一、基于行处理的SAGE算法在PET图像重建中的应用(英文)（论文文献综述）
姜康[1]（2021）在《基于多核DSP的图像重建算法研究》文中认为计算机层析成像技术（Computed Tomography,CT）由于其无损、精准和直观等优势已被大范围的应用到各种领域,例如工业检测、医学等。CT技术的关键部分便是图像重建算法,对于二维断层成像技术大体有两种算法:分别被称为为解析法和迭代法。迭代算法中比较常用是ART（algebraic reconstruction technique）算法,ART算法适用于投影数据不完全的应用场景中,优点是抗噪声干扰能力强,还可以结合一些先验知识求解;缺陷是较大的计算体量造成较长的重建耗时,这已成为该算法应用发展中的桎梏。嵌入式DSP技术是基于硬件加速的新兴产物,DSP集成度高便携性好,在处理复杂算法中有得天独厚的优势,为此特提出了基于多核DSP实现ART算法的解决方案。论文首先介绍了CT图像重建的国内外现状,研究分析了二维ART算法的原理和存在的问题;然后对论文中所采用的TI DSP（数字信号处理器）TMS320C6678的优势特点进行了论述,并对论文中开发算法工程有所涉及的DSP片内资源进行研究分析;编写建立了基于DSP实现ART二维重建算法的系统工程,并对基于DSP硬件特性进行算法优化的方法进行了研究,研究内容主要包括:代码优化、缓存优化以及基于DSP编译环境CCS的编译器选项优化等;其次,在多核DSP的基础上结合并行编程模型OpenMP对ART算法实现多核DSP的并行处理。最终真实投影数据的实验结果显示本文在保证重建图像质量的前提下,有效的提高了ART二维图像重建的计算速度,证实了方案的可行性。
张敏[2]（2021）在《基于深度神经网络的高光谱图像处理技术研究》文中研究指明近年来,随着高光谱图像数据在卫星遥感、矿物勘探、农业检测等领域被广泛应用,对其的技术研究也越来越多。受环境因素、人为因素以及成像设备的影响,获取到的高光谱图像数据往往存在退化。本文中退化特指图像模糊,图像模糊往往造成图像细节扭曲或者丢失,对于后续高光谱图像的应用带来了不便。针对上述问题本文研究高光谱图像处理技术中的高光谱图像去模糊技术。本文将基于深度神经网络提出高效的高光谱图像去模糊方案,主要工作内容如下:（1）针对现有高光谱图像去模糊方案存在的伪影、噪声鲁棒性以及耗时问题,提出了一种基于空谱特征深度结合的高光谱图像去模糊方案SSJ-Deblur。通过高效的利用高光谱图像数据中的空域信息和谱域信息,实现了利用较少的时间消耗达到较佳性能的高光谱图像去模糊。通过实验验证,本文提出的SSJ-Deblur算法无论是在客观指标还是主观视觉感受上都能表现不错。（2）针对现有高光谱图像去模糊方案中局部区域复杂特征不能被复原的问题,在SSJ-Deblur基础上,引入了适合高光谱图像数据的改进混合域注意力机制,混合域注意力机制能够在利用相邻波段图像数据的同时关注到自身图像重要的局部特征。在进行高光谱图像复原时大部分信息是可以从邻近波段图像中获得的。但局部区域特征是当前通道独有的,重点关注当前通道数据的局部特征能够使得复原图像细节信息更完善。通过实验分析,改进后的算法能够更好的复原出高光谱图像数据中的细节信息,拥有更好的算法性能。（3）针对现有高光谱图像去模糊算法存在的少数通道复原质量差的问题,在引入改进混合域注意力机制的SSJ-Deblur算法基础上,本文通过对少数通道数据引入生成对抗机制提出非均匀通道感知的高光谱图像去模糊算法NUCS SSJ-Deblur,在进行图像生成网络参数更新时,会给予复原质量差的通道数据更多关注。实验验证表明,本文提出的NUCS SSJ-Deblur算法,能够在一定程度上提升复原质量差的部分通道数据的复原性能,恢复得到的图像有更可观的视觉感受。
王五一[3]（2021）在《基于生成对抗网络的红外超分辨率算法研究》文中指出尽管红外成像技术的发展十分迅速,应用的领域非常广泛,成像图像的分辨率还是很低。现阶段红外焦平面阵列分辨率大多为640x512以下,不仅不能满足人眼对细节丰富的高分辨率图像的需求,而且无法满足成像显示器1K、2K分辨率的显示需要,因此迫切需要采取措施提高红外图像的分辨率。图像插值是提高分辨率最简单的措施,当图像被放大到成像显示器的分辨率后,由于没有新信息引入从而造成结果图像细节模糊。通过增加探测器阵列密度及阵列尺寸的方式去提升分辨率不仅增加成本且不适用于大尺度放大的情况。所以本文聚焦于超分辨率重建技术,以生成对抗网络为切入点,研究了基于生成对抗网络的红外图像超分辨率重建技术,具体内容如下:（1）基于ESRGAN改进的红外图像超分辨率算法。针对目前ESRGAN算法在红外超分辨率重建任务中存在的结果图像高频细节不足、产生“伪影”和客观评价指标不能很好反映图像重建质量的问题,提出了RCAGAN算法。通过该算法重建得到的图像,不仅视觉质量好于ESRGAN在内的常用超分辨率模型,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14、室外采集数据集上分别达到了30.86d B/0.8781、28.97d B/0.8104、29.76d B/0.8385,高于现阶段常用的超分辨率模型,并且比ESRGAN算法的指标高了3.02d B/0.1092、2.68d B/0.1199和2.58d B/0.0934;得到了RCAGAN算法与常用的超分算法相比是更好算法的结论。（2）基于模糊核生成对抗红外图像超分辨率算法。针对“理想”降尺度核和实际降尺度核不相同造成重建图像质量差的问题,提出一个新的数据集制作模型Kernel SR,并在此模型的基础上,构建了一个新的红外超分辨率样本库,常用的超分辨率模型在这个样本库上有良好表现也可以泛化到实际场景。通过该模型重建得到的图像,不仅视觉质量好于常用的超分辨率模型（Kernel GAN+不同算法）,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14和红外超分辨率样本库中别达到了30.58d B/0.8847、29.94d B/0.8167和30.17d B/0.8627,高于现阶段最好的基于模糊核的超分辨率模型（Kernel GAN+ESRGAN）4.23d B/0.2036、3.12d B/0.3029、5.44d B/0.3076。得出了提出的超分辨率模型是更好模型的结论。虽然当前版本的红外图像样本库仅使用三个相机构建,但训练后的超分辨率模型对其他类型的摄像头设备捕获的红外图像表现出良好的泛化能力。
