一、基于序列图像处理技术的高分辨率红外图像重建方法（论文文献综述）
王五一[1]（2021）在《基于生成对抗网络的红外超分辨率算法研究》文中研究表明尽管红外成像技术的发展十分迅速,应用的领域非常广泛,成像图像的分辨率还是很低。现阶段红外焦平面阵列分辨率大多为640x512以下,不仅不能满足人眼对细节丰富的高分辨率图像的需求,而且无法满足成像显示器1K、2K分辨率的显示需要,因此迫切需要采取措施提高红外图像的分辨率。图像插值是提高分辨率最简单的措施,当图像被放大到成像显示器的分辨率后,由于没有新信息引入从而造成结果图像细节模糊。通过增加探测器阵列密度及阵列尺寸的方式去提升分辨率不仅增加成本且不适用于大尺度放大的情况。所以本文聚焦于超分辨率重建技术,以生成对抗网络为切入点,研究了基于生成对抗网络的红外图像超分辨率重建技术,具体内容如下:（1）基于ESRGAN改进的红外图像超分辨率算法。针对目前ESRGAN算法在红外超分辨率重建任务中存在的结果图像高频细节不足、产生“伪影”和客观评价指标不能很好反映图像重建质量的问题,提出了RCAGAN算法。通过该算法重建得到的图像,不仅视觉质量好于ESRGAN在内的常用超分辨率模型,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14、室外采集数据集上分别达到了30.86d B/0.8781、28.97d B/0.8104、29.76d B/0.8385,高于现阶段常用的超分辨率模型,并且比ESRGAN算法的指标高了3.02d B/0.1092、2.68d B/0.1199和2.58d B/0.0934;得到了RCAGAN算法与常用的超分算法相比是更好算法的结论。（2）基于模糊核生成对抗红外图像超分辨率算法。针对“理想”降尺度核和实际降尺度核不相同造成重建图像质量差的问题,提出一个新的数据集制作模型Kernel SR,并在此模型的基础上,构建了一个新的红外超分辨率样本库,常用的超分辨率模型在这个样本库上有良好表现也可以泛化到实际场景。通过该模型重建得到的图像,不仅视觉质量好于常用的超分辨率模型（Kernel GAN+不同算法）,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14和红外超分辨率样本库中别达到了30.58d B/0.8847、29.94d B/0.8167和30.17d B/0.8627,高于现阶段最好的基于模糊核的超分辨率模型（Kernel GAN+ESRGAN）4.23d B/0.2036、3.12d B/0.3029、5.44d B/0.3076。得出了提出的超分辨率模型是更好模型的结论。虽然当前版本的红外图像样本库仅使用三个相机构建,但训练后的超分辨率模型对其他类型的摄像头设备捕获的红外图像表现出良好的泛化能力。
黄彪[2]（2021）在《红外序列图像场景配准及超分辨率重建》文中研究指明红外成像探测在军事和安防等方面的应用变得越来越不可或缺,但是由于目前红外成像技术的制作工艺以及成像机理等方面的限制,红外图像的整体和局部对比度都偏低,边缘模糊并且相较于可见光图像整体分辨率较低,再加上序列图像在获取过程中存在相机抖动以及相机和场景存在相对运动等情况会造成帧间图像存在空间坐标变换,这些因素都严重限制了红外成像技术应用的进一步发展。因此本文将深入研究红外序列图像的配准及增强技术,主要的研究内容如下:（1）针对红外图像对比度低的缺陷,本文主要研究了基于局部直方图均衡化的增强算法,将图像分块,利用SVM对图像子块进行简单子块和复杂子块的二分类。对简单子块进行线性拉伸,而对每个复杂子块依次采用基于人眼最小可觉差的均衡化处理,之后用插值运算来解决由于不同子块处理方式不同带来的块效应。经过实验验证,该算法能有效解决图像背景区域过度增强以及噪声放大等问题;（2）图像配准方面,本文主要通过研究探索常见的特征检测和特征描述算法的不同组合方式,得到了一种Harris+FREAK的特征组合方式,并在误匹配消除阶段,提出了一种基于序列图像先验信息的RANSAC算法,在保证配准精度的前提下,能大量减少RANSAC算法的计算量,大大提升了算法的实时性。同时结合Hough变换的直线特征配准算法,解决了一些特征点较少的图像的配准问题;（3）针对红外图像分辨率差,本文先通过基于Harris+FREAK组合特征配准算法,得到序列图像帧间的空间坐标变换关系,之后结合凸集投影法,并对其PSF函数进行改进,得到高分辨率图像。该算法在PSNR和SSIM等评价指标上较传统的基于POCS的超分辨率重建算法有显着的提升。
柳兴国[3]（2020）在《基于压缩感知的红外图像超分辨率重建》文中研究表明与可见光成像系统相比,红外成像系统的可靠性和稳定性还有很大差距,其性能受环境因素影响很大,通过硬件方式不能完全解决。因此,通过软件方式,即超分辨率重建方法,从观测到的一帧或者多帧低分辨率图像序列中,通过算法获得高质量或者高分辨率图像,同时去除图像模糊和噪声,对红外图像进行后期处理就更具有现实意义。目前针对红外图像超分辨率处理通常采用以灰度变换和直方图均衡法为代表的空域法,以及小波变换、傅里叶变换为主的变换域法等。作为近年发展的热点,压缩感知理论以其信号稀疏表示、压缩编码和高质量重建的思想为很多领域的研究提供了新思路,将图像超分辨率问题看作从采样信号重建原始信号的过程,就为图像超分辨率重建开辟了一个广阔的研究空间。本文以压缩感知理论为基础,主要从去除图像模糊和提高图像分辨率两个角度研究红外图像重建方法,旨在进一步提高图像质量客观评价指标和改善视觉效果,提升红外系统的探测性能。具体研究内容包含以下几方面:（1）对压缩感知基础理论进行了研究,包括稀疏表示、观测矩阵和重建算法等理论及特性研究。重点介绍了最小l1范数法、贪婪算法和迭代阈值法,并从稀疏解、迭代过程以及算法复杂度三个方面对各类算法进行分析对比,为后续研究提供了理论依据。（2）通过对红外图像噪声类型的分析,本文研究了椒盐噪声和多种模糊条件下的红外图像重建,提出利用交叠组稀疏和lp伪范数的红外图像去模糊方法。