一、图像的多尺度几何分析:回顾和展望（论文文献综述）
蔡佩宏[1]（2021）在《基于多尺度和超分辨处理的多聚焦图像融合技术研究》文中提出在现有的成像技术中,由于器件景深的限制,人们很难将距离超过限度的两个目标同时聚焦在一幅图像上。而多聚焦图像融合的目的是从同一场景的多幅局部聚焦图像中提取出聚焦区域,然后将它们重组为一幅全聚焦的图像。从多幅图像中提取出聚焦区域是实现多聚焦图像融合的关键。本文主要针对多尺度分析和超分辨处理的多聚焦图像融合算法中涉及到的关键技术和问题进行了研究。首先,阐述了多聚焦图像融合课题背景以及国内外的研究现状,介绍了多聚焦图像的成像原理,梳理了图像融合的基本框架,对该领域的研究热点及难点进行梳理和分析,同时介绍了常用的质量评价指标。其次,针对仅采用RGF或者基于“图像分割”的融合算法存在的空间失真、边缘模糊等问题,本文提出了一种基于超分辨增强的混合融合算法。该混合融合算法使得空间失真和边缘模糊等问题得到大大改善,并且根据!"、#、$指标的提高也论证了本文所提出的混合算法在增强融合图像信息量和清晰度方面的可行性。然后,针对RGF在边缘恢复过程存在的梯度反转现象和JBF在平滑纹理以及区域细节时出现的轮廓和边界丢失问题,本文提出了一种基于RGF和JBF的多尺度分解方法。该方法将源图像分解成4个子层,包括1个基础层和3个细节层,用JBF替代RGF中的边缘恢复,不仅可以保证空间的一致性,又可以提取到尽可能多的特征信息。实验表明,基于RGF和JBF的多尺度分解方法比单纯基于RGF的多尺度分解方法的捕获细节能力要强。最后,针对目前很多多聚焦图像融合算法在融合边界上处理不好的问题,本文在前面多尺度分解和超分辨处理的基础上,提出一种基于“图像分割”的图像融合算法。该算法遵循先粗后细原则,其中,粗检测是基于边缘特征的分割方法实现的,细检测是基于块的分割方法实现的,通过检测聚焦区域和散焦区域之间的特殊边界得到更为准确的融合权重图,再基于该权重图对细节层进行融合;而对于基础层融合,本文提出一种基于全局方差和加权平均的联合方法,实验表明,本文所提出的融合算法不仅可以有效解决权重误判问题,而且能产生边缘更加清晰、视觉感知更好的融合图像。
韩伟[2]（2021）在《基于深度神经网络的高分辨率遥感影像弱小目标检测》文中研究说明近年来,高分辨率光学遥感影像弱小目标检测成为遥感信息处理的研究热点之一。影像中地物目标尺度小、种类多、数量巨大、视觉特征差异显着、且受复杂背景、噪声和小样本等因素影响,使得高分辨率遥感影像弱小目标检测面临巨大挑战。本文考虑到高分辨率遥感影像具有丰富空间细节信息的特点,基于深度神经网络强大的层次特征表达能力,开展面向高分辨率遥感影像弱小目标检测的深度学习模型研究,围绕“弱小目标尺度小-特征响应弱-标注样本少”三个科学问题,开展系统研究,为城市监控、防灾救灾等领域中弱小目标检测任务提供解译模型,具有重大的科学意义和社会价值。论文的主要创新点和研究内容如下:（1）本文详细介绍高分辨率遥感影像弱小目标检测的应用背景、核心科学问题,并系统回顾遥感目标检测领域的代表性数据集、主流检测方法,总结当前应对弱小目标检测不同挑战的研究现状。在此基础上,本文针对遥感领域缺少挑战性无人机目标检测数据,以复杂山区为研究区域,标注10类高分辨率无人机影像弱小目标检测数据集,该数据充分考虑到真实场景下地物目标多类共存、尺度差异大、非均衡分布以及噪声等因素,为本文和后续相关研究提供数据基础。（2）本文提出基于采样平衡的多尺度级联检测器。针对弱小目标尺度小,影像占比低,主流检测方法漏检率高的问题,本检测器首先构建影像多尺度空间信息,过滤低质量训练实例,加入平衡L1损失和多阶段检测器,实现抑制低质量样本梯度和自适应生成正训练实例,并逐步优化预测结果,达到对于小尺度地物目标高效检测。（3）本文提出基于上下文和尺度意识的特征增强检测器。针对弱小目标特征响应弱,受背景和噪声影响,导致难以识别的问题,本检测器挖掘目标的全局和局部上下文信息提升目标特征强度,并融合跨尺度特征语义,加强弱目标的特征判别性,提升弱目标的检测效果。（4）本文提出基于深度特征的半监督样本生成方法。针对主流深度学习模型依赖海量标注样本来实现高效的解译性能,但样本标注过程费时费力的问题,本方法首先利用预训练深度网络提取遥感影像高维特征,并从多特征空间对无标签样本类别进行评估,最后结合针对性判别器,提升标注准确性。本方法通过将无标签数据选择性标注,转化为标注训练集,从而显着小样本条件下高分辨率遥感影像解译效果。本论文面向高分辨率遥感影像弱小目标检测任务,针对高分辨率遥感影像空间细节信息丰富特点和弱小地物目标特性,首先标注10类高分辨率无人机影像弱小目标检测数据集,接下来提出基于深度神经网络的弱小目标检测方法体系,实现对高分辨率遥感影像中弱小地物目标高效检测,为实际应用中的弱小目标检测任务提供解译模型。
郭颖[3]（2021）在《基于区域划分的改进BM3D图像去噪算法研究》文中研究说明三维块匹配联合滤波（Block-matching and 3D filtering,BM3D）作为目前最好的图像去噪算法之一,能够有效地去除图像中的噪声,但是仍然存在着丢失图像细节信息、对高噪声图像（σ≥40）去噪效果差、算法时间复杂度高等问题。图像去噪的目的是在去除噪声的同时,尽可能地保持图像有用信息。由于图像的边缘、纹理等细节信息和噪声,都主要集中在图像信号的高频部分,因此图像去噪的主要目标就是恢复图像的高频信息,具体可以分为两步,第一步是提取图像的高频特征,第二步是在高频中分离信号和噪声。本文针对上述两个步骤,基于区域划分的思想,改进了BM3D图像去噪算法,首先提出了一种基于多尺度几何分析的改进型BM3D算法,通过分区域选择域变换方法,充分且稀疏地提取图像高频特征,从而更多地恢复图像边缘、纹理等细节信息;其次提出了一种基于自适应阈值的改进型BM3D算法,通过分区域选择阈值计算方法,更准确地分离图像高频信号和噪声,从而实现在有效去除噪声的同时,更完整地保留图像细节信息。本文的主要创新工作和研究成果总结如下:（1）针对BM3D算法存在的图像高频细节损失问题,本文提出了一种基于多尺度几何分析的改进型BM3D算法,改进了BM3D算法中的联合硬阈值滤波。首先,使用图像分割算法,将图像划分为平滑区域和边缘区域。其次,在不同区域选择不同的域变换方法。在平滑区域内,选择哈尔小波变换,从不同尺度上提取子图块的局部点状特征;在边缘区域内,选择非下采样轮廓波变换,从不同尺度、不同方向上提取子图块的线状结构特征。最后,对高频子图块组进行联合硬阈值滤波。实验结果表明,相比于标准BM3D算法,该算法将去噪图像的质量平均提高了2.62d B,结构相似度平均提高了0.06,更好地保留了图像的边缘、纹理等细节信息。（2）针对BM3D算法对高强度噪声去除能力低的问题,本文提出了一种基于自适应阈值的改进型BM3D算法,进一步改进了BM3D算法中的联合硬阈值滤波。首先,使用图像分割算法,将图像划分为平滑区域和边缘区域。其次,在不同区域选择不同的阈值计算方法。在平滑区域,选择改进的统一阈值法,对不同尺度上的高频子图块组分开计算阈值;在边缘区域,选择改进的最大类间方差法,对不同尺度、不同方向上的高频子图块组分开计算阈值。最后,对高频子图块组进行联合自适应阈值滤波。实验结果表明,相比于标准BM3D算法,该算法将去噪图像的质量平均提高了8.52d B,结构相似度平均提高了0.24,进一步改善了对高噪声图像的去噪效果。
