一、基于边缘敏感滤波的图像插值模糊消除（论文文献综述）
彭晶鑫[1]（2021）在《基于机器视觉的圆孔形零件尺寸特征检测系统研究》文中指出基于中国制造2025计划,推动制造业向智能制造转变,智能制造已作为国家重大战略之一。检测技术是智能制造关键技术,机器视觉检测系统是检测技术的前沿技术之一,基于机器视觉的检测系统因其精度高、抗干扰性强、非接触等特点在工业检测领域具有广泛的应用前景。本文针对检测系统所采用的亚像素边缘检测算法进行改进,能在相机分辨率一定的前提下,提升边缘定位精度,节约硬件成本,提升传统像素级边缘检测算法技术,为机器视觉检测提供新的技术手段。本文以圆孔形零件为研究检测对象,设计了一种基于机器视觉的尺寸特征检测系统。研究相关图像处理算法以及尺寸测量方法。实现了对不同类型、不同规格圆孔形零件尺寸特征的在线检测,主要内容如下:（1）研究零件尺寸检测技术指标,对图像采集系统的硬件进行设计,确定照明方案,构建检测系统试验平台。对相机进行二次开发实现系统在线检测功能,研究相机标定方法实现像素尺寸与实际尺寸转换,完成图像处理算法流程的方案设计。（2）对图像预处理方法基于提高图像质量和减少算法运算量两方面因素进行研究。为减少后续算法运算的数据量,同时保留必要特征信息,先灰度化图像;研究分析均值滤波、中值滤波、高斯滤波及各向异性扩散滤波处理后的二维和三维灰度效果图,选取去噪保边效果最佳的各向异性扩散滤波算子进行图像滤波处理;基于最大类间方差法与形态学闭运算结合的阈值分割算法,将目标区域从背景图像中完整分割;最后应用Canny边缘检测算子提取目标区域像素级边缘点,为后续图像处理做准备。（3）提出一种粗精定位相结合的边缘检测算法,基于像素级边缘点采用Zernike矩亚像素边缘检测算法实现亚像素边缘点定位。推导Zernike矩算法原理,针对边缘点判定时阶跃灰度阈值必须反复试验取得的问题,提出了一种结合Otsu法优化阶跃阈值的改进算法。应用改进算法和传统Zernike矩算法分别对仿真图像提取亚像素点,对比相应构造点坐标值偏差,验证改进算法的检测精度更高,圆心坐标能达到0.01 pixel的定位精度。将提取到的亚像素边缘点采用最小二乘法拟合,识别轮廓圆特征,进而计算出零件圆心距以及同心度参数。（4）基于QT调用Open CV函数库进行在线检测模块交互界面开发。应用本文算法对零件内圆孔进行亚像素轮廓边缘点提取,验证算法在实际工件边缘检测中的性能。应用该系统对同一圆孔形零件重复测量20次,圆心距与同心度检测结果相对偏差均在0.03 mm范围内验证了该系统的检测稳定性。然后对三种不同规格的圆孔类零件尺寸特征进行检测,检测精度均在在0.015 mm内满足检测技术指标要求,验证了该检测系统对零件圆孔特征关联参数检测具有一定的普适性。
包文博[2]（2020）在《视频帧率上变换的递推建模与深度学习方法研究》文中研究指明近年来随着高品质显示设备的快速发展,为它们提供具有更高时间和空间分辨率的高质量视频源成为学术界和工业界迫在眉睫的研究课题。然而受制于高质量视频对视频采集、编码、传输、解码等各阶段所需要的计算能力和传输带宽的苛刻要求,将现有海量的中低质量视频通过数字信号处理的方式合成转换为高质量视频成为最可行的方案之一。在视频质量提升的研究中,从时间域上对视频的帧率进行提升是其中最具挑战的问题之一,也是最能直接给用户带来沉浸式视觉体验的关键技术。具体来讲,视频帧率上变换的目标就是在低帧率如30Hz的视频源中插入一些额外的图像帧而得到高帧率如60Hz或120Hz的高帧率视频。插入的额外的视频图像帧能够使帧间物体位移更精细,物体运动过渡的视觉效应更为平滑,从而显着改善运动视频的观赏体验。视频帧率上变换中的两个核心步骤分别是运动估计和运动补偿插帧。其中运动估计又被称为光流估计,目的是估计出原始视频帧中物体的二维运动矢量,也称光流矢量。由于光流估计是补偿插帧的前置步骤,所以由它计算出的运动矢量的优劣直接关系到最终内插帧的质量。本论文针对运动估计问题,首次对光流估计进行了基于Kalman滤波的时域递推建模,并提出了对应的递推估计算法,超越了传统光流估计局限于两帧图像之间的单个光流场的估计算法。本文以Kalman滤波系统为基础,利用视频序列中物体运动的时域相关性和空间域上下文信息,对具有连续多帧图像的视频光流场进行最优估计。在所提出的滤波系统中,每一个像素在多帧图像中的运动被定义为一个二阶时变状态向量,根据滤波器的测量噪声水平和系统噪声水平,由最大化后验估计准则最优地估计出状态向量的值。在MPI Sintel、Monkaa和Driving等多个知名视频数据集上的实验结果表明,本文所提出方法的性能超越了当时领先的算法,所生成的视频光流场在时间域上具有更好的连续性,为后续的视频内插帧生成和处理任务奠定了良好的基础。本文接着对于视频运动补偿插帧提出了基于高阶建模和动态滤波的帧率上变换算法,该模型超越了传统视频插帧模型的亮度时间不变性和物体运动线性性两个基本限制,对像素的亮度和运动分别建立高阶模型,将求解中间帧的问题转化为对高阶模型多项式系数的估计,从而使所提出的视频上变换算法能够适应复杂光照、非线性运动等更具挑战的场景。从物理意义上来讲,这些系数分别代表了物体像素亮度的变化率、物体像素的运动速度和加速度等。为了求解这些模型系数,本文提出了两个能量目标函数:第一个能量目标是根据过去的样本,最小化亮度变化率的自回归估计误差,第二个能量目标是在沿着像素运动的轨迹上,最小化图像帧的重构误差。为了高效地求解这两个能量函数,本文从视频的时域相关性出发提出了一种高效的动态滤波方案。大量实验表明,在自然视频数据和合成视频数据上,无论是做主观还是客观视觉质量对比,该算法都取得了当时最好的性能。随着近年来基于深度学习的人工神经网络在自动抽取特征方面的卓越表现,本文通过将深度学习网络整合到经典的运动估计和运动补偿插帧框架中,首次构建了基于运动估计和运动补偿的模型驱动神经网络框架（称为MEMC-Net）,提出了一种全新的自适应卷积核补偿采样网络层,用于同时整合光流场和插值卷积核以及合成目标图像的像素。该网络层是完全可微分的,因此用于估计光流和插值核的神经网络能够被联合地训练优化。该框架具有广泛的适应性,不仅可以应用于视频帧率上变换,而且还可以拓展到其它视频增强任务,如视频超分辨、视频去噪以及视频去块效应等等。在大范围的数据集上进行的广泛实验表明,本文所提出的算法的性能超越了目前业界最领先的视频插帧算法和视频增强算法。在MEMC-Net的基础之上,本文进一步提出了基于物体景深感知的视频帧率上变换算法。这是本领域多年来首次探索场景深度信息对视频内插帧合成有效性的研究工作,为相关领域开辟出了一个全新的研究方向。本文通过探索视频场景中物体的深度信息,导出了插帧过程中闭塞信息检测的显式表达式,创新性地提出了一种场景深度感知的光流映射网络层并将它用于合成中间待插视频帧的光流场。该网络层有选择性地对近距离的物体进行采样,而不是远距离的物体进行采样,还通过学习多层次的特征从邻域像素中收集上下文信息。基于前述的自适应卷积核补偿采样网络层,本文提出的模型从输入参考帧像素、场景深度图以及上下文特征中合成出最终的内插帧。在大范围的数据集上的实验表明,本文所提出的算法具有比业界最领先的视频插帧算法和视频增强算法更好的性能。综上所述,本文专注于视频帧率上变换中这个视频质量增强的关键问题,对其运动估计和运动插帧两个核心问题,分别提出了基于Kalman滤波递推新模型的视频运动估计算法和超越传统简单模型的高阶模型和高效动态滤波的插帧方法。基于近年来发展起来的深度学习方法,本文首次对视频帧率转换建立了MEMC模型驱动的深度学习框架,并首次将场景深度感知信息应用于帧频上转换。以上新算法经大范围的数据集验证,取得了超越以往方法的优异性能。
