一、匀速直线运动模糊图像的卷积模板恢复方法(论文文献综述)
孙晶晶[1](2021)在《低质图像的清晰化方法研究》文中研究表明图像在拍摄过程中受天气(雾、雨雪、阴天)、运动、光照不足等影响加之拍摄硬件设备的限制,会产生严重的退化,造成细节丢失、亮度降低、颜色退化、模糊、辨识度降低等问题,为了提升图像的可识别度以及为后续开展检测、识别、跟踪、分类等,本文针对噪声和运动模糊造成的低质图像进行清晰化的研究。开展了基于各向异性扩散和三维块匹配算法相结合的噪声图像清晰化算法及基于DeblurGAN模型的运动模糊图像的清晰化算法,主要工作内容如下:(1)噪声图像清晰化研究。本文提出了基于各向异性扩散和BM3D相结合的噪声图像清晰化方法。首先,采用改进的各向异性扩散算法对图像进行预处理,通过采用八方向扩散的边缘增强算子和双曲正切函数的扩散系数函数,提高了收敛速度,且边缘增强算子可加强图像的边缘区域及细节信息;然后,将预处理后的图像经过BM3D算法处理,对平滑区域和边缘区域采用不同的方式寻找相似块,平滑区域沿水平和垂直方向寻找,而边缘区域沿垂直和边缘方向搜寻,以更好的获取图像的结构信息;最后通过仿真及实验验证了该方法对噪声图像的清晰化效果。仿真结果表明,本文方法能更好地保留原图像的纹理细节并有效地避免了BM3D算法存在边缘振铃效应的问题,提升了主观视觉感受。实验结果显示,本文算法处理后峰值信噪比指标较BM3D算法高出4.4%,结构相似性高出3%。(2)运动模糊图像清晰化研究。提出一种改进的DeblurGAN的图像运动模糊清晰化方法,以解决DeblurGAN算法在图像边缘细节恢复的不足以及复原图像存在网格效应的问题。首先,在生成器网络中,采用多尺度卷积核神经网络来进行特征提取,添加了级联空洞卷积并采用自适配归一化方法;判别器使用Patch GAN网络。其次,引入梯度图像L1损失并结合对抗损失和感知损失,将其作为图像去模糊的正则约束。最后,将在Go Pro数据集上进行训练得到去模糊的模型。实验结果表明,本文方法在主观上清晰化效果较好,且消除了网格效应;另外,峰值信噪比较DeblurGAN算法高出5.4%,结构相似性指标高出1%。
董星煜[2](2020)在《无人机视觉检测图像的运动模糊复原技术研究》文中研究表明近几年,无人机视觉检测的应用场景越来越广泛。随着应用的深入,对视觉检测图像质量要求越来越高。但是在曝光时间内无人机平台与检测目标之间存在相对运动,拍摄的图像因运动模糊导致质量下降而影响目标识别与测量精度。使用高精稳像设备能抑制高频振动的影响,但难以解决有气流扰动时出现的图像模糊问题。鉴于此,本文主要针对无人机路面检测研究视觉图像运动模糊复原方法。本文的主要工作如下:1)运动模糊的模型建立。本文首先从物理机理上分析了运动模糊的成因,建立了用点扩散函数描述图像退化过程的数学模型。其次阐述了利用图像退化模型求解复原图像的多种方法,并比较了各个方法的优缺点。2)基于频谱分析的图像复原方法研究。针对常规无人机路面检测中出现的小尺度运动模糊,首先分析了将三维相机运动简化为二维运动的可行性。其次,对于水平平动运动模糊与水平旋转运动模糊分别建立了点扩散函数模型,并采用频谱分析的方法估计了点扩散函数信息。最终使用传统方法对模糊图像进行了复原。实验结果表明:该方法对小尺度运动模糊复原效果较好,对大尺度运动模糊与复合运动模糊复原效果不尽人意。3)基于运动信息的卷积神经网络图像复原方法研究。针对大尺度运动与复合运动模糊复原问题,首先推导了三维相机运动到二维像素运动的映射关系。利用该映射关系求解了图像中像素点的运动,并由此设计了基于运动信息的卷积神经网络,该网络对每一像素点给定运动约束,可以有效解决复合运动中像素点运动尺度不同的问题。其次,针对已有训练集无法提供运动信息的问题,提出了基于相机运动的模糊图像生成方法。最后分别采用仿真图像与实景图像进行实验,结果表明:该方法能有效解决复合运动引起的模糊问题并提高无人机视觉检测的精度。
李菁菁[3](2020)在《运动图像去模糊技术研究》文中认为随着科学技术发展,集成电路工艺的不断进步,为在前端实现实时图像复原提供了硬件支持。运动图像模糊是指相机和被拍物体,两者进行连续性相对运动,导致最后采集到的图像模糊,对其使用存在一定影响。运动图像去模糊就是建立一定数学模型,将模糊图像清晰化。考虑到实际应用场境中待处理图像的大部分模糊信息未知,故采用盲去模糊。盲去模糊难点在于建模复杂且求解不唯一。故构建实时运动图像盲去模糊系统,实现图像去模糊,具有一定的现实意义。本文主要针对在硬件中实现运动图像去模糊系统问题进行研究,主要工作包括以下四个方面:(1)分析在空域和在频域运动模糊图像处理的性能差异。一般情况下,在空域中处理运动模糊图像,计算量大且复杂度高,而在频域中处理运动模糊图像,计算量小且灵活度高。故结合运动模糊图像及去模糊算法特点,分析运动图像去模糊频域处理方式。本文设计了一种基2-DIT-FFT的频域转换硬件算法,以解决一般频域转换过多占用资源、转换时间长、可移植性差等问题。其主要模块包括:输入数据预处理、原位计算、存储模块、蝶形运算模块、溢出检测、截位等。该硬件算法与基于FFT IP核的频域转换算法相比,降低了硬件资源占用率,提高了图像频域转换精度。(2)详细说明图像运动模糊的过程,分析其频谱和倒谱的特点。比较频域法和倒谱法估计的点扩散函数PSF精度,本文采用基于倒谱特性的PSF估计法。并在此基础上,增加Canny算子边缘检测,提高PSF估计精度。(3)考虑硬件实现可行性及复原效果确定合适的经典图像复原算法。比较逆滤波等四种经典复原算法的优劣,采用峰值信噪比、结构相似性、视觉信息保真度三种图像质量评价指标,分析上述复原算法的优缺点,得到复原结果及质量评价指标。(4)系统采用“软硬结合”设计方案,以V Cyclone Altera系列的SOC-DE1为设计平台,利用QSYS连接相关子系统及IP核,构建图像去模糊系统。在FPGA中,设计频域转换,并配置设计所需IP模块,如Frame Reader、SDRAM、显示子系统等。在HPS中,搭载Linux操作系统,利用HPS-FPGA总线访问SDRAM,利用Linux C编程实现运动图像去模糊和传输,利用软件QT设计去模糊系统界面,实现可视化及人机交互功能,其主要功能包括:打开相机、抓拍及图像灰度处理、复原图像等。本系统主要进行了图像频域转换模块、去模糊算法、QT GUI界面及整体硬件系统构建等设计,并在实际环境中对其整体功能进行测试。经验证分析,系统能处理采集的任意图像,能较好地实现模糊图像显示、频域转换及去模糊等基本功能,并且降低了资源占用率,具有一定的实用性和可移植性。