杜亚鹏[4]（2020）在《图像拼接的关键技术研究》文中进行了进一步梳理随着数字化时代的发展,现有网络带宽以及各种成像设备的显示能力大大提高,伴随而来的是影像采集设备也在逐步追求更大的分辨率、更大的视场角,由此应运而生了多种高清广角相机,此外使用软件的方法产生广角图像再次成为热门话题。广角相机等硬件设备虽然能获取广角图像,硬件同步之后的广角相机阵列甚至可以采集到高精度的全景图像。然而此硬件设备一般比较昂贵,并且不适用于一些特殊场景（例如机场等视野开阔领域,所成图像的失真比较严重）,不适合普遍应用,因此使用软件的方法——图像拼接——得到广角、大视场图像又重新受到关注。图像拼接主要包含两个阶段:图像配准阶段和图像组合阶段。图像配准阶段得到单个或多个单应性矩阵,通过单应性变换将多幅有重叠区域的图像使得结构失真尽可能小的配准在一起;图像组合阶段主要使用单应性矩阵将待拼接图像进行组合,其中组合阶段可以通过一系列的后处理操作降低像素失真,使得最终的拼接图像主观性能更好。本文理论与实践结合,分析了基于3D重建的图像拼接方法的优缺点,在实际应用的机场场面多自由度多尺度空间建模项目中,基于此方法的改进构建出了更为精准的多自由度多尺度场景。此外,对于现有算法较难处理的视差图像的拼接,分析了基于几何变换的图像拼接方法的优缺点,提出了一种将图像按照景深分割的局部配准方法。本文的主要工作和创新点如下:1.在视频拼接过程中,为了提高4K视频拼接的效率,通过在一定时间内共享配准与后处理参数,适时调整配准周期从而大大降低了视频拼接的时间。此外,在图像配准阶段,通过划分ROI提高了特征的提取与匹配速度,降低了图像配准的时间,且使得图像的变换更符合所关注的区域,进而得到更好的配准效果,降低了结构失真,提升了主观性能。2.在数据预处理阶段,使用基于Shearlet变换的方法去除待拼接图像的噪声,抑制了无关噪声对提取特征的影响,增加了图像提取特征的精确度,提高了机场场面多自由度多尺度空间建模的准确度。3.当相机基线距离过大,且拍摄场景具有多个景深,图像视差现象较为明显。针对此情况,提取了一种“分层次”的图像拼接方法:基于景深的自适应位置补偿的视差图像拼接方法。通过与常规方法的对比,证明了理论的可行性与有效性。
刘晓明[5]（2020）在《多尺度几何变换在金属表面缺陷识别中的应用》文中指出表面缺陷是影响金属板带产品质量的重要因素之一,国内板带材产品用户质量异议事件很大一部分归因于表面缺陷。基于机器视觉的表面检测系统可以对表面缺陷进行在线检测和实时反馈,已成为现代钢铁企业主要的检测手段。目前基于机器视觉的表面检测系统面临的主要难题是缺陷识别率较低,如何在满足在线检测速度的前提下进一步提高缺陷的识别率是一个重要研究内容。特征提取的好坏直接影响表面检测系统的应用效果,因此寻求有效的特征提取方法是提高缺陷识别率的关键。金属表面缺陷在不同方向和不同尺度上具有不同的信息量,缺陷的整体轮廓和几何形状等信息主要表征在图像的粗尺度上,局部边缘和灰度突变点等细节信息则主要体现在图像细尺度上,因此提取表面缺陷的多尺度和多方向信息对于提高缺陷识别率非常重要。多尺度几何变换比小波变换具有更多的方向选择性且基函数满足各向异性的尺度关系,在描述高维信号时能以更少的系数、更优的逼近阶逼近信号奇异处。因此本文针对酸洗带钢、中厚板、铝板等4种金属表面缺陷检测的特点,开发了相应的基于多尺度几何变换的检测算法。本文主要研究内容与创新成果如下。（1）针对酸洗带钢生产线运行速度快、图像背景简单、缺陷种类少的特点,提出基于 Contourlet 变换和 KSR（Kernel Spectral Regression）降维的Contourlet-KSR特征提取方法。通过Contourlet变换对图像进行多尺度、多方向分解,并对分解得到的子带提取统计特征,采用KSR非线性降维算法去除冗余特征,将得到的低维特征输入分类器进行分类识别。与几种常用的特征提取算法进行了对比,Contourlet-KSR方法对酸洗带钢缺陷识别率达到了96.76%,比小波方法、局部二值模式方法、幅值谱方法分别提高了 3.05%、15.66%、5.14%。（2）针对Contourlet变换方法进行下采样操作导致的图像信息丢失问题,提出 了改进 Contourlet 变换方法 ICT（Improved Contourlet Transform）,在此基础上,提出ICT-KSR特征提取方法,并应用于中厚板表面缺陷识别。对Contourlet变换方法进行了如下改进:在多尺度分解时采用了非子采样的金字塔滤波器NSP（Non-Subsampled Pyramid）,用来消除了尺度分解带来的频率混叠和信息丢失,然后将图像输入到双通道方向滤波器组DFB（directional filter banks）中进行方向分解。ICT-KSR方法对于中厚板每类缺陷的识别率均达到了 97.62%以上,整体识别率达到了 99.21%。（3）针对铝板图像对比度低、缺陷细小、干扰因素多等难以识别的特点,提出基于NSST（non-subsampled shearlettransform）特征提取方法。对铝板样本图像进行对比度拉伸处理,再利用NSST对图像进行水平锥和垂直锥子带分解,对得到的各个子带系数提取均值和方差统计特征并组成NSST特征矩阵,再利用非线性降维算法去除提取的冗余特征,最后将低维特征矩阵和类别标签数据输入分类器中进行缺陷识别。该方法对铝板表面缺陷识别率达到了 97.92%。（4）针对连铸坯生产线运行速度慢、图像背景复杂、干扰因素多等特点,提出了 DNST（discrete non-separable shearlettransform）与 GLCM（gray level co-occurrence matrix）纹理特征融合的提取方法。对连铸坯样本进行DNST分解,提取各个子带的统计量,再对连铸坯样本计算灰度共生矩阵并提取能量、熵、惯性矩等5个纹理参数,对这5种纹理参数分别计算均值和方差统计量,将DNST与GLCM两者的统计特征进行连接组成特征融合矩阵,利用非线性降维算法得到用于分类的特征。该方法对连铸坯缺陷的整体识别率达到了96.37%,裂纹识别率达到了 95.50%。（5）利用复剪切波变换（complex shearlettransform,CST）具有相位信息的特点,提出了基于复剪切波变换的缺陷区域提取算法,在带钢表面夹渣和铝板表面划伤图像上进行了测试,该算法可以准确地提取带钢夹渣缺陷和铝板划伤缺陷区域。针对连铸坯表面缺陷识别的特点,提出了基于CST的特征融合方法,得到连铸坯缺陷的识别率为95.97%。
张奇臣[6]（2020）在《基于Directionlet变换的图像超分辨率重建算法研究》文中提出在图像图像处理领域,超分辨率重构一直都是难度很大且极富挑战性的研究课题。随着互联网的高速发展,手机、Pad和电脑等显示设备的屏幕不断增大,人们对图像的分辨率要求越来越高。以增加拍摄设备感光器件面积来获得更高分辨率的图像的解决方案因成本过高,且受制于器件工艺的发展,而不可能被广泛采用。因此大量的科研人员从事于从低分辨率图像重构高分辨率图像的算法研究,试图在图像显示端用软件实现图像尺寸的放大,从而规避拍摄设备发展的制约因素。图像的超分辨率重构算法依据参考图像的数量可分为基于多幅低分辨率参考图像的重构与基于单幅低分辨率参考图像的重构两种,其中基于单幅低分辨率参考图像的超分辨率重构算法的难度更大,应用范围更广。本课题从小波域入手提出了一种基于单幅低分辨率参考图像的超分辨率重构算法,获得了较理想的重构质量。本文首先分析对比了常见的超分辨率图像重建技术的基本理论与各种算法的优缺点。接着,根据小波变换在图像的稀疏性表示的优势,详细分析了在小波域进行的超分辨率图像重建原理,对比了两种小波域重建超分辨图像的算法框架:边缘指导型和边缘修正型,并在边缘修正型重构框架下提出了一种融合了稀疏插值和小波变换的基于稀疏插值的小波域边缘修正型超分辨率图像重建算法。实验仿真结果证明该算法计算复杂度低,图像重构质量较原始算法框架好。最后,针对小波变换在图像处理技术领域的不足,即小波分析变换会在图像轮廓的表示上产生大量幅值较大的系数,本文深入地研究了Directionlet理论,用实验对比了Directionlet变换相对小波变换的优势。最后将Directionlet系数与隐马尔科夫树（HMT）模型结合,提出了一种基于Directionlet域HMT模型的超分辨率图像重建算法。该方法在性能上和计算复杂度上达到了预期效果,重构图像质量较基于稀疏插值的小波域边缘修正型超分辨图像重构算法和原始边缘修正型超分辨重构算法有较大提高。