白春梦[3]（2020）在《异源图像配准方法研究》文中研究表明图像配准是在不同的条件下对同一场景拍摄的图像进行对齐和叠加的过程。由于不同成像方式的广泛应用,从不同传感器获取的异源图像所提供的互补或冗余信息,可以直接提供或者补充可见光谱中没有的信息,比任何单个传感器图像都能更好地解释场景。将来自不同传感器的图像信息进行整合,可以得到图像中更复杂和细节的信息,而配准结果可进一步应用于计算机视觉、图像处理等重要领域。但是,由于不同传感器的物理特性不同,异源图像配准往往比较复杂。一方面,一个传感器图像中的视觉特征可能不会出现在其他传感器中,所以寻找异源图像中相似度高的特征成为一个难题。另一方面,由于异源图像具有不同的灰度特性,且两幅图像的特征往往得不到很好的保留,所以提取的特征还要具有稳定性。此外,目前存在的很多异源图像配准方法的特征描述符维度较高,且在匹配的过程中存在大量外点造成误匹配,匹配质量和算法鲁棒性有待提高。本文主要围绕异源图像配准过程中特征提取和特征匹配两部分进行研究。首先本文结合相位一致性和改进的SIFT算法在异源图像配准中提取可靠且稳定的特征,为了缩短算法匹配时间,提出了一种基于分层区域的描述符对特征向量降维。然后为了解决异源图像配准中配准质量差的问题,本文采用NNDR方法先匹配,并提出一种JEED方法再匹配,最后采用MS-SIFT方法优化匹配点对来提高图像配准质量。本文主要研究内容如下:（1）为了在异源图像配准过程中选取可靠又稳定的特征,本文首先采用同态滤波在频域内对图像进行预处理,去掉图像中的部分噪声和不感兴趣的部分。接着在频域内利用相位一致性进行边缘和点特征的提取,再基于SIFT算法对图像进行特征点提取,使提取到的特征点数量较多且准确度高。其中在描述符部分提出了一种基于分层区域的描述符,将SIFT算法中128维的描述符降低至48维,从而降低算法复杂度,缩短算法匹配时间。（2）为了解决异源图像配准过程中匹配效率低、匹配质量差等问题,在匹配环节,本文先采用最近邻距离比（NNDR）方法对特征点进行初匹配,并在此基础上提出了一个结合每个特征点的位置误差、尺度误差、方向误差以及欧氏距离的量度JEED进行二次匹配（本文称为JEED方法）,以增加对应匹配点对的数目。最后采用一种模式搜索（MS-SIFT）方法对匹配点对进行优化,以消除误匹配,提高匹配质量。另外,本文通过验证实验和对比实验分析对比了本文所用方法在异源图像配准方面的可行性和优越性。该论文有图25幅,表2个,参考文献114篇。
杨飘[4]（2020）在《基于区域分析的图像超分辨与降噪技术研究》文中研究说明随着通信与信息技术的不断发展,数字图像和视频的应用越来越广泛。然而由于成像设备的缺陷、恶劣天气、光照不足等因素的影响,经常会使得到的图像存在分辨率不足、带有噪声等问题,这将影响到图像的视觉效果和有效信息的提取。故对带噪图像超分辨的研究将变得越发必要。本文基于SI算法的示例学习模型,首先提出了基于纹理特征的超分辨算法,该算法利用图像的纹理特征对图像块进行聚类,并通过与SI（Super Interpolation）算法类似的线下训练和线上重建来完成整个超分辨的过程,此算法与SI算法相比得到了更好的超分辨效果。之后提出了基于差异曲率的降噪算法过程,差异曲率特征能够区分出含噪图像的平滑点区域、噪点区域及边缘点区域。利用此特征对图像块进行聚类,再通过同样的线下训练与线上重建实现了基于示例学习的降噪算法,此算法单独使用效果略差,但与基于纹理特征的超分辨算法结合使用,却能够得到较好的带噪图像超分辨的效果。基于此最后提出了一种新型降噪超分辨的插值结构将两种算法结合为一体,实现了对带噪图像的超分辨。对所提出的带噪图像的超分辨算法进行了Modelsim仿真,并对算法各个模块的实现过程进行了具体的分析说明。然后通过对带噪图像超分辨算法的硬件仿真结果与软件实现结果的比较,验证了硬件仿真的准确性。设计了一个小型高清相机系统。从对数据的处理方面对相机系统的进行了整体介绍。由于所提出的带噪图像超分辨算法的降噪过程要分别作用于YUV三个通道,会耗费大量的硬件资源,对小型的硬件系统并不友好。提出了基于Bayer模板双边滤波算法,并对其进行了实现。为了得到更好的成像效果,提出了改进型直方图均衡扩展算法的实现。最后基于该系统实现了640×360@50Hz的视频分辨率提升,产生1280x720@50Hz的超分辨视频图像。
徐梦溪[5]（2020）在《基于先验约束的超分辨率图像复原方法研究》文中研究表明在图像和视频采集及传输过程中,诸如成像条件、自然场景变化、成像设备的时间、空间分辨率等因素的限制,成像及视频采集系统难以无失真地获取自然场景中的信息。尽管成像及视频采集设备飞速发展和硬件性能的提高,但在卫星遥感及航空摄影测量、工业成像监测、刑侦分析、医疗图像分析、公共安全视频监控、视频娱乐系统与多媒体通信等应用领域,高质量、高时空分辨率图像的获取与传输仍受到许多因素的限制。一种有效提高图像（或序列图像、视频）时、空分辨率的途径是在不改变原有系统硬件的前提下,采用基于软件的方式（即信号与信息处理算法的方式）。这种基于软件方式的超分辨率图像复原（super resolution image restoration,SRIR）方法和技术是指融合来自同一场景的（多帧）低分辨率图像（或视频序列）的信息,恢复和重构出高空间分辨率图像或高时-空分辨率视频序列。对于静态图像SRIR而言,是对同一场景的单幅（单帧）或多帧低分辨率图像实现高分辨率图像的恢复和重构;对于视频序列SRIR而言,是对相同动态场景的低分辨率视频序列实现包括高时间分辨率和高空间分辨率视频序列的恢复和重构。本论文是以最大后验概率（MAP）估计求解法和范数求极值的变分法为研究主线,结合先验建模作为解空间约束,分别针对多帧图像、单幅（单帧）图像和视频序列,研究MAP法估计求解框架下基于先验（正则化）约束的改进方法、自适应稀疏表示结合正则化约束的方法、及基于像素流和时间特征先验的视频超分辨率复原方法。针对性地聚焦研究三方面内容:（1）多帧低质图像的最大后验概率MAP估计求解框架下正则化SRIR改进研究;（2）基于稀疏字典学习的单幅图像SRIR改进研究;（3）基于像素流和时间特征先验建模的视频SRIR研究。主要研究工作包括:（1）针对多帧图像的SRIR,提出了一种基于邻域像素扩展的广义全变分正则化超分辨率图像复原方法。该方法是在最大后验概率（MAP）框架下,针对全变分、双边全变分、广义全变分等正则化算法存在的不足提出的。通过从度量相邻像素间几何距离的相关性扩展到邻域像素间几何距离和灰度的双重相关性,设计不同于1-范数形式的代价函数,以提高相关性度量的准确性;引入优化-最小化（MM）迭代寻优以改善目前采用共轭梯度（conjugate gradient,CG）寻优的不足。通过多组对比试验分析表明,所提方法具有较好的抑制噪声和保持边缘细节的能力,鲁棒性更强。（2）针对多帧图像的SRIR,提出了一种基于改进保真项与自适应双边全变分的正则化超分辨率图像复原方法。同样,在MAP框架下,现有的SRIR算法大多采用L1、L2、Huber或Gaussian误差范数来构建保真项,存在着对异常值数据较为敏感、算法的鲁棒性受限等问题。为此,通过采用Tukey范数构建保真项解决重尾效应,以适用处理复杂变化的噪声;建立自适应权值矩阵,有助图像细节信息进一步增强。通过多组仿真实验,验证了所提方法的有效性与鲁棒性。（3）针对单幅（单帧）图像的SRIR,提出了基于自适应稀疏表示结合正则化约束的超分辨图像复原方法。基于稀疏字典学习的SRIR方法,在构建全局过完备字典、对不同结构图像块的稀疏表示约束等方面存在一定的局限,本文从提升稀疏表示准确性、编码效率以及保持图像细节信息等入手,结合图像的稀疏表示和范数函数求极值的变分方法,采用基于自适应稀疏表示结合正则化约束的策略,对传统的基于稀疏字典学习的SRIR方法进行改进,并利用绝对差值的总和（SAD）度量图像块像素结构相似性,以减少计算量和提高计算效率。实验结果表明,所提算法在复原图像视觉效果、边缘细节的保持、噪声抑制、计算效率等方面均具有一定的优势。（4）针对视频序列的SRIR,提出了基于像素流和时间特征先验的视频超分辨率复原方法。考虑到目前的视频SRIR方法,大多在空间解模糊与消除运动模糊及提高插值帧保真度等方面存在局限,为有效提高帧速率和减少（或消除）视频中的运动模糊,在MAP框架下,采用了基于逐像素流的时-空超分辨率复原与基于特征驱动的像素流时间先验策略,提出了一种单视频时-空超分辨率复原算法。通过单一灰度视频和单一彩色视频的多组不同实验,验证了所提算法的有效性。