黄彪[4]（2021）在《红外序列图像场景配准及超分辨率重建》文中研究表明红外成像探测在军事和安防等方面的应用变得越来越不可或缺,但是由于目前红外成像技术的制作工艺以及成像机理等方面的限制,红外图像的整体和局部对比度都偏低,边缘模糊并且相较于可见光图像整体分辨率较低,再加上序列图像在获取过程中存在相机抖动以及相机和场景存在相对运动等情况会造成帧间图像存在空间坐标变换,这些因素都严重限制了红外成像技术应用的进一步发展。因此本文将深入研究红外序列图像的配准及增强技术,主要的研究内容如下:（1）针对红外图像对比度低的缺陷,本文主要研究了基于局部直方图均衡化的增强算法,将图像分块,利用SVM对图像子块进行简单子块和复杂子块的二分类。对简单子块进行线性拉伸,而对每个复杂子块依次采用基于人眼最小可觉差的均衡化处理,之后用插值运算来解决由于不同子块处理方式不同带来的块效应。经过实验验证,该算法能有效解决图像背景区域过度增强以及噪声放大等问题;（2）图像配准方面,本文主要通过研究探索常见的特征检测和特征描述算法的不同组合方式,得到了一种Harris+FREAK的特征组合方式,并在误匹配消除阶段,提出了一种基于序列图像先验信息的RANSAC算法,在保证配准精度的前提下,能大量减少RANSAC算法的计算量,大大提升了算法的实时性。同时结合Hough变换的直线特征配准算法,解决了一些特征点较少的图像的配准问题;（3）针对红外图像分辨率差,本文先通过基于Harris+FREAK组合特征配准算法,得到序列图像帧间的空间坐标变换关系,之后结合凸集投影法,并对其PSF函数进行改进,得到高分辨率图像。该算法在PSNR和SSIM等评价指标上较传统的基于POCS的超分辨率重建算法有显着的提升。
涂晓光[5]（2020）在《面向非限制条件的人脸识别研究》文中提出人脸识别技术已经广泛地应用于当前社会中,如安保系统、高科技IT产品、个人电脑和智能手机等。这些智能产品已经使当今社会的各项服务更安全、快捷和方便,人脸识别也早已经成为了当前人类活动中不可或缺的技术。在过去的几十年里,已经有各种各样的相关算法被提出来解决人脸识别中的各种问题并取得了重大的进展,在理想条件下这些算法可以使得计算机的人脸识别率超过人眼。然而,对于非限制条件（自然条件）下的人脸识别,当前的人脸识别技术仍然存在着许多挑战。非限制条件的人脸识别需要对真实自然场景中的人脸图像进行特征提取,因此容易受到诸多因素的影响,如面部姿态差异以及由光照、模糊、噪声、低分辨率等因素引起的人脸图像内容丢失。这些因素极大地影响了非限制条件下的人脸识别性能,需要进行进一步的研究。除此之外,随着对认证安全性的不断重视,人脸识别系统不仅需要具有较高的识别精度还需要能鉴别该人脸是真实的人脸还是来自图片或视频中的人脸（伪造攻击人脸）。因此,人脸防伪技术也是当前非限制条件下人脸识别系统中的重要组成部分。为了提高当前人脸识别系统的准确性、鲁棒性、以及安全性,本论文主要集中研究人脸图像增强,人脸关键点检测,人脸姿态归一化,以及人脸防伪特征学习等课题。主要研究贡献如下:1.针对于自然场景中受光照影响的人脸图像,第三章提出了一种基于尺度分解和能量模型最小化的人脸图像去光照方法。该方法首先利用对数全变分对受光照影响的人脸图像进行尺度分解,从而得到只包含人脸本质特征的小尺度成分和主要包含光照特征的大尺度成分。随后,通过最小化全变分能量函数估计出人脸图像中的光照场并将其移除。不同于以往的方法通过提取人脸图像的光照不敏感特征用于人脸识别,该方法首次提出估计光照场的方法来去除光照的影响。论文在CMU-PIE,Extended Yale B和CAS-PEAL-R1这三个主流的人脸光照数据库上进行了充分的实验,实验结果表明,所提出的方法显着地提高了人脸去光照的可视化效果和受光照影响图像的人脸识别率。2.针对于大姿态和受遮挡影响的人脸图像,第四章提出了一种自监督辅助学习的人脸三维关键点检测方法。该方法构建了基于关键点自映射的强监督和基于生成对抗学习的弱监督模型,利用自然场景中无三维标注的二维人脸图像对三维人脸重建进行辅助监督。不同于二维人脸关键点检测算法,该算法能重建出单张二维人脸图像所对应的三维人脸模型,并用来还原密集三维人脸关键点。重建出的密集关键点包含丰富的三维人脸信息,可以对大角度偏转和受遮挡影响的人脸图像进行更精确的对齐。论文在AFLW2000-3D,AFLW-LFPA和Florence这三个主流的三维人脸验证数据集上进行了充分的实验,实验结果表明,所提出的方法在三维人脸重建和三维关键点检测方面均取得了很好的结果。3.第五章提出一种基于生成对抗学习的跨姿态低质量人脸复原方法和过渡训练方法,旨在同时解决人脸图像大姿态偏转和低质量因素（如模糊、噪声、光照影响及低分辨率）影响的问题。给定一张任意角度和任意低质量因素影响的人脸图像,论文提出的任意人脸复原模型首先对该人脸进行三维重建,并在标准的三维空间中自动对其进行姿态归一化,从而得到标准的正脸姿态。得到的正脸姿态将引导高质量人脸还原对抗网络的学习,从而可以从任意给定的人脸图像生成其对应的高质量正脸图像。值得注意的是,所提出的任意人脸复原模型可以端到端一次性从给定的人脸图像中还原其高质量正脸图像,并显着提高人脸图像的识别率。论文在CMU Multi-PIE、LFW和IJB-C这三个数据库上进行了充分的实验,实验结果表明,所提出的方法不论是在人脸转正还是在人脸增强上均取得了很好的结果。4.第六章提出了一种基于深度迁移学习的人脸防伪方法。该方法属于半监督学习,实验结果表明,只需要利用少量目标域的无标签人脸进行半监督训练,所提出方法即可极大的提高人脸防伪的跨域识别率。此外,论文还提出了深度多任务学习的人脸防伪方法,将人脸识别和活体人脸检测算法融合到一个深度学习的网络框架中进行相互增强训练,同时提出全混淆损失函数和快速域迁移算法来提高活体人脸检测的普适性。论文在CASIA-FASD,Replay-Attack,MSU-MFSD,Oulu-NPU和Si W这五个主流的人脸防伪数据集上进行了充分的实验,实验结果表明,该方法能在得到高精度人脸识别性能的同时对人脸进行活体检测,显着的提高活体人脸检测的鲁棒性并降低安全人脸认证的反应时间。
