全景视觉的图像增强技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 课题研究的背景意义 | 第12-14页 |
| 1.2 全景视觉系统研究现状 | 第14-17页 |
| 1.2.1 全景视觉系统概述 | 第14-16页 |
| 1.2.2 全景视觉模型的研究现状 | 第16-17页 |
| 1.3 图像增强的研究现状 | 第17-25页 |
| 1.3.1 图像增强概述 | 第17-18页 |
| 1.3.2 图像增强、图像融合与图像重建的关系 | 第18-19页 |
| 1.3.3 图像增强研究方法的现状 | 第19-25页 |
| 1.4 本文研究内容和组织结构 | 第25-28页 |
| 第2章 全景视觉图像增强的相关算法研究 | 第28-41页 |
| 2.1 引言 | 第28页 |
| 2.2 全景视觉系统成像模型 | 第28-30页 |
| 2.3 全景图像展开算法 | 第30-34页 |
| 2.3.1 柱面展开 | 第31-32页 |
| 2.3.2 透视展开 | 第32-34页 |
| 2.4 超分辨率(SR)增强的基本原理 | 第34-36页 |
| 2.5 图像质量评价方法 | 第36-40页 |
| 2.5.1 主观评价方法 | 第36-37页 |
| 2.5.2 客观评价方法 | 第37-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第3章 基于方差分组赋权的MAP超分辨率增强 | 第41-66页 |
| 3.1 引言 | 第41页 |
| 3.2 图像的退化模型 | 第41-42页 |
| 3.3 模型最优化问题 | 第42-43页 |
| 3.4 超分辨率(SR)增强的算法模型 | 第43-47页 |
| 3.4.1 基于MAP的图像高分辨率增强算法 | 第43-45页 |
| 3.4.2 MAP模型的优化求解过程 | 第45-46页 |
| 3.4.3 自适应权值的设定 | 第46-47页 |
| 3.5 算法分组方法的优化 | 第47-52页 |
| 3.5.1 奇异帧筛除 | 第47-50页 |
| 3.5.2 组内的等权值重建 | 第50-51页 |
| 3.5.3 组间的自适应权值重建 | 第51-52页 |
| 3.6 实验方法及过程 | 第52-54页 |
| 3.7 实验结果与分析 | 第54-65页 |
| 3.7.1 实验一:普通图像 | 第54-61页 |
| 3.7.2 实验二:全景透视图像 | 第61-65页 |
| 3.8 本章小结 | 第65-66页 |
| 第4章 基于学习的锥形塔超分辨率增强方法 | 第66-85页 |
| 4.1 引言 | 第66页 |
| 4.2 图像的金字塔模型 | 第66-71页 |
| 4.2.1 高斯型金字塔 | 第67-69页 |
| 4.2.2 拉普拉斯型金字塔 | 第69-71页 |
| 4.3 基于学习的金字塔模型的增强原理 | 第71-76页 |
| 4.3.1 金字塔模型的增强原理 | 第71-73页 |
| 4.3.2 塔状父结构 | 第73页 |
| 4.3.3 搜索匹配过程 | 第73-75页 |
| 4.3.4 学习方法描述 | 第75-76页 |
| 4.4 金字塔模型向锥形塔模型的改进 | 第76-79页 |
| 4.4.1 全景图像与普通图像的区别 | 第76-77页 |
| 4.4.2 锥形塔的建立 | 第77-79页 |
| 4.5 实验方法及过程 | 第79页 |
| 4.6 实验结果与分析 | 第79-84页 |
| 4.7 本章小结 | 第84-85页 |
| 第5章 基于三维空间曲面的图像增强方法 | 第85-118页 |
| 5.1 引言 | 第85页 |
| 5.2 三维坐标模型的建立 | 第85-89页 |
| 5.2.1 传统二维坐标模型的研究内容 | 第85-88页 |
| 5.2.2 升维思想 | 第88-89页 |
| 5.3 曲面拟合 | 第89-93页 |
| 5.3.1 灰度曲面的拓扑特性 | 第89-91页 |
| 5.3.2 曲面拟合的数学方法 | 第91-93页 |
| 5.4 实验方法及过程 | 第93-99页 |
| 5.5 实验结果与分析 | 第99-116页 |
| 5.5.1 实验一:普通图像 | 第99-106页 |
| 5.5.2 实验二:全景非展开图像 | 第106-116页 |
| 5.6 本章小结 | 第116-118页 |
| 结论 | 第118-121页 |
| 参考文献 | 第121-130页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第130-131页 |
| 致谢 | 第131-132页 |