吕少中[6]（2019）在《基于机器视觉的荞麦剥壳性能参数在线检测方法研究》文中提出荞麦的粒径、含水率、品种等因素变化后,砂盘式荞麦剥壳机所需的最佳剥壳间隙和转速等参数都会有所不同。剥壳机出料口荞麦剥出物中未剥壳荞麦、完整荞麦米、碎荞麦米的相对含量反映了剥壳机的剥壳性能,生产中需要根据这些性能参数来调整砂盘间隙和转速以达到较高的剥壳效率。针对目前荞麦剥壳性能参数的检测完全由人工方式实现,主观性强、工作强度大、不能为荞麦剥壳机自适应最优控制提供数据反馈的现状,本文提出了一种基于机器视觉的荞麦剥壳性能参数在线检测方法。1.设计了一种对荞麦剥壳机组现有机械结构和剥壳流程扰动小且经济性较好的荞麦剥出物图像获取方式。出料口落下的部分荞麦剥出物沿一块籽粒滑动托板自然滑落,经LED光源强化照明后使用工业相机以300微秒快门时间对其进行图像采集。图像中荞麦籽粒数目平均为900粒左右,清晰无拖影且无堆积。2.在荞麦剥出物图像的预处理中,使用带二阶拉普拉斯修正项的边缘自适应插值算法进行插值重建,减弱了荞麦籽粒边缘处的拉链效应。使用空间域滤波算法对噪声进行了滤除,减弱了由噪声导致的伪彩色现象。使用直方图拉伸方法进行增强处理,使籽粒与背景在边缘处对比更明显,粘连籽粒中间的背景区域更加突出。3.提出了一种在蓝色背景下对荞麦剥出物图像进行N×（B-R）灰度化的方法。这种方法可使图像的灰度分布满足阈值背景分割的需求,同时在不损失粒型较小的碎荞麦米的情况下,产生对粘连分割有利的籽粒外形变化。4.提出了一种类圆形农作物籽粒的粘连分割方法。在籽粒的距离骨架图像上进行区域极大值滤波以提取供分水岭分割使用的种子点,然后使用分水岭分割算法对种子点标记后的籽粒距离图像进行分割。该方法在试验中的粘连籽粒平均正确分割率为97.8%。5.提出了一种荞麦籽粒交互式快速标注方法并进行了软件实现,使用这种方法可对大量籽粒样本进行快速标记。试验中标记一个荞麦籽粒平均用时小于1.5秒。6.选择RGB颜色空间三个通道的灰度均值、灰度标准差和偏度,形状特征中与形态无关的面积、长轴长、短轴长和周长,共13个特征作为荞麦籽粒特征,使用BP神经网络对荞麦剥出物中的各种籽粒成分进行识别。试验中未剥壳荞麦、完整荞麦米和碎荞麦米的识别率分别为99.8%、97.8%和95.4%,综合正确识别率可达98.6%。以单一粒径不同砂盘间隙这种剥壳工况变化为代表,试验所提出的机器视觉检测方法对出料口荞麦剥出物成分比例变化的检测效果。试验结果表明,该方法得到的出米率能够反映荞麦剥壳机组的剥壳性能。处理和识别一幅包含897个籽粒的1824×1368像素图像耗时5.15秒,运行时间能够满足在线检测需求。
鹿璇[7]（2017）在《接触式图像传感器彩色图像重建方法研究》文中认为接触式图像传感器于20世纪80年代末面世,1998年首次应用于扫描仪,21世纪初开始广泛应用于金融机具中,例如点钞机、清分机、ATM机等,目前仍处于发展阶段。在金融机具应用背景下,接触式图像传感器的图像存在分辨率丢失、三色分离及噪声问题,对于这些问题的研究,目前仍处于起步阶段。本文将金融机具应用背景下的接触式图像传感器的彩色图像作为主要研究对象,旨在采用软件算法的方式解决其分辨率丢失问题、三色分离问题和噪声问题,从而在不增加硬件成本的前提下提高接触式图像传感器的图像质量,最终提高金融机具的识别与鉴伪能力。本文结合图像处理领域中的相关研究,完成了以下几项工作:分析了接触式图像传感器的器件结构及成像原理,并对接触式图像传感器拍摄的彩色图像进行了建模,分析其图像的颜色模式及退化过程。提出针对接触式图像传感器彩色图像的重建算法需要解决的问题包括:分辨率丢失问题、三色分离问题和噪声问题。针对接触式图像传感器图像的分辨率丢失问题,提出了基于群组和在线字典学习的超分辨率重建算法。利用图像非局部自相似性对图像块划分群组;再利用在线字典学习算法,结合外部图像数据和输入图像自身数据,为每个群组训练更为合适的字典;最后采用基于同步稀疏表示的重建算法,使单个颜色通道的图像分辨率得到提升。实验结果表明本算法结果优于其它经典算法,能够获得更加锐利的边缘和更加丰富的细节,很好的补充了丢失的信息,提高了图像的分辨率。针对将单色通道超分辨率重建算法应用于彩色图像的问题,结合引导滤波器实现了彩色图像重建算法。通过将超分辨率重建获得的亮度通道图像作为引导图像对色度通道的插值放大图像进行引导滤波,使得色度通道获得亮度通道的锐利边缘和丰富细节。实验结果表明本算法能进一步补充信息,提高图像的分辨率。针对接触式图像传感器图像的三色分离问题,提出了结合超分辨率重建和图像去马赛克算法的接触式图像传感器彩色图像的重建算法。通过结合图像去马赛克算法中常用到的通道间相关假设作为正则项参与图像的重建,充分利用了不同颜色通道之间的相关性,为接触式图像传感器彩色图像的重建提供信息。实验结果表明本算法能在一定程度上减轻图像中的混叠效应,抑制三色分离现象。针对金融机具应用背景下运算资源及运算时间有限的问题,提出了基于灰度变换的接触式图像传感器彩色图像的快速重建算法,并结合归一化互信息对其进行了改进。此算法针对图像的特点而设计,主要采用线性运算,从而使得资源占用及运算时间都大大降低,使得接触式图像传感器彩色图像重建在金融机具上的实现成为可能。实验结果表明,本算法能在较短的运算时间内消除三色分离现象、提升图像分辨率,获得较好的重建结果。本文采用主观评价和客观评价结合的方式来评价算法的重建结果图像。通过接触式图像传感器模拟图像和真实图像的实验结果表明,本算法能很好的解决图像的分辨率丢失问题、三色分离问题和噪声问题。在实际工程应用中,对于难以识别的字符,使用本算法重建的图像能使识别率由91%提升至97%。目前,本算法已申请专利,并处于公示状态。