王满利[7]（2020）在《矿井下图像的混合噪声抑制和增强算法研究》文中进行了进一步梳理随着煤炭科学开采理论发展,以无人化、智能化为特点的智能开采不断走向实践。此进程中,作为智能化开采核心技术之一的图像处理技术不断在井下推广和扩展。但是,矿井下的低光照、高矿尘、复杂的电磁干扰环境,导致井下采集图像对比度低、噪声大,有时甚至出现雾气和矿尘散射模糊。矿井下图像的上述特征,严重阻碍了以图像处理技术为核心的智能检测、智能感知技术的推广应用。基于上述行业背景,本文开展了矿井下图像混合噪声抑制和含噪声图像增强的技术研究。本文主要研究内容如下:（1）首先,系统梳理了图像降噪、图像增强技术的国内外研究现状。接着,阐述了现有的矿井图像降噪算法和增强算法的研究进展。在此基础上,指出了目前矿井图像降噪与增强算法存在的一些问题,并明确了矿井下图像降噪和增强算法有待完善研究的方向。（2）为实现矿井图像混合噪声抑制目标,根据以曲率为正则项的变分降噪模型,建立具有去除混合噪声能力的曲率差分驱动的极小曲面滤波器（MSF）的变分模型。根据微分几何理论阐明该滤波器的物理意义和数学实现方法,并设计了像素邻域曲面向极小曲面进化的新规则和算法。实验表明,MSF能够有效地去除矿井图像的混合噪声。（3）为抑制矿井图像的高密度混合噪声,建立了基于高斯曲率优化和非下采样剪切波变换（Nonsubsampled Shearlet Tranform,NSST）的高密混合噪声去除模型。该模型优化混合噪声图像的高斯曲率,使图像的混合噪声分布近似为高斯分布。消除椒盐噪声对混合噪声分布的影响之后,利用NSST分解高斯曲率优化的图像,并采用自适应硬阈值收缩消除近似高斯分布的噪声。最后,迭代高斯曲率优化和基于NSST的阈值收缩算法,进一步抑制残余的混合噪声。实验表明,该算法不仅能够有效地去除图像的高密度混合噪声,且与同类算法比较,其降噪图像的峰值信噪比更高,留存的边缘细节更多。（4）为解决矿井图像对比度提高和噪声抑制的矛盾,根据Retinex理论构建了具有噪声抑制的矿井图像增强框架,并提出了基于非下采样轮廓波变换（Non-Subsampled Contourlet Transform,NSCT）的矿井图像增强算法（MIECT）。该算法消除了噪声对估计光照图的干扰,解决了对比度提高过程中放大噪声的问题。MIECT利用NSCT分解图像,利用图像的低频子带系数的亮通道估计光照图,避免噪声对估计光照图的干扰;对图像的高频方向子带系数实施阈值收缩,实现噪声抑制;根据估计的光照图、阈值收缩的高频方向子带系数,实施逆NSCT重构出噪声抑制的增强图像。MIECT解耦实现了矿井图像的对比度提高和噪声抑制,避免了“后噪声抑制”图像增强算法提高图像对比度过程中放大噪声的风险。由于NSCT的方向滤波器组数的限制,MIECT在突显特定频带细节时,其方向的选择性有限。为了克服MIECT的上述不足,根据MIECT的增强框架,将NSST用作图像分解工具,提出了基于NSST的矿井图像增强算法（MIEST）。MIEST对图像的低频子带系数的亮通道进行结构感知平滑,获得满足要求的光照图;同样对图像高频方向子带系数采取阈值收缩,实现抑制噪声;通过逆NSST重构出噪声抑制的增强图像。MIEST具有MIECT的所有属性,并且,突显特定频带细节时,其频带方向选择几乎无限制。（5）开展了图像分层增强技术研究,建立了图像分层增强框架,并提出了基于双域分解的矿井下图像增强算法（MIEDD）。MIEDD在空域解耦图像对比度提高和噪声抑制。MIEDD利用高斯滤波器将图像分解为基础层与细节层。基础层决定图像的对比度,细节层包含了图像几乎全部的细节和噪声;然后,在基础层执行对数域的Retinex算法,实现基础层图像的对比度提升;接着,利用NSST分解细节层,并对其分解系数执行阈值收缩,完成细节层噪声的分离、抑制;最后,分层图像被融合、并实施灰度延展,获得最终增强图像。实验表明,该方法能够很好地解耦了图像的对比度提高和噪声抑制。与MIECT和MIEST算法相比,MIEDD算法改善图像可视性的效果更好,且噪声抑制性能更稳定。（6）在图像分层增强框架下,根据大气散射模型建立了雾气、噪声分离模型,并提出了基于双域分解的雾气抑制矿井图像增强算法（MIEHSDD）。首先,MIEHSDD利用双边滤器将图像分解为基础层和细节层。其次,利用快速暗通道雾气抑制算法实现基础层的雾气抑制,并使用Gamma变换提高雾气抑制基础层的对比度。然后,利用NSST分解细节层图像,并对细节层分解系数执行由阈值收缩和Wiener滤波器构成的混合降噪,抑制细节层的噪声,对噪声抑制的细节层执行二阶微分算子增强细节。接着,融合分层图并抑制其粉尘散射模糊,获得去模糊图像。最后,再次执行快速暗通道雾气抑制算法,抑制去模糊图像的白色伪影。实验表明,MIEHSDD算法不仅能提高矿井图像的对比度,还能实现矿井图像噪声和雾气的抑制。
孙国敏[8]（2020）在《基于小波方法的图像复原问题研究》文中研究说明小波变换是一种很有效的信号处理方法,被广泛应用于信号的特征提取和稀疏重构等相关领域。基于图像信号在小波多尺度变换下具有稀疏结构的先验知识,本文使用小波方法对图像的稀疏复原问题进行了研究。从稀疏表示的角度出发,首先构造了具有特定方向属性的几何小波多尺度系统对图像进行稀疏表示,充分发掘其内在的稀疏属性;然后使用正则化方法,引入相应的稀疏泛函建立了凸优化复原模型。为了进一步提高重构质量,模型中还引入了方向全变分作为联合正则项对复原结果的边缘光滑性进行约束;最后利用快速算法对模型进行求解。本文的研究针对图像去模糊、图像修补和图像去雨线三种复原问题展开,研究内容主要包括以下三个方面:一、针对图像去模糊问题,提出了一种加权?1范数的联合正则项凸优化稀疏复原模型。基于二维及高维图像信号在shealets小波变换下高频分解系数具有稀疏结构的先验知识,使用shearlets变换系数的?1范数作为正则项对复原结果的内在稀疏性进行约束,并引入方向全变分作为约束重构图像边缘光滑性的正则项来构造复原模型。算法的实施包括两部分:权重的更新和加权模型的求解。权重的更新通过一种多步松弛优化算法不断对小波系数的稀疏结构进行学习来实现。加权模型的求解使用split Bregman算法来实现。由于模型为凸函数,算法的收敛速度较快。数值实验使用三种不同类型的模糊图像对我们提出的方法的去模糊效果进行测试,并从复原结果的质量评价指标和可视化效果两个方面对比了三种state-of-the-art的方法和本文方法的复原效果来说明后者的有效性。二、针对图像修补问题,提出了一种?1范数的联合正则项凸优化稀疏复原模型。首先,基于二维及高维图像在频域内能量分布主要集中于坐标轴附近（即低频和部分高频区域）的事实,构造了一种频域能量分布相适应的方向性几何小波多尺度系统对图像信号进行稀疏表示,加强高频域内小波分解系数的稀疏性;然后,使用该多尺度变换系数的?1范数和方向全变分作为联合正则项构造模型,约束复原结果的内在稀疏性和边缘光滑性;最后,使用split Bregman算法对模型进行了求解。由于模型是凸函数,算法收敛较快,而且可以得到全局最优解。另外,该复原模型除了用于图像修补外,还可以用于图像去模糊。数值实验分别使用医学磁共振图像和模糊图像对本文方法的修补和去模糊效果进行测试。实验结果表明,我们的方法在图像去模糊和图像修补两个方面均具有较好的复原结果。三、针对单张图像去雨线问题,提出了一种?1范数的复合正则项凸优化稀疏复原模型。首先,基于图像中雨线方向的专一性,构造了一种具有特定方向属性的几何小波多尺度系统对雨线图像进行稀疏表示;然后,充分发掘雨线及背景层的内在稀疏先验,包括（1）背景层在雨线方向的小波分解系数具有稀疏结构;（2）雨线层在雨线垂直方向的小波分解系数具有稀疏结构;（3）雨线本身具有稀疏结构。选取相应的?1范数作为稀疏正则项构造去雨线模型。模型求解使用split Bregman算法。由于模型为凸函数,算法收敛较快;最后,使用仿真数据和真实数据对我们提出的去雨线方法进行测试,并从复原结果的可视化和质量评价指标两方面来评价本文方法的去雨线效果。