该方法以交叠组稀疏全变分为正则项,保真项使用lp伪范数替代传统模型中的l1范数,从而使图像在重建中获得更好的稀疏特性,在不同椒盐噪声、高斯模糊和均值模糊条件下的重建效果无论是客观评价指标还是视觉效果,都取得了明显改善。（3）提出将Shearlet剪切波变换和全变分相结合用于红外图像高斯噪声去除的方法。针对Shearlet变换包含下采样过程而不具备平移不变性,图像重建存在吉布斯现象,以及全变分在每个像素点都计算水平和垂直两个方向梯度,在非边缘区域会出现阶梯效应的问题,将两者结合发挥Shearlet和全变分对图像几何特征和边缘保护的特性,减少吉布斯现象和阶梯效应,提高图像去噪效果,实现红外图像的高质量重建。（4）提出基于四方向分数阶全变分和lp伪范数的超分辨率重建方法。由于整数阶全变分对保持图像不连续性和图像结构有良好的性能,但用于超分辨率重建时有块效应,而分数阶全变分对图像非局部特征,比如边缘和纹理等细节有很好的处理能力,将其用于超分辨率重建能缓解块效应问题。另外,为了利用像素点间空间相关性,提升去噪去模糊性能,将四方向梯度应用于分数阶全变分;而lp伪范数同样能带来更好的稀疏特性,进一步提升红外图像超分辨率重建质量。（5）提出基于四方向高阶交叠组稀疏的超分辨率重建方法。在前述研究基础上,将四方向全变分应用于交叠组稀疏,进一步发掘像素点之间的相关性;高阶梯度包含水平和垂直方向梯度,以及水平和垂直方向相邻的三个像素点之间的梯度信息与相邻四个像素点梯度信息的关系,因此也能有效抑制超分辨率重建过程中的阶梯效应,提高红外图像超分辨率重建质量。
毛如玉[4]（2020）在《基于融合梯度ESRGAN网络的单幅红外图像重建与增强研究》文中研究表明红外成像系统可以在黑夜、雨、雾等光照不足和天气环境复杂的情况下捕捉物体的红外图像,并且能够呈现出较好的穿透成像效果,现广泛应用于军事、医疗,公共安全等领域。车载安全辅助系统,若配备红外成像系统能够辅助驾驶员对车辆前方路况有更清晰的了解,及时避免因光照变化、不良天气影响等因素造成的危险。由于车辆内部高度集成化,为有效利用车内空间且不过多占用运算和电力资源,因此红外成像系统体积不宜过大、成像尺寸受限、运算复杂度不宜过高。通过对车载红外图像的重建和增强进行研究,能够在不增加硬件成本的基础上有效提升图像的质量和提高人或机器对图像内容的辨析,这将有助于降低复杂环境和无人驾驶情况车祸发生的概率,提高安全驾驶的效率和安全性。本文在行车记录仪上采集的高分辨率红外图像数据集FLIR-ADAS进行中心点运动模糊的图像退化处理,退化化过程包括运动模糊和图像降采样。退化后的图像作为本文算法的低分辨率图像,源图像为重建图像的理想参考图像。从两个方面提出了基础融合梯度网络的单幅红外图像重建和增强算法,首先对低分辨率图像进行ESRGAN网络重建,调节优化参数生成初始高分辨率图像;梯度转换模块将输入的低分辨率图像使用sobel算子捉取出梯度层,将低分辨率梯度图像输入梯度重建网络模块重建出梯度高分辨率图像;从图像重建的方面,提出基于融合梯度网络的图像超分辨率重建,融合模块采用了多层网络进行图像融合,红外图像和梯度图像输入融合网络经调节层和重建层生成一张高分辨率图像。本文能实现晶体硅光伏电池热成像高分辨率重建,降低了对红外热像仪分辨率的要求,降低了成本,减少了对电磁感应激励强度和作用时间,捉高了光伏电池缺陷检测速率,验证了网络引入梯度图像能提升红外图像高频细节信息。从图像增强的方面,为了进一步提高重建图像细节信息,提出了基于滚动引导滤波的红外图像梯度融合,融合模块设计了以初始高分辨率图像作为融合图像的原始基础层和以梯度高分辨率图字像作为原始细节层,分别提取出两幅图像显着图,利用引导滤波构造融合图像的权重图,融合成最终高分辨率图像。经过滚动引导滤波权重融合的图像相比融合网络重建的图像高频细节丰富,图中物体轮廓清晰,层次性增强。融合模块的两种设计,基于融合网络的重建图像在扩大倍数为4倍时,红外图像结构完整,在复杂背景下图像轮廓清晰;基于滚动引导滤波的融合权重设计中,融合图像整体偏暗,但图像目标边缘轮廓清晰,图像细节得到增强,像素间对比度得到增强。
刘冰[5]（2020）在《微扫描红外图像超分辨重建方法研究》文中研究指明随着红外图像在军事国防、居民生活等领域的广泛应用,提高红外图像分辨率已经成为人们研究的重点。微扫描红外成像技术对于红外图像分辨率的提升有很大帮助,但由于硬件条件的限制,难以继续从硬件方面提高图像分辨率,超分辨重建技术可以处理具有互补信息的多帧低分辨率图像,而在无需更改硬件系统的条件下来重建一幅或多幅清晰的高分辨率图像。所以,利用已有的多帧低分辨率红外图像信息来进行超分辨重建并提高图像重建质量成为研究的热门话题。本文以微扫描红外图像为主要研究目标,从基于重建和学习的方法角度入手,进行红外图像超分辨研究。首先对微扫描红外超分辨率成像理论基础与现有技术进行理论研究,包括红外成像技术、微扫描技术、图像超分辨重建方法和评价标准等。随后,针对微扫描红外图像特点对多帧图像超分辨算法——凸集投影算法（Projection Onto Convex Sets,POCS）进行改进,包括运动估计以及图像边缘增强。其中,针对微扫描红外图像存在亚像素位移以及旋转的特点,选取相位法作为研究,采用窗口函数以及Fourier-Mellin变换进行减小混叠的影响和提高运动估计精度;在参考帧修正方面,采用后处理,引入基于学习的方法降低点扩散函数所带来模糊的影响,提高红外图像边缘和细节保持能力。最后,根据基于学习的单帧重建法和视频超分辨重建方法,利用单帧和多帧超分辨率联合的思想,采用递归反投影网络设计了针对4帧低分辨图像输入的超分辨重建,扩大红外图像样本库,并通过计算得到的残差增加细节,获得边缘清晰且细节丰富的高分辨率图像。多组实验结果表明,在运动估计部分,本文改进并应用的运动估计算法精度可有效提高POCS算法的重建效果。相较于传统重建算法,引入基于学习的后处理可以有效地改善POCS算法重建后的边缘模糊现象,提高边缘轮廓清晰度。基于学习的多帧红外图像超分辨实验结果与其他方法对比,在主客观视觉上有清晰明显的优势。重建后的图像主观上具有更为清晰的边缘细节表现,图像效果接近原始真实图像,在客观评价标准峰值信噪比和结构相似度上也得到了一定的提升。