王芳[8]（2014）在《光学遥感成像误差建模与图像质量提升方法》文中认为光学遥感成像是航天侦察、监视与测绘等军事应用的重要手段。目前,我国已拥有多颗对地观测光学遥感卫星,解决了光学遥感成像的“有无”问题。但是,与国外同等分辨率卫星图像相比,还存在图像质量不够高的问题,极大地影响了图像的应用效果。分析表明,成像过程中各环节误差因素的影响是造成图像质量下降的主要原因。因此,如何对成像过程中各环节的误差因素进行建模、辨识和处理,是提高图像质量和成像系统应用效能的关键。论文围绕光学遥感图像质量提升问题进行研究,将问题分解为正过程与逆过程两大部分,在正过程的成像误差建模和逆过程的误差辨识的基础上,研究图像质量提升方法,包括图像复原、插值、修复与频谱扩展等。论文的主要研究与创新点如下:（1）针对成像误差建模问题,论文利用退化核函数的物理建模和相关先验信息,建立了成像误差的广义高斯表示模型,并通过理论论证和实验分析证明了这一建模方法的合理性。研究表明该模型可有效降低模型的复杂性、提高辨识精度。在此基础上,针对图像误差辨识问题,结合稀疏表示与退化核函数的广义高斯表示,建立了退化核函数辨识的泛函最小化模型和椒盐噪声辨识的模糊推理模型,并设计了基于交错方向迭代的参数估计算法,实验结果验证了该方法的有效性。（2）针对平台运动与姿态误差对成像质量的影响问题,论文研究了一种基于图像频谱和倒谱特征的运动误差辨识方法,并提出了一种基于内积的星敏感器相机在轨自主标定的两步数学模型。所建立的基于频谱和倒谱特征的方法可以识别包含正弦振动误差和匀速运动误差在内的复杂运动误差;所建立的相机自主标定模型可依赖单幅图像实现对相机非线性高阶畸变的在轨标定。此外论文还针对相机标定模型,设计了一种紧致的递归平均滤波器来进行参数估计,在不显着增加计算量的同时大大提高了参数估计精度。（3）针对图像复原问题,利用二分树复数小波在方向表示方面的优越性,建立了以图像的二分树复数小波表示为基础的图像复原的稀疏表示模型,并将之推广到退化核函数空间变化的情况。针对遥感图像数据量大、计算复杂的特点,设计了其快速求解的瀑布型多重网格算法,在不改变求解精度的情况下将求解速度提高了50%以上。（4）针对图像质量提升问题,以压缩感知理论为基础,将图像修复、插值、频谱拓展等问题统一转换为压缩感知框架下的图像重构问题,建立了各个质量提升问题所对应的投影测量模型以及相应的重构算法。针对部分问题投影测量矩阵性能较差的问题,研究了投影测量矩阵重构性能分析方法,并通过正则算子的作用实现了投影测量阵的优化,实验结果表明这些方法可充分利用图像的稀疏性,处理效果优于传统方法,并且还能处理含噪情况下的问题。论文建立了光学遥感成像主要环节的误差模型,提出了基于图像的成像误差辨识方法,在此基础上形成一整套针对图像复原、插值、修复和频谱扩展的光学遥感图像质量提升技术,可用于我国在轨卫星光学遥感图像质量的增强,也可为未来型号的优化设计提供技术支撑。
艾鑫[9]（2011）在《基于数学形态学的边缘检测算法及其在图像缩放中的应用》文中指出图像边缘检测技术作为数字图像处理领域的关键技术之一,在图像分割、图像识别、图像分析等处理环节中有着广泛而重要的应用,成为数字图像处理研究的热点。而由于图像噪声与图像边缘同属于高频信号,消除噪声和增强边缘、保留边缘细节之间的矛盾成为边缘检测的难点。数学形态学作为一种基于集合论的非线性处理理论,其基本思想和方法对图像处理的理论和技术产生了重大影响,成为数字图像处理的一个主要研究手段,其自身的优势在含噪图像边缘检测中具有良好的性能。本论文主要研究了基于数学形态学的边缘检测方法,提出了一种多尺度形态学边缘检测算法,并将这种边缘检测算法应用到图像缩放领域。论文的主要工作如下：首先研究并分析了各种经典边缘检测算子和最优算子的性能,然后研究了数学形态学的基本理论和形态学运算的特性,在此基础上对各种形态学边缘检测算法进行深入研究,提出了一种具有良好抗噪性能的多尺度形态学边缘检测算法,在有效滤除噪声的同时最大限度的保留图像边缘细节,最后将这种边缘检测算法应用到图像缩放中,有效地改进了图像缩放中存在的锯齿状边缘以及边缘模糊等现象,并推广到含噪图像的缩放中去。
肖义男[10]（2005）在《数字图像自适应插值技术及其应用研究》文中进行了进一步梳理图像插值是图像放缩、旋转、几何矫正等图像操作的基础,是数字图像/视频处理中的一项重要任务。论文研究和分析了一批经典的图像插值算法,包括空间域算法和空间频率域算法,线性空间移不变插值算法和自适应插值算法。论文提出一种基于有理滤波的自适应模糊消除算子,分析了算子的空间域和空间频率域特性。论文将线性移不变插值、自适应模糊消除算子、对比度约束、迭代计算和双通道处理技术结合起来,形成一种自适应的图像插值解决方案。将该方案应用于低档数字相机图像的处理,提高了图像品质。论文首先研究图像插值理论。通过分析实际图像获取系统,建立图像的降质模型和插值重建模型,并对比研究了常见的图像插值问题仿真模型。阐述了单帧图像超分辨率问题的病态性和基于图像插值的超分辨率技术的可行性和局限性。在香农采样定理的框架下,论文从空间域和空间频率域两方面系统介绍了传统的线性移不变插值算法。空间域方法主要介绍了最近邻插值、线性插值、三次卷积插值、多项式插值、样条插值和高斯插值等。空间频域方法主要介绍了频谱补零、样本插零低通等。通过对传统的线性移不变图像插值算法的分析,归纳了线性移不变图像插值的共同技术缺陷和它们的理论成因。然后,论文详细介绍了双通道插值、分形插值、小波插值、定向插值、偏微分方程插值、有理插值等现代自适应图像插值技术,讨论了各算法的优势和局限性。自适应插值技术的插值效果比线性移不变插值技术有了较大的改善,但算法复杂计算量大,在实际图像处理系统中应用困难。因而,通过消除线性移不变算法造成的边缘细节模糊改善插值图像品质的插值后处理技术得到了发展。有理滤波器引入被滤波信号的局部统计量调节滤波系数,能够适应不同的信号特征,具有很强的自适应能力。论文提出一种有理滤波模糊消除算子,并推导了算子的二维形式。对一维阶跃信号和二维阶跃信号的插值重建仿真实验验证了算子的自适应模糊消除能力。论文进一步提出了一种基于该模糊消除算子的图像插值解决方案。方案中引入图像整体对比度约束,使处理结果具有足够的清晰度。采用双通道的处理方法,避开对插值图像的低频成分（图像背景）的滤波增强,保持了插值结果在背景区域的高阶平滑并减少了算法计算量。论文工作对大量自然图像进行了插值重建仿真实验和插值算法对比实验。通过实验图像、频谱的视觉对比及图像分辨率、峰值信噪比、Q值等客观图像质量指标,评价了插值方案的图像重建性能。最后,论文将自适应图像插值方案应用于实验相机图像的分辨率增强,解决
二、基于边缘敏感滤波的图像插值模糊消除（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、基于边缘敏感滤波的图像插值模糊消除（论文提纲范文）
（1）基于机器视觉的圆孔形零件尺寸特征检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 视觉检测系统研究进展 |
| 1.2.2 亚像素边缘检测算法研究进展 |
| 1.2.3 视觉检测技术发展趋势 |
| 1.3 本课题主要研究内容 |
| 第二章 检测系统方案设计 |
| 2.1 检测系统概述 |
| 2.2 照明模块设计 |
| 2.3 图像采集模块设计 |
| 2.4 图像处理模块设计 |
| 2.5 相机标定 |
| 2.6 本章小结 |
| 第三章 图像预处理方法研究 |
| 3.1 图像灰度化 |
| 3.2 图像滤波处理 |
| 3.2.1 噪声类型及来源 |
| 3.2.2 均值滤波 |
| 3.2.3 中值滤波 |
| 3.2.4 高斯滤波 |
| 3.2.5 各向异性扩散滤波 |
| 3.3 图像阈值分割 |
| 3.3.1 直方图双峰法 |
| 3.3.2 Otsu阈值分割法 |
| 3.4 像素级边缘提取 |
| 3.4.1 一阶边缘检测算法 |
| 3.4.2 二阶边缘检测算法 |
| 3.4.3 Canny边缘检测算法 |
| 3.4.4 边缘检测算法实验结果分析 |
| 3.5 本章小结 |
| 第四章 亚像素边缘提取及特征识别 |
| 4.1 亚像素边缘检测算法 |
| 4.2 Zernike矩亚像素边缘检测算法 |
| 4.2.1 Zernike矩原理 |
| 4.2.2 亚像素边缘点坐标计算 |