高志荣[9]（2019）在《基于稀疏与低秩理论的图像表示及重建》文中研究说明随着数字技术与互联网技术的兴起和快速发展,图像已成为当今人们信息获取和利用的主要载体,数字图像处理技术在现代科学与工程的诸多领域得到了广泛的应用,数字图像的有效获取、重建与增强是该领域一直关注的核心问题。图像信号具有的局部相似与非局部结构相似特性,使其表现了广泛存在的稀疏和低秩特性,为解决图像处理的诸多问题提供了重要基础。作为近年来提出的信号采样新理论,压缩感知理论证明了:如果信号具有稀疏性,则可以对其进行降维采样并实现后期的准确重构。压缩感知不仅为实现图像的低成本低延时获取提供了一种极好的解决方案,同时也为解决图像处理领域的其它问题提供了有效思路,其在医学成像、图像压缩、图像复原等领域的应用,已得到国内外学者的广泛关注和深入研究。基于以上背景,本文以图像稀疏表示与低秩分解理论为基础,对图像的压缩感知编码、图像的压缩感知高质量重建、以及图像的超分辨率重构等问题,开展了深入研究。具体工作包括:（1）基于图像分块变换的自适应图像压缩感知编码方法研究;（2）基于图像非局部组稀疏及多稀疏联合规则化的图像压缩感知重建方法研究;（3）基于图像非局部自适应截断低秩的图像超分辨率方法研究。主要创新之处在于:1、提出了一种采用块变换子带系数随机置换,并结合人眼感知特性的压缩感知图像编码方法。针对传统的采用非自适应投影变换的图像压缩感知方法中,存在压缩测量效率低下的问题,结合图像块离散余弦变换域的能量分布特性,提出了一种自适应压缩感知测量矩阵设计方法;针对图像统计特性的非平稳导致不同分块稀疏性的差异性,进而引起测量效率低下的问题,提出了一种基于图像块离散余弦变换域系数随机置换的压缩感知编码方法。该项成果可有效用于鲁棒性图像编码、加密图像编码等应用领域。2、提出了一种基于迭代重加权组稀疏表示的压缩感知图像重构方法。图像内部固有的结构相似性为稀疏表示图像信号提供了更多新的可能。基于图像的非局部稀疏理论,构建了一种基于图像相似块组稀疏域重加权的规则化压缩感知重构方法。首先对图像相似块组进行自适应的主成分分析变换,然后对变换域系数进行自适应加权,最后利用加权系数的稀疏表示规则化重构。通过采用变分法,提出了利用迭代自适应软阈值滤波求解重构模型的算法。提出的迭代重加权重构方法,通过自适应提取图像的更多高频成分,可实现图像重建质量的有效提升。3、提出了一种图像相似块组变换域的标准化稀疏表示方法,以及结合全变差的多稀疏联合规则化的图像压缩感知重建方法。考虑到自然图像信号具有的非平稳性,不同分块图像稀疏的差异性,以及变换域不同分量系数的不同统计分布特性,构建了图像相似块组变换域的标准化系数表示方法,以及基于此的规则化压缩感知恢复方法。首先对相似图像块组进行自适应稀疏变换,然后对变换域系数进行分量级的标准化表示,最后基于该标准化稀疏表示结合全变差稀疏,构建了一种多稀疏联合规则化的压缩感知重构算法。通过图像块组的变换域分量级的自适应滤波恢复,可更好地保留图像的细节信息,进一步提升重构图像的质量。4、提出了一种基于图像非局部自适应截断低秩表示的图像超分辨率方法。利用非局部相似图像块组具有的低秩特性,构建了基于图像结构块组低秩规则化的图像超分辨率模型;提出利用结构相似块组的熵信息进行数据块组的秩自适应估计,进而采用部分奇异值软阈值收缩实现模型求解的方法。与同类方法相比,该方法能够得到更好的图像纹理细节信息。理论分析和大量仿真实验结果验证了提出方法的有效性。
苏志龙[10]（2019）在《基于特征识别的变形测量方法研究》文中指出变形测量是物体力学行为表征与研究的基本方法,随着测量技术的发展,基于图像与计算机视觉的现代光测技术因具有非接触、全场测量等优点,被广泛地应用于机械、土木和航空航天等领域。然而,这些实际应用中非控制的测量条件对图像与视觉变形测量技术提出了巨大挑战。为了应对这些挑战性问题,本文基于图像特征识别对图像与视觉变形测量中的若干关键技术展开了研究:（1）研究了基于显着特征的阻尼反向组合Gauss-Newton方法,目的在于从自然纹理特征或者低质量散斑特征中计算可信的物体变形数据。该方法使用特征检测技术在参考图像中提取一组全场分布的显着图像特征作为计算点,然后使用带阻尼策略的反向组合Gauss-Newton子区匹配算法识别计算点在变形图像中的位置从而确定各点的位移信息。显着特征和阻尼策略的使用有效地增强了灰度子区匹配的稳定性,使得在不依赖于种子点初值传递的情况下进行可靠亚像素位移估计成为了可能。最后,通过实验验证了该方法的测量精度和稳定性。另外,基于域变换研究了位移场测量数据的优化方法,其不仅有助于抑制异常值和数据噪声对变形场的影响,还能够保持位移场固有的梯度属性。（2）通过使用尺度不变特征识别技术,提出了基于无约束场景数据的立体视觉变形测量系统的全自动、高精度标定与矫正方法。为了实现高效的系统标定,在相机内参标定中引入了一种新的径向畸变模型,其可以直接将图像点从畸变图像映射到无畸变图像域,从而建立了具有解析形式的图像点反投影模型;考虑到场景特征的几何无约束性,在反投影模型中引入了逆深度参数化,使得标定参数的估计不再依赖于平面性等强几何约束;最后,通过在归一化图像域中度量重投影误差建立了用于系统内参和外参联合标定的光束调整模型。实验表明,该标定模型具有不亚于常用标定方法的性能。为了解决测量过程中系统外参扰动问题,从光束调整标定模型中导出了一种简明的实时外参矫正方法,并通过模拟和真实实验详细讨论了该方法的性能。（3）提出了一种用于三维视觉变形测量的反向组合相关束调整框架,目的在于解决动态或者非控制测量环境中立体变形测量系统的稳定性问题。该模性基于反向组合子区匹配与几何光束调整算法而建立,具有对成像系统结构参数、特征点深度以及变形参数的联合优化能力,从而能够在系统外参不稳定的情况下对物体进行最优三维重构;通过引入相机姿态的李代数表示,反向组合相关束调整算法能够从运动图像序列中对相机姿态进行估计以保持参考坐标系的稳定。另外,针对具有固定光路结构的立体测量系统,提出了一种高度并行的深度估计算法以实现快速的三维位移测量。最后,通过实验验证了各算法在三维变形测量中的可行性和有效性。（4）基于深度学习技术,以专业监督学习思想为指导,研究了用于变形图像特征识别的可学习深度网络模型,其可以在大噪声等不良因素存在的情况下实现超鲁棒变形测量。首先基于散斑图模拟和数据增强策略提出了用于模型训练的专业数据集构建方法,然后基于卷积神经网络和传统的图像子区匹配算法提出了可学习变形图像特征识别模型。为了验证该模型的性能,采用模拟的图像数据对其进行训练,并使用模拟散斑图和实际变形图进行测试。模拟测试表明,该模型不仅具有与传统方法一致的测量精度,而且预测结果几乎不受噪声的影响;实际测试证明了该模性在实际测量中的泛化能力和测量结果的有效性。
二、图像的多尺度几何分析:回顾和展望（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、图像的多尺度几何分析:回顾和展望（论文提纲范文）
（1）基于多尺度和超分辨处理的多聚焦图像融合技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的研究内容 |
| 1.4 本论文的章节安排 |
| 第二章 多聚焦图像融合基础理论及技术 |
| 2.1 多聚焦图像成像原理及特性 |
| 2.2 像素级图像融合方法 |
| 2.2.1 基于变换域的图像融合方法 |