彭凌冰[6]（2020）在《复杂成像探测中的微弱目标检测算法研究》文中提出成像目标检测、识别与跟踪是计算机视觉领域的研究热点,无论在军事还是民用领域都有着极其广泛的应用。尤其在军事领域,微弱成像目标检测在雷达探测及光电探测系统中均具有?分重要的作用,对图像中目标的检测精度将直接影响系统的探测性能。实际应用中,需要捕获目标场景的诸多细节信息,便于图像解析及对各类运动军事目标的探测与识别。由于容易受到光照条件、场景复杂度、目标运动速度及可能发生的遮挡等众多因素影响,目前现有的目标检测算法还存在鲁棒性不强、精度不高、实时性及适应性较差等诸多局限性,这将直接影响成像探测系统的目标探测性能。本文围绕复杂成像探测中的微弱目标检测方法,开展相关基础理论及应用研究,旨在进一步提高目标检测精度、降低虚警率和满足工程应用的实时性要求,以期提高成像探测系统的性能。本文主要工作包括以下几个方面:（1）对复杂成像探测系统中的目标检测基础理论进行了研究和算法仿真,包括帧差法、背景减除法、光流法以及基于这些理论的扩展和改进算法。重点针对复杂红外场景下的弱小目标检测涉及到的特有算法和理论进行了研究,如红外图像预处理、红外图像高分辨率重建及红外图像稀疏表示方法等,并进行仿真测试。总结了各种算法的适应性,为后续研究打下了坚实的基础。（2）针对复杂背景红外弱小目标检测难点问题,开展了复杂动态场景下的红外成像背景建模方法研究。重点开展了混合高斯背景建模及非参数核密度估计背景建模方法等,进行了实际场景数据的仿真、测试和评价,构建了基于背景建模和估计来解决低信噪比红外弱小目标检测的技术途径。du（3）提出了基于多尺度、多方向特征融合的红外弱小目标检测方法。即在Sheartlet变换域中引入高频系数Kurtosis最大化准则,利用复杂红外图像中的背景、弱小目标及噪声三者在分解后不同高频子带中具有不同模极大值的特性来达到抑制复杂背景及噪声的目的,解决了复杂红外场景中噪声及背景干扰下的弱小目标检测问题。（4）从红外图像目标的视觉显着性模型入手,提出了多方向多尺度高提升响应的红外弱小目标检测方法。通过设计空域八方向各向异性滤波器及不同尺度下的局部高提升滤波策略,以解决红外成像场景下的背景杂波干扰及噪声抑制问题。最后,对提出的算法进行了多组实际红外场景的仿真实验,通过与其它现有算法的对比分析,本文算法在检测率、实时性等方面有较大的性能提升,验证了本文算法的可行性与有效性。（5）提出了基于最优分数域时频分析的SAR图像弱目标检测算法。通过引入分数域时频分析理论,将常规时频分析扩展到分数阶傅立叶变换（FrFT）域,通过设计和优化分数域Gabor变换（FrGT）的最优阶和对应的窗函数,进一步提高了SAR图像的时频分辨率。最后利用分数域能量衰减梯度特征进行SAR目标的检测。通过对MSTAR数据集几种典型SAR成像目标的仿真测试,本文提出的算法具有较高的检测精度和较好的检测性能,为SAR目标检测和识别提供了新的技术途径。
杨毓鑫[7]（2020）在《基于深度学习的红外图像质量提升关键技术研究》文中研究指明随着红外成像探测技术的日益发展与成熟,基于其被动式隐蔽探测、抗干扰性强、全天时工作等特点,红外成像技术在安防、工业检测、森林检测、电力行业、航空航天、医疗诊断等领域得到了应用广泛。但由于红外波段频率低、核心器件焦平面阵列规模较小等原因造成红外成像技术获取的图像对比度差、分辨率低、噪声明显等问题。为了规避以上技术问题造成的缺陷,提高红外成像的图像质量,获取对比度高、细节清晰、分辨率高的红外图像,本文开展了基于深度学习的红外图像质量提升关键技术研究,所做的主要工作如下。（1）针对红外探测器的按列信号读出方式导致红外图像存在非均匀性条纹噪声等问题,研究并实现了一种基于卷积神经网络的红外图像非均匀性校正方法。首先,使用卷积神经网络对输入图像进行特征提取,学习含有噪声图像和无噪声图像之间的残差信息,然后对提取出来的特征图进行非线性映射后重建出只有噪声的图像,最后基于含噪图像进行去噪处理,滤除噪声后得到最终的非均匀校正结果。通过仿真实验验证该方法性能,通过多组数据验证,相较于传统校正方法,本文方法提升了处理结果的图像粗糙度等性能指标。（2）针对红外图像的高背景低反差、目标轮廓模糊的问题,研究并实现了一种基于生成对抗网络的红外图像增强方法。首先,将原始红外图像输入至生成器中,通过特征提取、非线性映射和图像重建等处理输出图像增强后的结果,然后判别器对生成器输出的结果进行评估,通过多次迭代学习提高生成器输出图像的质量,得到对比度高和细节增强后的图像结果。采用了联合损失函数训练网络,以更好地保留图像的语义信息,提高红外图像的增强效果。利用多个场景红外图像对算法性能进行验证,结果表明,相较于传统增强方法,本文方法的增强结果对细节信息的表达更丰富,图像平均梯度等性能指标均有明显提升。（3）针对红外探测器阵列规模较小导致的红外图像空间分辨率不高等问题,基于残差结构可防止网络加深时导致梯度消失的优势,研究并实现了一种基于生成对抗网络的红外图像超分辨率重建方法。首先,为了滤除超分辨率过程中可能引入的伪影,提高网络模型泛化能力,移除生成器网络中原始残差模块的批量归一化层,然后扩大残差模块中激活层的输入通道数以获取红外图像的低级特征信息,在降低算法计算复杂度的同时,可提高重建质量,实现了端对端的红外图像的超分辨率重建。通过多组红外图像实验验证重建方法性能,结果表明,本文方法可有效提高红外图像的空间分辨率和主观视觉效果,重建后图像的细节信息更丰富。