刘畅[4](2019)在《目标跟踪中背景信息抑制与利用方法研究》文中认为视觉目标跟踪是计算机视觉的一个重要组成部分,被广泛应用于视频监控、人机交互、导航定位、军事和航天等领域。在计算机视觉领域,许多图像分析方法让机器接近达到了人类的水平,在此基础上,研究者们开始关注视频信息处理与分析。目标跟踪能够将视频数据结构化,并分析视频中信息的连续变化规律。目标跟踪的发展对视频领域的发展有推动作用。目标跟踪主要研究的是对未知场景未知目标,给定初始帧中目标状态,预测接下来每一帧中目标状态的理论和方法。跟踪场景和目标是多样的,且随时间变化,目标跟踪方法需要具备鲁棒性和自适应性,能用于各种复杂环境,能适应目标与环境随时间的变化。另外,为了实际应用目标跟踪方法,要求其具备实时性。目标跟踪过程中会遇到的主要挑战有光照变化、尺度变化、遮挡、形变、运动模糊、快速运动、内平面旋转、外平面旋转、出视场、背景干扰和低分辨率等。目标跟踪算法的流程一般包括运动模型、特征提取、观测模型和跟踪预测四个步骤。运动模型是预测目标在新一帧可能出现的位置,生成候选目标集。特征提取是提取目标及候选目标的特征,描述物体信息。观测模型是评估候选目标与目标的匹配程度。跟踪预测是用观测的结果预测目标状态。对于跟踪目标,背景信息是一把双刃剑。一方面是干扰目标定位,在跟踪时抑制背景信息能避免把背景误认为目标;另一方面是帮助定位目标,利用目标周围的背景推断目标位置。本文从运动模型、特征提取、观测模型和跟踪预测四方面研究目标跟踪中背景信息的抑制和利用方法,构建了一套完整的有选择地利用背景协助跟踪的体系。主要研究内容如下:第一,提出了目标与背景协同建模的长短期运动模型。该模型分割目标与背景,对目标与背景分别进行跟踪,再对各自的跟踪结果协同建模,学习目标与背景之间关系随时间变化的规律。短期运动模型在较大局部区域内预测目标运动,并评估目标跟踪的稳定性。当短期跟踪稳定性下降时,长期运动模型在全场景生成数个目标可能出现的候选区域。短期运动模型使普通跟踪器在更大范围内跟踪目标,能够解决快速运动问题;长期运动模型在目标丢失后全图重新检测目标并恢复目标跟踪。实验结果表明,提出的目标与背景协同建模的长短期运动模型能够解决目标丢失问题,对长时间视频中的目标跟踪取得良好效果。第二,提出了结构性优化卷积网络的目标与背景特征提取方法。该方法由通道选择的主成分分析(Principal Component Analysis with Channel Selection,PCACS)降维方法,使用目标变化背景输出(Target Variation and Background Output,TVBO)代价函数的通道选择方法和单样本权值重建方法等三个部分组成。PCACS综合考虑特征图信息量和跟踪误差,从最后一个卷积层获取优秀低维特征。最小化TVBO能够选出代表性的通道,保持目标部分信息基本不变,使背景部分输出信息变小,优化网络结构。单样本权值重建方法重新学习裁剪后网络的权值,降低目标信息损失。实验结果表明,结构性优化的网络具有较强的目标背景区分能力,可以提高跟踪精度和速度,降低计算资源需求。第三,提出了多层背景自适应相关滤波观测模型。相关滤波方法(Discriminative Correlation Filter,DCF)在视觉跟踪中展现了优越的精度和较高的效率。DCF中的上下文是指目标周围一定范围内的背景,具有两个作用,一个是干扰目标定位,另一个是为目标定位提供线索。该模型首先构造上下文金字塔来表示目标与背景之间的关系。然后提出上下文自适应空间窗格方法,控制金字塔每一层中上下文信息在DCF学习中发挥的作用。上下文自适应空间窗格可以抑制背景的干扰,使目标更容易被跟踪。最后,用上下文金字塔的多层结构,根据环境自适应地选择合适的背景对目标定位。实验结果表明,即使使用传统特征,提出的多层上下文自适应相关滤波观测模型取得了与深度学习方法相似的跟踪精度,同时满足实际应用的实时性。第四,提出了基于背景中辅助目标的跟踪预测方法。在目标的动态背景中存在有利于目标跟踪的信息。使用辅助目标来描述目标的动态背景,在跟踪目标的同时建立辅助目标与目标之间的运动依赖关系。用多个辅助目标预测目标的位置,将辅助目标预测结果与目标跟踪器预测结果融合得到目标位置。基于辅助目标的目标跟踪方法可以与其他目标跟踪器结合,具有推广泛化能力。实验结果表明,辅助目标在目标预测中发挥了重要作用,与其他目标跟踪方法对比结果表明,有更好的鲁棒性和目标跟踪精度。最后对背景信息抑制与利用方法在目标跟踪中各个环节发挥的作用与特点进行了分析。本文针对目标跟踪问题,从运动模型、特征提取、观测模型和跟踪预测四个方面研究背景信息在目标跟踪各组成部分中发挥的作用。提出的方法组成了完整的目标跟踪框架,提高了目标跟踪的鲁棒性、自适应性和实时性。
喜文飞[5](2019)在《滇东北山区无人机遥感影像预处理方法及滑坡特征识别研究》文中研究指明滇东北地区是云南省滑坡多发地区,已发生过多起大型灾害性滑坡。1991年9月23日昭通市盘河乡头寨村发生的滑坡造成了216人死亡,7人受伤,直接经济损失约1200万元。目前,利用遥感影像对滑坡的活动性、发生发展过程监测是减轻其灾害的重要手段之一。由于无人机遥感技术在获取滑坡灾害遥感数据过程中的快速、灵活、成本低及获取的遥感影像时空分辨率高于卫星遥感数据等优势,无人机遥感技术在滑坡监测、灾害损失评估等研究中已广泛使用。但在地形高差巨大、切割强烈、峡谷纵横的山区,无人机在获取影像过程中通常都会受到地形、局地环流、气流的严重影响,获取的无人机影像常常存在模糊不清、曝光不足、阴影区较大、畸变强烈等问题,同时无人机影像拼接过程还存在匹配误差,匹配错位的现象。这些质量不高的无人机遥感影像无法满足对滑坡特征、活动性、危险性等识别和判断。因此,研究如何通过影像处理的方法对无人机原始影像进行预处理,以获取深切峡谷山区满足工作需要的高质量无人机影像成为开展滑坡等地质灾害监测和研究的关键。论文以滇东北山区无人机滑坡影像为研究对象,开展了山区无人机模糊影像自动识别和运动模糊影像恢复方法,山区无人机影像增强方法,山区无人机影像匹配点粗差剔除方法研究,并利用这些方法对无人机影像进行了处理,获取高质量的、满足进行滑坡体特征识别的影像,论文主要结论如下:(1)无人机影像地物的边缘特征是反应影像清晰度的重要参数,对比分析了目前四种经典的边缘特征提取算子,实验结果显示,高斯-拉普拉斯算子可以很好的提取影像地物边缘。论文提出了采用高斯-拉普拉斯算法精确提取无人机影像的地物边缘特征,结合影像特征灰度方差大小进行模糊影像自动识别的方法。结合实验进行分析,从获取的517幅无人机影像中可以快速的、准确的自动识别出模糊影像,准确率100%,该算法在模糊影像自动识别中效果较好。