| 4.3 Zernike矩亚像素边缘检测算法改进 |
| 4.4 亚像素边缘提取算法性能评估实验 |
| 4.4.1 算法性能评估方案 |
| 4.4.2 仿真实验研究 |
| 4.5 零件特征圆识别 |
| 4.6 检测系统算法流程 |
| 4.7 本章小结 |
| 第五章 检测系统实验验证及误差分析 |
| 5.1 实验环境 |
| 5.2 实验验证 |
| 5.2.1 本文算法验证 |
| 5.2.2 检测系统稳定性及精度验证 |
| 5.3 实验误差分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（2）视频帧率上变换的递推建模与深度学习方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于运动估计与运动补偿的插帧 |
| 1.2.2 基于深度学习的插帧 |
| 1.3 论文主要工作 |
| 1.3.1 上下文感知的Kalman滤波视频光流估计 |
| 1.3.2 基于高阶模型与动态滤波的视频帧率上变换 |
| 1.3.3 MEMC模型驱动的深度学习视频帧率上变换 |
| 1.3.4 融合场景深度的视频帧率上变换 |
| 1.4 章节安排 |
| 第二章 上下文感知的Kalman滤波视频光流估计 |
| 2.1 引言 |
| 2.2 相关研究工作 |
| 2.2.1 基于变分优化框架的光流估计 |
| 2.2.2 基于损失空间搜索的光流估计 |
| 2.2.3 基于卷积神经网络的光流估计 |
| 2.3 Kalman滤波视频光流估计 |
| 2.3.1 视频光流场的Kalman滤波算法 |
| 2.3.2 视频帧间Kalman滤波器的递推 |
| 2.4 上下文感知的Kalman滤波器系统噪声估计 |
| 2.4.1 上下文信息提取 |
| 2.4.2 系统噪声估计 |
| 2.5 时域相关性增强的Kalman滤波器的测量噪声估计 |
| 2.6 实验结果与分析 |
| 2.6.1 客观指标分析 |
| 2.6.2 主观质量分析 |
| 2.6.3 上下文感知模块性能分析 |
| 2.6.4 参数敏感性分析 |
| 2.7 本章小结 |
| 第三章 基于高阶建模与动态滤波的帧率上变换 |
| 3.1 引言 |
| 3.2 相关研究工作 |
| 3.2.1 高阶建模 |
| 3.2.2 动态滤波 |
| 3.3 基于高阶模型的帧率上变换模型 |
| 3.3.1 亮度与运动的高阶建模 |
| 3.3.2 亮度与运动估计的联合能量函数 |
| 3.3.3 基于高阶模型的视频帧率上变换 |
| 3.4 高阶模型的最优估计求解算法 |
| 3.4.1 先验估计 |
| 3.4.2 最大似然验估计 |
| 3.4.3 Kalman滤波器 |
| 3.4.4 噪声协方差估计 |
| 3.4.5 能量最小化优化算法 |
| 3.5 实验结果与分析 |
| 3.5.1 与现有帧率上变换算法对比 |
| 3.5.2 高阶运动模型性能评估 |
| 3.5.3 高阶亮度模型性能评估 |
| 3.6 本章小结 |
| 第四章 MEMC模型驱动的深度学习视频帧率上变换 |
| 4.1 引言 |
| 4.2 相关研究工作 |
| 4.2.1 基于运动估计与补偿的经典算法 |
| 4.2.2 基于神经网络学习的现代算法 |
| 4.3 MEMC模型驱动的深度学习帧率上变换方法 |
| 4.3.1 MEMC-Net模型框架 |
| 4.3.2 基于光流偏移的自适应卷积核采样网络层 |
| 4.3.3 光流映射网络层 |
| 4.4 基于MEMC-Net的视频帧率上变换 |
| 4.4.1 网络模块 |
| 4.4.2 算法实现细节 |
| 4.5 MEMC-Net模型在视频增强上的可扩展性 |
| 4.6 实验结果与分析 |
| 4.6.1 神经网络模块性能评估 |
| 4.6.2 视频帧率上变换性能评估 |
| 4.6.3 MEMC-Net可扩展性分析 |
| 4.7 本章小结 |
| 第五章 融合场景深度的视频帧率上变换 |
| 5.1 引言 |
| 5.2 相关研究工作 |
| 5.2.1 视频帧率上变换 |
| 5.2.2 场景深度估计 |
| 5.3 融合场景深度的视频帧率上变换方法 |
| 5.3.1 融合场景深度信息的光流估计 |
| 5.3.2 融合场景深度的插帧模型 |
| 5.4 实验结果与分析 |
| 5.4.1 实验条件与评估指标 |
| 5.4.2 景深感知的光流映射性能分析 |
| 5.4.3 多层次上下文提取模块性能分析 |
| 5.4.4 与当时领先算法的比较 |
| 5.4.5 场景深度估计性能分析 |
| 5.4.6 模型参数与运行时间性能分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的科研成果及参与的项目 |
| 简历 |
（3）异源图像配准方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及结构安排 |
| 2 异源图像配准相关理论 |
| 2.1 异源图像配准原理 |
| 2.2 异源图像配准方法及分类 |
| 2.3 变换模型估计 |
| 2.4 异源图像配准变换模型 |
| 2.5 图像插值 |
| 2.6 异源图像配准评价方法 |
| 2.7 本章小结 |
| 3 基于相位一致性和SIFT的特征提取方法 |
| 3.1 图像预处理 |
| 3.2 基于相位一致性的边缘和点特征提取 |
| 3.3 基于改进的SIFT的点特征提取 |
| 3.4 本章实验 |
| 3.5 本章小结 |
| 4 基于NNDR和 JEED的特征匹配方法 |
| 4.1 基于NNDR的特征点初匹配 |
| 4.2 基于JEED的特征点再匹配 |
| 4.3 优化匹配点对 |
| 4.4 本章实验 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于区域分析的图像超分辨与降噪技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文组织安排 |
| 第二章 图像超分辨与降噪技术 |
| 2.1 图像超分辨技术 |
| 2.1.1 图像超分辨的概念 |
| 2.1.2 基于插值的图像超分辨方法 |
| 2.1.3 基于重构的图像超分辨方法 |
| 2.1.4 基于学习的超分辨方法 |
| 2.2 典型的图像降噪算法 |
| 2.2.1 高斯滤波 |
| 2.2.2 双边滤波 |
| 2.2.3 基于PCA的降噪算法 |
| 2.2.4 NLM降噪算法 |
| 2.2.5 BM3D降噪算法 |
| 2.3 图像的降质模型及质量评价标准 |
| 2.3.1 图像的降质模型 |
| 2.3.2 图像质量的主观评价 |
| 2.3.3 图像质量的客观评价 |
| 2.4 本章小结 |
| 第三章 带噪图像的超分辨算法 |
| 3.1 相关理论介绍 |
| 3.1.1 基于示例学习的模型 |
| 3.1.2 基于边缘聚类的快速超分辨算法 |
| 3.1.3 K均值聚类 |
| 3.2 特征提取 |
| 3.2.1 差异曲率特征提取 |
| 3.2.2 纹理特征提取 |
| 3.3 所提出带噪图像超分辨算法方案 |
| 3.3.1 线下训练阶段 |
| 3.3.2 线上重建阶段 |
| 3.3.3 降噪超分辨的插值结构 |
| 3.4 带噪图像超分辨算法的实验分析 |
| 3.4.1 聚类个数的选取 |
| 3.4.2 超分辨性能比较 |
