导读:本文包含了超分辨率论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:分辨率,图像,卷积,神经网络,特征,靶标,张量。
超分辨率论文文献综述
卜丽静,张铭娟,陈方惠,许峥辉,赵晓宇[1]（2019）在《利用地面靶标的超分辨率重建图像分辨率评价》一文中研究指出针对超分辨率重建后图像分辨率指标计算困难的问题,该文提出一种利用地面靶标的重建图像分辨率计算方法。依据靶标原理和分辨率测量需求设计出改进的线阵和辐射状地面靶标;实地拍摄不同分辨率的靶标图像,建立真实分辨率图像库;采用卷积神经网络方法对拍摄图像进行超分辨率重建,并利用靶标计算重建后图像的分辨率,并与MSE、RMSE、PSNR等指标进行对比,进一步验证本文方法的可行性。通过实验可以得出,线阵与辐射状靶标对图像分辨率的评价结果与主观评价结果一致。实验证明,该方法能够计算出超分辨率重建后图像分辨率值,研究成果具有实际应用价值。(本文来源于《测绘科学》期刊2019年12期）
武玉坤,陈沅涛[2]（2019）在《应用超分辨率重建算法的图像匹配算法》一文中研究指出图像场景中提取特征数量较少,难以满足叁维重建对特征匹配的要求,为此提出基于超分辨率重建的特征提取算法。采用回归学习对低分辨率图像进行重建,对重建结果采用图像先验知识优化,获取较高分辨率图像,对高分辨率图像进行特征提取。实验结果表明,相较重建前图像平均提高6倍以上特征点数量,提高5倍以上匹配点数量,该算法能够提高提取特征点的数目,满足叁维重建等需要较多特征点的情况。(本文来源于《计算机工程与设计》期刊2019年12期）
杜玉萍,刘严严[3]（2019）在《基于POCS的微扫描超分辨率图像重建算法研究》一文中研究指出超分辨率重建,就是从单帧或者序列低分辨率图像中,估计出接近原始高分辨率图像的过程。首先介绍了微扫描超分技术原理,给出了四幅通过微扫描超分相机拍摄的低分辨率图像,之后介绍了基于序列图像重建的超分辨率重建算法POCS(凸集投影法,projections onto convex set,简称POCS),给出了算法的重构图像及细节对比。(本文来源于《光电技术应用》期刊2019年06期）
刘小花,唐贵进[4]（2019）在《基于张量低秩和TV正则化的图像超分辨率重建》一文中研究指出由于低秩先验能够有效地学习图像数据的冗余和数据的全局结构,因此低秩约束在矩阵填充中得到广泛应用。以往的研究表明,低秩约束对张量恢复具有显着影响,这些工作往往通过Tucker秩解决,然而Tucker秩不能捕获张量的内在相关性。提出一种新的基于张量链秩1(Tensor-Train Rank-1,TTR1)分解的逼近张量核范数的邻近算子。低秩约束能够很好地捕获数据的全局结构,但不能利用可视化数据的局部平滑性,因此提出将张量低秩和全变分(total variation,TV)正则化相结合的超分辨率(super-resolution,SR)重建方法,充分利用图像冗余性、全局结构信息和图像局部平滑性,实现图像的SR重建。实验结果表明,相比于Tucker低秩和TV正则化模型(LRTV_SR),该方法在峰值信噪比指标上平均提高了0.2dB,充分验证了基于TTR1分解的张量低秩约束在超分辨率重建中更能保留彩色图像的全局结构特性。(本文来源于《软件导刊》期刊2019年12期）
李昂,宋晓莹[5]（2019）在《基于生成对抗网络的遥感图像超分辨率重建》一文中研究指出生成对抗网络模型可以用来生成服从原始真实图像分布规律的高频细节信息。为了进一步提高重建图像的视觉质量,对生成对抗网络的生成网络、判别网络及感知损失叁个方面进行了改进。首先移除了生成网络中的BN层,同时在残差块中采用密集连接的方式,增加网络模型的容量,降低了计算复杂性,增强了网络训练的稳定性。然后采用迁移学习技术来促进深度模型的训练,解决了遥感数据不足的问题。实验结果表明提出的算法通过对遥感图像超分辨率重建算法进行改进,可以获得更好的主观视觉效果,PSNR和SSIM均有显着提高。(本文来源于《光学与光电技术》期刊2019年06期）
周璐婕,党建武,王瑜鑫[6]（2019）在《基于叁维建模原理的位图图像超分辨率放大研究（英文）》一文中研究指出BMP(bitmap)位图图像作为图像的一种通用格式被越广泛应用,位图放大是图像处理的重要环节。首先,对位图进行分割,将离散算法的叁维模型与扫描线补偿算法相结合,建立数学模型;然后,根据模型表面若干个控制点之间的拓扑关系,将图像表面离散化,采用平面叁角形序列描述叁维物体;最后,将离散算法叁维建模原理中的平借补偿与二值点阵图像扫描线补偿算法相结合,对位图进行放大,从而得到比较清晰的放大BMP图像。(本文来源于《Journal of Measurement Science and Instrumentation》期刊2019年04期）
