一、基于小波变换和凸集投影的数据恢复和建模算法（论文文献综述）
蒋凯[1]（2021）在《基于小波变换和自注意力的图像超分辨率重建算法研究》文中研究指明近年来,深度卷积神经网络（Deep Convolution Neural Networks,DCNN）在单幅图像超分辨率（Single Image Super-Resolution,SISR）中得到了广泛的应用。然而,大多数现有的基于DCNN的SISR方法往往会产生过于平滑的输出,对图像细节信息的恢复不够理想。为了解决上述问题,本文对基于小波变换和自注意力机制的图像超分辨率重建算法进行了相关研究,提出了两种图像超分辨率重建算法:（1）基于小波变换的非对称卷积网络（Wavelet-based Asymmetric Convolution Network,WACN）。现有的超分辨率方法没有充分利用图像的高频信息,导致重建图像细节不清晰。WACN通过将超分辨率放大倍数和小波分解级数相联系,重建高分辨率图像的小波系数,联合图像空间损失和小波系数损失使得网络专注于学习图像的高频信息。此外,WACN重新构建了残差块,设计了非对称卷积残差块,在模型训练阶段增强了网络的特征提取能力;而在网络推理阶段,通过将非对称卷积核融合到方形卷积核中,在不影响网络性能的前提下减少了网络的参数量,提高了推理速度。（2）结合自注意力的小波变换非对称卷积网络（Combining Attention in Wavelet-based Asymmetric Convolution Network,CAWACN）。为了使得深度超分辨率网络可以自适应地区分高低频信息,进一步提高高频信息的利用率,本文提出了基于方差的通道注意力模块（Variance-based channel attention,VCA）,并将其接入到WACN中得到CAWACN。通过考虑通道之间的相互依赖性,自适应地重新划分通道方向的特征,提高重建效果。最终的实验结果表明,两种方法均充分利用图像的高频信息,使得重建图像的高频边缘细节信息丰富,更加接近真实高分辨率图像。
于明聪[2]（2021）在《基于小波域的图像超分辨率重建算法研究》文中认为图像分辨率作为图像领域的经典问题在近年来受到越来越多的关注,图像的分辨率决定着图像所包含的信息量的多少,因此,提升图像分辨率对于信息存储和利用具有十分重要的意义。图像超分辨率重建主要是采用软件的方法来对图像分辨率进行提升,而不需要花费昂贵的费用去完成硬件的提升,降低了研究成本,拓宽了应用领域。在医学、遥感以及公共安全等领域都有广泛应用前景。传统的基于深度学习的方法在对低分辨率图像进行重建处理过程中,并未将图像中的低频结构信息和高频细节信息进行区别处理,网络的层与层之间缺乏信息交流,图像特征也只是通过单一卷积核获得,且对于图像特征采用均等处理的方式,特征利用率严重不足,从而造成高分辨率图像重建结果中出现信息缺失。为获取更多图像各层次特征的结构与细节信息,本文采用将小波变换与残差密集网络相结合的方式,大大增加网络稀疏性的同时,充分挖掘图像特征信息并提高模型的表征能力。同时,通过加入多尺度特征融合模块,使得该算法在学习过程中获得特征图的更多种特征,增加了网络的非线性表达能力,实现对低分辨率图像信息的深层挖掘。此外,在深度特征提取时引入通道注意力机制,通过调整各通道之间的特征图权重,增加通道相关性,提取更多表征能力更强的特征信息。最后,本文在上采样过程中采用亚像素卷积,避免因线性插值造成的结构信息损害的问题。本文采用DIV2K数据集作为训练数据集,Set5、Set14、BSDS100和Urban100四个公开数据集作为对比测试数据集,同时通过在榆紫叶甲虫数据集上进行测试以验证算法的有效性。实验结果验证了本文提出的图像超分辨率重建算法在测试集上的有效性,在更高效的利用原始图像信息的同时,解决了信息缺失的弊端,使得重建图像的纹理更清晰,细节更丰富,视觉效果更佳。
胡学财[3]（2021）在《自适应的图像超分辨率算法研究》文中研究表明图像是数字信息化时代重要的信息传递的载体。然而,受限于图像采集设备的成本、成像模态本身的技术瓶颈以及信息传输条件,人们在现实生活中所采集的图像通常分辨率较低且模糊不清,较差的成像质量制约了后续的信息提取,也无法满足人们的视觉感官需求。图像超分辨率（Image Super-Resolution,ISR）重建技术旨在从一幅或多幅低分辨率（Low-Resolution,LR）图像中重建出成像设备无法直接获取的高分辨率（High-Resolution,HR）图像。图像超分辨率重建技术无需更新成像设备的硬件就可以提高图像的清晰度,因而其有着广泛的应用场景,如视频监控、卫星图像处理以及医学成像等。虽然近些年基于深度学习的图像超分辨率算法研究取得了不错的进展,但是这些算法在应用于真实应用场景时仍然存在很多挑战性的问题,诸如任意缩放因子的图像超分辨率问题、缺乏能自适应处理多种退化因子的高效图像超分辨率算法以及图像超分辨率算法性能与效率的平衡性问题。本文面向图像超分辨率在真实应用场景中的挑战性问题进行了深入分析,利用元学习、动态卷积和多分辨率融合等方法,提出了一系列针对性的自适应图像超分辨率算法。本文的研究内容和主要贡献可以概括如下:1)提出了面向任意缩放因子的图像超分辨率元学习算法。现有的图像超分辨率算法只能进行个别整数倍数的放大,而在实际应用场景中,人们迫切需要的是能缩放很多个不同倍数的图像超分辨率算法。针对这一问题,本文首次提出了基于元学习的面向任意缩放因子的超分辨率网络Meta-SR。该方法提出了位置投影映射算法来解决非整数倍数的LR-HR图像对之间的空间映射问题,从而基于卷积实现了非整数缩放因子的图像超分辨率任务;然后基于元学习设计了一个权重预测子网络来自适应地为每个缩放因子预测一组对应的放大滤波器参数。Meta-SR仅需要训练一个模型就能同时高效地解决很多个缩放因子的图像超分辨率问题。实验结果表明,该方法取得的性能远高于基于插值的任意缩放因子的图像超分辨率算法。2)提出了面向多种退化因子的图像超分辨率元学习算法。当前的图像超分辨率模型都是基于单一的、固定的退化假设所训练得到的,因此需要设计一个统一的图像超分辨率框架来应对真实应用场景中可能存在的多种多样退化情况。本文提出了一个基于元学习的元复原模块,该模块为不同组合的退化因子（模糊核和噪声参数）自适应地预测一组对应滤波器的权重。同时元复原模块被放置于网络的末端,首次尝试了后置输入退化信息,这种后置的复原模块能够更加高效地应对基于迭代估计退化因子的图像超分辨率问题。