导读:本文包含了超分辨处理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:光谱,毫米波,图像,分子,无源,卷积,分辨力。
超分辨处理论文文献综述
姜博厚[1]（2019）在《基于深度学习的高光谱图像超分辨处理方法》一文中研究指出针对目前高光谱图像超分辨处理方法应用过程存在的问题,笔者从实践角度出发,分析了高光谱图像超分辨处理方法的应用现状,并提出了基于深度学习方法的高光谱图像超分辨处理。结果表明,只有从问题角度入手,才能使超分辨处理方法在各领域的广泛运用达到预期。(本文来源于《信息与电脑(理论版)》期刊2019年22期）
孙晶明,王梓谦,杨予昊,孙俊[2]（2019）在《用于HRRP超分辨处理的RELAX算法性能分析》一文中研究指出针对现有文献中未出现关于RELAX算法超分辨性能的定量讨论或关于RELAX应用的边界条件分析,导致RELAX算法的实际应用十分困难这一问题,在详细分析RELAX算法的超分辨原理的基础上,通过仿真给出了一些关于RELAX实际应用的边界条件及结论,可用于指导RELAX算法在实际散射中心估计中的应用:RELAX超分辨处理对估计散射点个数不敏感;当FFT点数约为要达到真实分辨力所需FFT点数的2倍时,RELAX超分辨处理的重构精确度可满足要求;在保证一定的重构精确度的前提下,RELAX超分辨处理的分辨力最高可以达到实际分辨力的2倍。本文仿真条件下,当RSN=10 d B时,RELAX超分辨处理在一定误差容忍范围内基本可用。(本文来源于《太赫兹科学与电子信息学报》期刊2019年03期）
胡静[3]（2018）在《基于深度学习的高光谱图像超分辨处理方法研究》一文中研究指出高光谱成像技术把传统的二维成像技术和光谱技术进行有机地结合,从而获得叁维的高光谱图像。高光谱图像光谱分辨率高,对于空间上任意一点能通过它所对应的连续且精细的光谱曲线来反演出该点所对应的物质,从而同时获取目标的空间属性和物质属性,已经被广泛应用于农作物估产、矿物勘探、军事目标检测与识别、环境灾害监测等军用和民用研究领域中。但是,受限于高光谱图像的成像设备以及复杂的成像环境,高光谱图像的空间分辨率还比较低,无法满足解混、分类、检测等应用需求,这使得高光谱图像的应用受到了限制。深入研究高光谱图像的数据特性,对高光谱图像进行空间分辨率的提升处理,是高光谱图像准确解译和广泛应用的重要前提。因而,如何对高光谱图像进行快速准确的超分辨处理,同时保持高光谱图像的光谱特性,使得地物在原始图像中的光谱可分离性经超分辨处理后仍然保持不变,即在超分辨处理后的高光谱图像中仍然具有分离性,以不影响高光谱图像的判读和分类等后续处理,值得受到人们的密切关注。本文围绕如何在高光谱图像超分辨处理的同时保持好光谱信息这一问题展开研究工作,通过深入分析高光谱图像的数据特性,探索能够实现快速高光谱图像超分辨处理的有效算法,并在合成和真实的高光谱数据上均进行了算法性能验证。具体工作概括如下:1.高光谱图像的光谱信息是由每个像元所提供的数十至数百个窄波段所组成的一条完整而连续的光谱向量。对于向量而言,它所携带的信息为模的大小和方向。因此,在高光谱图像超分辨重建的过程中,可以通过保持相邻波段之间的相对关系,从而保持光谱信息。卷积神经网络能够通过多个隐含层很好地表征训练数据和标签之间的非线性映射关系。因此,本文提出了基于卷积神经网络的高光谱图像超分辨算法。其基本思想是利用卷积神经网络学习低分辨高光谱图像光谱差与对应高分辨高光谱图像光谱差之间的映射关系,从而将这种映射关系泛化应用于输入的低分辨高光谱图像,得到对应的高分辨光谱差,以指导输入图像的超分辨重建过程。