基于在线字典学习的矿井图像超分辨率重建方法研究
发布时间：2021-11-08 18:09
目前,煤炭业越来越重视发展以“智能、安全”为核心的开采理念,获取高清的井下视频图像已经成为实现煤矿精准开采的必要条件之一。获取的井下图像分辨率越高,意味着包含的数据量越高,这样有利于煤矿工作者得到更多有效的信息,对实现煤矿开采的安全化和智能化发挥着重要的作用。但是,井下环境特殊,低照度、噪声干扰等现象时有发生,受硬件设备限制,获取的矿井图像往往分辨率较低,易出现图像的模糊和边缘信息的丢失,难以达到满意的视觉效果。图像的超分辨率重建技术可以有效提高矿井图像的分辨率,弥补丢失的高频细节信息,在智慧矿山、煤炭的安全开采、井下无人化工作等领域有着重要的应用。本文主要针对两种条件下的矿井图像超分辨率重建作出研究,在经典的稀疏表示模型框架下,结合字典学习方法,提出两种基于在线字典学习的矿井图像超分辨率重建方法,主要的工作和创新如下:（1）在低照度的条件下,针对矿井图像易出现模糊伪影的问题,对图像的超分辨率重建算法做出改进。分析了传统算法并不能满足对矿井图像重建需求的缺点所在。本论文提出了参数自适应的在线字典学习矿井图像超分辨率重建算法,以经典的基于学习的方法为基础,引入在线字典学习（online ...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
美国空军分辨率测试图（USAF1951）
也很难获取到效果令人满意的高分辨率图像。图像的超分辨率重建（Super-ResolutionReconstruction,SRR）[7]是一种数字图像处理技术。它通过软件处理已实际拍摄的低分辨率图片，利用低分辨率图片自身特征、图像间的相似性或冗余性等先验知识重构出高分辨率图像。这一技术不仅不受硬件条件、外界环境或者传输和存储容量的制约，而且成本不高，对于图像退化中出现的噪声、模糊、下采样等各种因素，处理效果明显，因此备受研究者的重视，成为当下图像处理领域最热门的课题之一。1.1.2图像超分辨率重建在智慧矿山中的应用图1-2中国煤炭资源量Figure1-2CoalresourcesinChina如图1-2为我国煤炭资源量的情况图，煤炭资源作为我国能源结构中的主体，有着其固有的特点：（1）资源丰富但是分布不均匀；（2）煤层埋藏较深导致露天开采困难；（3）与煤炭资源共伴共生的其他类矿产还未能得到有效的开发或利用。由此可知，我国已由煤炭地表浅层开采进入到深部开采的阶段。但是，地下深层的环境恶劣，采集到的图像可能发生质量衰减，出现图像模糊、辨识度低，边缘细节内容丢失等问题，导致取得的数据准确性和可靠性大大降低，无法满足目标的信息需求。与此同时，通信行业和人工智能的迅猛发展对传统煤矿工业也起到十分重要的影响。研究者将发展目标从传统的人力矿山、机械作业向智慧矿山[8,9]转移。所谓智慧矿山就是以“安全、智能”为中心，实现煤矿的精准开发，实现矿井信息的实时捕获、信息交互的普遍适用、信息处理的智慧集成，最终提供面向需求的智能服务。
闶牵河行?畔⒌?获娶检测率和误检测率。然而智慧矿山在采集井下数据的过程中常会遇到以下问题：（1）矿井下易受环境影响，光照差、空气质量低下、粉尘噪声污染等问题比较严重，会对视频图像的清晰采集造成困难；（2）大多煤矿监测系统中的摄像设备存在老化、稳定性差等情况；（3）视频图像的数据量大，拍摄距离远，图像的传输和存储空间不足等都会严重折损图像的质量，使得有效信息丢失和图像歪曲模糊。综上所述，在进行矿井图像采集时，容易发生退化现象，导致采集到的图像中存在对比度低、噪声干扰、视觉效果差等问题。如图1-3所示，严重影响井下信息的获取和集成处理，并且直接导致检测率下降、误检测率增加。这时急需要一种技术能够解决这些问题，有效地提取矿井图像的特征并恢复丢失的细节信息，提供高质量、高清晰度、高效率、高传输和低时延的煤矿场景再现，助力煤炭开采智能化。图像的超分辨率重建技术可以有效提高低分辨图像的质量，重建后的图像分辨率提高，高频细节更加丰富，视觉效果更好。因此，图像的超分辨率重建技术在智慧矿山的发展和应用中有着非常重要的意义。图1-3通过视频监控系统采集到的矿井智能采煤工作面Figure1-3Intelligentcoalfacecollectedbyvideomonitoringsystem图像超分辨率重建技术在发展中有三个分类分别是基于插值、基于重建和基于学习的方法，各类方法的具体研究将在后续章节中给出。在此重点分析两种特殊条件下的矿井图像超分辨率重建。（1）低照度条件下的矿井图像超分辨率重建。矿山井下的光照度较低，获取的图像灰暗模糊，是智慧矿山发展中的一个阻碍。如图1-4，在低照度的井下环境中，图像发生了严重的重影和模糊。其中，（a）图中已经基本看不清楚轨道以及壁沿的情况；（b）图中的图像整体也较为
