電子信息科學與技術開題報告

電子信息科學與技術開題報告

　　開題報告是畢業論文答辯委員會對學生答辯資格審查的一個重要依據材料，下面是小編搜集整理的電子信息科學與技術開題報告，歡迎閱讀查看。

　　設計(論文)題目： 基于稀疏表示的單幀圖像超分辨重建算法研究

　　1.結合畢業論文課題情況，根據所查閱的文獻資料，撰寫2000字左右的文獻綜述：

　　文獻綜述

　　圖像是人類獲取信息的主要來源之一，是人類社會活動最常用的信息載體之一，為人類構建了一個形象的思維模式，有助于人們的學習和思考。人眼觀察到的圖像，其細節信息越豐富，則圖像整體效果越好，圖像質量越好。圖像分辨率是圖像細節分辨能力的衡量指標，它表示圖像中目標景物的細微程度與圖像信息的詳細程度，反映了圖像中存儲的信息量。圖像的分辨率越高，人眼能捕捉到的信息越豐富。由于受到圖像成像設備的技術條件限制以及圖像在獲取時周圍環境因素的影響，實際獲得的圖像質量存在退化現象，這對于圖像的后續處理，如圖像特征提取和目標定位等，產生了不利的影響。

　　為了解決這一問題，人們利用信號處理技術，提高圖像的分辨率。數字圖像處理最早出現于20世紀50年代，現在已發展成信息領域中的一門新興學科。在數字處理技術中鋒，以提高圖像分辨率為目的產生圖像超分辨率技術，它是指利用現有的低分辨率成像設備獲得低分辨率圖像，然后通過一定的信號處理方法獲得相同場景下的高分辨率圖像。該技術為解決提高圖像分辨率的問題提供了一條有效的途徑，已成為一種具有廣泛應用前景的數字圖像處理方法。由于圖像超分辨技術不需要改變現有物理設備就能獲得滿足實際需要的高分辨率圖像，與傳統的提高圖像分辨率的方法相比，不但改善了采用傳統軟件方法提高圖像分辨率的效果而且避免由硬件升級所消耗的成本。

　　圖像超分辨率重建方法的發展歷程主要包括三個階段:插值重建、多幀重建和基于學習的方法重建(基于稀疏表示的方法屬于此類)。它們對于超分辨率重建問題的解決，給出了自己的思路，且有各自的優點和缺點�；�于學習的超分辨率重建技術首先利用高分辨圖像訓練庫和圖像退化模型獲得一個高低分辨率的圖像訓練集，然后通過一定的學習算法獲得高低分辨率圖像之間的映射關系，最后利用優化算法對待重建的低分辨率圖像進行優化，估計出相應的高分辨率圖像�；�于稀疏表示的超分辨率方法是基于學習的超分辨率重建方法中的新方向。

　　基于稀疏表示的方法是先用低分辨率樣本選連一個低分辨率字典，然后根據圖像的降質過程，約產生一個和上述低分辨率字典匹配的高分辨率字典。基于稀疏表示的方法可以較好的保持鄰域關系，且可以恢復更多的圖像細節信息，但它的缺點是稀疏編碼階段的計算量較大，另一方面，得到一個具有廣泛表示能力的過完備字典較難。

　　圖像超分辨技術不需要改變現有物理設備,只要采用適當的數字信號處理技術,就能獲得滿足需要的高分辨率圖像,在技術上和成本上具有較大優勢,因此被越來越多地應用于高清數字電視、軍事遙感監測、公共安全和醫學成像等領域。相對于多幀重建技術,單幀圖像超分辨率技術在重建時僅需要一幅實際場景中的低分辨率圖像就能估計出相同場景下的高分辨率圖像,在一些應用中更能滿足實際應用需求。基于稀疏表示的超分辨率方法,是單幀圖像超分辨率重建方法研究的新方向。

　　圖像在獲取過程中存在退化現象，通過超分辨率重建技術，可以在不改變現有成像設備的情況下獲得滿足需要的高分辨率圖像。根據現有超分辨率重建算法在獲取高分辨率圖像時所采用的低分辨率圖像數目的多少，可以將基于插值重建的超分辨率方法和基于學習的方法統稱為單幀圖像超分辨率重建。單幀圖像超分辨率重建方法的主要思想是利用一幅低分辨率圖像模擬圖像退化的逆過程，從而估計出同一場景下的高分辨率圖像。這兩段插入到第二段后面。

　　設計一個好的字典在稀疏表示問題中很重要，而選取恰當的訓練樣本是學習字典的第一步。在基于單幀圖像的超分辨率圖像重建中，利用自然圖像具有相似的結構基元這一特性，高分辨率樣本集從其他與被重構圖像無關的高分辨率的圖像中隨機選取，相應的低分辨率樣本可以從與這些高分辨率自然圖像相應的低分辨率圖像中選取。由于被重構圖像和訓練圖像沒有關系，我們需要構建一個有廣泛表達能力的字典，因此獲取樣本時選取盡可能多的訓練圖像且使得它們之間的相似度盡可能地小。為了設計一個有充分表達能力的字典，樣本數通常要遠多于字典基元的個數，且樣本數越多設計的字典越精確，但是隨著樣本數的增多計算量也隨之增大。在先前的基于稀疏表示的圖像超分辨率重建算法中樣本個數通常采用手動調試的方法達到所期望算法的效果，即既保持字典較好的表達能力又具有適度的計算量，這樣做的優點是可以針對不同的圖像、不同的字典基元維數選擇最佳的樣本數，但是同時增加了調試的復雜度。