金蒙[8]（2020）在《基于生成式对抗网络的红外图像盲元补偿和超分辨率重建算法研究》文中提出红外图像在军事探测、民用监视和医学诊断等领域中有重大的应用价值和发展空间。但是当前的红外成像系统因其材料与制作工艺的限制和外界环境的影响,拍摄的红外图像会受到非均匀性影响而产生红外盲元且成像系统所获取的图像分辨率较低。如何实现对红外图像的盲元补偿和超分辨重建一直以来都是红外图像处理的重点研究问题。因此,论文对红外盲元补偿和超分辨率重建问题展开了深入研究,提出了基于生成式对抗网络的红外图像盲元补偿和超分辨重建算法。本文主要内容如下:（1）针对传统盲元补偿算法存在的漏检或过检问题,引入了自适应阈值检测方法,采用3加窗法实现对红外盲元图像的盲元检测,一定程度上缓解了盲元检测不准确的问题。（2）针对传统盲元补偿算法对盲元簇适应性较差的问题,将生成式对抗网络引入到红外图像盲元补偿中。生成器采用Encoder-encoder结构,判别器采用马尔科夫链式结构,损失函数中引入梯度惩罚项来提升训练的稳定性。同时,通过泊松图像融合算法和迭代法提升盲元补偿效果。算法充分利用了卷积神经网络的图像特征提取能力和生成式对抗网络的像素灰度值的准确预测能力,突破了传统算法盲元簇适应性较差局限性。（3）针对传统算法对红外图像序列的空间时间相关性利用性较差的问题,利用了光流运动估计法和自适应运动补偿法实现了红外图像序列之间的运动补偿,为后续的红外图像超分辨率重建任务打下了基础。（4）针对传统红外图像超分辨率重建算法在进行高放大倍数任务时重建效果差的问题,引入生成式对抗网络对红外图像进行超分辨率重建。结构包含深度残差网络模块,解决了网络结构过深而引发的网络退化问题,实现了较好的高放大倍数重建任务。
周兰兰[9]（2020）在《基于红外图像的超分辨率重建技术的研究及应用》文中研究指明红外成像技术应用广泛,但图像分辨率较低限制了其发展,因此对红外图像的超分辨率重建研究很有必要。为了解决上述问题,本文设计了一种单帧红外图像超分辨率重建算法ISRGAN。另外,由于基于单帧红外图像的算法无法利用视频中相邻帧之间的信息。因此本文在ISRGAN算法的基础上,设计了一种多帧红外图像超分辨率重建算法,加入了相邻帧对目标帧的信息补充,获取了多帧之间的信息相关性。本文的主要研究内容及结果概括如下:（1）针对目前SRGAN算法在红外图像超分辨率重建中的问题,设计了一种新的算法ISRGAN,核心是改进以SRGAN算法为基础的网络结构,分别改进模型的生成网络、判别网络以及损失函数。其中生成网络的改进为,将SRGAN算法的生成网络与双三次插值算法进行结合,保持图像低频区域的信息;判别网络的改进为,使用相对判别网络来代替原来SRGAN算法的标准判别网络,使生成的图像高频纹理细节更细致;损失函数的改进为,在SRGAN算法的感知损失函数中加入均方误差损失,达到清晰的视觉效果与较高的PSNR及SSIM值之间的平衡。对每一个模块的改进都进行分析及实验验证,最后对整体算法进行主观及客观评价指标上的实验和分析。（2）针对单帧红外图像的超分辨率重建无法充分利用视频中相邻多帧之间的不同高频细节信息的问题,结合第三章设计的单帧红外图像超分辨率重建算法ISRGAN,设计了一种基于生成对抗网络的多帧红外图像的超分辨率重建算法。该算法包含光流运动估计算法模块和多帧红外图像融合重建模块,其中多帧红外图像融合重建模块是基于第三章提出的在单帧红外图像上验证有效的ISRGAN算法进行改进设计的。分别对每一个模块的设计进行分析,最后对整体算法的效果进行主观和客观评价指标上的实验和分析。（3）设计并实现了一个超分辨率重建系统,能够集成第三章和第四章的算法,并在显示窗口显示出重建前后的图像。本软件提供良好的人机交互体验,使用户能够更加方便和快捷地使用本文算法对低分辨率单帧图像或者多帧图像进行重建得到高分辨率的图像,可以直观的对低分辨率图像和高分辨率图像进行显示和对比。
徐梦溪[10]（2020）在《基于先验约束的超分辨率图像复原方法研究》文中提出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。
二、基于序列图像处理技术的高分辨率红外图像重建方法（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、基于序列图像处理技术的高分辨率红外图像重建方法（论文提纲范文）
（1）基于生成对抗网络的红外超分辨率算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展及研究现状 |
| 1.2.1 基于频率域的国内外发展及研究现状 |
| 1.2.2 基于空间域的国内外发展及研究现状 |
| 1.3 本文主要研究内容和创新点 |
| 1.4 论文的结构安排 |
| 第二章 基于生成对抗网络的红外超分辨率理论分析 |
| 2.1 红外图像超分辨率理论基础 |
| 2.2 红外图像超分辨率算法分类 |
| 2.2.1 基于频率域的超分辨率重建方法 |
| 2.2.2 基于空间域的超分辨率重建方法 |
| 2.3 生成对抗网络理论基础 |
| 2.3.1 生成对抗理论概述 |
| 2.3.2 生成对抗理论推导 |
| 2.4 红外超分辨率算法评价指标 |
| 2.4.1 主观评价方法 |
| 2.4.2 客观评价方法 |
| 2.5 本章小结 |
| 第三章 基于ESRGAN改进的红外图像超分辨率算法研究 |
| 3.1 ESRGAN在红外图像超分辨率重建问题分析 |
| 3.2 基于ESRGAN改进的红外图像超分辨率算法 |
| 3.2.1 模型总体结构 |
| 3.2.2 生成模型设计 |
| 3.2.3 判别模型结构 |
| 3.2.4 损失函数设计 |
| 3.2.5 模型训练细节 |
| 3.3 实验与结果分析 |
| 3.3.1 实验平台 |
| 3.3.2 数据集构建 |
| 3.3.3 模型参数训练结果分析 |
| 3.3.4 主观评价指标分析 |
| 3.3.5 客观评价指标分析 |
| 3.4 本章小结 |
| 第四章 基于模糊核生成对抗红外图像超分辨率算法研究 |
| 4.1 模糊核在红外超分辨率重建问题分析 |
| 4.2 基于Kernel GAN改进的红外图像超分辨率算法 |
| 4.2.1 模型总体结构 |
| 4.2.2 模糊核模型设计 |
| 4.2.3 噪声提取模型设计 |
| 4.2.4 模型训练细节 |
| 4.3 红外图像样本库构建 |
| 4.4 实验与结果分析 |