除此之外,本文还分析了该算法对不准确模糊核估计的鲁棒性。大量定性和定量的实验结果表明了所提出方法的优越性。3)提出了基于动态卷积和多分辨率融合的轻量级图像超分辨率算法。目前的轻量级图像超分辨率模型感受野普遍较小,导致模型捕捉上下文信息的能力有限。同时严格控制计算量的轻量级模型一般参数量也偏小,限制了模型的学习能力和表达能力。本文针对轻量级图像超分辨率模型的上述问题,提出了基于动态卷积和多分辨率融合的轻量级图像超分辨率重建方法。该方法中的多分辨率融合网络通过使用下采样操作来增大了网络的感受野,并学习到了涵盖空间信息和上下文语义信息的层次化特征;同时下采样操作降低了特征分辨率,从而在小分辨率特征上可以使用更多的参数进行学习;最后,提出了一个基于动态卷积的基础模块,能够在几乎不增加模型计算量的同时增加网络参数量,从而进一步提升了模型的表达能力。所提出的方法在多个数据库以及不同设定下均取得最佳的性能,实验结果表明该方法大大缩小了与大型复杂模型之间的性能差距。
韦志深[4]（2020）在《基于超分辨率重建的遥感影像亚像元目标识别研究》文中指出在光学遥感图像的研究中,空间分辨率是衡量图像质量的重要指标之一,更高的空间分辨率也就意味着更加丰富的数据量以及更多有用的信息。目前,遥感图像的获取以及运用也随着遥感技术的不断发展变得更加便利。然而,由于空间分辨率对遥感图像的限制,低分辨率图像无法满足对遥感图像进行进一步处理以及运用的需求。那么在原有硬件系统的条件下,利用软件技术得到更高的分辨率的遥感图像得到了快速的发展。针对论文题目,本文主要从以下几个方面开展:（1）针对基于压缩感知的超分辨率重建,分析压缩感知中信号的稀疏表示、测量矩阵的构建以及信号的重建算法,比对传统方法实现压缩感知超分辨率重建的优缺点,确定离散小波变换为稀疏表示方法,部分哈达玛矩阵以及高斯随机矩阵为测量矩阵,正交匹配为重建算法进行压缩感知超分辨率重建,从客观评价指标分析本文算法相对于传统算法重建出较高质量的遥感图像。（2）针对基于凸集投影的超分辨率重建,分析构造参考帧、运动估计及修正像素点到阈值范围内步骤,提出一种基于阈值修正以及改进PSF融合的POCS超分辨率重建算法,将其用于worldview-3光学遥感图像。在对重建图像结合客观评价指标分析之后,相对于传统算法,本文算法能在有效提升图像分辨率的同时保证图像的质量。为之后对遥感图像的进一步运用打下了坚实的基础。（3）完成基于遥感图像超分辨率重建相关研究之后,结合遥感图像的MSE、PSNR、SSIM、信息熵以及平均梯度等客观评价标准,分别将本文完成的超分辨率重建遥感图像与双三次差值、传统POCS算法、SCSR等算法得到的结果进行相关指标比对,得到本文算法得到的相关指标均优于传统算法,进而得出本文相关算法能有效的重建出高质量的遥感图像。（4）在完成遥感图像超分辨率重建以及本文算法重建结果与传统算法重建结果在客观评价指标上的比对之后,结合目前流行的一种基于YOLO的网络模型为DarkNet-53的目标检测方法,对本文算法重建图像做深入研究。选用高分二号数据,构建基于目标为飞机的训练集,对重建高分二号遥感图像中的飞机做目标检测,分析比对重建前后目标检测的准确率,得到本文重建算法得到的遥感图像目标检测准确率相比较于未重建的低分辨率图像,有较为明显的提升,这就从另外一个方面说明本文算法得到的重建图像质量优于传统算法。至此,基本完成了本文的基于遥感图像的超分辨率重建以及相应的目标识别相关研究。
武宇喆[5]（2020）在《基于类POCs深度卷积网络的图像超分辨率重建》文中研究说明近几年来,卷积神经网络被广泛应用于图像超分辨率重建任务中,从主观质量和客观质量均取得了比传统超分辨率重建方法更好的效果。图像超分辨率重建是一个典型的逆问题,解决该问题的核心在于设计有效的退化模型从给定的低分辨率图像中重建出潜在的高分辨率信息。随着深度学习的迅速发展,基于深度学习的图像超分辨率方法大致可以分为三个阶段:浅层网络、深层网络和带有注意力机制的网络。第一阶段的浅层网络被用来泛化传统的图像超分辨率重建算法,但是存在着梯度消失问题。第二阶段的深层网络使用各种机制解决了梯度消失问题,从而构建了非常深的网络结构。然而,这阶段的网络均忽略了特征图中不同区域的重要程度,因此网络的表征能力不强。第三阶段的带有注意力机制的网络能够在特征图中自适应的选取感兴趣的区域,进而增强了网络的表征能力。对于高级视觉任务,由于特征图中各个位置的重要性是不同的,所以采用注意力机制通过增强关键性特征能够提高识别的准确率。然而,将注意力机制用于低级视觉任务（比如图像超分辨率重建）并不是最优的,这是因为特征图中每个位置是同等重要的。在这种意义下,很有必要为图像超分辨率重建任务设计相应的特征重校准机制。为了解决这些问题,我们分别可视化了不带有注意力机制和带有注意力机制的图像超分辨率网络,发现了一个有趣的现象:网络提取的特征图中包含的噪声程度越小就趋向有更好的重建性能,这意味着与不带有注意力机制的网络相比,注意力机制有着一定的特征去噪作用。这也许是因为注意力机制提取到了特征图中的主成分（高能量）,这些主成分在一定程度上代表低频信息。在这种意义下,注意力机制有着增强低频和抑制高频信息的作用。然而,当抑制高频信息时在一定程度上会丢失一些细节纹理特征。这就启发着我们为图像超分辨率重建问题设计专门的特征去噪模块。根据传统的信号处理理论,卷积运算可以被视作为变换,所以抑制特征图中的噪声其实是对变换域去噪。在这种意义下,我们提出了两种轻量化的特征去噪模块:软阈值模块和自适应软阈值模块,该模块泛化了经典的用于变换域去噪的软阈值算法。将特征去噪模块引入到典型的不带有注意力机制的图像超分辨率网络EDSR,我们提出了一个基于类凸集投影（Projection Onto Convex sets,POCs）算法的图像超分辨率网络PL-DSR。实验表明,PL-DSR提取的特征图中噪声程度低,包含了更多的细节特征。因此,本文方法不但模型参数量更少（EDSR的28.8%,RCAN的74.6%和SAN的76.0%）,而且取得了目前最好的的重建质量。除此之外,我们还将本文方法进一步拓展到计算光谱成像领域,并获得了比现有方法更好的光谱图像重构质量。