| 3.4.3 带噪图像超分辨性能比较 |
| 3.5 本章小结 |
| 第四章 带噪图像超分辨算法的硬件仿真 |
| 4.1 降噪过程的实现 |
| 4.1.1 图像数据5 行同步输出模块 |
| 4.1.2 色彩空间的转换 |
| 4.1.3 特征向量的计算 |
| 4.1.4 类别索引 |
| 4.1.5 映射重建 |
| 4.2 超分辨过程的实现 |
| 4.2.1 特征向量的计算 |
| 4.2.2 类别索引 |
| 4.2.3 映射重建 |
| 4.3 数据输出模块 |
| 4.3.1 数据传输调整 |
| 4.3.2 输出显示 |
| 4.4 仿真结果及分析 |
| 4.5 本章小结 |
| 第五章 带噪图像超分辨系统的构建 |
| 5.1 小型相机系统的实现 |
| 5.1.1 相机系统的总体介绍及成品展示 |
| 5.1.2 相机数据流的传输流程 |
| 5.1.3 相机系统展示 |
| 5.2 基于拜尔模板的双边滤波的原理及实现 |
| 5.2.1 基于Bayer模板双边滤波的原理及效果 |
| 5.2.2 基于Bayer模板双边滤波的实现及效果 |
| 5.3 改进型直方图均衡扩展的原理及实现 |
| 5.4 带噪图像的超分辨系统的实现及效果 |
| 5.4.1 图像采集行场时序说明 |
| 5.4.2 带噪超分辨系统的实现说明 |
| 5.4.3 带噪超分辨系统的成像效果展示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于先验约束的超分辨率图像复原方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 超分辨率图像复原问题的描述 |
| 1.2.1 光学成像的退化降质过程 |
| 1.2.2 超分辨率图像复原方法分类 |
| 1.2.3 超分辨率图像复原质量的评价 |
| 1.3 超分辨率图像复原的国内外研究综述 |
| 1.3.1 基于重建的超分辨率图像复原 |
| 1.3.2 基于学习的超分辨率图像复原 |
| 1.3.3 基于稀疏字典学习的超分辨率图像复原 |
| 1.3.4 视频超分辨率复原 |
| 1.3.5 其他超分辨率复原方法 |
| 1.4 研究内容和论文的组织 |
| 1.4.1 研究内容 |
| 1.4.2 论文的组织 |
| 2 基于邻域像素扩展的广义全变分正则化超分辨率图像复原 |
| 2.1 引言 |
| 2.2 基于MAP估计求解框架的超分辨率复原和正则化函数构建原则 |
| 2.2.1 基于MAP估计求解框架的超分辨率图像复原 |
| 2.2.2 正则化函数的构建原则 |
| 2.3 邻域像素扩展的广义全变分正则化函数和MM迭代寻优 |
| 2.3.1 关于双边全变分 |
| 2.3.2 Minkowski距离和邻域像素扩展的广义全变分 |
| 2.3.3 E-GTV结合优化-最小化迭代寻优的正则化算法 |
| 2.4 仿真实验结果与分析 |
| 2.4.1 BTV中采用不同范数函数形式的性能比较 |
| 2.4.2 标准测试图像和自拍图像的超分辨率复原实验 |
| 2.4.3 遥感影像的超分辨率图像复原实验 |
| 2.5 本章小结 |
| 3 基于改进保真项与自适应双边全变分的正则化超分辨率图像复原 |
| 3.1 引言 |
| 3.2 图像观测模型和代价函数 |
| 3.3 TUKEY范数构建保真项和权值自适应BTV正则化 |
| 3.3.1 双边全变分(BTV)正则化项 |
| 3.3.2 鲁棒估计与Tukey范数函数 |
| 3.3.3 Tukey范数构建保真项结合权值自适应BTV正则化算法 |
| 3.4 仿真实验结果与分析 |
| 3.4.1 标准测试图像Lena的超分辨率复原实验 |
| 3.4.2 文本图像的超分辨率复原实验 |
| 3.4.3 自拍图像的超分辨率复原实验 |
| 3.4.4 使用结构相似性SSIM指标的算法性能评价 |
| 3.4.5 遥感影像超分辨率复原实验 |
| 3.5 本章小结 |
| 4 基于自适应稀疏表示结合正则化约束的超分辨图像复原 |
| 4.1 引言 |
| 4.2 稀疏表示和稀疏性约束 |
| 4.3 非局部自相似先验的正则化技术策略 |
| 4.4 自适应稀疏表示和改进的非局部自相似正则化项及SRIR算法 |
| 4.4.1 图像块几何结构信息分析和自适应稀疏表示 |
| 4.4.2 改进的非局部自相似正则化 |
| 4.4.3 基于自适应稀疏表示结合改进的非局部自相似正则化算法 |
| 4.5 仿真实验结果与分析 |
| 4.5.1 参数设置 |
| 4.5.2 算法对于不同训练样本集的鲁棒性实验 |
| 4.5.3 无噪和加噪情况下的实验 |
| 4.5.4 计算效率实验 |
| 4.6 本章小结 |
| 5 基于像素流和时间特征先验的视频超分辨率复原 |
| 5.1 基于视频时间的超分辨率复原方法存在的问题 |
| 5.2 空间模糊与运动模糊的形成机制 |
| 5.3 像素流及退化降质过程建模 |
| 5.3.1 关于像素流 |
| 5.3.2 像素流退化降质过程建模 |
| 5.4 时间特征先验作为解空间约束的像素流超分辨率图像复原 |
| 5.4.1 像素流SRIR的贝叶斯推理 |
| 5.4.2 像素流与基于时间特征先验作为解空间约束的建模 |
| 5.4.3 像素流超分辨率复原结果的估计 |
| 5.5 低帧率运动模糊单视频的时间超分辨率复原 |
| 5.6 基于像素流和时间特征先验建模的时-空SRIR算法 |
| 5.7 仿真实验结果与分析 |
| 5.7.1 不同的超分辨率复原算法对测试视频的实验比较 |
| 5.7.2 不同超分辨率算法对真实视频复原的实验比较 |
| 5.8 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于机器视觉的荞麦剥壳性能参数在线检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉技术在农产品检测中的应用 |
| 1.2.2 图像中颗粒对象的粘连分割 |
| 1.3 存在的问题及研究内容 |
| 1.3.1 存在的问题 |
| 1.3.2 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 2 荞麦剥壳性能参数在线检测试验台架与图像预处理 |
| 2.1 剥壳机组与试验台架 |
| 2.1.1 荞麦剥壳机组 |
| 2.1.2 荞麦籽粒的取料匀料 |
| 2.1.3 图像采集与处理设备 |
| 2.1.4 照明光源 |
| 2.2 荞麦籽粒图像的插值重建 |
| 2.2.1 工业相机中的颜色滤波阵列 |
| 2.2.2 图像中籽粒边缘的拉链效应 |
| 2.2.3 带二阶拉普拉斯修正项的边缘自适应插值算法 |
| 2.3 荞麦籽粒图像的增强 |
| 2.3.1 荞麦籽粒图像中的伪彩色 |
| 2.3.2 荞麦籽粒图像的空间域滤波 |
| 2.3.3 荞麦籽粒图像的对比度增强 |
| 2.4 本章小结 |
| 3 荞麦籽粒图像的背景分割 |
| 3.1 图像的背景分割 |
| 3.2 荞麦籽粒图像的阈值分割 |
| 3.2.1 彩色图像的颜色空间及灰度化 |
| 3.2.2 灰度图像的阈值分割 |
| 3.3 荞麦籽粒图像的N× (B-R)灰度化方法 |
| 3.3.1 RGB颜色空间中荞麦籽粒颜色分特点 |
| 3.3.2 荞麦籽粒图像的N× (B-R)灰度化方法 |
| 3.3.3 荞麦籽粒图像的二值化 |