菅影超[6]（2020）在《基于MRI生成伪CT的预测算法研究》文中研究表明放射治疗作为肿瘤治疗的方法之一,其主要利用放射线杀死肿瘤,而随着技术的不断提高,放射治疗从最初的全身放射治疗到适形放射治疗,再发展到图像引导放射治疗（IGRT）。IGRT依据图像克服因摆位和肿瘤移动所造成的误差,目前,计算机断层成像（CT）作为放射治疗过程中的基准图像,医生可以根据其勾画临床靶区（CTV）、计划靶区（PTV）以及危及器官（OAR）。还可以根据CT得到组织的电子密度值（ED）,用于后期的剂量计算。虽然CT的图像质量空间分辨率高,操作简单快捷,但是其低对比度密度分辨率较低,从而限制了肿瘤的轮廓信息,患者还会受到电离辐射。相比CT,磁共振成像（MRI）不仅提供了优越的软组织对比度,而且拥有多种序列图像,医生可根据不同的序列图像对各组织或器官进行区分,常与CT共同应用于放射治疗,主要用于靶区与OAR的勾画。考虑到CT电离辐射影响患者健康、同时扫描两者增加患者经济负担、两者配准融合过程引入误差等弊端,仅使用MRI受到越来越多研究者的关注。然而,MRI与ED无关,不能直接用于后期的剂量计算以及基于X光的患者定位,需要应用相关算法根据MRI获得电子密度信息或者HU值,即生成伪CT（pCT）。近年来有很多专家学者研究基于MRI的CT图像的转换,比如基于组织分割法、基于图谱法、2D深度卷积神经网络（2D-DCNN）。组织分割的方法比较费时费力,而且在空气与骨骼的连接处误差较大。基于图谱的方法虽然相对提高了预测的准确性,但是存在较大部分的骨骼与空气的误转换问题,并且该方法对配准的要求较高。2D-DCNN将深度学习与神经网络结合,采用端到端的学习方式,依据训练模型预测结果,虽然该方法提高了骨骼与空气处的误差,但是其只应用了图像的层内特征,从而造成预测结果有较严重的误转换问题,而且还存在较严重的伪影,所以需要进一步改善。本研究提出了一种基于卷积神经网络和长短期记忆网络级联的网络（CNN-LSTM）和基于3D的深度卷积神经网络（3D-DCNN）,将图像层与层之间的关系联系起来。CNN-LSTM将CNN与循环神经网络（RNN）级联,CNN部分采用U-net网络的下采样层,通过多个3ⅹ3的卷积核对图像进行特征提取,卷积之后的池化层起到二次提取特征的作用,获得具有空间不变性的特征。几次反复卷积池化处理,将输出作为RNN的输入,由于常规的RNN无法很好的处理信息长期依赖问题,我们采用LSTM提取相邻图像层之间的信息。采用MAE作为损失函数,对所得误差应用Adam随机优化函数进行反向传播,进一步对参数优化处理,直至获得最小预测误差。基于3D网络模型可以看作是一个复杂的3D数据端到端的映射函数,主要分为上采样和下采样。上采样主要是采用多次卷积层、池化层轮替的网络结构学习MRI和CT之间的关系;下采样主要采用反卷积、反池化操作进行逆运算。卷积过程中的上万个乃至上百万个参数主要用来提取特征,比如边缘、线条、角落,随着卷积层层数的增加,所提取的特征也越来越高级,但是这并不代表越多的卷积层就会有助于网络的训练,它还受到卷积核的大小和特征面数目的影响。在训练过程中,这些参数随着预测误差不断优化,本文使用MAE度量网络的输出预测值与真实值之间的误差,使用Adam优化函数进行参数的优化处理,直到获得最小误差。一旦模型训练完成,就会依据学习的参数进行结果的预测。本研究采集了13例Cyber Knife治疗的头部脑瘤患者的CT与MRI数据,通过回顾性离线分析,对基于组织分割法、基于图谱法、2D-DCNN、CNN-LSTM、3D-DCNN五种预测算法进行对照比较。通过实验表明,本文提出的CNN-LSTM和3D-DCNN的平均绝对误差（MAE）、均方根误差（RMSE）、配准误差、结构相似度（SSIM）和骨骼的DSC优于其他三种方法。其中3D-DCNN算法的准确性与鲁棒性都优于其他方法,能更准确的得到pCT。
冯梦如[7]（2020）在《图像增强算法在行车图像处理中的研究与应用》文中研究指明行车记录仪现在已经在各种车辆上普及使用,其行车影像具有十分广泛的用途,如停车监控、司法取证等。但受光照、采集设备等诸多因素的影像,目前市场上的部分行车记录仪采集到的视频图像面临着一些问题:一是在夜间低照度下采集到的图像质量严重恶化,如内容模糊不清、细节严重丢失、产生噪声、色彩失真等;二是在白天采集到的图像存在边缘模糊、图像分辨率低等特点。提高夜间图像质量和图像分辨率最直接的做法就是对行车记录仪系统中的硬件进行改造,但这样成本高、制造工艺不容易改进。因此,从算法的角度实现低照度图像增强和图像超分辨率重建成为图像处理和计算机视觉等领域的研究热点。为得到具有夜间清晰和边缘锐化、无成块模糊的理想高分辨率图像,本文针对行车影像中单幅图像增强和超分辨率重建开展研究,主要内容如下:（1）针对夜间低照度下采集到的影像,本文首先使用四种传统的经典算法进行了仿真实验;其次针对传统算法中不能很好的保留图像细节的问题,本文在Retinex方法的启发下,使用改进的卷积神经网络的方法对图像进行分解,并对分解出的光照图像做了直方图均衡化处理,对反射图像做了去噪处理,得到的图像对比度和保真效果有了显着的提升;考虑到卷积神经网络的训练需要成对的数据集,众所周知,同一场景下的成对图像数据采集面临着挑战,故本文首先采集了15000张行车数据集并进行了数据增强,其次使用无监督的方法（不需要成对数据集）实现了对低照度图像的增强,并从主观和客观两方面对增强图像进行了测评,测评结果显示图像质量得到了明显的提升。（2）针对低照度下拍摄的图像噪声被放大的情况,本文对现有的去噪技术进行了分析。本文首先采用双边滤波去噪的方法进行了仿真实验,该方法在图像去噪处理时间上具有绝对的优势;其次搭建了基于卷积神经网络的模型对图像噪声进行处理,使用该算法进行了仿真实验,并对其性能进行了评估,仿真实验结果得出该算法处理的噪声图像与原始噪声图像相比,峰值信噪比提升了4.15d B,结构相似度提升了28%。（3）针对采集到的图像边缘模糊,局部成块模糊、分辨率低的特点,本文研究了图像采样的可逆性,采用拉普拉斯的方法进行了仿真实验;针对其有限的效果,进一步采用生成对抗网络的方法对单幅低分辨率图像进行了超分辨率重建;最后研究了视频中帧与帧之间不连贯、不逼真的问题,采用生成对抗网络对视频超分辨率进行了重建。