(2)山区无人机影像受局部气流的影响容易产生运动模糊。分析了无人机影像产生运动模糊的原因,恢复模糊影像的关键因素是获取精确的模糊核。论文提出了一种利用先验知识预估模糊核的算法,通过计算模糊影像和样本影像之间的残差,拟合多项式,计算出精确的模糊核,结合维纳滤波算法进行影像恢复。对获取的无人机模糊影像进行验证,运动模糊影像水平方向模糊核的预估准确度达到100%,该方法可以很好的恢复运动模糊影像,提高影像质量。(3)受山区地形因素的影响,无人机获取的影像存在曝光不足及影像上有阴影的现象,该区域的影像像素亮度被压缩,信息欠缺,对滑坡信息的识别产生影响。在对比分析了目前四种遥感影像增强算法的基础上,提出了一种去除无人机遥感影像阴影的组合算法,该算法将Retinex算法与二维伽马函数组合,既可以去除无人机影像的阴影区域,还可以校正影像增强之后产生的明暗不均现象,组合算法比传统的无人机影像阴影去除算法效果好。(4)无人机影像拼接过程中,特征点的准确度直接影响到最终的拼接质量,获取鲁棒性较强的特征点是影像拼接的关键步骤。论文在对传统的RANSAC算法进行改进的基础上,提出了一种结合图论进行特征点粗差剔除的新算法,利用新的算法可以获取高精度的单应矩阵。采用RANSAC算法和图论相结合的方法构建了无人机影像匹配特征点粗差剔除系统,可以对山区无人机影像提取的特征点进行粗差剔除,获取鲁棒性较高的特征匹配点。(5)利用经预处理的无人机遥感影像和原始无人机影像开展了鲁甸县龙头山镇和巧家县法土村山体滑坡体特征识别。结果显示,预处理后的影像识别滑坡体特征效果远远优于原始图像。
马少勇[6](2019)在《基于生成式对抗网络的运动模糊图像复原研究》文中提出运动模糊是最常见的模糊类型之一。在拍摄过程中,如果摄像机和物体发生相对运动并且此时摄像机快门较慢时,就会造成运动模糊。运动模糊会影响图像观感,并且会造成图像信息丢失从而对后续诸多算法造成精度下降等影响。由于运动模糊的广泛存在以及目前模糊复原算法仍然无法很好地复原图像,如何从严重模糊的图像中复原得到清晰图像仍然是图像处理领域一个热门研究方向。近几年利用深度学习算法进行模糊图像复原的研究也取得了一些成果。本文开展了基于生成式对抗网络的运动模糊图像复原的研究,主要研究内容包括:(1)论述了传统模糊图像修复算法以及基于深度学习的模糊图像复原算法的发展进程和存在问题,详细描述了深度学习以及基于生成式对抗网络的运动模糊图像复原算法的原理。(2)提出了基于增强型生成式对抗网络的运动模糊图像复原算法。利用缩放卷积(resize convoluation)替代反卷积作为图像上采样策略,有效地消除了过去基于卷积神经网络进行运动模糊图像复原的方法中由于反卷积不均匀重叠而造成的棋盘效应问题;利用压缩激励网络可以提取特征通道权重的特性,将压缩激励网络与残差网络结合为压缩激励残差网络模块(SE-ResBlock);采用多维度的损失函数设计,使得网络最终损失函数能够同时对比像素级别、高维特征级别以及梯度域的图像差异,有效优化了算法去除运动模糊的能力。(3)提出了基于多帧图像和三维变形卷积的运动模糊视频复原算法——VDGAN。由于连续视频图像除了帧内信息外,还包含了大量的帧间信息,上下帧之间通常存在关联。当输入为视频图像时,增强型生成式对抗网络没办法利用多帧信息帮助运动模糊图像复原。因此,可以将当前帧与其前后各2帧图像共同作为输入,利用网络模型最终合成的一帧特征图与当前帧的叠加作为最终输出,VDGAN能够有效地利用多帧信息来提高运动模糊图像复原;此外,提出了三维变形卷积,通过立体变形的采样网格,三维变形卷积能够有效地提取视频图像中的时空信息,并且可以对由于运动模糊而造成的视频图像物体特征形变更好地进行建模,改进了二维标准卷积的不足。(4)针对已提出的模型算法进行模型轻量化处理。深度学习优越的性能很大程度是依赖于深度网络庞大的参数量,但是同时也带来了很多问题,例如计算资源需求大、计算时间长、模型磁盘占用空间多、深度网络的运算成本相对较高等问题。为了有效解决这些问题,提出了将网络模型进行轻量化处理,降低网络参数量等加速方法,提升了网络效率。
杨军[7](2019)在《马铃薯分级系统中退化图像的复原研究》文中进行了进一步梳理近年来,基于机器视觉的应用迎来了前所未有的发展。本文中的马铃薯快速无损检测自动分级系统(以下简称马铃薯分级系统)就是机器视觉技术在农业自动化方面的一个重要应用。在马铃薯分级的采集图像过程中,相机与在滚轮上运动的马铃薯会产生相对运动,从而产生运动模糊,而且会引入噪声,因此分级之前必须用一定的方法改善退化图像的质量,从而提高分级的准确性和高效性。本文设计了 一套实现马铃薯分级系统中退化图像的复原算法。主要研究的内容有:(1)图像的模糊判定。为了避免计算机对清晰图像处理而降低其质量从而浪费信息处理资源的问题,本文提出在对图像进行复原之前,先对图像运用计算其模糊评估参数(BIM值)的方法对图像进行模糊判别,确定该图像是否要进行去模糊操作,进而保证马铃薯分级系统的实时性以及高效性。(2)图像的预处理。马铃薯图像在采集和传输的过程中不可避免会产生噪声,因此本文在对马铃薯模糊图像进行去模糊之前,需要做一些预处理。通过比较,本文最终选择自适应的中值滤波和冲击滤波相结合的方法,去除噪声的同时增强了已被破坏的图像边缘和细节,为后续更准确的估计图像模糊核奠定了基础。(3)模糊核的估计。在对模糊图像进行复原之前,需要先估计出模糊核,然后应用相应的算法对图像进行复原。首先从空域和频域分别研究了模糊核估计的算法,最终选择了基于空域的最小方向微分法和微分自相关方法,分别估计图像的模糊角度和模糊尺度。实验结果表明,估计误差在0~4个单位值,在可允许范围之内。(4)复原图像。本文在对逆滤波、维纳滤波、约束最小二乘法和RL算法研究的基础上,对传统的RL算法进行了改进,运用改进后的RL算法对模糊图像进行复原。在滚轮转速为70ft/min时,进行了马铃薯分级系统中实拍图像的复原实验,经过三种不同曝光时间下的模糊马铃薯图像的实验,证明了本文的整套算法具有一定的适用性和稳定性。(5)复原评价。在本文中,图像的评价穿插在上述过程的每一部分,对本文算法的复原效果提供了客观的评判标准。
