電子信息科學(xué)與技術(shù)開(kāi)題報告

　　開(kāi)題報告是畢業(yè)論文答辯委員會(huì )對學(xué)生答辯資格審查的一個(gè)重要依據材料，下面是小編搜集整理的電子信息科學(xué)與技術(shù)開(kāi)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(yè)論文課題情況，根據所查閱的文獻資料，撰寫(xiě)2000字左右的文獻綜述：

　　文獻綜述

　　圖像是人類(lèi)獲取信息的主要來(lái)源之一，是人類(lèi)社會(huì )活動(dòng)最常用的信息載體之一，為人類(lèi)構建了一個(gè)形象的思維模式，有助于人們的學(xué)習和思考。人眼觀(guān)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(zhì)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(shù)條件限制以及圖像在獲取時(shí)周?chē)�環(huán)境因素的影響，實(shí)際獲得的圖像質(zhì)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(chǎn)生了不利的影響。

　　為了解決這一問(wèn)題，人們利用信號處理技術(shù)，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(fā)展成信息領(lǐng)域中的一門(mén)新興學(xué)科。在數字處理技術(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)，它是指利用現有的低分辨率成像設備獲得低分辨率圖像，然后通過(guò)一定的信號處理方法獲得相同場(chǎng)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(wèn)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(shù)不需要改變現有物理設備就能獲得滿(mǎn)足實(shí)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(fā)展歷程主要包括三個(gè)階段:插值重建、多幀重建和基于學(xué)習的方法重建(基于稀疏表示的方法屬于此類(lèi))。它們對于超分辨率重建問(wèn)題的解決，給出了自己的思路，且有各自的優(yōu)點(diǎn)和缺點(diǎn)�；�于學(xué)習的超分辨率重建技術(shù)首先利用高分辨圖像訓練庫和圖像退化模型獲得一個(gè)高低分辨率的圖像訓練集，然后通過(guò)一定的學(xué)習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(jìn)行優(yōu)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(xué)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(gè)低分辨率字典，然后根據圖像的降質(zhì)過(guò)程，約產(chǎn)生一個(gè)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，且可以恢復更多的圖像細節信息，但它的缺點(diǎn)是稀疏編碼階段的計算量較大，另一方面，得到一個(gè)具有廣泛表示能力的過(guò)完備字典較難。

　　圖像超分辨技術(shù)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(shù),就能獲得滿(mǎn)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(lái)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(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(shí)僅需要一幅實(shí)際場(chǎng)景中的低分辨率圖像就能估計出相同場(chǎng)景下的高分辨率圖像,在一些應用中更能滿(mǎn)足實(shí)際應用需求�；�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(guò)程中存在退化現象，通過(guò)超分辨率重建技術(shù)，可以在不改變現有成像設備的情況下獲得滿(mǎn)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(shí)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(xué)習的方法統稱(chēng)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(guò)程，從而估計出同一場(chǎng)景下的高分辨率圖像。這兩段插入到第二段后面。

　　設計一個(gè)好的字典在稀疏表示問(wèn)題中很重要，而選取恰當的訓練樣本是學(xué)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(wú)關(guān)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(méi)有關(guān)系，我們需要構建一個(gè)有廣泛表達能力的字典，因此獲取樣本時(shí)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(gè)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(gè)數，且樣本數越多設計的字典越精確，但是隨著(zhù)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(gè)數通常采用手動(dòng)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(yōu)點(diǎn)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(shí)增加了調試的復雜度。

　　在選取樣本集時(shí)另一個(gè)需要考慮的問(wèn)題是所選樣本的維數。在基于學(xué)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(jìn)行訓練和恢復，且在算法實(shí)現時(shí)將每個(gè)塊拉成一個(gè)列向量，有時(shí)為了增強所學(xué)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(gè)特征向量，本文稱(chēng)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(guān)。當特征塊的尺寸選的較大時(shí)，說(shuō)明主要考慮了圖像的大尺度特征，反之說(shuō)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(diǎn)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(xué)習一類(lèi)的超分辨率算法中，近鄰數目選擇不當，會(huì )使重建出來(lái)的高分辨率圖像細節和邊緣模糊，從而影響圖像的重建質(zhì)量。針對這一問(wèn)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(wèn)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(gè)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(guān)系可以用圖1表示。下面將從這三個(gè)方面分別概述它們的關(guān)鍵步驟。

　　在抽取樣本集時(shí)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高分辨圖像的細節信息，才可能建立一個(gè)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(lái)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(xué)習一個(gè)有效的字典通常需要先建立一個(gè)優(yōu)化目標方程，然后選擇一個(gè)合適的優(yōu)化算法來(lái)求解這個(gè)方程。優(yōu)化過(guò)程通常包括稀疏表示系數更新和字典更新兩個(gè)階段，通過(guò)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(xué)習兩種類(lèi)型的字典，一種是學(xué)習一個(gè)高低分辨率字典對，另外一種是只學(xué)習一個(gè)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(gè)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(xué)習的高分辨率字典根據圖像的降質(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，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(wèn)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.岡薩雷斯數字圖像處理(MATLAB版)[J]. 2004.

　　[7]朱虹.數字圖像處理基礎[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(kāi)題報告】相關(guān)文章：

應用電子技術(shù)專(zhuān)業(yè)論文開(kāi)題報告10-17

沖壓技術(shù)開(kāi)題報告計開(kāi)題報告09-20

電子商務(wù)專(zhuān)業(yè)開(kāi)題報告10-28

電子商務(wù)系統開(kāi)題報告06-25

關(guān)于電子商務(wù)開(kāi)題報告10-25

電子商務(wù)論文開(kāi)題報告08-27

電子商務(wù)論文開(kāi)題報告07-23

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

信息技術(shù)開(kāi)題報告09-19

電子信息科學(xué)技術(shù)發(fā)展現狀的探析論文08-05