吴蓉[8]（2020）在《基于深度神经网络的正电子图像质量增强算法研究》文中进行了进一步梳理无损检测贯穿于工业生产制造的整个周期,对工业发展具有重要意义。正电子探测及成像技术作为新型的非接触式无损检测手段,通过检测正电子湮灭产生的γ光子对形成投影数据,并利用图像重建算法获得被测对象状态的正电子图像,其能够工作在高温、高压等恶劣工业环境下,具有其他无损检测手段难以企及的优势。但工业应用中存在的各种影响因素,使得正电子探测及成像技术得到的正电子图像质量很难达到理想状态,因此,本文主要围绕增强正电子图像质量这个方面进行研究。针对当前正电子图像重建算法在扫描时间较短的情况下重建图像质量不高的问题,本文采用深度卷积神经网络和MAP算法理论,利用“迭代-分类+特征增强-迭代”的过程代替经典算法中多次迭代的过程,利用深度卷积神经网络和其他图像处理算法对一次OSEM迭代获得的图像进行处理,以该处理得到的图像作为先验信息利用经典算法进行再一次迭代,得到被测对象的正电子图像。由于缺乏大规模正电子图像数据集,本文采用数据迁移的方法对深度卷积神经网络进行训练。在训练样本数据集的制作过程中,采用建立索引表的方法对相邻三张正电子图像组成的RGB图像进行处理,提高了深度卷积神经网络的分类准确率。图像超分辨率重建作为另一种重要的图像质量增强算法,其在本文的研究中主要用于丰富重建出的正电子图像的细节信息,而细节信息在工业应用中具有重要作用。针对当前超分辨率算法重建出的图像缺乏高频细节、结构细节,以及图像模糊等缺点,本文采用生成式对抗网络,通过生成器与判别器对抗的方法进行图像超分辨率重建。在常用的生成式对抗网络中,单一的图像判别器很容易被生成器生成的图像中的高频噪声“欺骗”。为了解决这一问题,本文采用的生成式对抗网络在此基础上增加了特征判别器,即同时采用图像判别器和特征判别器,提高了生成的超分辨率图像的质量。该方法重建出的超分辨率图像在视觉效果和性能指标上均优于其他算法重建出的图像。另外,研究过程中还设计了2组应用实验,分别对上述两种算法进行了验证,验证结果表明上述两种算法是有效的。通过与其他算法的对比,也说明了这两种算法在提高正电子图像质量上有更好的结果。
苏子健[9]（2019）在《基于无透镜单像素成像的多功能扫描仪》文中研究说明单像素成像是一种新颖的成像技术,利用空间光调制器对目标物体的二维甚至三维的空间信息进行编码,只使用一个单像素探测器作为信号采集装置,获取一系列被调制的光信号并利用重构算法重建目标物体的空间信息。与传统的成像方式相比,单像素成像技术的独特成像方式使其在一些特殊应用领域具有明显优势。本论文首先了研究了无透镜单像素成像技术。现有的单像素成像装置,利用透镜等光学系统把空间光调制器产生的结构光投影到目标物体上,再利用透镜将物体反射或透射的光线聚集到单像素探测器上。透镜的使用,使得成像装置不够紧凑、便携。为了减小单像素成像装置的体积,使之具有紧凑、便携的特点,论文研究利用液晶显示屏作为空间光调制器,并利用大面积的柔性薄膜太阳能电池作为单像素探测器,设计出一款厚度仅为2.48mm的轻薄无透镜单像素成像扫描仪。根据设计搭建的无透镜单像素成像扫描仪,利用模拟仿真和实验验证开展了多种功能的应用研究,实现了对无透镜单像素成像扫描仪的灰度扫描、全彩色扫描、字符识别扫描以及实时加密扫描等多种功能的应用。在灰度扫描方面,利用本文设计扫描仪的透射式成像特点,实现了传统扫描仪无法做到的对纸钞水印扫描的功能;在全彩色扫描功能上嵌入线性颜色校正算法,实现了较高质量的彩色扫描效果;实现了分别对不同字体类型、不同字号大小以及不同厚度纸张上文本文档扫描结果的字符识别功能;根据特定的规则,置换哈达玛基底图的像素顺序,实现了文档扫描过程的实时加密,可以做到在保证扫描质量和效率的同时提高加密扫描的保密性。与传统扫描仪相比,本论文研究设计的无透镜单像素成像扫描仪,没有光学透镜组件和机械扫描部件,扫描过程无噪音、结构轻薄紧凑便携,并利用透射式成像特点,可扫描纸钞水印和纸张纹理等重要信息。无透镜单像素成像扫描仪很好弥补了传统扫描仪结构相对复杂和夹杂机械扫描噪音等不足,透射式的成像和传统扫描仪的反射式成像形成互补,并可实现字符识别扫描和实时加密扫描,在许多领域将具有广泛的应用前景。
黄兴[10]（2019）在《基于主被动光学探测的发光火焰多物理量场重建》文中研究表明燃烧火焰普遍存在于日常生活和工业生产应用中,如燃气轮机、发动机燃烧室、电站锅炉等。而火焰的温度分布与燃烧反应的进行过程密切相关,直接体现了燃烧的状态。为了更加深刻地理解燃烧机理,优化燃烧过程并减少污染物的产生,需要研究可有效测量火焰空间温度分布的燃烧诊断技术。然而由于硬件设备及相应重建算法的限制,以及多物理量场同时测量时相互耦合导致的严重病态性问题,准确的火焰温度测量技术仍然是一项亟待解决的难题。基于火焰自身辐射光场成像的被动式探测技术是一项很有前景的测温手段。因此本文将该技术引入到火焰空间温度分布测量中。针对发光火焰温度与光学参数空间分布重建问题,本文首先建立了火焰内辐射传输与光场成像模型,在此基础上,先后研究了基于被动光场探测的火焰温度重建模型以及温度与光学参数同时反演模型,最后将主动式层析探测技术与光场探测技术相结合,构造了温度与吸收系数协同重建模型,并开展了基于被动火焰光场探测的多物理量场测量试验研究对所提模型进行验证。主要开展的工作有:首先阐明了光场相机成像的原理与特点,建立了计算光场相机内辐射线坐标与空间方向的追踪方法;考虑到火焰类型的不同,分别利用视在光线法和广义源项多流法来求解纯吸收火焰和吸收散射性火焰的辐射强度;将火焰辐射传输模型与光场成像模型相结合,构造了适用于发光火焰的辐射光场成像模型,通过正向模拟获得了两种火焰的辐射光场图像。在火焰辐射光场模型基础上,在光学参数已知时单独对温度分布进行重建。分别建立了基于最小二乘QR分解算法、代数重建算法和Landweber算法的火焰温度分布重建模型。模拟结果表明重建模型是准确可靠的,且Landweber算法具有最高的计算效率。分析了光学参数大小及散射相函数对于温度分布重建的影响,结果表明光学参数增大以及各向异性散射都会降低温度的重建精度。进一步考虑光学参数同样未知的情况,研究基于被动式光场探测技术的火焰温度与光学参数分布同时重建模型。将Landweber算法与序列二次规划算法相结合,在单光谱辐射光场信号下反演纯吸收火焰的温度与吸收系数分布;进而利用三个光谱通道下的火焰光场信号,来同时重建吸收散射性火焰的温度、吸收与散射系数分布。结果表明提出的同时重建模型对于两种类型的火焰均是可行的,与光学参数相比,温度分布的重建精度更高。为进一步提高同时重建过程的计算效率,将基于消光法的主动式激光层析探测技术与被动式光场探测技术相结合,建立基于主被动光学联合探测的火焰温度与吸收系数分布协同重建模型。利用激光消光信号来反演火焰的吸收系数分布,并代入前述的温度求解方程组中,实现温度与吸收系数分布的联合重建。模拟结果证明该协同重建模型是可行的,其计算效率要明显优于被动式光场探测技术,且对于不同的吸收系数大小均可取得准确的温度重建结果。最后,对不同类型的火焰开展了基于聚焦型光场相机成像探测的火焰多物理量场测量试验研究。分别采用被动式火焰光场测温平台、飞秒CARS测温系统和热电偶测温装置,对甲烷Hencken火焰的温度进行测量,三者结果偏差不大,平均相差不超过4%;利用拍摄的乙烯扩散火焰图像对其温度和吸收系数分布进行重建,与热电偶的对比结果说明重建的温度具有较好的精度,而吸收系数分布也可以很好地体现出火焰的形状特征;上述试验证明了基于被动式火焰光场探测的三维温度与光学参数分布测量技术和重建模型的可行性。