汤玉垚[8](2016)在《复杂背景下车牌识别算法的研究》文中指出随着经济和科技的日益发展,车辆数目逐步增长,这使得交通问题日益突出,所以智能城市和智能交通等技术渐渐进入人们视野中,成为一个研究热点,而车牌识别作为其中最为重要的组成部分之一,也显得越来越重要。车牌识别的过程主要包括五大步骤:车牌图像预处理、车牌定位、车牌倾斜校正、车牌字符分割、车牌字符识别。现有的车牌识别算法在这些步骤中都有一些问题,比如当图像中有运动模糊现象时或者在复杂背景中,车牌定位、校正和字符分割等效果不理想,另外,汉字的识别准确率相对较低。本文将针对这些问题进行深入研究。(1)车辆行驶过快时会导致获取的图像中有运动模糊现象,因此本文深入地研究了运动模糊的退化模型,并对其进行分析和推理,发现了其在频域的规律,并根据这个规律提出了基于两次傅里叶变换的计算运动模糊核函数的方法,这种方法需要对模糊图像进行两次傅里叶变换,然后检测直线就可以得到运动模糊角度,获取运动模糊角度后,对第一次傅里叶变换结果进行局部自适应二值化,再旋转投影经过计算获取运动模糊长度,这样就获取了运动模糊的核函数。然后使用改进的Lucy-Richardson方法对图像进行恢复得到较为清晰的图像。实验表明本文的方法不但能够准确计算出模糊核函数,而且改进的Lucy-Richardson方法也可以抑制振铃现象并得到清晰的图像。(2)实际中遇到不同光线强度、有类似车牌区域的其它标牌等复杂环境时,车牌定位效果不理想,本文使用两次颜色标记和连通域分析相结合的方法来定位车牌。实验证实,这种方法不但适应各种复杂环境还提高了车牌定位准确率。(3)文中利用连通域分析的方法求取车牌的水平倾斜角度,然后对其进行旋转,旋转以后再用旋转投影的方法求取垂直校正角度并做错切操作进行校正,在前面校正过程中也需要对连通域的外接矩形做相应的旋转错切等变换,使得校正后字符依旧在各自的连通域外接矩形内,所以这个时候只用对各个字符的外接矩形进行一些处理就可以直接得到车牌分割结果,这样节省了大量的时间,而且实验表明这种方法的准确率也较高。(4)传统的车牌字符识别方法需要人工设计和提取字符特征,如果这些特征不合理就会直接影响车牌识别的准确率,因此本文将深度学习中的卷积神经网络模型用于车牌字符识别,这种模型能够自己学习和提取更好刻画识别目标的特征,实验表明这种方法提高了字符识别的准确性,对汉字识别尤为明显。
吴勇[9](2015)在《卫星平台振动对成像结果影响的仿真》文中研究说明卫星在轨时,为了获取高分辨率的图像,卫星成像平台的振动再加上相机与拍摄对象之间存在的相对运动,将引起目标场景在CCD靶面上形成像移,致使图像的分辨率与对比度下降。因而为了尽可能地提高卫星成像的最终质量,在卫星设计时,往往需要对卫星的各种性能进行全方位的分析研究。通过对卫星振动下卫星成像的过程仿真与成像质量的有效评估,我们能够很好地为卫星成像平台的设计提供参考以及对卫星成像的退化问题提供相应的解决方案。本文的工作主要围绕卫星平台振动下的成像仿真以及退化图像恢复进行展开,主要工作如下:首先,论文对国内外关于卫星成像的仿真研究成果与现状进行了归纳;分析了卫星在轨时卫星振动的产生原理;从成像的物理角度,深入分析了图像的退化过程;引入了图像质量评价方法:主客观以及MTF评价方法。其次,建立了卫星振动下的复杂像移仿真成像模型,针对卫星振动导致的成像系统的复杂像移问题,采用分段线性插值的方法对像移轨迹进行拟合,并对相应的点扩散函数的求解进行了数学建模与理论推导。再次,提出了一种模糊移除算法来解决卫星平台振动导致的图像退化问题;优化了常规多重模糊恢复方法所带来的噪声问题;并针对真实环境下,图像复原遇到的振铃效应,通过最优窗算法对图像的边缘优化处理。另外,开发了一款卫星成像仿真软件。该软件能很好地实现对卫星成像的模糊仿真并提供了多种对退化图像去模糊的解决方案。最后,论文提出采用MTF对仿真软件的模糊仿真实验结果进行评价;进行了多组去模糊实验,并利用主客观评价方法对其复原结果进行分析。
李垒[10](2014)在《无规律运动条件下立木模糊图像恢复方法研究》文中研究指明林业机器人在复杂的林区环境作业时,在松软或者潮湿林地上行走容易发生滑动,这些无规律运动使林业机器人视觉系统获取的图像产生运动模糊,从而影响其作业环境识别和环境建模的准确性;此外,一些大型林业机器人在作业时也经常发生无规律振动或抖动,使其计算机视觉系统获取的图像产生运动模糊。鉴于此,本文作者认为有必要专门研究林业机器人无规律运动条件下的立木运动模糊图像恢复方法。本文主要研究无规律运动条件下立木运动模糊图像恢复方法,研究内容和研究结果如下:1.针对立木运动模糊图像的去噪问题,提出了基于鲁棒联合稀疏编码(RSSC)去噪算法。联合稀疏正则项可有效利用图像块的相似性,同时元素稀疏正则项考虑了图像块之间的差别,从而提高去噪效果。通过实验与K-SVD和BM3D算法进行对比,结果表明,在高斯噪声强度6n=15,(?)n=25,(?)n=35的不同情况下,RSSC算法的SSIM值均要高于K-SVD和BM3D算法。2.针对匀速直线运动模糊图像恢复方法中运动模糊角度鉴别耗时长、计算量大的缺点,提出一种改进的运动模糊角度自动鉴别方法。对目标图像进行切分,由大到小改变步长鉴别运动模糊角度,经过多次方向辨别后,去除差异较大的角度,取平均值得出运动模糊角度。通过实验与传统方法比较,本文提出的方法既减少了计算时间,提高了计算效率,精确度上也优于传统方法。3.提出了基于字典迁移的稀疏正则化运动模糊图像恢复方法。该方法从需要恢复的图像中采集一些图像块作为训练样本,将全局训练的字典迁移到特定的需要去运动模糊的图像上,在学习一组自适应字典的同时又提高了准确率。采用运动模糊核、高斯模糊核、均匀模糊核与Krishnan和Dilip算法进行实验对比,本文提出的方法SSIM值均优于其它两种方法,恢复的图像更接近原始图像,解决了“振铃”现象。4.研究了基于小波框架的运动模糊图像恢复方法,提出了新数学模型。在新数学模型的初始模糊核中引入了两个正则项,一项是减少大量的小框架系数,可以看作是减少大量离散像素;另一项是通过控制剩余极小元偏向较大连接支撑补偿‖Wp‖1所造成的误差。通过平衡调节这两个正则项得到合理的运动模糊核,然后用Bregman法恢复出原始图像。对匀速直线运动、匀速曲线运动和无规律运动的模糊图像进行实验,并与Shan et al.和Fergus et al.方法进行了数据对比,实验证明,本文提出的方法对无规律运动模糊图像的恢复效果最好,SSIM值最高。此外分析了本文方法的抗噪能力,结果表明本文方法抗椒盐噪声能力很强。
二、匀速直线运动模糊图像的卷积模板恢复方法(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、匀速直线运动模糊图像的卷积模板恢复方法(论文提纲范文)
(1)低质图像的清晰化方法研究(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 图像清晰化研究现状 |
1.3 本文研究内容及创新点 |
