電子信息科學(xué)與技術(shù)開題報告

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

　　設(shè)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(jié)合畢業(yè)論文課題情況，根據(jù)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(gòu)建了一個形象的思維模式，有助于人們的學(xué)習(xí)和思考。人眼觀察到的圖像，其細(xì)節(jié)信息越豐富，則圖像整體效果越好，圖像質(zhì)量越好。圖像分辨率是圖像細(xì)節(jié)分辨能力的衡量指標(biāo)，它表示圖像中目標(biāo)景物的細(xì)微程度與圖像信息的詳細(xì)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(shè)備的技術(shù)條件限制以及圖像在獲取時周圍環(huán)境因素的影響，實際獲得的圖像質(zhì)量存在退化現(xiàn)象，這對于圖像的后續(xù)處理，如圖像特征提取和目標(biāo)定位等，產(chǎn)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(shù)，提高圖像的分辨率。數(shù)字圖像處理最早出現(xiàn)于20世紀(jì)50年代，現(xiàn)在已發(fā)展成信息領(lǐng)域中的一門新興學(xué)科。在數(shù)字處理技術(shù)中鋒，以提高圖像分辨率為目的產(chǎn)生圖像超分辨率技術(shù)，它是指利用現(xiàn)有的低分辨率成像設(shè)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(shù)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(yīng)用前景的數(shù)字圖像處理方法。由于圖像超分辨技術(shù)不需要改變現(xiàn)有物理設(shè)備就能獲得滿足實際需要的高分辨率圖像，與傳統(tǒng)的提高圖像分辨率的方法相比，不但改善了采用傳統(tǒng)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(fā)展歷程主要包括三個階段:插值重建、多幀重建和基于學(xué)習(xí)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(yōu)點和缺點�；�于學(xué)習(xí)的超分辨率重建技術(shù)首先利用高分辨圖像訓(xùn)練庫和圖像退化模型獲得一個高低分辨率的圖像訓(xùn)練集，然后通過一定的學(xué)習(xí)算法獲得高低分辨率圖像之間的映射關(guān)系，最后利用優(yōu)化算法對待重建的低分辨率圖像進行優(yōu)化，估計出相應(yīng)的高分辨率圖像�；�于稀疏表示的超分辨率方法是基于學(xué)習(xí)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(jù)圖像的降質(zhì)過程，約產(chǎn)生一個和上述低分辨率字典匹配的高分辨率字典�；�于稀疏表示的方法可以較好的保持鄰域關(guān)系，且可以恢復(fù)更多的圖像細(xì)節(jié)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(shù)不需要改變現(xiàn)有物理設(shè)備,只要采用適當(dāng)?shù)臄?shù)字信號處理技術(shù),就能獲得滿足需要的高分辨率圖像,在技術(shù)上和成本上具有較大優(yōu)勢,因此被越來越多地應(yīng)用于高清數(shù)字電視、軍事遙感監(jiān)測、公共安全和醫(yī)學(xué)成像等領(lǐng)域。相對于多幀重建技術(shù),單幀圖像超分辨率技術(shù)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(yīng)用中更能滿足實際應(yīng)用需求�；�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(xiàn)象，通過超分辨率重建技術(shù)，可以在不改變現(xiàn)有成像設(shè)備的情況下獲得滿足需要的高分辨率圖像。根據(jù)現(xiàn)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(shù)目的多少，可以將基于插值重建的超分辨率方法和基于學(xué)習(xí)的方法統(tǒng)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(shè)計一個好的字典在稀疏表示問題中很重要，而選取恰當(dāng)?shù)挠?xùn)練樣本是學(xué)習(xí)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(jié)構(gòu)基元這一特性，高分辨率樣本集從其他與被重構(gòu)圖像無關(guān)的高分辨率的圖像中隨機選取，相應(yīng)的低分辨率樣本可以從與這些高分辨率自然圖像相應(yīng)的低分辨率圖像中選取。由于被重構(gòu)圖像和訓(xùn)練圖像沒有關(guān)系，我們需要構(gòu)建一個有廣泛表達(dá)能力的字典，因此獲取樣本時選取盡可能多的訓(xùn)練圖像且使得它們之間的相似度盡可能地小。為了設(shè)計一個有充分表達(dá)能力的字典，樣本數(shù)通常要遠(yuǎn)多于字典基元的個數(shù)，且樣本數(shù)越多設(shè)計的字典越精確，但是隨著樣本數(shù)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(shù)通常采用手動調(diào)試的方法達(dá)到所期望算法的效果，即既保持字典較好的表達(dá)能力又具有適度的計算量，這樣做的優(yōu)點是可以針對不同的圖像、不同的字典基元維數(shù)選擇最佳的樣本數(shù)，但是同時增加了調(diào)試的復(fù)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(shù)。在基于學(xué)習(xí)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(xùn)練和恢復(fù)，且在算法實現(xiàn)時將每個塊拉成一個列向量，有時為了增強所學(xué)習(xí)字典的表達(dá)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(dǎo)數(shù)、二階導(dǎo)數(shù))，將所有特征圖像對應(yīng)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(shù)為樣本的維數(shù)。如果這里只考慮一種圖像特征，則樣本的維數(shù)和特征塊的尺寸直接相關(guān)。當(dāng)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(jù)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(yīng)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(xué)習(xí)一類的超分辨率算法中，近鄰數(shù)目選擇不當(dāng)，會使重建出來的高分辨率圖像細(xì)節(jié)和邊緣模糊，從而影響圖像的重建質(zhì)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(xùn)練字典、重構(gòu)高分辨率圖像。它們之間的關(guān)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(guān)鍵步驟。