| 2.2.2 基于空间域的图像融合方法 |
| 2.3 多聚焦图像融合质量评价 |
| 2.3.1 主观评价方法 |
| 2.3.2 客观评价方法 |
| 2.4 图像融合领域存在的问题及研究热点 |
| 2.4.1 图像融合算法存在的问题 |
| 2.4.2 图像融合质量评价体系存在的问题 |
| 2.4.3 图像融合领域的研究热点 |
| 2.5 本章小结 |
| 第三章 超分辨增强处理和多尺度分解方法 |
| 3.1 多尺度分析与超分辨增强基础理论 |
| 3.1.1 多尺度分析方法 |
| 3.1.2 基于超分辨图像增强方法 |
| 3.2 具有超分辨增强的联合多尺度分解方法 |
| 3.2.1 动态引导滤波(RGF) |
| 3.2.2 联合双边滤波(JBF) |
| 3.2.3 基于学习的图像超分辨增强 |
| 3.2.4 基于RGF和JBF的多尺度分解方法 |
| 3.3 实验验证 |
| 3.4 本章小结 |
| 第四章 基于图像分割的图像融合算法 |
| 4.1 细节层融合规则 |
| 4.1.1 多尺度形态聚焦度量 |
| 4.1.2 边界粗检测 |
| 4.1.3 边界细检测 |
| 4.2 基础层融合规则 |
| 4.3 实验结果与分析 |
| 4.3.1 主观视觉评价 |
| 4.3.2 客观指标对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）基于深度神经网络的高分辨率遥感影像弱小目标检测（论文提纲范文）
| 作者简历 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 核心科学问题 |
| 1.3 主要研究内容 |
| 1.4 主要创新点和贡献 |
| 1.5 论文组织 |
| 第2章 国内外研究进展回顾 |
| 2.1 高分辨率遥感影像目标检测概述 |
| 2.2 高分辨率遥感影像弱小目标检测 |
| 2.2.1 高分辨率遥感影像特点 |
| 2.2.2 遥感目标检测 |
| 2.2.3 弱小目标检测 |
| 2.3 高分辨率遥感影像目标检测数据集 |
| 2.3.1 数据集属性介绍 |
| 2.3.2 数据集对比 |
| 2.4 主流目标检测方法 |
| 2.4.1 模板匹配方法 |
| 2.4.2 先验知识方法 |
| 2.4.3 基于超像素的图像分析方法 |
| 2.4.4 经典机器学习方法 |
| 2.4.5 基于深度学习的检测模型 |
| 2.5 评价指标 |
| 2.6 本章小结 |
| 第3章 高分辨率无人机遥感影像弱小目标数据集 |
| 3.1 概述 |
| 3.2 10类无人机弱小目标数据集 |
| 3.2.1 数据属性介绍 |
| 3.2.2 UAVOD-10与现有数据集对比 |
| 3.2.3 深度学习检测器性能评估 |
| 3.3 本章小结 |
| 第4章 一种基于采样平衡的多尺度级联检测器 |
| 4.1 概述 |
| 4.2 基于级联网络的小尺度目标检测器 |
| 4.2.1 模型构建 |
| 4.2.2 实验结果与分析 |
| 4.3 基于采样平衡的多尺度级联检测器 |
| 4.3.1 模型构建 |
| 4.3.2 算法流程 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 一种基于上下文和多尺度意识的特征增强检测器 |
| 5.1 概述 |
| 5.2 模型构建 |
| 5.2.1 局部和全局上下文意识组件 |
| 5.2.2 多尺度特征凝练网络 |
| 5.3 算法流程 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 分离性实验 |
| 5.4.3 CSADet在UAVOD-10数据上的实验结果与分析 |
| 5.4.4 CSADet在HRRSD数据上的实验结果与分析 |
| 5.4.5 CSADet在DIOR数据上的实验结果与分析 |
| 5.4.6 CSADet与SB-MSN检测性能对比 |
| 5.5 本章小结 |
| 第6章 基于深度特征的半监督学习样本生成方法 |
| 6.1 概述 |
| 6.2 模型构建 |
| 6.2.1 问题定义 |
| 6.2.2 基于深度特征的self-training样本标注方法 |
| 6.2.3 基于联合训练的self-label样本标注方法 |
| 6.2.4 判别器区分易混淆类 |
| 6.3 算法流程 |
| 6.4 实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 SSGF在UCM数据上的实验结果 |
| 6.4.3 SSGF在WHU-RS19数据上的实验结果 |
| 6.4.4 SSGF在AID数据上的实验结果 |
| 6.4.5 SSGF在NWPU45数据上的实验结果 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
（3）基于区域划分的改进BM3D图像去噪算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.3 主要研究内容 |
| 1.4 本文结构安排 |
| 2 图像去噪基本理论 |
| 2.1 数字图像基本概念 |
| 2.2 图像噪声的来源和分类 |
| 2.3 经典图像滤波算法 |
| 2.3.1 空间域滤波 |
| 2.3.2 频率域滤波 |
| 2.4 BM3D滤波 |
| 2.4.1 块匹配 |
| 2.4.2 联合滤波 |
| 2.4.3 聚集 |
| 2.5 图像质量评价标准 |
| 2.5.1 主观评价法 |
| 2.5.2 客观评价法 |
| 2.6 本章小结 |
| 3 图像分割理论 |
| 3.1 聚类算法 |
| 3.1.1 模糊C均值聚类 |
| 3.1.2 空间模糊C均值聚类 |
| 3.2 边缘检测算法 |
| 3.2.1 Canny算子边缘检测 |
| 3.2.2 自适应Canny算子边缘检测 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于多尺度几何分析的改进型BM3D算法 |
| 4.1 多尺度几何分析 |
| 4.1.1 金字塔变换 |
| 4.1.2 小波变换 |
| 4.1.3 轮廓波变换 |
| 4.2 基于多尺度几何分析的改进型BM3D算法实现 |
| 4.2.1 分区域的块匹配 |
| 4.2.2 分区域的多尺度几何变换 |
| 4.2.3 算法流程 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于自适应阈值的改进型BM3D算法 |
| 5.1 阈值函数 |
| 5.2 基于自适应阈值的改进型BM3D算法实现 |
| 5.2.1 改进的统一阈值法 |
| 5.2.2 改进的最大类间方差法 |
| 5.2.3 算法流程 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）图像拼接的关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景以及研究的目的与意义 |
| 1.2 国内外研究现状和发展态势 |
| 1.2.1 图像配准阶段 |
| 1.2.2 图像组合阶段 |
| 1.3 本文结构安排 |
| 第二章 图像拼接基础 |
| 2.1 提取图像中的点特征 |
| 2.1.1 斑点特征 |
| 2.1.2 角点特征 |
| 2.1.3 基于小波分析的多尺度特征 |
| 2.2 坐标系之间的转换 |
| 2.2.1 相机参数 |
| 2.2.2 对极几何 |
| 2.3 基于3D重建的图像拼接 |
| 2.3.1 配准阶段 |