1.4 论文结构安排 |
第二章 图像清晰化理论知识研究 |
2.1 图像降质理论基础 |
2.1.1 图像降质原理 |
2.1.2 噪声图像类型 |
2.1.3 模糊图像类型 |
2.2 卷积神经网络 |
2.2.1 卷积层 |
2.2.2 激活函数 |
2.2.3 池化层 |
2.2.4 归一化算法 |
2.2.5 Dropout |
2.2.6 空洞卷积 |
2.3 图像复原质量的评价标准 |
2.4 本章小结 |
第三章 基于各向异性扩散和BM3D的噪声图像清晰化 |
3.1 各向异性扩散算法 |
3.2 三维块匹配滤波算法 |
3.3 各向异性扩散算法的改进 |
3.3.1 基于边缘增强算子的各向异性扩散模型 |
3.3.1.1 传统P-M模型扩散方向及其改进 |
3.3.1.2 基于八方向扩散的边缘增强算子模型 |
3.3.1.3 仿真对比 |
3.3.2 基于双曲正切函数的扩散系数函数 |
3.3.2.1 双曲正切扩散函数 |
3.3.2.2 扩散函数的数学分析 |
3.3.3 实验结果与分析 |
3.4 基于各向异性扩散和BM3D的噪声图像清晰化 |
3.4.1 算法整体结构 |
3.4.2 实验结果与分析 |
3.5 本章小结 |
第四章 基于DeblurGAN的运动模糊图像盲复原 |
4.1 DeblurGAN原理 |
4.1.1 条件生成对抗网络 |
4.1.2 DeblurGAN模型 |
4.2 条件生成对抗网络结构设计 |
4.2.1 生成器网络结构 |
4.2.1.1 多尺度特征提取 |
4.2.1.2 级联空洞卷积 |
4.2.1.3 自适应归一化 |
4.2.2 判别器网络结构 |
4.3 损失函数设计 |
4.4 实验结果与分析 |
4.4.1 实验环境配置和数据集预处理 |
4.4.2 消融实验结果分析 |
4.4.3 对比实验结果分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 未来展望 |
参考文献 |
致谢 |
作者简介 |
(2)无人机视觉检测图像的运动模糊复原技术研究(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 |
1.2.1 图像复原传统方法研究现状 |
1.2.2 神经网络图像复原方法研究现状 |
1.3 本文研究内容与章节安排 |
第二章 运动模糊复原相关理论 |
2.1 引言 |
2.2 相关坐标系 |
2.3 图像退化模型 |
2.4 传统模糊图像复原方法 |
2.4.1 逆滤波 |
2.4.2 维纳滤波 |
2.4.3 Lucy-Richardson复原算法 |
2.5 全卷积神经网络结构 |
2.5.1 卷积层 |
2.5.2 池化层 |
2.5.3 激活函数 |
2.5.4 批标准化层 |
2.5.5 上采样层 |
2.5.6 损失函数 |
2.6 图像复原指标评价 |
2.6.1 主观评价方法 |
2.6.2 客观评价方法 |
2.7 本章小结 |
第三章 基于频谱分析的水平扰动运动模糊复原方法 |
3.1 引言 |
3.2 水平扰动运动模糊模型 |
3.3 基于频谱分析图像复原方法 |
3.3.1 平移模糊图像频谱分析 |
3.3.2 旋转运动模糊频谱分析 |
3.3.3 频谱图像预处理方法 |
3.3.4 基于Radon变换的运动信息获取方法 |
3.3.5 复原图像估计方法 |
3.4 仿真数据验证结果及分析 |
3.4.1 估计参数的准确性验证实验 |
3.4.2 复原效果验证实验 |
3.5 本章小结 |
第四章 基于卷积神经网络的复合扰动运动模糊复原方法 |
4.1 引言 |
4.2 复合扰动运动模糊模型 |
4.3 基于运动信息辅助的神经网络 |
4.3.1 网络结构与参数设计 |
4.3.2 运动信息计算与训练集生成 |
4.4 实验结果及分析 |
4.4.1 实验环境及设置 |
4.4.2 网络性能测试实验 |
4.4.3 经典方法对比实验 |
4.5 本章小结 |
第五章 实景图像实验验证 |
5.1 引言 |
5.2 复原图像相似度验证实验 |
5.3 无人机检测图像复原实验 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文总结与主要创新点 |
6.2 对后续工作的展望 |
参考文献 |
致谢 |
攻读硕士学位期间已发表或录用的论文 |
(3)运动图像去模糊技术研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 前言 |
1.1 课题研究目的及意义 |
1.2 课题的研究背景及发展现状 |
1.2.1 图像去模糊技术研究背景及发展现状 |
1.2.2 非盲去模糊方法研究背景及发展现状 |
1.2.3 盲去模糊方法研究背景及发展现状 |
1.2.4 图像处理系统研究背景及发展现状 |
1.2.5 图像频域转换算法研究背景及发展现状 |
1.3 本文主要内容与结构安排 |
1.4 本章小结 |
第二章 运动图像去模糊算法理论 |
2.1 运动图像去模糊基本理论 |
2.1.1 常见模糊类型 |
2.1.2 图像退化模型 |
2.1.3 图像先验知识 |
2.2 图像复原质量评价指标 |
2.2.1 峰值信噪比(PSNR) |
2.2.2 结构相似性(SSIM) |
2.2.3 视觉信息保真度(VIF) |
2.3 图像复原经典算法 |
2.3.1 逆滤波复原 |
2.3.2 维纳滤波复原 |
2.3.3 约束最小二乘法复原 |
2.3.4 Rischardson-Lucy滤波复原 |
2.3.5 四种经典图像复原的实验结果及分析 |
2.4 本章小结 |
第三章 基于频谱特性的模糊核估计 |
3.1 傅里叶变换理论及基本应用 |
3.2 运动模糊图像频域特征分析 |
3.3 运动图像倒谱分析 |
3.4 基于倒谱特性的模糊核估计 |
3.4.1 Canny算子选择 |
3.4.2 算法具体实现 |
3.4.3 算法实验结果及分析 |
3.5 本章小结 |
第四章 基于FPGA的模糊图像频域优化设计 |
4.1 FFT常用算法介绍 |
4.1.1 基2-时域抽取算法 |
4.1.2 基2-频域抽取算法 |
4.2 FFT通用结构介绍 |
4.2.1 顺序结构 |
4.2.2 并行结构 |
4.2.3 流水线结构 |
4.2.4 阵列结构 |
4.3 一维FFT结构优化设计 |
4.3.1 RAM存储模块 |
4.3.2 ROM存储模块 |
4.3.3 蝶形运算单元模块 |
4.3.4 时序控制模块 |