| 4.4.1 实验平台 |
| 4.4.2 主观评价指标分析 |
| 4.4.3 客观评价指标分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间学术成果及获奖情况 |
（2）红外序列图像场景配准及超分辨率重建（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 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 图像配准 |
| 1.2.2 图像增强 |
| 1.3 本文的主要研究内容及技术方案 |
| 1.4 本论文的结构安排 |
| 第二章 红外成像特性分析及预处理 |
| 2.1 红外成像特性分析 |
| 2.1.1 红外成像原理 |
| 2.1.2 红外图像质量问题分析 |
| 2.2 红外图像预处理 |
| 2.2.1 红外图像降噪 |
| 2.2.2 红外图像非均匀性校正 |
| 2.3 本章总结 |
| 第三章 基于局部梯度及统计特征的对比度增强算法 |
| 3.1 红外图像对比度增强算法基础概述 |
| 3.1.1 红外图像对比度增强理论 |
| 3.1.2 红外图像质量评价指标 |
| 3.2 基于局部梯度及统计特征的对比度增强算法流程 |
| 3.3 实验方案 |
| 3.3.1 子块分类 |
| 3.3.2 局部灰度映射策略 |
| 3.3.3 图像块效应处理 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于组合特征的红外序列图像配准算法 |
| 4.1 图像配准基础概述 |
| 4.1.1 图像配准理论基础 |
| 4.1.2 图像配准评价指标 |
| 4.2 基于组合特征的红外序列图像配准算法流程 |
| 4.3 基于点特征配准实验方案 |
| 4.3.1 特征点提取 |
| 4.3.2 特征匹配 |
| 4.3.3 基于序列图像先验信息的RANSAC算法 |
| 4.3.4 基于点特征配准实验结果及分析 |
| 4.4 基于Hough变换的直线特征配准实验方案 |
| 4.4.1 Hough变换直线特征提取 |
| 4.4.2 图像变换模型估计 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于改进POCS的红外序列图像超分辨率重建 |
| 5.1 基于凸集投影法的超分辨率重建基础概述 |
| 5.1.1 凸集投影法原理 |
| 5.1.2 评价指标 |
| 5.2 基于改进POCS的红外序列图像超分辨率重建算法流程 |
| 5.3 实验方案 |
| 5.3.1 初始参考图像选取 |
| 5.3.2 参考图像更新策略 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.1.1 主要工作 |
| 6.1.2 创新点及贡献 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于压缩感知的红外图像超分辨率重建（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像超分辨率重建技术 |
| 1.2.2 压缩感知及应用 |
| 1.3 主要研究工作 |
| 1.4 论文结构安排 |
| 第二章 压缩感知理论 |
| 2.1 压缩感知理论框架 |
| 2.2 观测矩阵 |
| 2.3 重建算法 |
| 2.3.1 最小l1范数法 |
| 2.3.2 贪婪算法 |
| 2.3.3 迭代阈值法 |
| 2.4 本章小结 |
| 第三章 基于交叠组稀疏及lp伪范数的图像重建 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 基于lp伪范数的TV模型 |
| 3.2.2 交叠组稀疏全变分 |
| 3.2.3 Majorization Minimization算法 |
| 3.3 新模型及分析求解 |
| 3.4 数值实验 |
| 3.4.1 图像质量评价方法 |
| 3.4.2 参数选择 |
| 3.4.3 快速ADMM效果分析 |
| 3.4.4 与OGSATVL1 详细比较 |
| 3.4.5 与其它方法对比 |
| 3.4.6 讨论 |
| 3.5 本章小结 |
| 第四章 基于Shearlet-TV正则模型的图像重建 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 Shearlet变换 |
| 4.2.2 全变分正则化模型 |
| 4.3 新模型与ADMM求解算法 |
| 4.4 数值实验 |
| 4.5 本章小结 |
| 第五章 基于四方向分数阶和lp全变分的图像超分辨率重建 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.2.1 四方向全变分 |
| 5.2.2 分数阶全变分 |
| 5.3 新模型及分析求解 |
| 5.4 实验与结果分析 |
| 5.4.1 快速ADMM和 Plug-and-Play ADMM对比 |
| 5.4.2 无噪声超分辨率重建实验 |
| 5.4.3 高斯噪声下超分辨率重建实验 |
| 5.4.4 讨论 |
| 5.5 本章小结 |
| 第六章 基于四方向高阶交叠组稀疏的图像超分辨率重建 |
| 6.1 引言 |
| 6.2 去噪正则化的超分辨率重建模型 |
| 6.3 新方法及分析求解 |
| 6.4 数值实验 |
| 6.4.1 无噪声红外图像超分辨率重建 |
| 6.4.2 有噪声红外图像超分辨率重建 |
| 6.4.3 讨论 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 主要贡献与创新点 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）基于融合梯度ESRGAN网络的单幅红外图像重建与增强研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 单帧图像基于传统方法的重建算法 |