此外,通过对利用光谱差重构后的图像进行空间约束,即要求重构后图像生成的低分辨高光谱图像在空间上接近于输入的低分辨高光谱图像,使得整个过程成为一个由低分辨高光谱图像生成高分辨高光谱图像,再回到低分辨高光谱图像的闭合循环系统,这一创新设计进一步提升了算法的超分辨性能。实验结果表明,基于卷积神经网络的高光谱图像超分辨方法在提升输入图像空间信息的同时,能很好地保持光谱信息。2.从一维的光谱向量角度出发,通过保证光谱相邻波段间的相对关系能够很好地保持光谱信息,光谱维重构过程的起点选择不影响光谱信息本身。但是,从高光谱图像的空间维出发,光谱起点的选择将给空间上的信息重构带来影响,并造成空间错误传播的问题,本文提出了一种基于深度学习得到的光谱差和空间错误自纠正模型的高光谱图像超分辨方法。其基本思想是首先选取一个关键波段,这个关键波段相较于其他波段,超分辨难度最小,即超分辨后的这个波段最接近于参考波段,从而为其余波段的超分辨过程在空间上提供一个精确的起点。更进一步,针对得到的光谱差和真实的光谱差在空间上可能存在误差,随着波段序号远离关键波段,直接依赖于光谱差进行超分辨重建后的高光谱图和参考图之间的差值在不断累积的问题,本文同时提出了一个空间错误自纠正模型,给得到的的光谱差乘上一个常数,从而在不影响光谱向量的情况下,纠正重构过程中空间错误传播的问题。实验结果表明,该空间错误自纠正模型在合成的高光谱图像和真实的高光谱图像上均能取得很好的超分辨重建效果。3.受限于较高的获取成本,现有的高光谱图像数量还不是很多,主流方法以叁维图像数据作为训练输入限制了基于深度学习的高光谱应用的性能。对于高光谱图像而言,空间上每一个像素点都对应于一条光谱曲线,一张高光谱图像通常包含几十万甚至上百万的光谱曲线,以光谱曲线作为训练数据的卷积神经网络能够避免因数据量不足而引起的网络性能受限问题。因此,本文提出了一种基于一维光谱映射卷积神经网络和非负矩阵分解的高光谱图像超分辨方法。首先,我们将高光谱图像中的波段按一定的间隔进行选择,并且对这些选中的波段进行超分辨处理,其余的波段则通过插值操作进行初始化,得到一个完整的高光谱图像。这个高光谱图像空间上的每一个像素点都对应于一条初始状态的光谱向量。与此同时,一维的光谱映射卷积神经网络用来训练初始光谱向量与期望光谱向量之间的映射关系。依赖于训练好的光谱映射卷积神经网络,对高光谱图像进行光谱纠正,以得到一个高分辨的高光谱图像。另外,为了充分利用输入图像所携带的信息,将输入的低分辨高光谱图像与经光谱映射卷积神经网络纠正后的高分辨高光谱图像通过非负矩阵分解进行融合,从而得到一个信息更为丰富的高分辨高光谱图像。实验结果和数据分析表明,本文提出的方法在空间信息的提升和光谱信息的保持方面均有不错的效果。(本文来源于《西安电子科技大学》期刊2018-04-01）
王伊娜[4]（2016）在《用于提高超分辨定位显微成像空间分辨率的数据处理方法研究》一文中研究指出超分辨定位显微成像将荧光显微成像的空间分辨率提高了超过一个数量级,使生命科学领域的研究者可以从分子水平观测生物精细结构与功能。为了提升该方法的测量精确度,拓宽该技术的应用范围,需要研究进一步提高超分辨定位显微成像空间分辨率的方法。其中,提升超分辨定位成像数据处理方法的精度是提高该技术空间分辨率的直接、有效手段。本文通过分析超分辨定位成像中的关键数据处理步骤,并针对提升数据处理精度所遇到的难点,从高密度分子定位、漂移校正、分子筛选以及图像可视化方面进行了研究：(1)高精度快速高密度分子定位方法。