4.4 二维FFT结构优化设计 |
4.5 仿真测试结果 |
4.5.1 一维FFT仿真测试结果 |
4.5.2 二维FFT仿真测试结果 |
4.6 本章小结 |
第五章 运动图像去模糊系统实现 |
5.1 系统框架 |
5.1.1 系统组成 |
5.1.2 系统流程 |
5.2 系统硬件平台构建 |
5.2.1 DE1-SoC开发板介绍 |
5.2.2 组建HPS硬件系统 |
5.3 系统软件设计 |
5.3.1 Quartus Ⅱ介绍 |
5.3.2 So C-EDS设计工具 |
5.3.3 图像盲去模糊算法设计 |
5.3.4 基于QT的图像用户界面软件设计 |
5.4 系统测试与分析 |
5.4.1 实验环境搭建 |
5.4.2 实验结果与分析 |
5.5 本章小结 |
第六章 总结和展望 |
6.1 全文总结 |
6.2 工作展望 |
附录A 实物图 |
附录B 攻读学位期间发表的学术成果 |
参考文献 |
(4)目标跟踪中背景信息抑制与利用方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 视觉目标跟踪研究现状 |
1.2.1 目标跟踪发展阶段 |
1.2.2 产生式方法 |
1.2.3 判别式方法 |
1.2.4 基于深度学习的方法 |
1.2.5 目标跟踪中背景信息的抑制和利用 |
1.2.6 研究现状总结 |
1.3 目标跟踪面临的挑战 |
1.3.1 环境与目标的挑战 |
1.3.2 背景信息抑制与利用的挑战 |
1.3.3 跟踪环节中的挑战 |
1.4 本文研究内容 |
1.5 本文组织结构 |
第2章 目标与背景协同建模的长-短期运动模型 |
2.1 引言 |
2.2 相关工作介绍 |
2.3 目标与背景协同建模的跟踪方法框架 |
2.3.1 目标表示 |
2.3.2 背景表示 |
2.3.3 KCF更新 |
2.4 短期运动模型和长期运动模型 |
2.4.1 目标与背景协同建模的短期运动模型 |
2.4.2 长期运动模型重检测 |
2.5 实验结果与分析 |
2.5.1 TBKCF特点实验与分析 |
2.5.2 总体性能实验比较与分析 |
2.6 本章小结 |
第3章 结构性优化卷积网络的目标与背景特征提取方法 |
3.1 引言 |
3.2 基于卷积神经网络的目标跟踪框架 |
3.3 卷积神经网络结构优化方法 |
3.3.1 通道选择的主成分分析降维方法 |
3.3.2 卷积网络通道裁剪 |
3.3.3 单样本权值重建 |
3.4 多层网络结构优化的跟踪模型 |
3.5 实验结果与分析 |
3.5.1 实验环境设置 |
3.5.2 结构性优化方法性能评估 |
3.5.3 与先进方法比较 |
3.6 本章小结 |
第4章 多层背景自适应相关滤波观测模型 |
4.1 引言 |
4.2 相关工作 |
4.3 多层背景自适应相关滤波跟踪框架 |
4.4 多层背景自适应观测模型 |
4.4.1 上下文金字塔表示方法 |
4.4.2 上下文自适应空间窗 |
4.4.3 多层自适应目标跟踪方法 |
4.5 实验结果与分析 |
4.5.1 实验环境设置 |
4.5.2 多层背景自适应相关滤波性能评估 |
4.5.3 与先进方法比较 |
4.6 本章小结 |
第5章 基于背景中辅助目标的跟踪预测方法 |
5.1 引言 |
5.2 目标跟踪模型与辅助目标跟踪模型 |
5.2.1 目标跟踪模型 |
5.2.2 基于辅助目标的目标跟踪模型 |
5.3 基于辅助目标的目标跟踪方法 |
5.3.1 辅助目标提取与跟踪 |
5.3.2 用辅助目标对目标预测 |
5.3.3 辅助目标与目标跟踪器的预测融合 |
5.3.4 辅助目标参数更新 |
5.3.5 基于辅助目标的目标跟踪算法 |
5.3.6 计算复杂度分析 |
5.4 实验结果与分析 |
5.4.1 辅助目标跟踪方法特点实验与分析 |
5.4.2 跟踪性能对比实验与分析 |
5.5 本章小结 |
第6章 目标跟踪中背景信息抑制与利用方法分析 |
6.1 引言 |
6.2 总体跟踪性能比较 |
6.3 目标跟踪中背景信息的抑制方法特点分析 |
6.4 目标跟踪中背景信息的利用方法特点分析 |
6.5 MCAT方法在校园视频监控中的应用 |
6.6 本章小结 |
结论 |
参考文献 |
附录 A多层自适应目标跟踪公式推导 |
A.1 式(4-11)的推导 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
(5)滇东北山区无人机遥感影像预处理方法及滑坡特征识别研究(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 滑坡识别研究现状 |
1.3 无人机滑坡识别研究现状及存在问题 |
1.4 无人机影像预处理国内外研究现状 |
1.4.1 模糊影像自动识别及恢复研究现状 |
1.4.2 影像增强研究现状 |
1.4.3 无人机影像匹配粗差剔除研究现状 |
1.5 论文的研究内容和技术路线 |
1.5.1 研究内容 |
1.5.2 研究技术路线 |
1.5.3 论文的组织结构 |
1.6 论文的创新性 |
第2章 研究区概况及无人机影像获取 |
2.1 研究区概况 |
2.1.1 地理位置 |
2.1.2 地质地貌 |
2.1.3 气象水文 |
2.1.4 土壤植被 |
2.2 研究对象无人机影像获取 |
2.3 本次获取的无人机影像存在的问题 |
2.4 无人机影像质量评价指标 |
2.4.1 方差 |
2.4.2 平均梯度 |
2.4.3 信息熵 |
2.5 本章小结 |
第3章 山区无人机模糊影像自动识别与恢复研究 |
3.1 山区无人机模糊影像自动识别 |
3.1.1 模糊影像地物边缘特征提取方法比较 |
3.1.2 基于LOG算法的山区无人机模糊影像自动识别 |
3.2 无人机运动模糊影像恢复 |
3.2.1 匀速运动模糊影像的点扩散函数 |
3.2.2 维纳滤波法 |
3.2.3 迭代盲反卷积法 |
3.2.4 基于先验知识的维纳滤波改进方法 |
3.2.5 实验与分析 |
3.3 本章小结 |
第4章 山区无人机遥感影像阴影去除研究 |
4.1 无人机影像阴影区域去除 |
4.1.1 无人机影像增强方法比较 |
4.2 基于改进的Retinex算法阴影去除研究 |
4.2.1 HSV色彩空间 |
4.2.2 二维伽马函数 |
4.2.3 实验与分析 |
4.3 本章小结 |
第5章 山区无人机影像特征点匹配粗差剔除及融合研究 |
5.1 山区无人机影像特征点提取算法比较 |
5.1.1 影像特征点提取算法 |