| 1.3 单帧图像基于深度学习的图像重建算法的发展现状 |
| 1.3.1 插值处理图像重建 |
| 1.3.2 原图像直接输入 |
| 1.3.3 网络训练过程重建 |
| 1.3.4 细节纹理信息重建 |
| 1.4 红外图像梯度增强和图像重建 |
| 1.5 论文主要研究内容及结构安排 |
| 第2章 重建技术相关理论 |
| 2.1 超分辨率问题描述 |
| 2.2 对图像分辨率有影响的红外热像仪参数 |
| 2.3 红外图像特点及成因 |
| 2.3.1 红外图像的特点 |
| 2.3.2 红外模糊图像成因 |
| 2.4 红外图像退化模型 |
| 2.4.1 一般图像退化模型 |
| 2.4.2 红外匀速中心点运动模糊图像退化模型 |
| 2.5 图像质量评价标准 |
| 2.5.1 主观评价方法 |
| 2.5.2 客观评价方法 |
| 2.5.3 融合图像客观质量评价方法 |
| 2.6 本章小结 |
| 第3章 基于ESRGAN网络图像重建与融合网络架构 |
| 3.1 引言 |
| 3.2 增强型超分辨率生成对抗网络(ESRGAN) |
| 3.2.1 ESRGAN背景介绍 |
| 3.2.2 网络结构 |
| 3.2.3 相对判别器 |
| 3.2.4 感知损失 |
| 3.3 融合网络构架 |
| 3.3.1 融合重建网络整体架构 |
| 3.3.2 梯度转换网络结构 |
| 3.4 实验说明与实验结果分析 |
| 3.4.1 实验条件 |
| 3.4.2 数据集说明 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于融合梯度网络的光伏电池红外图像超分辨率重建 |
| 4.1 引言 |
| 4.2 检测技术系统原理 |
| 4.2.1 传统的光伏电池缺陷检测技术 |
| 4.2.2 电磁激励红外辐射原理 |
| 4.3 融合梯度网络图像超分辨率重建 |
| 4.3.1 数据集说明 |
| 4.3.2 融合网络模块搭建与训练 |
| 4.3.4 模型测试 |
| 4.4 实验验证 |
| 4.5 本章小结 |
| 第5章 基于滚动引导滤波的红外图像梯度融合增强 |
| 5.1 引言 |
| 5.2 滚动引导滤波 |
| 5.3 基于滚动引导滤波的红外图像梯度融合 |
| 5.3.1 融合框架 |
| 5.3.2 权重图构造过程 |
| 5.3.3 融合算法 |
| 5.4 实验设置 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
（5）微扫描红外图像超分辨重建方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 微扫描红外成像技术 |
| 1.2.2 超分辨重建算法 |
| 1.2.3 研究现状分析 |
| 1.3 主要研究内容及论文结构 |
| 第2章 微扫描红外图像超分辨理论基础 |
| 2.1 引言 |
| 2.2 红外成像技术 |
| 2.2.1 红外成像原理 |
| 2.2.2 红外图像特点 |
| 2.3 微扫描成像技术 |
| 2.4 图像超分辨重建 |
| 2.4.1 图像退化模型 |
| 2.4.2 超分辨重建理论基础 |
| 2.4.3 超分辨图像重建方法 |
| 2.4.4 超分辨重建的图像质量评价 |
| 2.5 本章小结 |
| 第3章 基于POCS算法改进的超分辨重建方法 |
| 3.1 引言 |
| 3.2 POCS算法基本原理 |
| 3.3 基于POCS算法改进的超分辨重建实现 |
| 3.3.1 运动估计 |
| 3.3.2 基于学习的图像增强 |
| 3.3.3 基于POCS改进的算法步骤 |
| 3.4 实验结果与分析 |
| 3.4.1 不同运动估计算法下的POCS算法重建结果 |
| 3.4.2 重建算法结果对比分析 |
| 3.5 本章小结 |
| 第4章 基于学习的多帧红外图像超分辨重建方法 |
| 4.1 引言 |
| 4.2 相关理论基础 |
| 4.2.1 深度反投影网络 |
| 4.2.2 残差网络 |
| 4.3 基于学习的超分辨网络结构重建 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）复杂成像探测中的微弱目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.2.1 成像目标检测技术 |
| 1.2.2 红外成像弱小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文的结构安排 |
| 第二章 成像目标视觉检测基础理论 |
| 2.1 红外成像特性分析 |
| 2.1.1 红外成像机理 |
| 2.1.2 红外图像的特点 |
| 2.1.3 典型红外背景及目标特性分析 |
| 2.2 红外图像预处理 |
| 2.2.1 图像增强 |
| 2.2.2 红外图像高分辨重建 |
| 2.3 成像目标检测技术 |
| 2.3.1 帧间差分 |
| 2.3.2 背景减除法 |
| 2.3.3 光流法 |
| 2.3.4 动态规划 |
| 2.4 红外弱小目标检测 |
| 2.4.1 空时滤波法 |
| 2.4.2 视觉显着性检测 |
| 2.4.3 基于稀疏表示的弱小目标检测 |
| 2.5 本章小结 |
| 第三章 基于背景建模的目标检测算法 |
| 3.1 概述 |
| 3.2 高斯背景模型 |
| 3.2.1 单高斯背景模型 |
| 3.2.2 混合高斯背景模型 |
| 3.3 核密度估计背景模型 |
| 3.3.1 非参数估计方法 |
| 3.3.2 基于核密度估计的背景建模 |
| 3.4 实验结果与算法分析 |
| 3.4.1 实验结果 |