| 2.3.2 组合阶段 |
| 2.4 基于拼接缝的图像配准 |
| 2.5 本章小结 |
| 第三章 图像拼接构建机场场面多自由度多尺度空间 |
| 3.1 引言 |
| 3.2 参数共享的空间建模 |
| 3.3 数据预处理 |
| 3.3.1 图像去噪提高多自由度多尺度空间建模的精度 |
| 3.4 基于ROI的特征优选与图像配准 |
| 3.4.1 基于ROI的特征优选 |
| 3.4.2 基于ROI的图像配准 |
| 3.5 实验与讨论 |
| 3.5.1 实验设置 |
| 3.5.2 基于Shearlet变换的图像去噪 |
| 3.5.3 特征优选与图像配准 |
| 3.5.4 场景建模与3D重建 |
| 3.6 本章小结 |
| 第四章 复杂场景的图像拼接方法 |
| 4.1 引言 |
| 4.2 图像的基本变换方式 |
| 4.2.1 相似变换 |
| 4.2.2 仿射变换 |
| 4.2.3 透视变换 |
| 4.3 DLT变换求单应性矩阵 |
| 4.3.1 DLT变换 |
| 4.3.2 RANSAC算法 |
| 4.4 使用多种变换相结合的图像局部配准 |
| 4.4.1 局部配准 |
| 4.4.2 多种变换类型的结合 |
| 4.5 基于景深的自适应位置补偿的视差图像拼接方法 |
| 4.5.1 算法流程与步骤 |
| 4.5.2 算法的实施方法 |
| 4.6 实验与讨论 |
| 4.6.1 实验设置 |
| 4.6.2 场景分割与特征匹配 |
| 4.6.3 多景深场景配准 |
| 4.6.4 多景深场景组合 |
| 4.6.5 结果分析与展望 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）多尺度几何变换在金属表面缺陷识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于机器视觉的表面缺陷检测 |
| 1.2.1 金属表面缺陷检测系统发展概述 |
| 1.2.2 金属表面缺陷检测算法概况 |
| 1.2.3 本梯队的研究基础 |
| 1.3 多尺度几何变换方法发展概述 |
| 1.3.1 图像的稀疏表示 |
| 1.3.2 从傅里叶变换到小波变换 |
| 1.3.3 多尺度几何变换方法概述 |
| 1.4 论文结构与章节安排 |
| 2 金属表面缺陷图像及样本库 |
| 2.1 钢铁生产的工艺流程 |
| 2.2 机器视觉表面检测系统 |
| 2.3 酸洗带钢表面缺陷图像及样本库 |
| 2.3.1 酸洗带钢表面特点 |
| 2.3.2 酸洗带钢表面缺陷样本库 |
| 2.4 中厚板表面缺陷图像及样本库 |
| 2.4.1 中厚板表面特点 |
| 2.4.2 中厚板表面缺陷样本库 |
| 2.5 铝板表面缺陷图像及样本库 |
| 2.5.1 铝板表面特点 |
| 2.5.2 铝板表面缺陷样本库 |
| 2.6 连铸坯表面缺陷图像及样本库 |
| 2.6.1 连铸坯表面的特点 |
| 2.6.2 连铸坯表面缺陷样本库 |
| 2.7 本章小结 |
| 3 Contourlet-KSR特征提取方法研究 |
| 3.1 小波特征提取方法 |
| 3.1.1 直接小波特征提取方法实验 |
| 3.1.2 间接小波系数特征提取实验 |
| 3.1.3 小波特征选择实验 |
| 3.2 Contourlet变换在带钢表面缺陷识别中的应用 |
| 3.2.1 Contourlet变换 |
| 3.2.2 基于Contourlet变换的特征提取方法 |
| 3.3 Contourlet-KSR方法应用于酸洗带钢表面缺陷识别 |
| 3.3.1 KSR理论 |
| 3.3.2 Contourlet-KSR特征提取方法 |
| 3.3.3 实验结果讨论 |
| 3.3.4 可视化结果与混淆矩阵 |
| 3.3.5 实验结果对比分析 |
| 3.4 Contourlet-KSR在其它金属表面缺陷识别的应用 |
| 3.4.1 中厚板表面缺陷识别 |
| 3.4.2 铝板表面缺陷识别 |
| 3.4.3 连铸坯表面缺陷识别 |
| 3.5 本章小结 |
| 4 改进Contourlet变换的特征提取方法 |
| 4.1 改进轮廓波变换方法 |
| 4.1.1 改进Contourlet变换(ICT) |
| 4.1.2 横向裂纹的ICT分解与重构 |
| 4.1.3 ICT系数的稀疏性 |
| 4.2 ICT方法在中厚板表面缺陷识别的应用 |
| 4.2.1 基于ICT的特征提取方法 |
| 4.2.2 与Contourlet方法的比较 |
| 4.2.3 与NSCT方法的比较 |
| 4.2.4 实验结果对比分析 |
| 4.3 ICT方法在其它金属表面缺陷识别的应用 |
| 4.3.1 铝板表面缺陷识别的应用 |
| 4.3.2 连铸坯表面缺陷识别的应用 |
| 4.4 本章小结 |
| 5 基于剪切波变换的特征提取方法 |
| 5.1 NSST原理 |
| 5.1.1 非子采样剪切波的构造 |
| 5.1.2 非子采样剪切波的离散化 |
| 5.2 基于NSST的特征提取方法 |
| 5.2.1 基于NSST的铝板特征提取方法 |
| 5.2.2 实验结果和讨论 |
| 5.2.3 与基于轮廓波的特征提取方法比较 |
| 5.3 DNST变换 |
| 5.3.1 DNST构造基础 |
| 5.3.2 DNST的实现 |
| 5.3.3 DNST变换示例 |
| 5.4 DNST在连铸坯表面缺陷识别中的应用 |
| 5.4.1 DNST-KSR特征提取方法 |
| 5.4.2 DNST和GLCM特征融合方法 |
| 5.4.3 实验结果分析与讨论 |
| 5.4.4 实验结果对比分析 |
| 5.5 本章小结 |
| 6 复剪切波变换在金属表面检测中的研究 |
| 6.1 复剪切波变换的理论 |
| 6.1.1 复剪切波变换的发展背景 |
| 6.1.2 复剪切波变换的构造 |
| 6.1.3 复剪切波变换的特点 |
| 6.2 基于复剪切波变换的缺陷区域提取 |
| 6.2.1 CSTED的构造原理 |
| 6.2.2 CSTED方法实验 |
| 6.2.3 基于CSTED的缺陷区域提取 |
| 6.3 复剪切波变换在连铸坯表面缺陷识别中的应用 |
| 6.3.1 特征提取参数实验 |
| 6.3.2 特征融合方法 |
| 6.3.3 CST与DNST的对比实验 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录A 小波系数矩特征向量的组合明细表 |
| 附录B Contourlet参数设置及结果明细表(酸洗带钢) |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）基于Directionlet变换的图像超分辨率重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 超分辨率重建的研究目的和意义 |
| 1.2 超分辨率图像重建的定义、研究内容、现状和不足 |
| 1.3 论文的主要工作与创新点 |
| 1.4 研究内容和章节安排 |
| 第二章 常用超分辨率图像重建技术介绍 |
| 2.1 引言 |
| 2.2 像素域基于插值滤波器的超分辨率图像重建技术 |
| 2.2.1 理论基础 |
| 2.2.2 邻近插值算法 |
| 2.2.3 双线性插值算法 |
| 2.2.4 双三次插值算法 |
| 2.2.5 兰索斯插值算法 |
| 2.2.6 优点与不足 |
| 2.3 像素域基于纹理特征的超分辨率图像重建技术 |
| 2.3.1 理论基础 |
| 2.3.2 分形插值算法 |
| 2.3.3 数学形态学插值算法 |
| 2.3.4 小波分析插值算法 |