吴浩博[6]（2020）在《基于生成对抗网络的图像超分辨重建算法研究》文中提出图像超分辨率重建,是指将细节较少的低分辨图像恢复为具备更多纹理细节信息的高分辨图像的过程,是图像处理领域的一个重要研究方向。现有多数基于深度学习的超分辨算法,在重建过程中没有充分利用图像的全局特征,导致重建图像中容易出现某些局部细节不合理、层次感不强的现象。同时未考虑将图像的低频信息和高频信息分别处理,导致现有这些算法在应用到真实场景中时,得到的重建图像往往纹理细节不足,缺乏高频信息。针对这些问题,本文围绕深度学习领域中的生成对抗网络模型,提出两种新的适用于真实场景的超分辨重建算法。本文的主要工作如下:（1）本文提出了一种基于自注意力机制的生成对抗网络图像超分辨重建算法。该算法采用一个生成对抗网络学习由高分辨图像到低分辨图像的降质过程,得到用于训练超分辨的成对高分辨-低分辨图像。在超分辨过程中,该算法在模型的生成器网络和判别器网络中均加入了所提出的自注意力层,通过自注意力机制充分挖掘图像的全局特征,增强重建图像中各细节部分的合理性和图像的层次感。在训练过程中,该算法引入基于特征对比的上下文损失,使得重建图像各局部纹理清晰,更接近真实高分辨图像。实验结果表明,该算法所得重建图像纹理细节信息丰富,视觉效果更好。（2）本文提出了一种基于图像平稳小波域的生成对抗网络图像超分辨重建算法。该算法同样采用一个生成对抗网络学习低分辨图像的降质过程,得到成对图像。在超分辨过程中,该算法将通过二维平稳小波变换得到的图像低频分量和高频分量分别处理。对于低频分量,该算法设计了一个由残差块组成的低频增强网络对其重建,以得到内容准确的低频重建结果;对于高频分量,该算法设计了一个高频生成对抗网络对其超分辨,其中生成器网络主要由稠密连接块组成,为高频重建结果提供更充足的多尺度细节信息。此外,该算法还采用了图像域和小波域相结合的损失函数共同引导生成对抗网络的训练。多组仿真实验结果表明,该算法有效提升了重建图像的高频信息,且纹理细节丰富,各项指标更优。
贺月[7]（2020）在《基于压缩感知提高地震信号分辨率的研究与应用》文中认为近年来高信噪比,高分辨率地震资料一直是油气勘探行业追求的目标;然而采集到的地震资料受各方面的影响导致信噪比低,分辨率不够,严重影响后续地震资料的解释等问题。故对其进行合理有效的处理,可以为储层预测、油气检测等工作提供有效的数据保障。本文将围绕增强地震资料的分辨率和信噪比为主题,将压缩感知理论应用在地震资料处理中。研究内容包括以下几点:（1）运用压缩感知理论的去噪方法大多是基于稀疏分解原理,通过在完备的原子数据库中探测出噪音信号达到去除噪声的目的。换言之,就是用较大的系数重新构建原始信号,用小系数覆盖噪声从而消除噪声。本文分别介绍了两种算法即正交匹配追踪算法（OMP）和快速迭代阈值算法（FISTA）,在小波矩阵和K-SVD字典矩阵下的去噪效果;皆是基于稀疏化算法对地震数据进行降噪再重构原始地震信号。OMP、FISTA算法,在稀疏表示部分,大多使用小波、傅里叶和Curvelet等稀疏变换,这些稀疏基是固定的,固定的稀疏基不能精确的稀疏表示所有的信号,也不能更好的去除噪声。K-SVD字典根据信号本身的稀疏特征自适应的训练字典,可以更好的与信号结构相匹配;另外,K-SVD在更新字典后,通过更简便有效的方式使原子对原子进行运算,避免了矩阵逆运算,同时更新当前原子和相关的系数,以加速字典的学习过程。理论模型和实际资料处理的结果表明,基于K-SVD字典学习算法则能够有效地提高理论模型和实际地震数据的信噪比,重建效果要比小波稀疏基下的算法则更为突出,能准确的构出原始的理论模型和实际地震数据。（2）实际地震资料中通常存在缺失的地震道,这样不够完整数据的信噪比就比较低。为了充分恢复缺失的地震资料信息,来提高地震资料信噪比。本文将基于有限的地震资料结合压缩感知理论插值算法,重点介绍了凸集投影算法（POCS）对缺失地震道的插值重构,并对比了迭代阈值算法（IST）和FISTA两种算法,理论模型和实际资料处理结果表明,POCS算法有较好的效果,具有高精度重建等特点,同时具有较高的计算效率,能合理有效恢复原始地震资料缺失的地震道信息。（3）基于压缩感知理论的低频补偿方法常用于低频信号缺失、难以精细刻画储层信息的地震资料。相对于高频成分,由于低频信息穿透能力更强,传播更远,衰减更慢,所以低频所包含的信息比高频信息更为可靠,更能反映地层信息;低频缺失,将导致采集到的地震数据信息不可靠,会使地震剖面上出现虚假的高分辨率现象。本文结合近年来兴起的压缩感知算法,对地震数据进行全频带拟合,并将拟合结果中的低频部分补偿到地震数据中。经低频补偿后地震剖面的成层性和同相轴连续性得到提高,与井曲线更为吻合,地震资料分辨率得到有效提高,对于储层预测与识别具有重要的意义。本文首先运用基于压缩感知理论的去噪方法对地震资料进行去噪处理,再对缺失的地震道数据进行插值重构,最后利用压缩感知理论的拓频方法对地震资料进行低频补偿处理,进而提高地震信号的分辨率。综上通过压缩感知理论成功应用于低信噪比和低分辨率的地震资料处理中,实践结果表明,压缩感知理论在提高地震资料信噪比和分辨率上有较好的应用前景。
徐梦溪[8]（2020）在《基于先验约束的超分辨率图像复原方法研究》文中认为在图像和视频采集及传输过程中,诸如成像条件、自然场景变化、成像设备的时间、空间分辨率等因素的限制,成像及视频采集系统难以无失真地获取自然场景中的信息。尽管成像及视频采集设备飞速发展和硬件性能的提高,但在卫星遥感及航空摄影测量、工业成像监测、刑侦分析、医疗图像分析、公共安全视频监控、视频娱乐系统与多媒体通信等应用领域,高质量、高时空分辨率图像的获取与传输仍受到许多因素的限制。一种有效提高图像（或序列图像、视频）时、空分辨率的途径是在不改变原有系统硬件的前提下,采用基于软件的方式（即信号与信息处理算法的方式）。这种基于软件方式的超分辨率图像复原（super resolution image restoration,SRIR）方法和技术是指融合来自同一场景的（多帧）低分辨率图像（或视频序列）的信息,恢复和重构出高空间分辨率图像或高时-空分辨率视频序列。对于静态图像SRIR而言,是对同一场景的单幅（单帧）或多帧低分辨率图像实现高分辨率图像的恢复和重构;对于视频序列SRIR而言,是对相同动态场景的低分辨率视频序列实现包括高时间分辨率和高空间分辨率视频序列的恢复和重构。本论文是以最大后验概率（MAP）估计求解法和范数求极值的变分法为研究主线,结合先验建模作为解空间约束,分别针对多帧图像、单幅（单帧）图像和视频序列,研究MAP法估计求解框架下基于先验（正则化）约束的改进方法、自适应稀疏表示结合正则化约束的方法、及基于像素流和时间特征先验的视频超分辨率复原方法。