高强,李小秋,周志鹏,孙磊[7]（2019）在《基于分形谐振器的远场超分辨率扫描成像》一文中研究指出为突破传统衍射极限实现远场超分辨率扫描成像,提出一种基于分形谐振器的微结构阵列用于目标远场超分辨率扫描成像.该阵列基于局域模谐振原理,将目标的超分辨率信息包含在频谱中传播到远场,可在远场通过频谱信息判断目标所在位置,从而不借助于格林函数实现超分辨率实时成像,成像过程简单方便.基于分形谐振器的设计使阵列具有多频点工作的特点,最终实现了λ/10的超分辨率成像.结合分形谐振器一阶谐振和叁阶谐振的特点,提出一种可有效提升成像效率的新型的扫描成像方法.(本文来源于《物理学报》期刊2019年24期）
刘冰倩,曾康利,吴涵,李晓林[8]（2019）在《基于异方差TR约束的自适应人脸超分辨率》一文中研究指出为解决基于局部图像块的人脸超分辨率表达系数实际的异方差特性,提出一种基于异方差TR (Tikhonov regularization)约束的自适应人脸超分辨率方法。同时对重构误差和表达系数进行加权约束,将同方差推广到异方差,获得更加准确的自适应先验;在此基础上,通过上下文信息块丰富基于位置块的先验,使用残差学习预测更精准的高频信息,获得更好的重建性能。在CAS-PEAL-R1人脸数据库上的实验结果表明,该方法优于其它对比方法,包括基于卷积神经网络的超分辨率算法。(本文来源于《计算机工程与设计》期刊2019年11期）
沈明玉,俞鹏飞,汪荣贵,杨娟,薛丽霞[9]（2019）在《多路径递归网络结构的单帧图像超分辨率重建》一文中研究指出卷积神经网络在单帧图像超分辨率重建任务中取得了巨大成功,但是其重建模型多是基于单链结构,层间联系较弱且不能充分利用网络提取的分层特征。针对这些问题,本文设计了一种多路径递归的网络结构(MRCN)。通过使用多路径结构来加强层之间的联系,实现特征的有效利用并且提取丰富的高频成分,同时使用递归结构降低训练难度。此外,通过引入特征融合的操作使得在重建的过程中可以充分利用各层提取的特征,并且自适应的选择有效特征。在常用的基准测试集上进行了大量实验表明,MRCN比现有的方法在重建效果上具有明显提升。(本文来源于《光电工程》期刊2019年11期）
徐亮,符冉迪,金炜,唐彪,王尚丽[10]（2019）在《基于多尺度特征损失函数的图像超分辨率重建》一文中研究指出在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。(本文来源于《光电工程》期刊2019年11期）
超分辨率论文开题报告
（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：
图像场景中提取特征数量较少,难以满足叁维重建对特征匹配的要求,为此提出基于超分辨率重建的特征提取算法。采用回归学习对低分辨率图像进行重建,对重建结果采用图像先验知识优化,获取较高分辨率图像,对高分辨率图像进行特征提取。实验结果表明,相较重建前图像平均提高6倍以上特征点数量,提高5倍以上匹配点数量,该算法能够提高提取特征点的数目,满足叁维重建等需要较多特征点的情况。
（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。
超分辨率论文参考文献
[1].卜丽静,张铭娟,陈方惠,许峥辉,赵晓宇.利用地面靶标的超分辨率重建图像分辨率评价[J].测绘科学.2019
[2].武玉坤,陈沅涛.应用超分辨率重建算法的图像匹配算法[J].计算机工程与设计.2019
[3].杜玉萍,刘严严.基于POCS的微扫描超分辨率图像重建算法研究[J].光电技术应用.2019
[4].刘小花,唐贵进.基于张量低秩和TV正则化的图像超分辨率重建[J].软件导刊.2019
[5].李昂,宋晓莹.基于生成对抗网络的遥感图像超分辨率重建[J].光学与光电技术.2019
[6].周璐婕,党建武,王瑜鑫.基于叁维建模原理的位图图像超分辨率放大研究（英文）[J].JournalofMeasurementScienceandInstrumentation.2019
[7].高强,李小秋,周志鹏,孙磊.基于分形谐振器的远场超分辨率扫描成像[J].物理学报.2019
[8].刘冰倩,曾康利,吴涵,李晓林.基于异方差TR约束的自适应人脸超分辨率[J].计算机工程与设计.2019
[9].沈明玉,俞鹏飞,汪荣贵,杨娟,薛丽霞.多路径递归网络结构的单帧图像超分辨率重建[J].光电工程.2019
[10].徐亮,符冉迪,金炜,唐彪,王尚丽.基于多尺度特征损失函数的图像超分辨率重建[J].光电工程.2019
论文知识图