5.1.2 无人机影像特征点提取算法实验与分析 |
5.2 无人机影像特征点匹配 |
5.2.1 无人机影像特征点的欧氏距离匹配 |
5.2.2 单应性矩阵 |
5.3 山区无人机影像匹配特征点的粗差剔除 |
5.3.1 RANSAC算法 |
5.4 基于图论的RANSAC改进算法 |
5.4.1 图论的基本原理及改进算法 |
5.4.2 实验与分析 |
5.5 山区序列无人机影像融合 |
5.5.1 直接平均融合法 |
5.5.2 加权平均融合法 |
5.6 序列无人机影像拼接 |
5.7 本章小结 |
第6章 山区无人机影像在滑坡特征识别中的应用 |
6.1 研究对象滑坡区域概况及无人机影像获取 |
6.2 基于龙头山镇无人机影像的滑坡区域地表裂缝自动识别 |
6.3 基于巧家县法土村无人机影像的滑坡体边界特征识别 |
6.3.1 面向对象原理 |
6.3.2 支持向量机原理 |
6.3.3 基于SVM算法的法土村滑坡体边界识别 |
6.4 本章小结 |
第7章 结论和展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
博士在读期间发表的文章、参加的项目及获奖情况 |
致谢 |
(6)基于生成式对抗网络的运动模糊图像复原研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3 运动模糊图像复原的难点及挑战 |
1.4 主要工作与章节安排 |
第2章 生成式对抗网络的运动模糊图像复原原理 |
2.1 引言 |
2.2 模糊图像的模拟成像原理 |
2.3 模糊图像的分类 |
2.3.1 运动模糊 |
2.3.2 散焦模糊 |
2.3.3 高斯模糊 |
2.4 生成式对抗网络及其应用 |
2.4.1 神经网络 |
2.4.2 卷积神经网络 |
2.4.3 生成式对抗网络 |
2.5 本章小结 |
第3章 基于增强型生成式对抗网络的运动模糊图像复原算法 |
3.1 引言 |
3.2 生成器优化策略 |
3.2.1 棋盘效应及其解决方案 |
3.2.2 压缩激励残差模块 |
3.3 损失函数设计 |
3.3.1 对抗损失 |
3.3.2 感知损失 |
3.3.3 梯度损失 |
3.3.4 判别器损失函数 |
3.4 增强型生成式对抗网络 |
3.4.1 生成器 |
3.4.2 判别器 |
3.5 仿真实验及其分析 |
3.5.1 实验设置 |
3.5.2 评测指标 |
3.5.3 数据集及实验测试 |
3.6 本章小结 |
第4章 基于多帧图像与三维变形卷积的运动模糊视频复原算法 |
4.1 引言 |
4.2 运动模糊视频图像复原原理 |
4.3 三维变形卷积 |
4.4 模型加速 |
4.4.1 深度网络模型加速与压缩技术 |
4.4.2 轻量化网络结构设计 |
4.5 仿真实验及其分析 |
4.5.1 GOPRO测试集复原效果对比 |
4.5.2 Deep Video Deblurring测试集复原效果对比 |
4.5.3 模型加速效果对比 |
4.5.4 模型小型化效果对比 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(7)马铃薯分级系统中退化图像的复原研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题来源 |
1.2 研究目的和意义 |
1.3 国内外研究状况 |
1.4 论文研究内容及章节安排 |
第二章 图像复原理论基础 |
2.1 图像去噪基础 |
2.2 图像的退化复原模型 |
2.3 马铃薯分级系统中的图像模糊原理 |
2.4 图像的质量评价 |
2.5 本章小结 |
第三章 退化图像的模糊判定及其预处理 |
3.1 模糊判定 |
3.2 图像的预处理 |
3.3 本章小结 |
第四章 退化图像的模糊参数估计 |
4.1 空间域和频域的概念 |
4.2 基于频域特征的运动模糊参数估计 |
4.3 基于空域特征的运动模糊参数估计 |
4.4 本章小结 |
第五章 图像复原算法及实验与分析 |
5.1 经典的图像复原算法 |
5.2 基于GMG值改进的Richardson-Lucy算法 |
5.3 实拍马铃薯模糊图像的复原 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
个人简介 |
(8)复杂背景下车牌识别算法的研究(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 研究现状 |
1.2.1 运动模糊恢复研究现状 |
1.2.2 车牌定位研究现状 |
1.2.3 车牌校正研究现状 |
1.2.4 车牌字符分割研究现状 |
1.2.5 车牌字符识别研究现状 |
1.3 我国车牌识别技术的难点 |
1.4 论文的主要工作 |
1.5 论文的组织结构 |
第二章 运动模糊图像恢复 |
2.1 引言 |
2.2 运动模糊退化模型 |
2.3 运动模糊参数估计 |
2.3.1 两次傅里叶变换 |
2.3.2 直线检测及旋转投影法获取核函数 |
2.4 运动模糊图像非盲恢复 |
2.4.1 逆滤波器恢复方法 |
2.4.2 维纳滤波恢复方法 |
2.4.3 Lucy-Richardson恢复方法 |
2.5 本章小结 |
第三章 车牌定位 |
3.1 引言 |
3.2 常见的车牌定位算法 |
3.2.1 基于灰度图像定位 |
3.2.2 基于彩色图像定位 |
3.3 本文的车牌定位算法 |
3.3.1 中国车牌特征 |
3.3.2 颜色空间选择 |
3.3.3 两次颜色标记 |
3.3.4 连通域分析定位车牌 |
3.3.5 投影再定位 |
3.4 实验结果 |
3.5 本章小结 |
第四章 车牌校正及字符分割 |
4.1 引言 |
4.2 常见的车牌校正和字符分割方法 |
4.2.1 常见的车牌校正方法 |
4.2.2常见车牌字符分割方法 |
4.3 本文的车牌校正和分割方法 |
4.3.1 连通域求解及筛选 |
4.3.2 车牌校正 |
4.3.3 车牌字符分割 |
4.4 实验结果 |
4.5 本章小结 |
第五章 车牌字符识别 |
5.1 引言 |
5.2 常见的字符识别算法 |
5.2.1 模板匹配方法 |
5.2.2 支持向量机方法 |
5.2.3 人工神经网络方法 |
5.3 卷积神经网络识别方法 |
5.3.1 卷积层 |
5.3.2 采样层 |
5.4 实验结果 |
5.5 本章小结 |
第六章 总结和展望 |
6.1 本文工作总结 |