二、基于行处理的SAGE算法在PET图像重建中的应用(英文)（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、基于行处理的SAGE算法在PET图像重建中的应用(英文)（论文提纲范文）
（1）基于多核DSP的图像重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外现状研究 |
| 1.2.1 CT图像重建ART算法的研究现状 |
| 1.2.2 图像重建处理平台研究现状 |
| 1.3 主要研究内容及文章结构安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节安排 |
| 2 CT成像理论及ART重建算法分析 |
| 2.1 CT成像过程及基本原理 |
| 2.2 CT成像数学基础 |
| 2.2.1 Radon变换与反变换 |
| 2.2.2 傅里叶中心切片定理 |
| 2.3 CT经典重建算法 |
| 2.3.1 ART算法 |
| 2.3.2 ART迭代算法耗时较长的问题 |
| 2.4 本章小结 |
| 3 基于多核DSP处理平台的算法加速研究 |
| 3.1 TI多核DSPC6678平台 |
| 3.1.1 多核DSP整体架构 |
| 3.1.2 C6678存储结构 |
| 3.1.3 DSP编程方式 |
| 3.2 ART算法在DSP中的优化加速 |
| 3.2.1 代码优化 |
| 3.2.2 缓存优化 |
| 3.2.3 编译器选项 |
| 3.3 本章小结 |
| 4 基于多核DSP的算法并行设计模型研究 |
| 4.1 多核DSP的并行设计方法 |
| 4.2 OpenMP编程模型 |
| 4.2.1 OpenMP编程要素 |
| 4.2.2 OpenMP并行开发流程 |
| 4.3 本章小结 |
| 5 基于多核DSP的 ART重建算法的并行实现和测试 |
| 5.1 基于多核DSP的ART算法并行编程 |
| 5.2 真实实验数据及实验条件 |
| 5.2.1 实验结果 |
| 5.2.2 结果分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（2）基于深度神经网络的高光谱图像处理技术研究（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 高光谱图像基础知识 |
| 1.2.1 高光谱成像技术 |
| 1.2.2 高光谱图像处理技术 |
| 1.3 国内外研究现状综述 |
| 1.3.1 普通图像去模糊研究现状 |
| 1.3.2 高光谱图像去模糊研究现状 |
| 1.4 论文的主要工作及结构安排 |
| 第二章 相关理论基础 |
| 2.1 高光谱图像退化模型 |
| 2.2 高光谱图像去模糊基本理论 |
| 2.2.1 高光谱图像去模糊问题 |
| 2.2.2 常见图像先验 |
| 2.2.3 深度学习基本理论 |
| 2.3 实验数据与评价指标 |
| 2.3.1 实验数据 |
| 2.3.2 高光谱图像性能评价指标 |
| 2.4 本章小结 |
| 第三章 基于空谱深度结合的高效高光谱图像去模糊技术 |
| 3.1 现有技术问题分析 |
| 3.1.1 伪影问题 |
| 3.1.2 噪声鲁棒性 |
| 3.1.3 耗时问题 |
| 3.2 空谱深度结合的高光谱图像去模糊 |
| 3.2.1 网络整体结构 |
| 3.2.2 模块功能分析 |
| 3.3 实验设计与结果分析 |
| 3.3.1 实验设计与参数设计 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 第四章 非均匀通道感知的高光谱图像去模糊技术 |
| 4.1 动机和启发 |
| 4.2 非均匀通道感知的高光谱图像去模糊技术 |
| 4.2.1 最小二乘生成对抗网络 |
| 4.2.2 混合域注意力机制 |
| 4.2.3 非均匀通道感知的高光谱图像去模糊技术 |
| 4.3 实验结果与分析 |
| 4.3.1 消融分析 |
| 4.3.2 整体实验结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于生成对抗网络的红外超分辨率算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展及研究现状 |
| 1.2.1 基于频率域的国内外发展及研究现状 |
| 1.2.2 基于空间域的国内外发展及研究现状 |
| 1.3 本文主要研究内容和创新点 |
| 1.4 论文的结构安排 |
| 第二章 基于生成对抗网络的红外超分辨率理论分析 |
| 2.1 红外图像超分辨率理论基础 |
| 2.2 红外图像超分辨率算法分类 |
| 2.2.1 基于频率域的超分辨率重建方法 |
| 2.2.2 基于空间域的超分辨率重建方法 |
| 2.3 生成对抗网络理论基础 |
| 2.3.1 生成对抗理论概述 |
| 2.3.2 生成对抗理论推导 |
| 2.4 红外超分辨率算法评价指标 |
| 2.4.1 主观评价方法 |
| 2.4.2 客观评价方法 |
| 2.5 本章小结 |
| 第三章 基于ESRGAN改进的红外图像超分辨率算法研究 |
| 3.1 ESRGAN在红外图像超分辨率重建问题分析 |
| 3.2 基于ESRGAN改进的红外图像超分辨率算法 |
| 3.2.1 模型总体结构 |
| 3.2.2 生成模型设计 |
| 3.2.3 判别模型结构 |
| 3.2.4 损失函数设计 |
| 3.2.5 模型训练细节 |
| 3.3 实验与结果分析 |
| 3.3.1 实验平台 |
| 3.3.2 数据集构建 |
| 3.3.3 模型参数训练结果分析 |
| 3.3.4 主观评价指标分析 |
| 3.3.5 客观评价指标分析 |
| 3.4 本章小结 |
| 第四章 基于模糊核生成对抗红外图像超分辨率算法研究 |
| 4.1 模糊核在红外超分辨率重建问题分析 |
| 4.2 基于Kernel GAN改进的红外图像超分辨率算法 |
| 4.2.1 模型总体结构 |
| 4.2.2 模糊核模型设计 |
| 4.2.3 噪声提取模型设计 |
| 4.2.4 模型训练细节 |
| 4.3 红外图像样本库构建 |
| 4.4 实验与结果分析 |
| 4.4.1 实验平台 |
| 4.4.2 主观评价指标分析 |
| 4.4.3 客观评价指标分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间学术成果及获奖情况 |