| 3.4.2 性能分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度几何分析的红外目标检测算法 |
| 4.1 概述 |
| 4.2 多尺度几何分析 |
| 4.2.1 多尺度几何分析理论 |
| 4.2.2 Contourlet变换 |
| 4.2.3 Shearlet变换 |
| 4.3 基于NSST的红外弱小目标检测 |
| 4.3.1 多特征融合与Kurtosis最大化 |
| 4.3.2 基于最大对比度准则的阈值分割 |
| 4.4 实验结果与性能分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 性能分析 |
| 4.5 本章小结 |
| 第五章 基于视觉显着性的红外弱小目标检测方法 |
| 5.1 概述 |
| 5.2 视觉显着性模型 |
| 5.3 红外弱小目标视觉显着性检测 |
| 5.3.1 局部对比度检测模型 |
| 5.3.2 红外目标HB-MLCM检测算法 |
| 5.4 基于MDMSHB模型的红弱小目标检测方法 |
| 5.4.1 方向滤波器 |
| 5.4.2 改进的高提升响应滤波器 |
| 5.4.3 多方向及多尺度分析 |
| 5.4.4 自适应阈值分割 |
| 5.5 实验结果与算法分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于分数域最优时频特征的SAR目标检测 |
| 6.1 SAR图像及其特性分析 |
| 6.1.1 SAR成像概述 |
| 6.1.2 SAR图像特性分析 |
| 6.2 时频分析理论 |
| 6.2.1 信号的展开 |
| 6.2.2 短时傅里叶变换 |
| 6.2.3 Gabor变换及展开 |
| 6.2.4 Wigner-Ville时频分布 |
| 6.3 分数阶傅里叶变换 |
| 6.3.1 FrFT的定义 |
| 6.3.2 FrFT的特性 |
| 6.4 基于最优FrGT时频谱特征的SAR目标检测 |
| 6.4.1 二维分数阶Gabor变换 |
| 6.4.2 最优窗函数设计 |
| 6.4.3 最优阶决策 |
| 6.4.4 能量衰减梯度特征 |
| 6.5 实验结果与算法分析 |
| 6.5.1 实验设置 |
| 6.5.2 实验结果与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（7）基于深度学习的红外图像质量提升关键技术研究（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 课题背景与意义 |
| 1.2 红外图像质量提升技术国内外研究现状 |
| 1.2.1 红外图像非均匀性校正技术研究现状 |
| 1.2.2 红外图像增强技术研究现状 |
| 1.2.3 红外图像超分辨率重建技术研究现状 |
| 1.3 本文课题来源及主要研究内容 |
| 1.3.1 本文课题来源 |
| 1.3.2 主要研究内容 |
| 第二章 基于卷积神经网络的红外图像非均匀性校正 |
| 2.1 引言 |
| 2.2 红外非均匀性噪声图像数据集的生成 |
| 2.2.1 非均匀性噪声图像的生成模型 |
| 2.2.2 红外图像数据采集 |
| 2.3 基于卷积神经网络的红外图像非均匀性校正网络模型 |
| 2.3.1 卷积神经网络基本原理 |
| 2.3.2 基于卷积神经网络的红外图像非均匀性校正网络结构 |
| 2.3.3 损失函数 |
| 2.4 实验结果分析 |
| 2.4.1 实验平台与数据 |
| 2.4.2 红外图像非均匀校正效果评价方法 |
| 2.4.3 结果分析 |
| 2.5 本章小结 |
| 第三章 基于生成对抗网络的红外图像增强 |
| 3.1 引言 |
| 3.2 基于生成对抗网络的红外图像增强网络模型构建 |
| 3.2.1 生成对抗网络基本原理 |
| 3.2.2 基于生成对抗网络的图像增强网络结构 |
| 3.2.3 损失函数 |
| 3.3 实验结果分析 |
| 3.3.1 实验平台与数据 |
| 3.3.2 红外图像增强效果评价方法 |
| 3.3.3 结果分析 |
| 3.4 本章小结 |
| 第四章 基于生成对抗网络的红外图像超分辨率重建 |
| 4.1 引言 |
| 4.2 超分辨率图像重建模型 |
| 4.2.1 图像退化模型 |
| 4.2.2 图像重建理论 |
| 4.3 基于生成对抗网络的红外图像超分辨率重建网络模型 |
| 4.3.1 改进的残差网络模块 |
| 4.3.2 基于生成对抗网络的红外图像超分辨率重建网络结构 |
| 4.3.3 损失函数 |
| 4.4 实验结果与分析 |
| 4.4.1 实验平台与数据 |
| 4.4.2 红外图像超分辨率重建效果评价方式 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于生成式对抗网络的红外图像盲元补偿和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 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外盲元补偿研究现状 |
| 1.2.2 超分辨率重建算法研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 课题研究内容和方法 |
| 1.4 本文组织结构 |
| 第二章 深度学习 |
| 2.1 发展简介 |
| 2.2 神经网络 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 激活函数 |
| 2.3.4 全连接层 |
| 2.4 本章小结 |
| 第三章 生成式对抗网络 |
| 3.1 判别式模型和生成式模型 |
| 3.2 生成式对抗网络基本原理 |
| 3.3 改进的生成式对抗网络 |
| 3.3.1 深度卷积生成式对抗网络 |
| 3.3.2 Wasserstein GAN原理 |