| 2.4 衡量超分辨率图像重建算法的评价方法 |
| 2.4.1 主观评价 |
| 2.4.2 客观评价 |
| 2.5 本章小结 |
| 第三章 小波域的超分辨率图像重建算法 |
| 3.1 引言 |
| 3.2 小波变换基本理论 |
| 3.2.1 一维小波变换 |
| 3.2.2 二维小波变换 |
| 3.3 基于小波变换的超分辨率图像重建算法 |
| 3.3.1 小波域的超分辨率图像重建的原理 |
| 3.3.2 小波域的超分辨率图像重建方案 |
| 3.4 小波域的边缘修正型超分辨率图像重建改进 |
| 3.4.1 稀疏插值 |
| 3.4.2 边缘修正型超分辨率图像重建算法测试方案 |
| 3.4.3 系数修正因子与小波种类、插值算法关系的实验测试 |
| 3.4.4 小波域超分辨率图像重建算法的实验验证 |
| 3.5 小波变换在超分辨率图像重建方面的优势与亟待解决的问题 |
| 3.5.1 小波变换超分辨率重建的优势 |
| 3.5.2 可分离的标准二维小波变换的缺点 |
| 3.6 本章小结 |
| 第四章 基于Directionlet域的HMT模型 |
| 4.1 标准二维小波变换在图像领域的局限 |
| 4.1.1 空间方向性固定 |
| 4.1.2 空间各向同性 |
| 4.2 多尺度几何分析研究 |
| 4.3 Directionlet变换理论及其实现 |
| 4.3.1 整数栅格多方向框架 |
| 4.3.2 二维各向异性小波变换 |
| 4.3.3 Directionlet变换 |
| 4.4 Directionlet域 HMT模型的构造 |
| 4.5 Directionlet域 HMT模型的超分辨率图像重建 |
| 4.5.1 边缘修正函数的构造 |
| 4.5.2 重建算法实现步骤 |
| 4.6 实验评价及结果分析 |
| 4.6.1 超分辨率图像重建的评价 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士期间成果 |
（7）矿井下图像的混合噪声抑制和增强算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 图像降噪和图像增强的国内外研究进展 |
| 1.2.1 图像降噪算法研究进展 |
| 1.2.2 图像增强算法研究进展 |
| 1.3 矿井下图像降噪和增强的研究进展及问题 |
| 1.4 主要研究工作 |
| 2 曲率差分驱动的极小曲面滤波器 |
| 2.1 引言 |
| 2.2 极小曲面滤波器原理 |
| 2.2.1 极小曲面率滤波器模型 |
| 2.2.2 滤波器模型的微分几何求解 |
| 2.2.3 滤波器模型离散化算法 |
| 2.3 数值实验 |
| 2.4 小结 |
| 3 基于高斯曲率优化和NSST的高密度混合噪声去除算法 |
| 3.1 引言 |
| 3.2 GCST降噪模型 |
| 3.3 GCST的模型求解 |
| 3.3.1 局部高斯曲率优化 |
| 3.3.2 NSST阈值收缩 |
| 3.3.3 GCO和ATD的融合机制 |
| 3.4 GCST算法 |
| 3.5 数值实验 |
| 3.6 小结 |
| 4 基于非下采样轮廓波变换的矿井图像增强方法 |
| 4.1 引言 |
| 4.2 增强算法框架 |
| 4.3 光照图像估计与噪声抑制 |
| 4.3.1 非下采样轮廓波变换 |
| 4.3.2 光照图估计 |
| 4.3.3 高频子带噪声抑制 |
| 4.3.4 增强图像重构 |
| 4.4 增强算法流程 |
| 4.5 数值实验 |
| 4.6 小结 |
| 5 基于非下采样剪切波变换的矿井图像增强方法 |
| 5.1 引言 |
| 5.2 增强算法框架 |
| 5.2.1 NSST分解图像 |
| 5.2.2 光照图估计 |
| 5.2.3 高频子带噪声抑制 |
| 5.2.4 图像重构与增强 |
| 5.3 增强算法流程 |
| 5.4 数值实验 |
| 5.5 小结 |
| 6 基于双域分解的矿井图像增强方法 |
| 6.1 引言 |
| 6.2 增强算法原理 |
| 6.2.1 图像空域分解 |
| 6.2.2 基础层对数域增强 |
| 6.2.3 细节层变换域降噪 |
| 6.2.4 层图像融合 |
| 6.3 MIEDD算法流程 |
| 6.4 数值实验与分析 |
| 6.5 小结 |
| 7 双域分解的雾气抑制矿井图像增强算法 |
| 7.1 引言 |
| 7.2 增强算法原理 |
| 7.2.1 雾气噪声分离模型 |
| 7.2.2 增强算法框架 |
| 7.3 双边滤波器分解图像与低频增强 |
| 7.3.1 双边滤波器 |
| 7.3.2 暗原色去雾原理 |
| 7.3.3 Gamma变换 |
| 7.4 高频变换和空域模糊抑制 |
| 7.4.1 高频降噪 |
| 7.4.2 高频增强 |
| 7.4.3 粉尘散射模糊抑制 |
| 7.5 MIEHSDD算法流程 |
| 7.6 数值实验与分析 |
| 7.7 小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于小波方法的图像复原问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 小波方法在图像处理中的应用研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 预备知识 |
| 2.1 基本定义 |
| 2.1.1 傅里叶变换 |
| 2.1.2 小波框架 |
| 2.1.3 Shearlets小波 |
| 2.2 基本方法 |
| 2.2.1 构造小波框架的两种方法 |
| 2.2.2 针对图像复原的稀疏正则化模型和split Bregman算法 |
| 2.3 本章小结 |
| 第三章 一种基于shearlets小波变换的图像去模糊方法 |
| 3.1 方法介绍及分析 |
| 3.2 模型和算法 |
| 3.2.1 模型 |
| 3.2.2 算法 |
| 3.3 数值实验 |
| 3.3.1 高斯模糊测试 |
| 3.3.2 运动模糊测试 |
| 3.3.3 均值模糊测试 |
| 3.4 本章总结 |
| 第四章 一种基于方向性小波变换的图像复原方法 |
| 4.1 方法介绍及分析 |
| 4.2 方向性小波多尺度系统的构造 |
| 4.2.1 连续多尺度系统的构造 |
| 4.2.2 关于多尺度系统的讨论 |
| 4.2.3 离散多尺度系统的构造 |
| 4.2.4 Parseval小波框架的构造 |
| 4.3 模型和算法 |
| 4.3.1 模型 |
| 4.3.2 算法 |
| 4.4 数值实验 |
| 4.4.1 图像修补测试 |
| 4.4.2 图像去模糊测试 |
| 4.5 参数讨论及分析 |
| 4.5.1 尺度系数的讨论 |
| 4.5.2 旋转参数的讨论 |
| 4.5.3 频域采样率的讨论 |
| 4.5.4 特征卷积核大小的讨论 |
| 4.5.5 模糊核方差的讨论 |
| 4.6 本章小结 |
| 第五章 一种基于特定方向性小波变换的图像去雨线方法 |
| 5.1 方法介绍及分析 |
| 5.2 特定方向性小波多尺度系统的构造 |
| 5.2.1 仿射系统 |
| 5.2.2 酉变换的构造 |
| 5.2.3 Parseval小波框架的构造 |
| 5.2.4 连续多尺度系统的构造 |
| 5.2.5 小波生成函数的一个例子 |
| 5.2.6 离散多尺度系统的构造 |
| 5.3 模型和算法 |
| 5.3.1 模型 |
| 5.3.2 算法 |
| 5.4 数值实验 |
| 5.4.1 仿真数据实验 |
| 5.4.2 真实数据实验 |
| 5.5 参数讨论及分析 |
| 5.5.1 多尺度系统参数的讨论 |