针对性地聚焦研究三方面内容:（1）多帧低质图像的最大后验概率MAP估计求解框架下正则化SRIR改进研究;（2）基于稀疏字典学习的单幅图像SRIR改进研究;（3）基于像素流和时间特征先验建模的视频SRIR研究。主要研究工作包括:（1）针对多帧图像的SRIR,提出了一种基于邻域像素扩展的广义全变分正则化超分辨率图像复原方法。该方法是在最大后验概率（MAP）框架下,针对全变分、双边全变分、广义全变分等正则化算法存在的不足提出的。通过从度量相邻像素间几何距离的相关性扩展到邻域像素间几何距离和灰度的双重相关性,设计不同于1-范数形式的代价函数,以提高相关性度量的准确性;引入优化-最小化（MM）迭代寻优以改善目前采用共轭梯度（conjugate gradient,CG）寻优的不足。通过多组对比试验分析表明,所提方法具有较好的抑制噪声和保持边缘细节的能力,鲁棒性更强。（2）针对多帧图像的SRIR,提出了一种基于改进保真项与自适应双边全变分的正则化超分辨率图像复原方法。同样,在MAP框架下,现有的SRIR算法大多采用L1、L2、Huber或Gaussian误差范数来构建保真项,存在着对异常值数据较为敏感、算法的鲁棒性受限等问题。为此,通过采用Tukey范数构建保真项解决重尾效应,以适用处理复杂变化的噪声;建立自适应权值矩阵,有助图像细节信息进一步增强。通过多组仿真实验,验证了所提方法的有效性与鲁棒性。（3）针对单幅（单帧）图像的SRIR,提出了基于自适应稀疏表示结合正则化约束的超分辨图像复原方法。基于稀疏字典学习的SRIR方法,在构建全局过完备字典、对不同结构图像块的稀疏表示约束等方面存在一定的局限,本文从提升稀疏表示准确性、编码效率以及保持图像细节信息等入手,结合图像的稀疏表示和范数函数求极值的变分方法,采用基于自适应稀疏表示结合正则化约束的策略,对传统的基于稀疏字典学习的SRIR方法进行改进,并利用绝对差值的总和（SAD）度量图像块像素结构相似性,以减少计算量和提高计算效率。实验结果表明,所提算法在复原图像视觉效果、边缘细节的保持、噪声抑制、计算效率等方面均具有一定的优势。（4）针对视频序列的SRIR,提出了基于像素流和时间特征先验的视频超分辨率复原方法。考虑到目前的视频SRIR方法,大多在空间解模糊与消除运动模糊及提高插值帧保真度等方面存在局限,为有效提高帧速率和减少（或消除）视频中的运动模糊,在MAP框架下,采用了基于逐像素流的时-空超分辨率复原与基于特征驱动的像素流时间先验策略,提出了一种单视频时-空超分辨率复原算法。通过单一灰度视频和单一彩色视频的多组不同实验,验证了所提算法的有效性。
王冬年[9]（2019）在《基于凸集投影算法的地震数据重建和噪声压制研究》文中提出随着我国现代化的进程,油气勘探区域不断扩大。室外数据的采集,面临着勘探条件和复杂环境的巨大挑战,再加上成本的制约,实际采集到的地震数据常出现地震道严重缺失现象,给后续的处理方法造成严重影响。为此,需要提出一系列高效率的重建方法,通过少量地震数据,重建出接近完整的地震数据。本文在压缩感知理论的框架下,基于凸集投影算法,结合不同的稀疏变换方法和欠采样方式,对地震数据重建进行研究。在稀疏变换方面,本文除了采用常用的傅里叶变换外,还引入了重建精度更高的曲波变换。为了提高运算速率,在数值模拟中,对凸集投影算法中的阈值参数进行了研究,通过对比,本文采用的新型指数阈值参数,在重建时的收敛速度,明显快于线性阈值参数和传统指数阈值参数的收敛速度。在采样方式方面,本文除了采用随机欠采样,还引入了Jitter欠采样。Jitter欠采样比随机欠采样能更好地控制采样点间距,在一定程度上避免采样点间距过大或者过小的现象。在重建算法方面,本文在凸集投影算法的基础上,引入了谱梯度投影算法,通过多方面的比较,表明了凸集投影算法的优势。由于实际地震数据中,往往含有随机噪声,本文对含噪地震数据进行了重建研究,验证了本文所用重建方法具备良好的抗噪能力。在此基础之上,本文基于凸集投影算法结合曲波变换,引入加权因子策略,对地震数据进行了同时重建和噪声压制研究。在对理论数据模拟过程中,选择了不同的加权因子对含有不同能量噪声的数据进行处理,分析了不同参数下的同时重建和噪声压制效果。最后,将本文方法应用于室外实际地震数据处理,取得了较好的数据重建和噪声压制效果,表明了本文方法具有一定的实用性。
王磊[10]（2019）在《基于邻域信息学习的视频超分辨率重建研究》文中研究说明高分辨率视频能够为目标或场景提供更多的细节,而这些细节在安防、医学和遥感等涉及识别、理解与分析的领域有着不可或缺的作用。因此,对于视频超分辨率重建技术展开深入研究具有重要的理论研究意义和实际应用价值。本文重点围绕基于稀疏表示的视频超分辨率重建方法展开研究,提出了引入邻域先验信息的学习字典训练方法,并将该学习字典应用于视频超分辨率重建,有效提高视频超分辨率重建质量;进一步针对噪声对视频的影响,提出引入低秩矩阵分解融合邻域先验信息的方法提高视频帧的分辨率。本文的工作主要体现在以下三个方面:（1）学习并研究了几种经典的的超分辨率重建方法,主要包括基于小波变换方法、基于插值方法和基于稀疏表示方法等,并且分别进行了数值实现和实验结果的对比分析。（2）提出一种引入邻域先验信息的训练样本集构建方法,该方法首先提取待超分视频帧的特征点,并以特征点为中心取块;其次筛选邻域帧中对应待超分视频帧特征点附近的结构相似块;最后将待超分视频帧内和邻域帧内以特征点为中心的结构相似图像块组成训练样本集合。基于上述结构相似图像块组成的训练样本集合训练融合了邻域先验信息的学习字典,并将其应用于视频的超分辨率重建。实验结果表明,引入邻域先验信息是有效提高视频超分辨重建质量的途径之一。该方法训练出的学习字典在训练过程中算法复杂度较低,而且将该字典应用于视频超分辨重建可有效提高视频的分辨率。（3）为了克服噪声等冗余信息对视频质量的影响,利用低秩矩阵分解模型去除视频帧中的噪声和冗余信息,进一步融合基于邻域信息引入的稀疏表示超分辨率方法。该方法能够克服自然或人为噪声对视频的影响,且视频超分辨率重建质量有所提高。
二、基于小波变换和凸集投影的数据恢复和建模算法（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、基于小波变换和凸集投影的数据恢复和建模算法（论文提纲范文）
（1）基于小波变换和自注意力的图像超分辨率重建算法研究（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 研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文章节安排 |