| 3.3.3 WGAN-GP原理 |
| 3.4 生成式对抗网络的应用 |
| 3.4.1 基于生成式对抗网络的图像修复 |
| 3.4.2 基于生成式对抗网络的图像超分辨率重建 |
| 3.5 本章小结 |
| 第四章 基于生成式对抗网络的红外盲元补偿算法 |
| 4.1 盲元的产生与特性分析 |
| 4.1.1 盲元的定义 |
| 4.1.2 盲元特征以及影响 |
| 4.2 盲元检测 |
| 4.2.1 检测原理 |
| 4.2.2 3σ加窗法 |
| 4.3 盲元补偿 |
| 4.3.1 网络结构 |
| 4.3.2 损失函数构建 |
| 4.3.3 泊松图像融合 |
| 4.3.4 迭代法盲元补偿 |
| 4.4 实验结果与分析 |
| 4.4.1 运行环境与网络参数 |
| 4.4.2 训练时间与补偿时间 |
| 4.4.3 补偿效果比较与分析 |
| 4.4.4 讨论 |
| 4.5 本章小结 |
| 第五章 基于生成式对抗网络的多帧红外图像超分辨重建 |
| 5.1 运动估计与运动补偿 |
| 5.1.1 光流法运动估计 |
| 5.1.2 自适应运动补偿 |
| 5.2 基于生成式对抗网络的多帧红外图像超分辨率重建 |
| 5.2.1 残差网络原理 |
| 5.2.2 网络结构 |
| 5.2.3 损失函数构建 |
| 5.3 实验结果与分析 |
| 5.3.1 数据集与网络参数 |
| 5.3.2 重建效果比较与分析 |
| 5.3.3 讨论 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于红外图像的超分辨率重建技术的研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展及研究现状 |
| 1.2.1 国内发展及研究现状 |
| 1.2.2 国外发展及研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的结构安排 |
| 第二章 相关技术理论分析及总体设计 |
| 2.1 红外图像超分辨率重建理论分析 |
| 2.2 红外图像超分辨率重建算法的分类 |
| 2.2.1 基于插值的超分辨率重建算法 |
| 2.2.2 基于重建的超分辨率重建算法 |
| 2.2.3 基于学习的超分辨率重建算法 |
| 2.3 生成对抗网络的理论分析 |
| 2.3.1 生成对抗网络GAN的理论基础 |
| 2.3.2 SRGAN算法的网络模型及损失函数 |
| 2.4 红外图像超分辨率重建算法的客观评价指标 |
| 2.4.1 峰值信噪比PSNR |
| 2.4.2 结构相似度SSIM |
| 2.5 总体设计 |
| 2.6 本章小结 |
| 第三章 单帧红外图像超分辨率重建技术研究 |
| 3.1 SRGAN算法在红外图像中的效果展示及问题分析 |
| 3.2 基于SRGAN改进的单帧红外图像超分辨率重建算法 |
| 3.2.1 算法总体设计 |
| 3.2.2 生成网络模块设计 |
| 3.2.3 判别网络模块设计 |
| 3.2.4 损失函数设计 |
| 3.3 实验结果与分析 |
| 3.3.1 算法参数实验分析 |
| 3.3.2 生成网络改进前后实验分析 |
| 3.3.3 判别网络改进前后实验分析 |
| 3.3.4 损失函数改进前后实验分析 |
| 3.3.5 整体ISRGAN算法的实验分析 |
| 3.3.6 ISRGAN算法在标准数据集上的评估分析 |
| 3.4 本章小结 |
| 第四章 多帧红外图像超分辨率重建技术研究 |
| 4.1 单帧红外图像超分辨率重建的问题分析 |
| 4.2 基于ISRGAN算法改进的多帧红外图像超分辨率重建算法 |
| 4.2.1 算法总体设计 |
| 4.2.2 运动估计模块设计 |
| 4.2.3 多帧红外图像融合重建模块设计 |
| 4.3 实验结果与分析 |
| 4.3.1 算法参数实验分析 |
| 4.3.2 整体算法的实验分析 |
| 4.3.3 整体算法在标准数据集上的评估分析 |
| 4.4 本章小结 |
| 第五章 软件系统的设计与实现 |
| 5.1 软件系统设计 |
| 5.1.1 开发环境配置 |
| 5.1.2 软件界面设计 |
| 5.2 超分辨率重建技术的应用场景与效果展示 |
| 5.2.1 拍摄的红外图像的效果展示 |
| 5.2.2 数据集中红外图像的效果展示 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）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 |
四、基于序列图像处理技术的高分辨率红外图像重建方法（论文参考文献）
- [1]基于生成对抗网络的红外超分辨率算法研究[D]. 王五一. 电子科技大学, 2021(01)
- [2]红外序列图像场景配准及超分辨率重建[D]. 黄彪. 电子科技大学, 2021(01)
- [3]基于压缩感知的红外图像超分辨率重建[D]. 柳兴国. 电子科技大学, 2020
- [4]基于融合梯度ESRGAN网络的单幅红外图像重建与增强研究[D]. 毛如玉. 西安理工大学, 2020(01)
- [5]微扫描红外图像超分辨重建方法研究[D]. 刘冰. 哈尔滨工业大学, 2020(01)
- [6]复杂成像探测中的微弱目标检测算法研究[D]. 彭凌冰. 电子科技大学, 2020
- [7]基于深度学习的红外图像质量提升关键技术研究[D]. 杨毓鑫. 西安电子科技大学, 2020(05)
- [8]基于生成式对抗网络的红外图像盲元补偿和超分辨率重建算法研究[D]. 金蒙. 南京信息工程大学, 2020(02)
- [9]基于红外图像的超分辨率重建技术的研究及应用[D]. 周兰兰. 电子科技大学, 2020(07)
- [10]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)