| 3.4 本章小结 |
| 4 荞麦籽粒图像的粘连分割 |
| 4.1 分水岭分割方法 |
| 4.2 粘连荞麦籽粒图像种子点提取方法 |
| 4.2.1 荞麦籽粒的距离图像 |
| 4.2.2 荞麦籽粒的距离骨架图像 |
| 4.2.3 区域极大值滤波提取种子点 |
| 4.3 种子点控制的粘连荞麦籽粒分水岭分割 |
| 4.4 本章小结 |
| 5 荞麦剥出物成分识别与剥壳性能参数检测 |
| 5.1 籽粒样本的交互式快速标注 |
| 5.2 荞麦籽粒特征的提取 |
| 5.3 荞麦剥出物中籽粒类别的识别 |
| 5.3.1 神经网络识别方法 |
| 5.3.2 荞麦籽粒的BP神经网络识别 |
| 5.4 荞麦剥壳性能检测 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）接触式图像传感器彩色图像重建方法研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究状况 |
| 1.2.1 图像超分辨率重建方法 |
| 1.2.2 图像配准方法 |
| 1.2.3 图像去马赛克方法 |
| 1.2.4 图像去噪方法 |
| 1.3 本文研究内容 |
| 2 彩色CIS成像原理 |
| 2.1 引言 |
| 2.2 接触式图像传感器(CIS)成像原理 |
| 2.2.1 CIS模块结构及工作原理 |
| 2.2.2 彩色CIS成像原理 |
| 2.3 彩色CIS图像分析 |
| 2.4 彩色CIS图像重建问题分析 |
| 2.4.1 分辨率丢失问题 |
| 2.4.2 三色分离问题 |
| 2.4.3 噪声问题 |
| 2.5 本章总结 |
| 3 基于群组和在线字典学习的超分辨率图像重建算法 |
| 3.1 引言 |
| 3.2 基于稀疏表示的超分辨率图像重建算法 |
| 3.2.1 基于样例的超分辨率重建算法 |
| 3.2.2 自然图像稀疏先验 |
| 3.2.3 基于稀疏表示的超分辨率图像重建算法 |
| 3.3 基于群组的稀疏表示 |
| 3.3.1 图像非局部自相似先验 |
| 3.3.2 基于群组的稀疏表示建模 |
| 3.4 在线字典学习 |
| 3.5 同步稀疏编码 |
| 3.6 算法流程 |
| 3.6.1 在线字典学习阶段 |
| 3.6.2 稀疏编码重建阶段 |
| 3.7 实验分析 |
| 3.7.1 实验设计及参数设置 |
| 3.7.2 基于无噪自然图像的对比实验 |
| 3.7.3 基于含噪自然图像的对比实验 |
| 3.7.4 基于CIS图像的对比实验 |
| 3.7.5 运算时间对比 |
| 3.8 本章总结 |
| 4 结合引导滤波器的彩色图像重建算法 |
| 4.1 引言 |
| 4.2 典型的颜色空间 |
| 4.2.1 RGB颜色空间 |
| 4.2.2 CMY颜色空间 |
| 4.2.3 YUV颜色族 |
| 4.2.4 HSI颜色族 |
| 4.2.5 CIE颜色族 |
| 4.2.6 颜色空间的比较与选择 |
| 4.3 引导滤波器 |
| 4.3.1 引导滤波器 |
| 4.3.2 引导滤波器特性 |
| 4.3.3 引导滤波器参数分析 |
| 4.4 算法流程 |
| 4.5 实验分析 |
| 4.5.1 实验设计及参数设置 |
| 4.5.2 无噪自然图像对比实验 |
| 4.5.3 含噪自然图像对比实验 |
| 4.5.4 CIS图像对比实验 |
| 4.6 本章总结 |
| 5 结合超分辨率重建与图像去马赛克的彩色CIS图像重建算法 |
| 5.1 引言 |
| 5.2 彩色CIS图像重建问题 |
| 5.3 通道间相关正则项 |
| 5.3.1 通道间相关性 |
| 5.3.2 通道间相关正则项 |
| 5.4 基于遗传算法的最优化过程 |
| 5.4.1 遗传算法 |
| 5.4.2 利用遗传算法求解彩色CIS图像重建最优化问题 |
| 5.5 算法流程 |
| 5.5.1 超分辨率重建阶段 |
| 5.5.2 彩色图像重建阶段 |
| 5.6 实验分析 |
| 5.6.1 实验设计及参数设置 |
| 5.6.2 基于模拟CIS图像的对比实验 |
| 5.6.3 基于真实CIS图像的对比实验 |
| 5.6.4 运算时间对比 |
| 5.7 本章总结 |
| 6 基于灰度变换的彩色CIS图像快速重建算法 |
| 6.1 引言 |
| 6.2 基于灰度变换的重建算法 |
| 6.2.1 图像特性分析 |
| 6.2.2 基于灰度变换的重建算法 |
| 6.3 基于互信息的改进算法 |
| 6.3.1 互信息 |
| 6.3.2 改进算法 |
| 6.4 基于主成分分析的去噪算法 |
| 6.4.1 主成分分析 |
| 6.4.2 基于群组的去噪算法 |
| 6.5 算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验设计与参数设置 |
| 6.6.2 基于模拟CIS图像的对比实验 |
| 6.6.3 基于真实CIS图像的对比实验 |
| 6.6.4 运算时间对比 |
| 6.7 本章总结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士期间发表的论文及科研项目情况 |
| 致谢 |
（8）光学遥感成像误差建模与图像质量提升方法（论文提纲范文）
| 缩略语说明 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像质量退化过程建模的研究现状 |
| 1.2.2 图像质量提升处理的研究现状 |
| 1.3 论文主要工作 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 第二章 光学遥感成像误差建模 |
| 2.1 成像模型的数学描述 |
| 2.2 光学遥感成像链路的主要误差模型 |
| 2.2.1 平台振动对成像质量的影响建模 |
| 2.2.2 光学系统对成像质量的影响建模 |
| 2.2.3 探测器对成像质量的影响建模 |
| 2.3 遥感成像主要误差模型的广义高斯函数表示 |
| 2.3.1 理论分析 |
| 2.3.2 实验分析 |
| 2.4 平台姿态的高精度测量与误差抑制 |
| 2.4.1 基于角距的星敏感器地基标定的数学建模 |
| 2.4.2 基于递归平均滤波器的参数估计方法 |
| 2.4.3 地面观星实验及分析 |
| 2.5 本章小结 |
| 第三章 基于图像的遥感成像误差辨识与抑制 |
| 3.1 基于图像频谱和倒谱特征的平台运动误差辨识与抑制 |
| 3.1.1 图像的频谱与倒谱介绍 |
| 3.1.2 单一运动误差在图像中的表现 |
| 3.1.3 混合运动误差的特点分析 |
| 3.1.4 平台误差参数辨识 |
| 3.2 基于模糊推理的椒盐噪声辨识与抑制 |
| 3.2.1 问题描述 |
| 3.2.2 模糊中值滤波方法 |
| 3.2.3 模糊中值滤波的性能分析 |
| 3.2.4 模糊滤波思想在其它滤波方法中的推广 |
| 3.2.5 数值实验 |
| 3.3 基于图像的点扩散函数辨识 |
| 3.3.1 图像点扩散函数辨识模型 |
| 3.3.2 迭代算法设计 |
| 3.3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 遥感图像复原的稀疏表示方法 |
| 4.1 图像复原问题描述及现有方法特点 |
| 4.1.1 图像复原问题描述 |