（4）红外序列图像场景配准及超分辨率重建（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像配准 |
| 1.2.2 图像增强 |
| 1.3 本文的主要研究内容及技术方案 |
| 1.4 本论文的结构安排 |
| 第二章 红外成像特性分析及预处理 |
| 2.1 红外成像特性分析 |
| 2.1.1 红外成像原理 |
| 2.1.2 红外图像质量问题分析 |
| 2.2 红外图像预处理 |
| 2.2.1 红外图像降噪 |
| 2.2.2 红外图像非均匀性校正 |
| 2.3 本章总结 |
| 第三章 基于局部梯度及统计特征的对比度增强算法 |
| 3.1 红外图像对比度增强算法基础概述 |
| 3.1.1 红外图像对比度增强理论 |
| 3.1.2 红外图像质量评价指标 |
| 3.2 基于局部梯度及统计特征的对比度增强算法流程 |
| 3.3 实验方案 |
| 3.3.1 子块分类 |
| 3.3.2 局部灰度映射策略 |
| 3.3.3 图像块效应处理 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于组合特征的红外序列图像配准算法 |
| 4.1 图像配准基础概述 |
| 4.1.1 图像配准理论基础 |
| 4.1.2 图像配准评价指标 |
| 4.2 基于组合特征的红外序列图像配准算法流程 |
| 4.3 基于点特征配准实验方案 |
| 4.3.1 特征点提取 |
| 4.3.2 特征匹配 |
| 4.3.3 基于序列图像先验信息的RANSAC算法 |
| 4.3.4 基于点特征配准实验结果及分析 |
| 4.4 基于Hough变换的直线特征配准实验方案 |
| 4.4.1 Hough变换直线特征提取 |
| 4.4.2 图像变换模型估计 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于改进POCS的红外序列图像超分辨率重建 |
| 5.1 基于凸集投影法的超分辨率重建基础概述 |
| 5.1.1 凸集投影法原理 |
| 5.1.2 评价指标 |
| 5.2 基于改进POCS的红外序列图像超分辨率重建算法流程 |
| 5.3 实验方案 |
| 5.3.1 初始参考图像选取 |
| 5.3.2 参考图像更新策略 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.1.1 主要工作 |
| 6.1.2 创新点及贡献 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）面向非限制条件的人脸识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和主要创新点 |
| 1.4 论文的结构安排 |
| 第二章 人脸识别各阶段算法概述 |
| 2.1 人脸图像预处理 |
| 2.1.1 人脸去光照 |
| 2.1.2 人脸超分辨 |
| 2.1.3 人脸去模糊 |
| 2.2 人脸关键点检测 |
| 2.2.1 二维人脸关键点检测 |
| 2.2.2 三维人脸关键点检测 |
| 2.3 人脸特征提取 |
| 2.3.1 基于局部特征的人脸特征提取 |
| 2.3.2 基于特征编码的人脸特征提取 |
| 2.3.3 基于深度学习的人脸特征学习 |
| 2.4 安全人脸认证 |
| 2.4.1 基于传统特征的活体人脸检测方法 |
| 2.4.2 基于深度学习的活体人脸检测方法 |
| 2.5 常用的人脸数据库 |
| 2.5.1 二维人脸数据库 |
| 2.5.2 三维人脸数据库 |
| 2.5.3 人脸防伪检测数据库 |
| 2.6 本章小结 |
| 第三章 基于尺度分解及能量模型最小化的人脸去光照方法 |
| 3.1 相关工作 |
| 3.2 能量模型定义 |
| 3.3 能量模型求解 |
| 3.4 实验与分析 |
| 3.4.1 实验数据及模型参数 |
| 3.4.2 可视化实验结果分析 |
| 3.4.3 消融实验分析 |
| 3.4.4 人脸识别结果分析 |
| 3.5 本章小结 |
| 第四章 基于二维辅助学习的人脸三维关键点检测方法 |
| 4.1 相关工作 |
| 4.1.1 三维人脸重建 |
| 4.1.2 三维人脸对齐 |
| 4.2 三维形变模型 |
| 4.3 网络结构 |
| 4.3.1 3DMM系数加权监督 |
| 4.3.2 二维辅助自监督 |
| 4.3.3 生成对抗弱监督 |
| 4.3.4 模型整体训练 |
| 4.4 实验与分析 |
| 4.4.1 实验数据及网络参数 |
| 4.4.2 人脸关键点检测结果分析 |
| 4.4.3 三维人脸重建结果分析 |
| 4.4.4 消融实验分析 |
| 4.5 本章小结 |
| 第五章 基于生成对抗学习的跨姿态低质量人脸复原方法 |
| 5.1 相关工作 |
| 5.1.1 人脸转正 |
| 5.1.2 人脸增强 |
| 5.2 网络结构 |
| 5.2.1 双代理生成网络 |
| 5.2.2 姿态归一化模型 |
| 5.2.3 双代理-先验引导判别网络 |
| 5.2.4 过渡训练 |
| 5.3 实验与分析 |
| 5.3.1 实验数据及网络参数 |
| 5.3.2 消融实验分析 |
| 5.3.3 人脸转正效果分析 |
| 5.3.4 人脸增强效果分析 |
| 5.3.5 人脸识别结果分析 |
| 5.4 本章小结 |
| 第六章 基于深度迁移及多任务学习的人脸防伪方法 |
| 6.1 相关工作 |
| 6.2 基于深度迁移学习的人脸防伪方法 |
| 6.2.1 网络结构 |
| 6.2.2 实验数据及网络参数 |
| 6.2.3 域内测试结果 |
| 6.2.4 域间测试结果 |
| 6.2.5 消融实验分析 |
| 6.3 深度多任务学习人脸防伪方法 |
| 6.3.1 网络结构 |
| 6.3.2 全成对混淆损失 |
| 6.3.3 快速域适应模块 |
| 6.3.4 实验数据及网络参数 |
| 6.3.5 消融实验分析 |
| 6.3.6 域内测试结果 |
| 6.3.7 域间测试结果 |
| 6.3.8 人脸识别结果 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 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 |