本文分析了限制当前高密度定位方法计算性能的瓶颈,通过优化初始模型预估与多分子拟合的非凸优化问题求解,开发了高精度、少计算量的高密度分子定位方法PALMER (PArallel Localization of Multiple Emitters via Bayesian information criterion Recommendation),并基于ImageJ图像处理软件开发了此方法的实用性插件,解决了当前高密度分子定位算法无法兼容快速与高精度性能的问题。通过仿真与实验验证,证实PALMER方法具有高的定位精度与分子检测率,且定位速度比着名的高密度定位算法DAOSTORM快一个数量级。比起常规的稀疏分子数据采集与定位,通过高密度分子采集与PALMER方法的结合,可以将奈奎斯特空间分辨率提升近四倍。(2)高精度漂移校正方法。本文深入分析了互相关漂移校正方法的数学模型,并利用定位数据集中不同时间的子数据集均描述同一目标结构的冗余性特征,开发了基于冗余互相关计算的漂移校正方法(Redundant Cross Correlation, RCC)。仿真与实验验证的结果显示,RCC算法具有高精度、高鲁棒性的特点。RCC方法一方面可以在处理此前互相关漂移校正方法不适用的低信号数据集时,获得纳米量级的高精度校正结果;另一方面还可以提升超分辨重建图像的有效空间分辨率：相比其他的互相关漂移校正方法,RCC算法将空间分辨率提升了约10%。(3)高性能分子筛选以及图像可视化方法。本文基于拓展定位数据集有效数据维度的基本思想,利用对目标结构的先验知识从定位数据集中提取结构各向异性特征,开发了基于各向异性系数的分子筛选方法。仿真与实验数据分析结果显示,该分子筛选方法可以有效滤除定位数据集中的背景噪声,包括其他方法所不能滤除的非特异性簇状聚合杂点,从而显着提高定位数据集的信噪比。同时,本文讨论了各向异性特征可以与高斯渲染图像可视化方法相结合,用于非线性地增强超分辨重建图像中的空间结构信息。综上,本文利用超分辨定位显微成像的固有特征,发展了一系列高精度的数据处理方法,进一步提高了超分辨定位显微成像的空间分辨率,有望促进超分辨定位显微成像在精细结构与功能解析中的应用。(本文来源于《华中科技大学》期刊2016-05-01）
袁晶[5]（2014）在《基于超分辨重建数学模型的医学图像处理方法》一文中研究指出研究医学图像的清晰度处理优化问题。医学图像因在临床上要能辅助医生作出病理的准确判断,对图像的清晰度有较高的要求。传统的医学图像清晰度处理算法,由于受到人体组织不均匀的影响,反射区域会存在较大的噪声干扰,造成清晰度不高,致使医生做出错误判断,造成不必要的医疗事故。为解决上述问题,提出一种基于超分辨率重构数学模型的医学图像处理方法,通过数字信号处理器(DSP)和现场可编程逻辑门阵列(FPGA)实现了算法,根据重构理论,保证医学图像在强噪声干扰下,实现最优修复,达到了对医学图像进行实时高清晰度的要求。实验结果表明,与传统医学图像处理方法相比,优化算法处理后的图像清晰度提高了18%,具有较高的性价比和实际应用价值。(本文来源于《计算机仿真》期刊2014年05期）
马洪强[6]（2014）在《超分辨定位成像中的快速数据处理方法研究》一文中研究指出超分辨定位成像技术可实现高达20nm的空间分辨率,可以从分子水平研究细胞内的复杂工作机制,已经逐渐成为生命科学研究领域里必不可少的研究工具,但其缺点是成像速度较慢(通常是分钟量级)。因此,近年来人们致力于研究快速成像探测技术以及高密度分子定位技术,希望在不牺牲成像视场和空间分辨率的条件下,提高超分辨定位成像的时间分辨率。但是,快速成像探测技术会产生巨大的数据流和海量的数据,对数据传输、数据存储以及数据分析都形成了很大的挑战。同时,高密度分子定位技术需要使用复杂的分析模型,极大地加重了数据分析的负担。