| 5.5.2 雨线参数的讨论 |
| 5.5.3 正则项的讨论 |
| 5.5.4 算法的收敛性分析 |
| 5.5.5 本章方法的进一步讨论 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）基于稀疏与低秩理论的图像表示及重建（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩感知与重构 |
| 1.2.2 基于压缩感知的图像压缩 |
| 1.2.3 图像的超分辨率重建 |
| 1.3 图像质量评价 |
| 1.4 研究内容与文章结构 |
| 1.4.1 本文研究内容 |
| 1.4.2 文章的内容与安排 |
| 1.5 本章小结 |
| 2 压缩感知与稀疏表示理论 |
| 2.1 引言 |
| 2.2 压缩感知原理 |
| 2.2.1 稀疏表示 |
| 2.2.2 不相干测量 |
| 2.2.3 非线性重构 |
| 2.3 稀疏表示 |
| 2.3.1 传统正交变换 |
| 2.3.2 多尺度几何分析 |
| 2.3.3 字典学习 |
| 2.4 低秩矩阵恢复 |
| 2.4.1 迭代阈值算法 |
| 2.4.2 加速近端梯度方法 |
| 2.4.3 增广拉格朗日乘子法 |
| 2.5 本章小结 |
| 3 图像分块自适应压缩感知编码 |
| 3.1 引言 |
| 3.2 图像分块压缩感知 |
| 3.2.1 图像分块压缩感知理论 |
| 3.2.2 图像分块压缩感知编码 |
| 3.3 块变换域系数随机置换的压缩感知 |
| 3.3.1 算法思想 |
| 3.3.2 算法描述 |
| 3.4 基于自适应测量矩阵的压缩感知 |
| 3.4.1 自适应测量矩阵的设计 |
| 3.4.2 自适应测量矩阵的实现 |
| 3.4.3 自适应测量矩阵的特点 |
| 3.5 实验结果与讨论 |
| 3.5.1 CRP均衡矢量稀疏性的测试 |
| 3.5.2 CRP+AS的性能测试 |
| 3.5.3 基矢量重正交化对增加测量效率的测试 |
| 3.6 本章小结 |
| 4 非局部组稀疏与多稀疏联合规则化的压缩感知重建 |
| 4.1 引言 |
| 4.2 图像的非局部稀疏 |
| 4.2.1 图像的非局部相似 |
| 4.2.2 图像块组稀疏表示 |
| 4.3 迭代重加权组稀疏表示的压缩感知恢复 |
| 4.3.1 基于组稀疏表示的压缩感知重构 |
| 4.3.2 迭代重加权组稀疏规则化的压缩感知重构 |
| 4.3.3 实验结果与分析 |
| 4.4 联合标准化组稀疏表示的压缩感知恢复 |
| 4.4.1 图像块组变换域标准化表示 |
| 4.4.2 提出的重构模型与求解 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 自适应截断低秩正则化的图像超分辨率 |
| 5.1 引言 |
| 5.2 单帧图像超分辨率 |
| 5.2.1 基于插值的方法 |
| 5.2.2 基于模型的方法 |
| 5.2.3 基于学习的方法 |
| 5.3 基于低秩分解的超分辨率 |
| 5.3.1 低秩邻域嵌入的超分辨率 |
| 5.3.2 结构低秩正则化的超分辨率 |
| 5.4 自适应低秩正则化的图像超分辨率 |
| 5.4.1 自适应非局部低秩近似 |
| 5.4.2 自适应截断低秩表示的超分辨率 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
（10）基于特征识别的变形测量方法研究（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 基于特征识别的变形测量技术 |
| 1.2.1 特征识别 |
| 1.2.2 相机标定 |
| 1.2.3 表面变形测量 |
| 1.3 研究内容及章节安排 |
| 第二章 特征识别与基于显着特征的位移估计 |
| 2.1 引言 |
| 2.2 图像子区特征匹配 |
| 2.2.1 图像子区表示 |
| 2.2.2 图像子区识别 |
| 2.2.3 亚像素优化匹配 |
| 2.3 图像特征检测 |
| 2.3.1 单尺度图像特征检测 |
| 2.3.2 多尺度图像特征检测 |
| 2.4 显着特征导向的位移测量及位移场优化 |
| 2.4.1 显着特征导向的位移测量 |
| 2.4.2 基于域变换的位移场优化 |
| 2.5 本章小结 |
| 第三章 基于场景特征的立体视觉变形测量系统自动标定与外参矫正 |
| 3.1 引言 |
| 3.2 相关概念简介 |
| 3.3 相机内参标定 |
| 3.3.1 算法实现 |
| 3.3.2 实验验证 |
| 3.4 立体视觉变形测量系统自动标定 |
| 3.4.1 深度及逆深度参数化 |
| 3.4.2 几何光束调整法 |
| 3.4.3 基于无约束场景的立体视觉系统标定方法 |
| 3.4.4 非线性优化方法 |
| 3.4.5 实验验证 |
| 3.5 快速外参矫正 |
| 3.5.1 可行性分析 |
| 3.5.2 外参矫正方法 |
| 3.5.3 实验验证 |
| 3.6 关于系统自动标定的讨论 |
| 3.7 本章小结 |
| 第四章 用于三维变形测量的反向组合相关束调整及相机姿态估计 |
| 4.1 引言 |
| 4.2 反向组合相关束调整 |
| 4.2.1 算法原理 |
| 4.2.2 线性化及初值估计 |
| 4.2.3 实现细节 |
| 4.3 相机姿态估计 |
| 4.3.1 问题分析 |
| 4.3.2 姿态估计 |
| 4.3.3 实验验证 |
| 4.4 单镜头三维变形测量系统的实时深度估计 |
| 4.4.1 系统结构分析 |
| 4.4.2 实时深度估计 |
| 4.4.3 实验验证 |
| 4.5 本章小结 |
| 第五章 可学习的变形图像特征识别 |
| 5.1 引言 |
| 5.2 深度学习基础 |
| 5.2.1 神经网络结构 |
| 5.2.2 卷积神经网络 |
| 5.3 专业监督学习及数据集构建 |
| 5.4 变形特征识别网络 |
| 5.4.1 IDMNet |
| 5.4.2 模型测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 6.2.1 反向组合相关束调整正则化 |
| 6.2.2 IMU增强的反向组合相关束调整 |
| 6.2.3 IDMNet网络结构优化及数据集完善 |
| 6.2.4 可学习三维变形识别模型 |
| 参考文献 |
| 致谢 |
| 附录 |
四、图像的多尺度几何分析:回顾和展望（论文参考文献）
- [1]基于多尺度和超分辨处理的多聚焦图像融合技术研究[D]. 蔡佩宏. 电子科技大学, 2021(01)
- [2]基于深度神经网络的高分辨率遥感影像弱小目标检测[D]. 韩伟. 中国地质大学, 2021(02)
- [3]基于区域划分的改进BM3D图像去噪算法研究[D]. 郭颖. 北京交通大学, 2021(02)
- [4]图像拼接的关键技术研究[D]. 杜亚鹏. 电子科技大学, 2020(01)
- [5]多尺度几何变换在金属表面缺陷识别中的应用[D]. 刘晓明. 北京科技大学, 2020(03)
- [6]基于Directionlet变换的图像超分辨率重建算法研究[D]. 张奇臣. 电子科技大学, 2020(07)
- [7]矿井下图像的混合噪声抑制和增强算法研究[D]. 王满利. 中国矿业大学(北京), 2020
- [8]基于小波方法的图像复原问题研究[D]. 孙国敏. 电子科技大学, 2020(07)
- [9]基于稀疏与低秩理论的图像表示及重建[D]. 高志荣. 武汉大学, 2019
- [10]基于特征识别的变形测量方法研究[D]. 苏志龙. 东南大学, 2019(01)