首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

离焦模糊图像的点扩散函数估计及超分辨率重建技术研究

中文摘要第3-5页
英文摘要第5-6页
1 绪论第9-15页
    1.1 课题背景及研究意义第9-10页
    1.2 课题的研究现状第10-13页
        1.2.1 基于插值的方法第10页
        1.2.2 基于重建的方法第10-12页
        1.2.3 基于学习的方法第12-13页
    1.3 本文的研究内容第13-15页
2 图像的稀疏表示理论第15-25页
    2.1 稀疏表示模型第15-16页
    2.2 过完备字典的构建第16-18页
        2.2.1 MOD法第16-17页
        2.2.2 KSVD法第17-18页
        2.2.3 广义PCA法第18页
    2.3 稀疏编码算法第18-21页
        2.3.1 MP法第19-20页
        2.3.2 OMP法第20页
        2.3.3 BP法第20-21页
    2.4 图像质量的评价第21-23页
        2.4.1 主观评价第21页
        2.4.2 客观评价第21-23页
    2.5 本章小结第23-25页
3 离焦模糊图像的点扩散函数估计第25-49页
    3.1 图像的离焦模糊及其点扩散函数模型第25-27页
    3.2 传统的点扩散函数估计方法第27-31页
        3.2.1 基于刃边法的点扩散函数估计第27-29页
        3.2.2 基于频谱零点的点扩散函数估计第29-30页
        3.2.3 传统方法在超分辨率重建中的问题第30-31页
    3.3 基于粒子群算法的点扩散函数估计第31-42页
        3.3.1 高、低分辨率图像的点扩散函数关系分析第31-35页
        3.3.2 粒子群算法原理第35-38页
        3.3.3 适应值的计算第38页
        3.3.4 模糊半径的求解第38-39页
        3.3.5 算法的仿真分析第39-42页
    3.4 基于交替迭代法的点扩散函数估计第42-48页
        3.4.1 算法原理第42-43页
        3.4.2 算法仿真分析第43-48页
    3.5 本章小结第48-49页
4 基于自适应字典学习和BTV_NLM正则化的图像稀疏表示重建第49-75页
    4.1 引言第49-50页
    4.2 字典学习样本的构建第50-53页
        4.2.1 图像的结构相似性第50-52页
        4.2.2 样本金字塔的构建第52-53页
        4.2.3 样本的特征提取第53页
    4.3 自适应字典学习第53-55页
        4.3.1 K均值样本分类第54-55页
        4.3.2 基于PCA的字典学习第55页
        4.3.3 自适应字典的选择第55页
    4.4 基于BTV_NLM正则化的图像稀疏表示重建第55-58页
        4.4.1 非局部均值正则化项第56-57页
        4.4.2 双边总变分正则化项第57页
        4.4.3 图像的重建算法流程第57-58页
    4.5 实验仿真及分析第58-73页
        4.5.1 重建效果的影响因素分析第58-67页
        4.5.2 算法对比实验第67-73页
    4.6 本章小结第73-75页
5 总结与展望第75-77页
    5.1 论文总结第75-76页
    5.2 研究展望第76-77页
致谢第77-79页
参考文献第79-85页
附录第85页
    A.作者在攻读硕士期间发表的论文第85页
    B.作者在攻读硕士期间参加的科研项目第85页

论文共85页,点击 下载论文
上一篇:基于多用户数据去重的备份服务质量研究
下一篇:基于时间序列挖掘的APP安装推荐与卸载预测