本文将针对以上问题,从高效的数据处理算法和先进的计算架构两条途径着手解决超分辨定位成像中的快速数据处理问题。主要工作包括：(1)快速稀疏分子定位方法。利用光学成像系统点扩散函数的辐射对称性,开发了快速、高精度的稀疏分子定位算法MrSE。仿真和实验结果表明,MrSE算法的定位精度可以接近理论极限,而定位速度比传统高精度算法快1000多倍。通过优化基于MrSE算法的数据分析流程,并结合GPU并行处理架构,实现了整个数据分析过程的GPU并行化处理,使数据处理速度提高到650Mpix/s,满足了快速探测对数据实时处理的需求。(2)高效数据削减方法。利用超分辨定位成像中分子的稀疏性,开发了一种高效的数据削减算法。仿真和实验结果表明,在常规的稀疏分子定位成像中,此算法可以在不影响超分辨重建质量的同时,将数据量削减约20倍。进一步将此算法与探测器中的FPGA嵌入式计算平台相结合,实现了高达532Mpix/s的嵌入式数据削减,显着降低了快速探测带来的数据传输和数据存储的压力。(3)快速高密度分子定位方法。通过对高密度分子图像进行去重迭,开发了可以对重迭分子进行精确定位的快速高密度定位算法。仿真和实验结果表明,该算法可以显着提高超分辨定位成像技术的空间分辨率与时间分辨率,其效果与传统高密度分子定位算法DAOSTORM相近,但算法复杂度却降低了两个数量级。基于此算法,进一步开发了专用的硬件处理器POWERs。POWERs可以独立完成数据处理任务,缓解了计算机系统的压力。其数据处理速度可达200Mpix/s,满足了常规高密度分子定位成像对数据在线处理的需求。本文利用超分辨定位成像技术所具有的特征,发展了一系列高效的数据处理方法,通过进一步结合先进的计算架构,解决了超分辨定位成像中的快速数据分析、数据传输以及数据存储的问题,对快速成像探测以及高密度分子定位技术的应用与推广具有积极意义。(本文来源于《华中科技大学》期刊2014-05-01）
张永强[7]（2013）在《雷达超分辨处理技术的研究》一文中研究指出雷达目标的方位信息是由天线波束扫描得到的,雷达方位分辨率取决于天线的水平波束宽度,如果是窄波束,就能得到高分辨率。因此一般情况下都是采取增大天线孔径和提高雷达发射频率的方法,但是改进天线尺寸会使得机动能力和安装场地受到限制,同时天线尺寸还受到体积的限制,波束锐化有限,而且提高频率受到器件制造工艺水平的限制。所以一些普通雷达为了达到在分辨率方面更好的效果,就考虑在不改变硬件的基础上利用数字信号处理的方法提高雷达分辨率利用雷达超分辨处理技术可以在有限资源下进一步提高雷达的方位分辨率。为有效地改善非相参脉冲雷达分辨率的问题,本文针对这一问题首先研究了雷达天线方向图函数、目标等数学模型；然后研究了提高雷达分辨率常用的子波变换、维纳逆滤波以及限制迭代算法,又针对噪声对提高雷达分辨率影响,以及在两个雷达回波有混迭的时候,雷达不能将回波分辨的问题,研究了维纳逆滤波和限制迭代反卷积的改进算法,并进行了仿真实验分析,通过对多种提高雷达分辨率算法的综合研究,提出混合反卷积提高雷达分辨率的改进算法,并进行了仿真实验分析,证明了改进的混合反卷积提高雷达分辨率算法的有效性,此方法不仅仅可以减少算法的运算量,而且能够有效抑制噪声和减少伪峰。本课题采用FPGA实现超分辨处理,保证超分辨处理的实时性。利用Xilinx公司的ISE10.1软件对整个系统流程进行了FPGA的总体设计,进而又对算法进行了FPGA的仿真实验,实验主要分为叁部分,包括基于FPGA实现数据存储和基于FPGA实现FFT,还包括算法主体部分的软件实现。最后使用MATLAB仿真对编程处理结果的可性进行了对比验证,得出了这种既能减小算法运算量,又能抑制噪声伪峰的超分辨处理的FPGA实现方法(本文来源于《大连海事大学》期刊2013-06-01）