| 第二章 图像超分辨率重建理论 |
| 2.1 图像降质模型 |
| 2.2 基于深度学习的图像超分辨率重建经典算法 |
| 2.2.1 基于深度卷积网络的图像超分辨率 |
| 2.2.2 基于非常深卷积网络的精确图像超分辨率 |
| 2.2.3 用于图像超分辨率的深度小波预测 |
| 2.2.4 用于图像超分辨率的增强深度残差网络 |
| 2.3 重建图像质量评价方法 |
| 2.4 本章小结 |
| 第三章 基于小波变换的非对称卷积网络 |
| 3.1 小波变换理论 |
| 3.1.1 小波变换基本概念 |
| 3.1.2 图像二维离散小波变换 |
| 3.1.3 图像二维小波包变换 |
| 3.2 网络模型结构 |
| 3.2.1 局部残差组 |
| 3.2.2 非对称卷积残差块 |
| 3.2.3 上采样模块 |
| 3.3 损失函数 |
| 3.4 实验与实验结果分析 |
| 3.4.1 数据集 |
| 3.4.2 实验设置 |
| 3.4.3 消融实验 |
| 3.4.4 全局残差学习有效性分析 |
| 3.4.5 重建图像质量评价 |
| 3.4.6 模型复杂性分析 |
| 3.5 本章小结 |
| 第四章 结合自注意力机制的图像超分辨率重建算法 |
| 4.1 注意力机制 |
| 4.1.1 硬注意力机制 |
| 4.1.2 软注意力机制 |
| 4.2 改进的注意力机制模块 |
| 4.3 结合注意力的图像超分辨率重建算法 |
| 4.4 实验与实验结果分析 |
| 4.4.1 数据集 |
| 4.4.2 实验设置 |
| 4.4.3 消融实验 |
| 4.4.4 重建图像质量评价 |
| 4.4.5 模糊退化重建结果 |
| 4.5 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 |
| 攻读硕士学位期间取得的科研成果 |
（2）基于小波域的图像超分辨率重建算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的结构安排 |
| 2 相关理论 |
| 2.1 基于浅层网络的超分辨率重建算法 |
| 2.2 基于深层网络的超分辨率重建算法 |
| 2.3 基于生成对抗网络的图像超分辨率重建算法 |
| 2.4 基于小波的图像超分辨率重建算法 |
| 2.5 图像超分辨率重建目前存在的问题 |
| 2.6 本章小结 |
| 3 小波变换与残差密集网络相结合的重建模型 |
| 3.1 基于小波域的残差密集网络 |
| 3.2 频率信息获取 |
| 3.3 特征提取网络 |
| 3.4 小波重建 |
| 3.5 实验与结果分析 |
| 3.5.1 数据集 |
| 3.5.2 网络参数设置 |
| 3.5.3 重建质量评价指标 |
| 3.5.4 残差密集网络对模型的影响 |
| 3.5.5 仍然存在的问题 |
| 3.6 本章小结 |
| 4 融合通道注意力与多尺度特征的优化模型 |
| 4.1 WRDSR问题分析 |
| 4.2 多尺度特征融合 |
| 4.3 注意力机制 |
| 4.3.1 图像超分辨率重建中的注意力机制 |
| 4.3.2 通道注意力密集连接块 |
| 4.4 实验结果与分析 |
| 4.4.1 多尺度特征融合对模型的影响 |
| 4.4.2 通道注意力机制对模型的影响 |
| 4.4.3 WRDSR~+定量比较 |
| 4.4.4 WRDSR~+定性比较 |
| 4.4.5 运行时间与收敛速度比较 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 硕士学位论文修改情况确认表 |
（3）自适应的图像超分辨率算法研究（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 图像超分辨率算法存在的问题 |
| 1.3 研究思路和研究内容 |
| 1.4 论文组织和架构 |
| 第2章 相关研究综述 |
| 2.1 图像超分辨率的相关研究综述 |
| 2.1.1 基于插值的图像超分辨率算法 |
| 2.1.2 基于重建的图像超分辨率算法 |
| 2.1.3 基于学习的图像超分辨率算法 |
| 2.1.4 针对多种退化情况的图像超分辨率算法 |
| 2.2 图像超分辨率常用数据库和测评指标 |
| 2.2.1 图像超分辨率常用数据库 |
| 2.2.2 图像超分辨率的测评指标 |
| 2.3 元学习相关研究综述 |
| 2.3.1 元学习的定义 |
| 2.3.2 元学习方法分类 |
| 2.3.3 基于优化的元学习方法 |
| 2.3.4 基于模型的元学习方法 |
| 2.3.5 基于度量学习的元学习方法 |
| 2.4 本章小结 |
| 第3章 面向任意缩放因子的图像超分辨率元学习算法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 模型方法 |
| 3.3.1 元放大模块建模 |
| 3.3.2 Meta-SR的网络框架设计细节 |
| 3.4 实验结果与分析 |
| 3.4.1 训练数据与度量指标 |
| 3.4.2 训练设置 |
| 3.4.3 单模型任意缩放因子 |
| 3.4.4 推理效率分析 |
| 3.4.5 与主流方法在整数缩放因子上的比较 |
| 3.4.6 视觉效果比较 |
| 3.5 本章小结 |
| 第4章 面向多种退化因子的图像超分辨率元学习算法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 面向单一退化情况的图像超分辨率算法 |
| 4.2.2 面向多种退化情况的图像超分辨率算法 |
| 4.3 模型方法 |
| 4.3.1 退化模型建模 |
| 4.3.2 面向多种退化因子的图像超分辨率元学习网络 |
| 4.3.3 应对多种退化因子的统一图像超分辨率网络框架 |
| 4.3.4 网络框架设计参数 |
| 4.4 实验结果与分析 |
| 4.4.1 训练数据与度量指标 |
| 4.4.2 训练设置 |
| 4.4.3 单模型多种模糊核的图像超分辨率实验结果 |
| 4.4.4 单模型多种退化因子的图像超分辨算法的实验结果 |
| 4.4.5 真实数据库的实验结果 |
| 4.5 本章小结 |