| 4.1.2 现有图像复原方法分析 |
| 4.2 空不变退化图像的复原方法 |
| 4.2.1 基于复数小波表示的图像复原方法 |
| 4.2.2 退化核函数未知时的盲复原方法 |
| 4.3 空变退化图像的复原方法 |
| 4.3.1 空不变图像复原方法向空变复原方法的推广 |
| 4.3.2 实验结果及分析 |
| 4.4 大场景遥感图像复原处理的瀑布型多重网格算法 |
| 4.4.1 瀑布型多重网格简介 |
| 4.4.2 图像复原的瀑布型多重网格算法 |
| 4.4.3 瀑布型多重网格算法在其他图像复原模型中的推广 |
| 4.4.4 数值计算结果及分析 |
| 4.5 本章小结 |
| 第五章 遥感图像质量提升的压缩感知方法 |
| 5.1 图像修复的压缩感知方法 |
| 5.1.1 压缩感知的基本理论 |
| 5.1.2 压缩感知框架下的图像修复模型 |
| 5.1.3 压缩感知框架下的图像修复模型求解 |
| 5.1.4 实验结果与分析 |
| 5.2 图像插值的压缩感知方法 |
| 5.2.1 压缩感知框架下的图像插值模型 |
| 5.2.2 实验结果与分析 |
| 5.3 图像频谱扩展的压缩感知方法 |
| 5.3.1 压缩感知框架下的图像频谱扩展模型 |
| 5.3.2 阈值化修正算法 |
| 5.3.3 实验结果及分析 |
| 5.4 基于正则化算子的投影测量矩阵优化及应用 |
| 5.4.1 投影测量阵的重构性能分析 |
| 5.4.2 投影测量阵的优化设计及应用 |
| 5.4.3 数值仿真 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文工作总结 |
| 6.2 主要创新 |
| 6.3 相关研究工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）基于数学形态学的边缘检测算法及其在图像缩放中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 图像边缘检测技术背景 |
| 1.2 边缘检测算法研究现状 |
| 1.3 图像缩放概述 |
| 1.4 论文内容及结构安排 |
| 第2章 图像边缘与边缘检测算法 |
| 2.1 图像边缘及边缘检测 |
| 2.2 经典边缘检测算子法 |
| 2.3 最优边缘检测算子法 |
| 2.4 实验结果及分析 |
| 2.5 本章小结 |
| 第3章 数学形态学 |
| 3.1 数学形态学简介 |
| 3.2 二值图像的数学形态学处理 |
| 3.3 灰度图像的数学形态学处理 |
| 3.4 本章小结 |
| 第4章 基于数学形态学的边缘检测算法 |
| 4.1 形态学基本边缘检测算子 |
| 4.2 不同结构元素的选取 |
| 4.3 几种滤噪算法的设计 |
| 4.4 基于形态学滤波处理的边缘检测算子 |
| 4.5 多尺度结构元素边缘检测算法 |
| 4.6 一种新型多尺度边缘检测算法 |
| 4.7 实验结果与分析 |
| 4.8 本章小结 |
| 第5章 基于数学形态学的边缘检测算法在图像缩放中的应用 |
| 5.1 图像插值与图像缩放原理 |
| 5.2 经典图像缩放插值算法 |
| 5.3 基于数学形态学的边缘检测算法在图像缩放中的应用 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 个人简历及攻读学位期间的研究成果 |
| 致谢 |
（10）数字图像自适应插值技术及其应用研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 图像插值技术及其历史发展 |
| 1.2 图像插值技术的应用 |
| 1.3 本课题的研究意义与主要研究内容 |
| 2 图像插值理论研究 |
| 2.1 信号采样与sinc 函数插值 |
| 2.1.1 采样定理 |
| 2.1.2 sinc 函数插值 |
| 2.1.3 频域插值方法 |
| 2.2 图像降质复原模型 |
| 2.2.1 图像降质模型 |
| 2.2.2 图像复原模型 |
| 2.3 图像插值问题的仿真模型 |
| 2.3.1 降质模型 |
| 2.3.2 边缘模型 |
| 2.4 图像超分辨率问题的病态性 |
| 3 图像插值技术研究 |
| 3.1 线性移不变插值技术 |
| 3.1.1 最近邻插值 |
| 3.1.2 线性插值 |
| 3.1.3 三次卷积插值 |
| 3.1.4 多项式插值 |
| 3.1.5 样条插值 |
| 3.1.6 高斯插值 |
| 3.1.7 小结 |
| 3.2 自适应插值技术 |
| 3.2.1 双信道插值 |
| 3.2.2 分形插值 |
| 3.2.3 小波插值 |
| 3.2.4 定向插值 |
| 3.2.5 偏微分方程插值 |
| 3.2.6 有理插值 |
| 3.2.7 小结 |
| 3.3 图像插值后处理技术 |
| 3.3.1 反锐化掩模法 |
| 3.3.2 迭代复原法 |
| 3.4 小结 |
| 4 基于有理滤波的图像插值模糊自适应消除 |
| 4.1 图像插值模糊成因分析 |
| 4.2 一维有理模糊消除算子 |
| 4.2.1 基本算子 |
| 4.2.2 算子的推广 |
| 4.3 二维有理模糊消除算子 |
| 4.4 图像插值模糊的自适应消除 |
| 4.4.1 图像预插值 |
| 4.4.2 像素分类 |
| 4.4.3 滤波算子 |
| 4.4.4 迭代收敛条件 |
| 4.5 实验结果与算法性能分析 |
| 4.5.1 图像质量主观评价 |
| 4.5.2 图像边缘仿真实验 |
| 4.5.3 图像质量客观评价 |
| 4.5.4 图像插值模糊消除算法的对比研究 |
| 4.5.6 自适应模糊消除算法与插值算法的比较 |
| 4.6 小结 |
| 5 图像插值模糊消除算法在数码相机成像中的应用 |
| 5.1 图像预处理 |
| 5.2 彩色图像的插值模糊消除 |
| 5.2.1 彩色空间 |
| 5.2.2 彩色图像插值模糊消除方案 |
| 5.3 数码相机图像的实际处理结果 |
| 6 结论 |
| 致谢 |
| 参考文献 |
| 附:作者在攻读硕士学位期间发表的论文 |
| 独创性声明 |
| 学位论文版权使用授权书 |
四、基于边缘敏感滤波的图像插值模糊消除（论文参考文献）
- [1]基于机器视觉的圆孔形零件尺寸特征检测系统研究[D]. 彭晶鑫. 江南大学, 2021(01)
- [2]视频帧率上变换的递推建模与深度学习方法研究[D]. 包文博. 上海交通大学, 2020(01)
- [3]异源图像配准方法研究[D]. 白春梦. 中国矿业大学, 2020(03)
- [4]基于区域分析的图像超分辨与降噪技术研究[D]. 杨飘. 电子科技大学, 2020(07)
- [5]基于先验约束的超分辨率图像复原方法研究[D]. 徐梦溪. 南京理工大学, 2020(01)
- [6]基于机器视觉的荞麦剥壳性能参数在线检测方法研究[D]. 吕少中. 内蒙古农业大学, 2019
- [7]接触式图像传感器彩色图像重建方法研究[D]. 鹿璇. 武汉大学, 2017(06)
- [8]光学遥感成像误差建模与图像质量提升方法[D]. 王芳. 国防科学技术大学, 2014(04)
- [9]基于数学形态学的边缘检测算法及其在图像缩放中的应用[D]. 艾鑫. 浙江大学, 2011(07)
- [10]数字图像自适应插值技术及其应用研究[D]. 肖义男. 重庆大学, 2005(08)