陈立[8]（2013）在《条带抑制处理及基于学习的毫米波图像超分辨算法研究》一文中研究指出被动毫米波成像系统利用物体自身的毫米波段辐射的能量来差异实现成像。其对于雨、雾和衣物等具有良好的穿透性，且能在各种气候条件下全天时进行成像，因而其在场景监视和安全检查等方面具有重要而广泛的应用前景。但是，由于其成像系统体制上的特点，和硬件系统实现上的一些限制，也使其具有一些技术上的缺点。一方面，受限于波长及系统天线孔径，毫米波成像往往具有较低的空间分辨率，且通过改进硬件来提高被动毫米波成像的分辨率十分困难且代价高昂。另一方面，为满足实际的应用需求，系统往往采用多通道成像体制，但受限于接收通道技术及其制造工艺，使得各通道的响应参数存在不一致性和时变性，这将导致所成图像存在条带噪声。本论文针对毫米波图像的条带噪声抑制问题及超分辨率问题开展了以下工作：1.研究了被动毫米波成像原理，分析了系统成像的数学模型。研究了统计学习理论，分析了影响学习模型性能的关键因素。2.对多通道体制下图像条带噪声的成因进行了研究，推导和建立了相关的数学模型。在此基础上，使用正则化方法，研究并设计了基于最小二乘准则的条带噪声抑制方法，同时还根据场景连续性设计了行均值优化算法，并进行了实验验证。3.对毫米波图像的特点进行了研究，并在此基础上，对毫米波图像的先验模型进行了研究和建模。4.研究毫米波图像特点，建立了被动毫米波成像系统点扩展函数模型。结合毫米波图像的稀疏线梯度（SLG）先验模型，设计了盲超分辨率复原算法，并通过实验验证了其性能。5.研究了支持向量回归方法，分析了影响超分辨率复原算法处理效果的因素，以及学习模型与计算复杂度间的关系。在此基础上，将信号的稀疏分解引入到超分辨率复原当中。通过仿真实验，验证了算法的有效性。综上所述，本论文中研究的算法，能够有效地提高被动毫米波成像的质量和图像处理的效果，具有重要的学术意义和优良的应用价值。(本文来源于《电子科技大学》期刊2013-04-01）
师翔[9]（2012）在《毫米波图像多帧超分辨处理算法研究》一文中研究指出无源毫米波探测技术利用目标与背景的辐射特性差异实现成像,在军事侦察、反恐维稳、飞机着陆等领域具有重大应用价值。但是,现有无源毫米波成像系统分辨率难以满足需求。多帧超分辨处理技术在不改变成像系统硬件设计的前提下,有效地提高获取图像的分辨率,现已成为在军民用领域均具有重要应用前景的热门前沿技术。本论文在国家自然科学基金重点项目和面上项目的共同支持下,围绕无源毫米波图像多帧超分辨处理技术进行了深入研究,具体包括以下内容：1、分析无源毫米波成像系统的工作原理和图像降质过程,在亚像元处理技术基础上,给出了无源毫米波多帧成像系统的数学模型以及低分辨率图像映射在高分辨率网格上的非均匀采样形式。2、针对基于统计优化的乘性迭代超分辨复原算法仅适用于单帧图像的局限,在多维随机变量独立同分布假设下,采用“单像素”法推导联合条件概率密度函数,有效地对算法进行了多帧改进,在解频谱混迭的同时实现高频分量外推。3、针对噪声条件下传统扩展相位相关方法峰值点及其邻近脉冲易受干扰,运动参数计算出现偏差的问题,从无源毫米波图像的背景噪声统计特性出发,采用基于IDFT的相位相关局部重采样亚像素级微位移检测算法,有效地提高了不同噪声背景下亚像素级运动参数的检测精度。4、针对MBFR超分辨重建算法中,高分辨率图像尺度和小波系数计算的有效性依赖于正则参数这一问题,研究了迭代计算正则参数(ICRP-MBFR)的无源毫米波高分辨率图像小波系数求解算法。