| 第5章 基于动态多分辨率融合的轻量级超分辨率网络 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 轻量级图像超分辨率模型 |
| 5.2.2 大型图像超分辨率模型 |
| 5.2.3 图像超分辨率中的下采样操作 |
| 5.2.4 视觉任务中的多尺度特征融合 |
| 5.3 模型方法 |
| 5.3.1 密集相加连接模块 |
| 5.3.2 多分辨率融合网络 |
| 5.3.3 基于动态卷积的多分辨率融合网络 |
| 5.3.4 网络框架设计参数 |
| 5.4 实验结果与分析 |
| 5.4.1 训练数据与度量指标 |
| 5.4.2 训练细节 |
| 5.4.3 消融实验 |
| 5.4.4 模型的理论感受野与实际感受野分析 |
| 5.4.5 合成数据库的实验结果 |
| 5.4.6 真实数据库的实验结果 |
| 5.4.7 动态卷积的实验分析 |
| 5.4.8 视觉效果 |
| 5.5 本章小结 |
| 第6章 论文总结与展望 |
| 6.1 本文工作总结 |
| 6.2 进一步工作展望 |
| 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 |
（4）基于超分辨率重建的遥感影像亚像元目标识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 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 图像超分辨率重建的研究现状 |
| 1.2.2 目标检测的研究现状 |
| 1.3 本文的主要研究贡献以及创新点 |
| 1.4 本论文主要结构 |
| 第二章 遥感图像预处理以及图像质量客观评价标准 |
| 2.1 引言 |
| 2.2 图像预处理 |
| 2.3 图像客观评价标准 |
| 2.4 本章小结 |
| 第三章 压缩感知超分辨率重建算法研究 |
| 3.1 引言 |
| 3.2 基于压缩感知的超分辨率遥感图像重建模型 |
| 3.2.1 遥感图像的降质模型 |
| 3.2.2 模糊模型 |
| 3.2.3 噪声模型 |
| 3.3 基于压缩感知的遥感图像超分辨率重建 |
| 3.3.1 信号的稀疏表示 |
| 3.3.2 测量矩阵的构造 |
| 3.3.3 信号的重建 |
| 3.3.4 算法流程 |
| 3.4 实验与结果分析 |
| 3.4.1 实验平台选择 |
| 3.4.2 时域仿真测试 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 第四章 凸集投影超分辨率重建算法研究 |
| 4.1 引言 |
| 4.2 基于凸集投影的超分辨率遥感图像重建模型 |
| 4.2.1 构造参考帧 |
| 4.2.2 运动估计 |
| 4.2.3 修正像素点到阈值范围内 |
| 4.3 一种基于阈值修正以及改进PSF融合的POCS算法 |
| 4.4 实验与结果分析 |
| 4.5 本章小结 |
| 第五章 基于YOLO的遥感图像目标识别 |
| 5.1 引言 |
| 5.2 基于YOLO的目标检测算法 |
| 5.3 基于遥感图像的亚像元目标识别 |
| 5.3.1 损失函数 |
| 5.3.2 预测流程 |
| 5.4 实验与结果分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于类POCs深度卷积网络的图像超分辨率重建（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 图像超分辨率国内外研究现状 |
| 1.2.1 超分辨率重建问题描述 |
| 1.2.2 图像超分辨率重建算法概述 |
| 1.3 论文的研究内容与贡献 |
| 第二章 基于深度学习的图像超分辨率重建方法 |
| 2.1 基于浅层的图像超分辨率重建网络 |
| 2.1.1 SRCNN |
| 2.1.2 ESPCN |
| 2.1.3 FSRCNN |
| 2.2 基于深层的图像超分辨率重建网络 |
| 2.2.1 残差机制 |
| 2.2.2 递归机制 |
| 2.2.3 记忆力机制 |
| 2.2.4 稠密机制 |
| 2.3 基于注意力机制的图像超分辨率重建网络 |
| 2.3.1 RCAN |
| 2.3.2 SAN |
| 2.4 实验结果与分析 |
| 2.4.1 客观评价 |
| 2.4.2 主观评价 |
| 2.4.3 模型复杂度 |
| 2.5 基于注意力机制的网络存在的问题及分析 |
| 2.6 本章小结 |
| 第三章 基于软阈值算法的特征去噪模块 |
| 3.1 引言 |
| 3.2 软阈值算法 |
| 3.3 特征去噪模块 |
| 3.3.1 软阈值模块 |
| 3.3.2 自适应软阈值模块 |
| 3.4 实验结果与分析 |
| 3.4.1 特征去噪模块的性能测试 |
| 3.4.2 特征图可视化对比 |
| 3.5 本章小结 |
| 第四章 基于类凸集投影算法的图像超分辨率重建网络 |
| 4.1 引言 |
| 4.1.1 凸集投影算法 |
| 4.1.2 基础网络架构的选取 |
| 4.2 网络结构及损失函数 |
| 4.2.1 网络结构 |
| 4.2.2 损失函数 |
| 4.3 讨论 |
| 4.3.1 与DRSN的区别 |
| 4.3.2 与带有注意力机制的图像超分辨率网络区别 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 图像重建质量评价标准 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第五章 基于新型计算光谱成像系统的多光谱图像重构 |
| 5.1 引言 |
| 5.2 两种基准方法 |
| 5.2.1 双边滤波算法 |
| 5.2.2 HSCNN-R |
| 5.3 实验设置 |
| 5.3.1 数据集简介 |
| 5.3.2 网络损失函数 |
| 5.3.3 网络训练细节 |
| 5.4 实验结果 |
| 5.4.1 客观对比分析 |
| 5.4.2 主观对比分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）基于生成对抗网络的图像超分辨重建算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与章节安排 |
| 第二章 图像超分辨重建理论概述 |
