像超分辨率技术概述 |
| 2.1 图像退化模型 |
| 2.2 图像超分辨率方法 |
| 2.2.1 基于插值的方法 |
| 2.2.2 基于重建的方法 |
| 2.2.3 基于学习的方法 |
| 2.3 图像质量评价指标 |
| 2.3.1 主观评价指标 |
| 2.3.2 客观评价指标 |
| 2.4 本章小结 |
| 3 图像的卡通和纹理分解的方法 |
| 3.1 卡通和纹理分解的基本理论 |
| 3.2 卡通和纹理分解的算法 |
| 3.3 实验结果及小结 |
| 4 基于PDE的图像插值的方法 |
| 4.1 图像插值方法 |
| 4.1.1 经典的插值方法 |
| 4.1.2 尽量保持图像边缘的插值方法 |
| 4.2 图像超分辨率处理中偏微分方程的应用 |
| 4.2.1 偏微分方程的概述 |
| 4.2.2 扩散模型 |
| 4.3 基于方向扩散的图像插值的方法 |
| 4.3.1 应用方向扩散模型及其改进是方法 |
| 4.3.2 实验结果及其分析 |
| 4.4 本章小结 |
| 5 基于图像分解和样本学习的超分辨率方法 |
| 5.1 基于样本学习的超分辨率算法的概述 |
| 5.1.1 马尔可夫随机网络的模型 |
| 5.1.2 基于样本学习的算法的具体步骤 |
| 5.2 所提出的基于图像分解的超分辨率方法的描述 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 浙江师范大学学位论文诚信承诺书 |
四、改进的PDE边缘保持图像插值算法（论文参考文献）
- [1]独立运行风光柴储微电网多目标容量优化配置研究[D]. 刘慧文. 内蒙古工业大学, 2021(01)
- [2]基于结构组稀疏表示的图像修复算法研究[D]. 王君. 南京邮电大学, 2020(03)
- [3]基于混合Criminisi算法的图像及视频修复[D]. 刘鑫. 山东大学, 2020(02)
- [4]基于深度学习的超分辨率重建和图像修复技术研究[D]. 刘正男. 安徽工程大学, 2020(04)
- [5]基于机器学习的电子散斑干涉相位提取新方法研究与应用[D]. 陈明明. 天津大学, 2020(01)
- [6]基于图像分解和卷积神经网络的图像放大方法研究[D]. 高松鹤. 山东科技大学, 2018(03)
- [7]光学遥感影像超分辨率重构算法研究[D]. 赵晓冬. 中国科学院大学(中国科学院西安光学精密机械研究所), 2017(06)
- [8]基于偏微分方程模型的遥感图像放大模型研究[D]. 张爱迪. 辽宁师范大学, 2016(05)
- [9]单幅图像超分辨技术研究[D]. 赵小乐. 西南科技大学, 2016(03)
- [10]基于图像分解的图像超分辨率算法的研究[D]. 李林伟. 浙江师范大学, 2015(03)