　　在抽取樣本集時關(guān)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(dá)高分辨圖像的細(xì)節(jié)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(xì)節(jié)信息，因此通常選擇高分辨率圖像的高頻特征來訓(xùn)練字典，例如圖像的邊緣結(jié)構(gòu)和紋理結(jié)構(gòu)。

　　利用所選擇的樣本學(xué)習(xí)一個有效的字典通常需要先建立一個優(yōu)化目標(biāo)方程，然后選擇一個合適的優(yōu)化算法來求解這個方程。優(yōu)化過程通常包括稀疏表示系數(shù)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(yīng)的表示系數(shù)。根據(jù)恢復(fù)步驟方法的不同，可以學(xué)習(xí)兩種類型的字典，一種是學(xué)習(xí)一個高低分辨率字典對，另外一種是只學(xué)習(xí)一個高分辨率字典。第一種字典對應(yīng)的恢復(fù)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(yīng)的表示系數(shù)，然后利用這個表示系數(shù)和高分辨率字典求得對應(yīng)的高分辨率圖像特征塊;第二種字典對應(yīng)的恢復(fù)步驟是利用輸入的低分辨率圖像和學(xué)習(xí)的高分辨率字典根據(jù)圖像的降質(zhì)模型建立優(yōu)化方程，然后迭代求解高分辨率圖像的表示系數(shù)，最后估計要恢復(fù)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(xué)，2010.

　　[2]李立琴.圖像超分辨率重建算法研究〔D].重慶大學(xué)，2011.

　　[3]仇芳.圖像超分辨率若干技術(shù)及應(yīng)用田〕.上海交通大學(xué)，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(shù)的研究及應(yīng)用[[D].武漢理工大學(xué)，2012.

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

　　[7]朱虹.數(shù)字圖像處理基礎(chǔ)[M].科學(xué)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(xué)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(xué)與技術(shù)開題報告】相關(guān)文章：

應(yīng)用電子技術(shù)專業(yè)論文開題報告10-17

沖壓技術(shù)開題報告計開題報告09-20

電子商務(wù)專業(yè)開題報告10-28

電子商務(wù)系統(tǒng)開題報告06-25

關(guān)于電子商務(wù)開題報告10-25

電子商務(wù)論文開題報告08-27

電子商務(wù)論文開題報告07-23

簡談電子信息科學(xué)與技術(shù)人才培養(yǎng)的論文09-15

信息技術(shù)開題報告09-19

電子信息科學(xué)技術(shù)發(fā)展現(xiàn)狀的探析論文08-05