| 2.1 基于传统方法的图像超分辨重建 |
| 2.1.1 基于插值的方法 |
| 2.1.2 基于重构的方法 |
| 2.2 基于深度学习的图像超分辨重建 |
| 2.2.1 深度学习理论基础 |
| 2.2.2 基于深度学习的方法 |
| 2.3 图像超分辨重建评价指标 |
| 2.4 本章小结 |
| 第三章 基于自注意力机制的生成对抗网络图像超分辨重建算法 |
| 3.1 引言 |
| 3.2 算法整体框架 |
| 3.2.1 模型结构 |
| 3.2.2 损失函数 |
| 3.3 基于非局部操作的自注意力层 |
| 3.4 基于特征对比的上下文损失函数 |
| 3.5 实验过程及结果 |
| 3.5.1 实验数据介绍 |
| 3.5.2 实验过程及配置 |
| 3.5.3 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 基于图像平稳小波域的生成对抗网络图像超分辨重建算法 |
| 4.1 引言 |
| 4.2 平稳小波变换 |
| 4.3 算法整体框架 |
| 4.3.1 低频增强网络LEN |
| 4.3.2 高频生成对抗网络HGAN |
| 4.4 基于图像域和平稳小波域的损失函数 |
| 4.5 实验过程及分析 |
| 4.5.1 实验数据介绍 |
| 4.5.2 网络训练流程及参数设置 |
| 4.5.3 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本论文主要研究内容 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于压缩感知提高地震信号分辨率的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题依据及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩感知研究现状 |
| 1.2.2 信号去噪研究现状 |
| 1.2.3 信号插值研究现状 |
| 1.2.4 信号拓频研究现状 |
| 1.3 主要研究内容 |
| 第2章 压缩感知理论 |
| 2.1 压缩感知概述 |
| 2.1.1 信号的稀疏表征 |
| 2.1.2 观测矩阵的设计 |
| 2.1.3 信号重构 |
| 2.2 信号客观质量评价标准 |
| 2.3 本章小结 |
| 第3章 基于压缩感知理论的去噪算法 |
| 3.1 相关去噪算法 |
| 3.1.1 正交匹配追踪算法(OMP) |
| 3.1.2 迭代阈值算法(ISTA) |
| 3.1.3 快速迭代阈值算法(FISTA) |
| 3.1.4 K-SVD字典学习 |
| 3.2 去噪算法理论模型 |
| 3.3 实际资料处理 |
| 3.4 本章小结 |
| 第4章 基于压缩感知理论的插值算法 |
| 4.1 插值理论概述 |
| 4.2 基于压缩感知插值方法原理 |
| 4.3 模型验证 |
| 4.4 实际资料处理 |
| 4.5 本章小结 |
| 第5章 基于压缩感理论的低频补偿方法 |
| 5.1 压缩感知低频补偿原理 |
| 5.2 模型试算 |
| 5.3 应用实例 |
| 5.4 波阻抗反演 |
| 5.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（8）基于先验约束的超分辨率图像复原方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 超分辨率图像复原问题的描述 |
| 1.2.1 光学成像的退化降质过程 |
| 1.2.2 超分辨率图像复原方法分类 |
| 1.2.3 超分辨率图像复原质量的评价 |
| 1.3 超分辨率图像复原的国内外研究综述 |
| 1.3.1 基于重建的超分辨率图像复原 |
| 1.3.2 基于学习的超分辨率图像复原 |
| 1.3.3 基于稀疏字典学习的超分辨率图像复原 |
| 1.3.4 视频超分辨率复原 |
| 1.3.5 其他超分辨率复原方法 |
| 1.4 研究内容和论文的组织 |
| 1.4.1 研究内容 |
| 1.4.2 论文的组织 |
| 2 基于邻域像素扩展的广义全变分正则化超分辨率图像复原 |
| 2.1 引言 |
| 2.2 基于MAP估计求解框架的超分辨率复原和正则化函数构建原则 |
| 2.2.1 基于MAP估计求解框架的超分辨率图像复原 |
| 2.2.2 正则化函数的构建原则 |
| 2.3 邻域像素扩展的广义全变分正则化函数和MM迭代寻优 |
| 2.3.1 关于双边全变分 |
| 2.3.2 Minkowski距离和邻域像素扩展的广义全变分 |
| 2.3.3 E-GTV结合优化-最小化迭代寻优的正则化算法 |
| 2.4 仿真实验结果与分析 |
| 2.4.1 BTV中采用不同范数函数形式的性能比较 |
| 2.4.2 标准测试图像和自拍图像的超分辨率复原实验 |
| 2.4.3 遥感影像的超分辨率图像复原实验 |
| 2.5 本章小结 |
| 3 基于改进保真项与自适应双边全变分的正则化超分辨率图像复原 |
| 3.1 引言 |
| 3.2 图像观测模型和代价函数 |
| 3.3 TUKEY范数构建保真项和权值自适应BTV正则化 |
| 3.3.1 双边全变分(BTV)正则化项 |
| 3.3.2 鲁棒估计与Tukey范数函数 |
| 3.3.3 Tukey范数构建保真项结合权值自适应BTV正则化算法 |
| 3.4 仿真实验结果与分析 |
| 3.4.1 标准测试图像Lena的超分辨率复原实验 |
| 3.4.2 文本图像的超分辨率复原实验 |
| 3.4.3 自拍图像的超分辨率复原实验 |
| 3.4.4 使用结构相似性SSIM指标的算法性能评价 |
| 3.4.5 遥感影像超分辨率复原实验 |
| 3.5 本章小结 |
| 4 基于自适应稀疏表示结合正则化约束的超分辨图像复原 |
| 4.1 引言 |
| 4.2 稀疏表示和稀疏性约束 |
| 4.3 非局部自相似先验的正则化技术策略 |
| 4.4 自适应稀疏表示和改进的非局部自相似正则化项及SRIR算法 |
| 4.4.1 图像块几何结构信息分析和自适应稀疏表示 |
| 4.4.2 改进的非局部自相似正则化 |
| 4.4.3 基于自适应稀疏表示结合改进的非局部自相似正则化算法 |
| 4.5 仿真实验结果与分析 |
| 4.5.1 参数设置 |