6.2 下一步的研究方向 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(9)卫星平台振动对成像结果影响的仿真(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 研究内容与章节安排 |
第2章 相关技术研究 |
2.1 卫星平台振动原理分析 |
2.2 图像退化模型 |
2.2.1 图像的一般退化模型 |
2.2.2 运动模糊的退化模型 |
2.3 傅里叶变换原理及其性质 |
2.4 图像质量评价 |
2.4.1 主观评价方法 |
2.4.2 客观评价方法 |
2.5 小结 |
第3章 卫星平台振动下的成像仿真研究 |
3.1 引言 |
3.2 卫星平台振动规律研究 |
3.2.1 振动分类 |
3.2.2 振动合成 |
3.3 复杂像移仿真成像模型研究 |
3.3.1 匀速直线运动模糊模型 |
3.3.2 复杂像移仿真成像模型建立 |
3.3.3 复杂像移仿真成像模型理论推导 |
3.4 小结 |
第4章 模糊移除关键技术研究 |
4.1 引言 |
4.2 图像复原算法 |
4.2.1 非盲复原算法 |
4.2.2 盲复原算法 |
4.3 复杂像移图像复原 |
4.4 多重模糊复原优化 |
4.5 复原图像边缘优化 |
4.6 小结 |
第5章 卫星平台振动下成像系统的仿真设计 |
5.1 引言 |
5.2 仿真框架 |
5.2.1 仿真整体流程 |
5.2.2 GUI 模块 |
5.3 核心算法 |
5.3.1 运动模糊仿真算法设计 |
5.3.2 离焦模糊仿真算法设计 |
5.3.3 多重模糊仿真算法及其优化设计 |
5.3.4 复杂像移模糊仿真算法设计 |
5.4 三维可视化 |
5.4.1 频谱的可视化设计 |
5.4.2 事件响应与更新设计 |
5.5 小结 |
第6章 仿真实验结果评估与结果优化 |
6.1 仿真实验结果及 MTF 评价 |
6.1.1 MTF 评测方法 |
6.1.2 实验图像的 MTF 评测结果 |
6.2 去模糊仿真实验结果及质量评估 |
6.3 边缘优化 |
6.4 小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 进一步的工作 |
致谢 |
参考文献 |
附录 |
详细摘要 |
(10)无规律运动条件下立木模糊图像恢复方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 运动模糊图像恢复技术发展 |
1.2.1 模糊核参数估计去运动模糊 |
1.2.2 多张图像去运动模糊 |
1.2.3 利用图像透明度去运动模糊 |
1.2.4 稀疏逼近去运动模糊 |
1.2.5 TDI相机图像去运动模糊 |
1.2.6 深度感知去运动模糊 |
1.3 论文主要内容 |
2 运动模糊图像退化的数学模型和几种常见方法 |
2.1 图像的退化模型 |
2.1.1 连续退化模型 |
2.1.2 离散退化模型 |
2.2 运动模糊图像恢复方法 |
2.2.1 逆滤波法 |
2.2.2 维纳滤波法 |
2.2.3 约束最小二乘方法 |
2.2.4 最大熵恢复法 |
2.2.5 偏微分方程法 |
2.3 本章小结 |
3 基于鲁棒联合稀疏编码(RSSC)去噪算法 |
3.1 图像噪声 |
3.1.1 噪声特点 |
3.1.2 噪声分类 |
3.1.3 图像质量评价 |
3.2 去噪方法 |
3.2.1 均值滤波 |
3.2.2 中值滤波 |
3.2.3 小波去噪 |
3.3 鲁棒的联合稀疏编码(RSSC)去噪算法 |
3.3.1 鲁棒稀疏的表示模型(RSSC) |
3.3.2 优化算法 |
3.3.3 实验以及结果分析 |
3.4 本章小结 |
4 一种改进的运动模糊方向自动鉴别方法 |
4.1 基于匀速直线运动模糊长度和方向的基本鉴别方法 |
4.2 运动模糊长度的自动鉴别方法 |
4.3 运动模糊方向的自动鉴别方法 |
4.4 一种改进的运动模糊方向的自动鉴别方法 |
4.5 基于维纳滤波运动模糊图像恢复方法 |
4.6 本章小结 |
5 基于字典迁移的稀疏正则化运动模糊图像恢复方法 |
5.1 引论 |
5.2 基于稀疏先验的图像恢复算法 |
5.3 稀疏表示问题的优化 |
5.3.1 问题优化 |
5.3.2 隐图像恢复子问题 |
5.3.3 模糊核估计子问题 |
5.3.4 字典更新子问题 |
5.4 实验以及结果分析 |
5.4.1 参数设置 |
5.4.2 实验数据 |
5.4.3 定量实验 |
5.4.4 定性实验 |
5.4.5 有无字典迁移对比实验 |
5.5 本章小结 |
6 基于小波框架的运动模糊图像恢复方法 |
6.1 引论 |
6.2 小波框架基础理论 |
6.2.1 框架 |
6.2.2 小波框架 |
6.3 小波框架运动模糊图像恢复算法 |
6.4 实验以及结果分析 |
6.4.1 匀速直线运动模糊图像恢复 |
6.4.2 匀速曲线运动模糊图像恢复 |
6.4.3 任意运动模糊图像恢复 |
6.5 不同噪声对小波框架运动模糊图像恢复方法的影响分析 |
6.6 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
个人简介 |
第一导师简介 |
第二导师简介 |
主要研究成果 |
致谢 |
四、匀速直线运动模糊图像的卷积模板恢复方法(论文参考文献)
- [1]低质图像的清晰化方法研究[D]. 孙晶晶. 南京信息工程大学, 2021(01)
- [2]无人机视觉检测图像的运动模糊复原技术研究[D]. 董星煜. 上海交通大学, 2020(01)
- [3]运动图像去模糊技术研究[D]. 李菁菁. 南京林业大学, 2020(01)
- [4]目标跟踪中背景信息抑制与利用方法研究[D]. 刘畅. 哈尔滨工业大学, 2019(02)
- [5]滇东北山区无人机遥感影像预处理方法及滑坡特征识别研究[D]. 喜文飞. 云南师范大学, 2019(06)
- [6]基于生成式对抗网络的运动模糊图像复原研究[D]. 马少勇. 深圳大学, 2019(09)
- [7]马铃薯分级系统中退化图像的复原研究[D]. 杨军. 宁夏大学, 2019(02)
- [8]复杂背景下车牌识别算法的研究[D]. 汤玉垚. 中国科学技术大学, 2016(09)
- [9]卫星平台振动对成像结果影响的仿真[D]. 吴勇. 杭州电子科技大学, 2015(10)
- [10]无规律运动条件下立木模糊图像恢复方法研究[D]. 李垒. 北京林业大学, 2014(12)