　　在選取樣本集時另一個需要考慮的問題是所選樣本的維數。在基于學習的超分辨率圖像重建方法中通常以圖像的特征塊(例如 7×7 的塊)為單位進行訓練和恢復，且在算法實現時將每個塊拉成一個列向量，有時為了增強所學習字典的表達能力需到提取圖像的兩種或者更多種特征(例如圖像的一階導數、二階導數)，將所有特征圖像對應的特征塊分別拉成列向量并將它們組成一個特征向量，本文稱這里的特征向量的維數為樣本的維數。如果這里只考慮一種圖像特征，則樣本的維數和特征塊的尺寸直接相關。當特征塊的尺寸選的較大時，說明主要考慮了圖像的大尺度特征，反之說明主要考慮了小尺度特征，通常需要根據所處理圖像的特點選擇特征塊的尺寸。另外，由于不同尺寸的特征塊反應了圖像在不同尺寸空間的特征，在多尺度字典中考慮了不同尺寸的圖像特征。

　　基于學習一類的超分辨率算法中，近鄰數目選擇不當，會使重建出來的高分辨率圖像細節和邊緣模糊，從而影響圖像的重建質量。針對這一問題基于稀疏表示的圖像超分辨率重建算法給出了很好的解決辦法。

　　2.本課題要研究或解決的問題和擬采用的研究手段(途徑)：

　　在基于稀疏表示的單幀圖像超分辨率重建中，通常包括以下三個步驟：抽取樣本集、訓練字典、重構高分辨率圖像。它們之間的關系可以用圖1表示。下面將從這三個方面分別概述它們的關鍵步驟。

　　在抽取樣本集時關鍵在于確定合適的圖像特征，只有所選擇的圖像特征能充分表達高分辨圖像的細節信息，才可能建立一個有效的字典。由于從高分辨率圖像到低分辨率圖像主要丟失的是高頻細節信息，因此通常選擇高分辨率圖像的高頻特征來訓練字典，例如圖像的邊緣結構和紋理結構。

　　利用所選擇的樣本學習一個有效的字典通常需要先建立一個優化目標方程，然后選擇一個合適的優化算法來求解這個方程。優化過程通常包括稀疏表示系數更新和字典更新兩個階段，通過一定的迭代步驟可以求得字典和相應的表示系數。根據恢復步驟方法的不同，可以學習兩種類型的字典，一種是學習一個高低分辨率字典對，另外一種是只學習一個高分辨率字典。第一種字典對應的恢復步驟是先利用低分辨率字典求得低分辨率圖像特征塊對應的表示系數，然后利用這個表示系數和高分辨率字典求得對應的高分辨率圖像特征塊;第二種字典對應的恢復步驟是利用輸入的低分辨率圖像和學習的高分辨率字典根據圖像的降質模型建立優化方程，然后迭代求解高分辨率圖像的表示系數，最后估計要恢復的高分辨率圖像。

　　參考文獻

　　[1]張劍.圖像超分辨率重建問題研究田〕.中南大學，2010.

　　[2]李立琴.圖像超分辨率重建算法研究〔D].重慶大學，2011.

　　[3]仇芳.圖像超分辨率若干技術及應用田〕.上海交通大學，2011.

　　[4] Park S. C., Park M. K., Kang M. Cz Super-resolution image reconstruction: a technical overview[J].Signal Processing Magazine, IEEE, 2003, 20(3): 21-36.

　　[5]方振宇.圖像超分辨率重建技術的研究及應用[[D].武漢理工大學，2012.

　　[6] Gonzalez R. C., Woods R. E., Eddins S. L.岡薩雷斯數字圖像處理(MATLAB版)[J]. 2004.

　　[7]朱虹.數字圖像處理基礎[M].科學出版社，Zoos.

　　[8] Farsiu S. A fast and robust framework for image fusion and enhancement[D]. University of California, 2005.

　　[9] Vandewalle P Super-resolution from unregistered abased images[D]. Ecole Polytechnique Federale de Lausanne, 2006.

　　[10] Tuan P Q. Spatiotonal adaptivity in super-resolution of under-sampled image sequences[D]. Technische Universiteit Dclft, 2006.

　　[11] Borman S, Stevenson R L. Super-resolution from image sequences-a review[C]. IEEE Symposium on Circuits and Systems, 1998, 374-378.

　　[12〕鄧彩，圖像插值算法研究.重慶大學田〕，2011.

　　[13] T.BIu, P.Thevenaz, M.Unser. Linear interpolation revitalized[J]. IEEE Transactions On image processing, 2004,13(5): 710-719.

　　[14] Erik Meijering; Michael Unser. A Note on Cubic Convolution Interpolation[J]. IEEE Transactions on Image processing. 2003, 12(4): 477-479.

　　[15] Guodong Jing, Yunhui Shi, Bing Lu. Single-Image Super-Resolution Based on Decomposition and Sparse Representation [A]. Internatioanl conference on Multimedia

【電子信息科學與技術開題報告】相關文章：

應用電子技術專業論文開題報告10-17

沖壓技術開題報告計開題報告09-20

電子商務專業開題報告10-28

電子商務系統開題報告06-25

關于電子商務開題報告10-25

電子商務論文開題報告08-27

電子商務論文開題報告07-23

簡談電子信息科學與技術人才培養的論文09-15

信息技術開題報告09-19

電子信息科學技術發展現狀的探析論文08-05