| 4.5.2 算法对于不同训练样本集的鲁棒性实验 |
| 4.5.3 无噪和加噪情况下的实验 |
| 4.5.4 计算效率实验 |
| 4.6 本章小结 |
| 5 基于像素流和时间特征先验的视频超分辨率复原 |
| 5.1 基于视频时间的超分辨率复原方法存在的问题 |
| 5.2 空间模糊与运动模糊的形成机制 |
| 5.3 像素流及退化降质过程建模 |
| 5.3.1 关于像素流 |
| 5.3.2 像素流退化降质过程建模 |
| 5.4 时间特征先验作为解空间约束的像素流超分辨率图像复原 |
| 5.4.1 像素流SRIR的贝叶斯推理 |
| 5.4.2 像素流与基于时间特征先验作为解空间约束的建模 |
| 5.4.3 像素流超分辨率复原结果的估计 |
| 5.5 低帧率运动模糊单视频的时间超分辨率复原 |
| 5.6 基于像素流和时间特征先验建模的时-空SRIR算法 |
| 5.7 仿真实验结果与分析 |
| 5.7.1 不同的超分辨率复原算法对测试视频的实验比较 |
| 5.7.2 不同超分辨率算法对真实视频复原的实验比较 |
| 5.8 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于凸集投影算法的地震数据重建和噪声压制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 地震数据重建方法研究 |
| 1.2.2 地震数据稀疏表示研究 |
| 1.2.3 地震数据采样方法和重建算法的研究 |
| 1.3 文章内容安排 |
| 1.3.1 文章主要章节内容 |
| 1.3.2 文章主要创新点 |
| 2 地震数据重建理论 |
| 2.1 传统插值理论 |
| 2.1.1 传统空间采样率以及空间假频 |
| 2.1.2 地震道插值重建理论 |
| 2.2 地震数据重建理论 |
| 2.2.1 概述 |
| 2.2.2 信号的稀疏表示 |
| 2.2.3 测量矩阵的不相干 |
| 2.2.4 重建的策略 |
| 2.3 凸集投影算法 |
| 2.3.1 凸集投影算法的原理 |
| 2.3.2 凸集投影算法的数学表达 |
| 2.4 压缩采样方法 |
| 2.4.1 互相干噪声评价 |
| 2.4.2 规则欠采样与随机欠采样 |
| 2.4.3 Jitter欠采样 |
| 2.5 曲波变换 |
| 2.5.1 连续曲波变换 |
| 2.5.2 离散曲波变换 |
| 2.5.3 曲波变换的算法实现 |
| 2.5.4 曲波变换的特性 |
| 2.5.5 离散曲波变换的展示 |
| 2.6 本章小结 |
| 3 基于凸集投影算法的地震数据重建 |
| 3.1 引言 |
| 3.2 阈值参数的选择 |
| 3.3 理论数据模拟 |
| 3.3.1 不同稀疏变换的重建 |
| 3.3.2 不同阈值参数的重建 |
| 3.3.3 不同?值的重建 |
| 3.3.4 不同迭代次数的重建 |
| 3.3.5 不同采样方式的重建 |
| 3.3.6 不同采样率的重建 |
| 3.3.7 不同重建算法的重建 |
| 3.3.8 含噪地震数据的重建 |
| 3.4 实际地震数据 |
| 3.5 本章小结 |
| 4 地震数据同时重建和噪声压制 |
| 4.1 地震数据同时重建和噪声压制的原理 |
| 4.2 理论数据模拟 |
| 4.2.1 固定加权因子 |
| 4.2.2 不同加权因子 |
| 4.2.3 不同能量噪声的重建 |
| 4.3 实际地震数据 |
| 4.4 本章小结 |
| 5 结论和建议 |
| 致谢 |
| 参考文献 |
（10）基于邻域信息学习的视频超分辨率重建研究（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 |
| 1.3 主要工作 |
| 1.4 内容安排 |
| 第二章 降质模型与超分辨率重建 |
| 2.1 视频与图像 |
| 2.2 降质模型 |
| 2.3 超分辨率重建方法 |
| 2.3.1 空域法 |
| 2.3.2 频域法 |
| 2.4 本章小结 |
| 第三章 邻域信息引入的稀疏表示视频超分辨率重建 |
| 3.1 稀疏表示理论及算法 |
| 3.1.1 稀疏表示理论 |
| 3.1.2 稀疏表示算法 |
| 3.2 邻域信息引入的稀疏表示视频超分辨率重建 |
| 3.2.1 邻域先验信息引入的训练样本集 |
| 3.2.2 邻域信息引入的学习字典生成 |
| 3.2.3 视频超分辨率重建 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 邻域信息引入的低秩矩阵分解视频超分辨率重建 |
| 4.1 低秩矩阵分解理论及算法 |
| 4.1.1 低秩矩阵分解理论 |
| 4.1.2 低秩矩阵分解算法 |
| 4.2 邻域信息引入的低秩矩阵分解视频超分辨率重建 |
| 4.2.1 低秩矩阵分解恢复视频 |
| 4.2.2 邻域信息引入的低秩矩阵分解视频超分辨率重建方法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
四、基于小波变换和凸集投影的数据恢复和建模算法（论文参考文献）
- [1]基于小波变换和自注意力的图像超分辨率重建算法研究[D]. 蒋凯. 西北大学, 2021(12)
- [2]基于小波域的图像超分辨率重建算法研究[D]. 于明聪. 东北林业大学, 2021(08)
- [3]自适应的图像超分辨率算法研究[D]. 胡学财. 中国科学技术大学, 2021(06)
- [4]基于超分辨率重建的遥感影像亚像元目标识别研究[D]. 韦志深. 电子科技大学, 2020(07)
- [5]基于类POCs深度卷积网络的图像超分辨率重建[D]. 武宇喆. 西安电子科技大学, 2020(05)
- [6]基于生成对抗网络的图像超分辨重建算法研究[D]. 吴浩博. 西安电子科技大学, 2020(05)
- [7]基于压缩感知提高地震信号分辨率的研究与应用[D]. 贺月. 成都理工大学, 2020(04)
- [8]基于先验约束的超分辨率图像复原方法研究[D]. 徐梦溪. 南京理工大学, 2020(01)
- [9]基于凸集投影算法的地震数据重建和噪声压制研究[D]. 王冬年. 东华理工大学, 2019(01)
- [10]基于邻域信息学习的视频超分辨率重建研究[D]. 王磊. 西北大学, 2019(01)