（6）基于MRI生成伪CT的预测算法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩略语/符号说明 |
| 前言 |
| 研究现状与成果 |
| 研究目的与方法 |
| 一 对象和方法 |
| 1.1 立体定向放射外科系统Cyber Knife的简介 |
| 1.2 样本数据 |
| 1.2.1 数据的获取 |
| 1.2.2 数据预处理 |
| 1.3 预测方法 |
| 1.3.1 基于组织分割法 |
| 1.3.2 基于图谱法 |
| 1.3.3 2D深度卷积神经网络算法 |
| 1.3.4 卷积神经网络-长短期记忆网络级联算法 |
| 1.3.5 3D深度卷积神经网络算法 |
| 二 结果 |
| 2.1 五种算法的pCT与原始CT的定性比较 |
| 2.1.1 五种算法的pCT与原始CT的图像质量比较 |
| 2.1.2 五种算法的pCT与原始CT的DRR比较 |
| 2.2 五种算法的pCT与原始CT的定量比较 |
| 2.2.1 误差比较 |
| 2.2.2 几何评价 |
| 三 讨论 |
| 3.1 预测结果分析比较 |
| 3.2 下一步工作展望 |
| 四 结论 |
| 参考文献 |
| 综述 基于MRI的合成CT生成方法综述 |
| 综述参考文献 |
| 致谢 |
| 个人简历 |
（7）图像增强算法在行车图像处理中的研究与应用（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像增强技术 |
| 1.2.2 深度学习技术 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织结构 |
| 2 低照度图像增强与去噪算法 |
| 2.1 传统的低照度图像增强算法及质量评估 |
| 2.1.1 Retinex理论 |
| 2.1.2 直方图均衡化 |
| 2.1.3 HSV色彩空间类型转换 |
| 2.1.4 伽马校正 |
| 2.1.5 图像质量评价 |
| 2.2 基于卷积神经网络的低照度图像增强 |
| 2.2.1 数据集 |
| 2.2.2 算法思想 |
| 2.2.3 算法过程 |
| 2.2.4 仿真实验与结果分析 |
| 2.3 基于生成对抗网络的低照度图像增强算法的研究 |
| 2.3.1 数据集 |
| 2.3.2 网络整体结构 |
| 2.3.3 仿真实验与结果分析 |
| 2.4 图像去噪算法的研究 |
| 2.4.1 基于双边滤波的图像去噪 |
| 2.4.2 BM3D降噪 |
| 2.4.3 基于卷积神经网络的图像去噪 |
| 2.4.4 仿真实验与结果分析 |
| 2.5 本章小结 |
| 3 超分辨率重建算法 |
| 3.1 理论基础 |
| 3.1.1 图像金字塔 |
| 3.1.2 采样可逆性的研究 |
| 3.1.3 拉普拉斯金字塔 |
| 3.2 单幅图像超分辨率重建 |
| 3.2.1 亚像素卷积原理 |
| 3.2.2 基于亚像素卷积的单幅图像超分辨率重建 |
| 3.3 视频超分辨率重建 |
| 3.3.1 模型原理 |
| 3.3.2 模型训练 |
| 3.3.3 仿真实验与结果分析 |
| 3.4 本章小结 |
| 4 行车图像处理系统的设计与实现 |
| 4.1 行车图像处理系统需求分析 |
| 4.2 行车图像处理系统设计 |
| 4.3 行车图像处理系统实现 |
| 4.3.1 开发环境搭建 |
| 4.3.2 图像采集模块实现 |
| 4.3.3 图像增强模块实现 |
| 4.3.4 结果展示模块实现 |
| 4.4 行车影像处理系统测试 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录 A:作者攻读硕士学位期间发表论文及科研情况 |
| 致谢 |
（8）基于深度神经网络的正电子图像质量增强算法研究（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 正电子探测技术研究现状 |
| 1.2.2 正电子图像重建算法研究现状 |
| 1.2.3 图像质量增强算法研究现状 |
| 1.2.4 超分辨率重建算法研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文主要工作及章节安排 |
| 第二章 正电子探测成像及其质量增强相关知识 |
| 2.1 引言 |
| 2.2 正电子探测基本原理 |
| 2.2.1 正电子的产生与湮灭 |
| 2.2.2 符合事件类型 |
| 2.3 正电子图像退化与重建模型 |
| 2.4 正电子图像重建算法 |
| 2.4.1 极大似然期望值最大算法 |
| 2.4.2 有序子集期望最大算法 |
| 2.4.3 基于Bayesian的极大后验算法 |
| 2.5 图像质量评价指标 |
| 2.5.1 主观质量评价标准 |
| 2.5.2 全参考客观质量评价标准 |
| 2.5.3 无参考客观质量评价标准 |
| 2.6 本章小结 |
| 第三章 基于先验信息的正电子图像质量增强算法 |
| 3.1 引言 |
| 3.2 基本原理 |
| 3.3 卷积神经网络 |
| 3.4 基于深度卷积神经网络的迁移学习 |
| 3.4.1 迁移学习相关概念 |
| 3.4.2 基于深度卷积神经网络的迁移学习 |
| 3.5 样本数据集设计与仿真 |
| 3.5.1 样本模型设计 |
| 3.5.2 GATE仿真实验 |
| 3.6 样本图像生成策略及DCNN网络结构 |
| 3.6.1 样本图像生成策略 |
| 3.6.2 DCNN网络结构确定 |
| 3.6.3 样本图像生成策略改进 |
| 3.7 正电子图像质量增强算法实现 |
| 3.8 ICFEI算法应用实验与分析 |
| 3.8.1 实验设计 |
| 3.8.2 实验结果与分析 |
| 3.9 本章小结 |
| 第四章 基于生成式对抗网络的正电子图像超分辨率重建算法 |
| 4.1 引言 |
| 4.2 图像超分辨率重建算法 |
| 4.2.1 基于插值的超分辨率技术 |
| 4.2.2 基于重建的超分辨率技术 |
| 4.2.3 基于学习的超分辨率技术 |
| 4.3 生成式对抗网络介绍 |
| 4.4 基于深度神经网络的图像超分辨率算法 |
| 4.4.1 基于卷积神经网络的超分辨率算法 |
| 4.4.2 基于亚像素卷积网络的超分辨率算法 |
| 4.4.3 基于生成式对抗网络的超分辨率算法 |
| 4.4.4 超分辨率算法在正电子图像上的应用 |
| 4.5 改进的基于生成式对抗网络的超分辨率算法 |
| 4.5.1 基本原理 |