在一定帧数的低分辨率序列图像情况下,能够获得较好的重建结果。5、针对多帧超分辨重建过程中小波域优良的先验信息未能有效利用的问题,采用广义高斯先验模型,结合共轭梯度方法收敛速度的优势,研究了小波域共轭梯度多帧超分辨复原算法。通过有效地结合ICRP算法,解决了重建与复原过程的割裂,能够在提高图像分辨率的同时扩大频谱外推的范围。通过仿真实验和对实测图像数据的研究分析,验证了基于统计优化和小波变换的多帧超分辨复原算法能够有效地实现对序列图像亚像素信息的融合,完成高分辨率图像重建和频谱外推,提高了成像系统获取图像的分辨率。(本文来源于《电子科技大学》期刊2012-04-01）
高美静,芦鑫,石晓丽[10]（2011）在《显微热成像系统行处理迭代超分辨力处理研究》一文中研究指出针对已研制光学微扫描显微热成像系统空间分辨力较低的问题,基于改进的频域图像配准技术和改进的行处理迭代超分辨力算法,提出了显微热成像系统光学微扫描改进行处理迭代超分辨力图像处理方法。给出了该方法的原理及步骤,采用不同重构方法针对可见光和红外图像进行了仿真研究,给出了评价参数和结论。利用光学微扫描显微热成像系统采集低分辨力显微热图像序列进行了超分辨力处理实验,实验结果表明本文提出方法的有效性,光学微扫描显微热成像系统的空间分辨力得到提高,可应用于需要显微热分析的场合。该方法还可以应用于其它不可控光学微扫描成像系统中,具有广泛的应用前景。(本文来源于《光电工程》期刊2011年09期）
超分辨处理论文开题报告
（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：
针对现有文献中未出现关于RELAX算法超分辨性能的定量讨论或关于RELAX应用的边界条件分析,导致RELAX算法的实际应用十分困难这一问题,在详细分析RELAX算法的超分辨原理的基础上,通过仿真给出了一些关于RELAX实际应用的边界条件及结论,可用于指导RELAX算法在实际散射中心估计中的应用:RELAX超分辨处理对估计散射点个数不敏感;当FFT点数约为要达到真实分辨力所需FFT点数的2倍时,RELAX超分辨处理的重构精确度可满足要求;在保证一定的重构精确度的前提下,RELAX超分辨处理的分辨力最高可以达到实际分辨力的2倍。本文仿真条件下,当RSN=10 d B时,RELAX超分辨处理在一定误差容忍范围内基本可用。
（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。
超分辨处理论文参考文献
[1].姜博厚.基于深度学习的高光谱图像超分辨处理方法[J].信息与电脑(理论版).2019
[2].孙晶明,王梓谦,杨予昊,孙俊.用于HRRP超分辨处理的RELAX算法性能分析[J].太赫兹科学与电子信息学报.2019
[3].胡静.基于深度学习的高光谱图像超分辨处理方法研究[D].西安电子科技大学.2018
[4].王伊娜.用于提高超分辨定位显微成像空间分辨率的数据处理方法研究[D].华中科技大学.2016
[5].袁晶.基于超分辨重建数学模型的医学图像处理方法[J].计算机仿真.2014
[6].马洪强.超分辨定位成像中的快速数据处理方法研究[D].华中科技大学.2014
[7].张永强.雷达超分辨处理技术的研究[D].大连海事大学.2013
[8].陈立.条带抑制处理及基于学习的毫米波图像超分辨算法研究[D].电子科技大学.2013
[9].师翔.毫米波图像多帧超分辨处理算法研究[D].电子科技大学.2012
[10].高美静,芦鑫,石晓丽.显微热成像系统行处理迭代超分辨力处理研究[J].光电工程.2011
论文知识图