| 4.5.2 网络结构的改进 |
| 4.5.3 损失函数的改进 |
| 4.5.4 网络参数选择 |
| 4.5.5 ISRGAN网络训练 |
| 4.6 ISRGAN算法应用实验与分析 |
| 4.6.1 实验设计 |
| 4.6.2 实验结果与分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）基于无透镜单像素成像的多功能扫描仪（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 单像素成像研究现状 |
| 1.1.2 传统扫描仪 |
| 1.1.3 无透镜成像 |
| 1.2 课题研究意义 |
| 1.3 本论文研究工作 |
| 第2章 无透镜单像素成像技术及扫描仪设计 |
| 2.1 无透镜单像素成像扫描仪 |
| 2.1.1 单像素成像扫描仪原理 |
| 2.1.2 无透镜单像素扫描装置 |
| 2.2 灰度扫描仿真与实验 |
| 2.2.1 灰度扫描算法仿真 |
| 2.2.2 灰度扫描实验 |
| 2.3 全彩色扫描仿真与实验 |
| 2.3.1 彩色扫描原理 |
| 2.3.2 彩色扫描算法仿真 |
| 2.3.3 彩色扫描实验 |
| 2.4 本章小结 |
| 第3章 单像素扫描光学字符识别 |
| 3.1 单像素扫描光学字符识别原理 |
| 3.2 单像素扫描光学字符识别实验 |
| 3.2.1 不同字号大小及字体类型的单像素扫描光学字符识别实验 |
| 3.2.2 不同厚度纸张的单像素扫描光学字符识别实验 |
| 3.3 本章小结 |
| 第4章 实时加密单像素成像扫描 |
| 4.1 引言 |
| 4.2 加密扫描算法原理 |
| 4.3 加密扫描算法仿真 |
| 4.4 加密扫描实验 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 讨论 |
| 5.3 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）基于主被动光学探测的发光火焰多物理量场重建（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究状况 |
| 1.2.1 火焰测温技术研究现状 |
| 1.2.2 光场成像理论研究与应用现状 |
| 1.2.3 温度及光学参数分布重建算法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 发光火焰辐射传输及光场成像模型 |
| 2.1 引言 |
| 2.2 光场成像理论基本原理 |
| 2.3 发光火焰内辐射传输计算模型 |
| 2.3.1 纯吸收火焰辐射传输模型及算法 |
| 2.3.2 吸收散射性火焰辐射传输模型及算法 |
| 2.4 火焰辐射光场成像模型及成像模拟 |
| 2.4.1 火焰辐射光场成像模型 |
| 2.4.2 火焰辐射光场成像模拟 |
| 2.5 本章小结 |
| 第3章 基于被动光场探测的火焰三维温度分布重建 |
| 3.1 引言 |
| 3.2 温度分布重建模型及重建算法 |
| 3.2.1 纯吸收性火焰温度分布重建模型 |
| 3.2.2 吸收散射性火焰温度分布重建模型 |
| 3.2.3 火焰温度分布重建算法 |
| 3.3 纯吸收火焰三维温度分布重建 |
| 3.3.1 三种算法重建结果对比 |
| 3.3.2 非轴对称火焰温度分布重建 |
| 3.4 吸收散射性火焰三维温度分布重建 |
| 3.4.1 基于LSQR算法与Landweber算法的温度分布重建 |
| 3.4.2 光学参数对重建结果的影响 |
| 3.5 本章小结 |
| 第4章 基于被动光场探测的火焰多物理量同时重建 |
| 4.1 引言 |
| 4.2 纯吸收火焰温度与吸收系数同时重建模型及重建算法 |
| 4.2.1 吸收系数重建算法与模拟研究 |
| 4.2.2 温度分布与吸收系数分布同时重建模型与模拟研究 |
| 4.3 吸收散射性火焰温度与光学参数同时重建模型及重建算法 |
| 4.3.1 温度场与光学参数分布同时重建理论 |
| 4.3.2 吸收系数与散射系数重建模拟研究 |
| 4.3.3 吸收散射性火焰温度场及光学参数分布同时重建模拟 |
| 4.4 本章小结 |
| 第5章 基于主被动光学探测的火焰多物理量场协同重建 |
| 5.1 引言 |
| 5.2 基于消光法与光场探测的火焰多物理量场协同重建模型 |
| 5.2.1 消光法基本原理 |
| 5.2.2 温度与吸收系数分布协同重建策略 |
| 5.3 温度与吸收系数分布协同重建模拟研究 |
| 5.3.1 基于消光法的吸收系数分布模拟重建结果与分析 |
| 5.3.2 温度与吸收系数分布协同重建结果与分析 |
| 5.4 本章小结 |
| 第6章 基于光场探测的火焰多物理量测量试验研究 |
| 6.1 引言 |
| 6.2 Hencken火焰光场试验及CARS温度测量 |
| 6.2.1 Hencken火焰光场试验基本原理 |
| 6.2.2 试验系统与设备 |
| 6.2.3 试验结果与分析 |
| 6.3 乙烯扩散火焰光场试验 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及成果 |
| 致谢 |
| 个人简历 |
四、基于行处理的SAGE算法在PET图像重建中的应用(英文)（论文参考文献）
- [1]基于多核DSP的图像重建算法研究[D]. 姜康. 中北大学, 2021(09)
- [2]基于深度神经网络的高光谱图像处理技术研究[D]. 张敏. 电子科技大学, 2021(01)
- [3]基于生成对抗网络的红外超分辨率算法研究[D]. 王五一. 电子科技大学, 2021(01)
- [4]红外序列图像场景配准及超分辨率重建[D]. 黄彪. 电子科技大学, 2021(01)
- [5]面向非限制条件的人脸识别研究[D]. 涂晓光. 电子科技大学, 2020(03)
- [6]基于MRI生成伪CT的预测算法研究[D]. 菅影超. 天津医科大学, 2020(06)
- [7]图像增强算法在行车图像处理中的研究与应用[D]. 冯梦如. 重庆师范大学, 2020(06)
- [8]基于深度神经网络的正电子图像质量增强算法研究[D]. 吴蓉. 南京航空航天大学, 2020
- [9]基于无透镜单像素成像的多功能扫描仪[D]. 苏子健. 暨南大学, 2019(07)
- [10]基于主被动光学探测的发光火焰多物理量场重建[D]. 黄兴. 哈尔滨工业大学, 2019