【参考文献】：
期刊论文
[1]我国智慧矿山高质量发展实现路径研究[J]. 吴群英,李梅,孙振明. 煤炭经济研究. 2020(02)
[2]智慧矿山边缘云协同计算技术架构与基础保障关键技术探讨[J]. 姜德义,魏立科,王翀,范金洋,任奕玮. 煤炭学报. 2020(01)
[3]自适应的图像在线字典学习超分辨率重建算法[J]. 程德强,于文洁,郭昕,庄焕东,付新竹. 激光与光电子学进展. 2020(06)
[4]一种优化的迭代反投影超分辨率重建方法[J]. 刘克俭,陈淼焱,冯琦. 遥感信息. 2019(03)
[5]基于MCA的压缩感知彩色图像超分辨率重建[J]. 叶坤涛,刘继锋,郭振龙,贺文熙. 江西理工大学学报. 2019(03)
[6]基于自回归正则化和稀疏表示的图像超分辨率重建[J]. 李丽敏,冉峰,郭爱英,郁怀波,沈华明. 复旦学报(自然科学版). 2019(01)
[7]一种改进的非局部均值去噪算法[J]. 蔡斌,刘卫,郑重,汪增福. 模式识别与人工智能. 2016(01)
[8]基于多尺度结构自相似性的单幅图像超分辨率算法[J]. 潘宗序,禹晶,胡少兴,孙卫东. 自动化学报. 2014(04)
[9]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
[10]煤矿物联网特点与关键技术研究[J]. 孙继平. 煤炭学报. 2011(01)
博士论文
[1]MODIS时间序列重建方法与应用[D]. 丁超.中国地质大学(北京) 2018
[2]煤矿井下监控图像超分辨率复原关键技术研究[D]. 范郭亮.中国矿业大学(北京) 2012
硕士论文
[1]基于自相似性和回归模型的单幅图像超分辨率重建方法研究[D]. 丁娜.山东大学 2019
[2]基于频域分离的深度图像超分辨率重建[D]. 付绪文.合肥工业大学 2019
[3]基于稀疏表示的单幅图像超分辨率重建[D]. 朱林华.重庆邮电大学 2017
[4]煤矿井下监控系统中图像超分辨率复原方法的研究与实现[D]. 陆慧君.北京交通大学 2016
本文编号：3483974
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
美国空军分辨率测试图（USAF1951）
也很难获取到效果令人满意的高分辨率图像。图像的超分辨率重建（Super-ResolutionReconstruction,SRR）[7]是一种数字图像处理技术。它通过软件处理已实际拍摄的低分辨率图片，利用低分辨率图片自身特征、图像间的相似性或冗余性等先验知识重构出高分辨率图像。这一技术不仅不受硬件条件、外界环境或者传输和存储容量的制约，而且成本不高，对于图像退化中出现的噪声、模糊、下采样等各种因素，处理效果明显，因此备受研究者的重视，成为当下图像处理领域最热门的课题之一。1.1.2图像超分辨率重建在智慧矿山中的应用图1-2中国煤炭资源量Figure1-2CoalresourcesinChina如图1-2为我国煤炭资源量的情况图，煤炭资源作为我国能源结构中的主体，有着其固有的特点：（1）资源丰富但是分布不均匀；（2）煤层埋藏较深导致露天开采困难；（3）与煤炭资源共伴共生的其他类矿产还未能得到有效的开发或利用。由此可知，我国已由煤炭地表浅层开采进入到深部开采的阶段。但是，地下深层的环境恶劣，采集到的图像可能发生质量衰减，出现图像模糊、辨识度低，边缘细节内容丢失等问题，导致取得的数据准确性和可靠性大大降低，无法满足目标的信息需求。与此同时，通信行业和人工智能的迅猛发展对传统煤矿工业也起到十分重要的影响。研究者将发展目标从传统的人力矿山、机械作业向智慧矿山[8,9]转移。所谓智慧矿山就是以“安全、智能”为中心，实现煤矿的精准开发，实现矿井信息的实时捕获、信息交互的普遍适用、信息处理的智慧集成，最终提供面向需求的智能服务。
闶牵河行?畔⒌?获娶检测率和误检测率。然而智慧矿山在采集井下数据的过程中常会遇到以下问题：（1）矿井下易受环境影响，光照差、空气质量低下、粉尘噪声污染等问题比较严重，会对视频图像的清晰采集造成困难；（2）大多煤矿监测系统中的摄像设备存在老化、稳定性差等情况；（3）视频图像的数据量大，拍摄距离远，图像的传输和存储空间不足等都会严重折损图像的质量，使得有效信息丢失和图像歪曲模糊。综上所述，在进行矿井图像采集时，容易发生退化现象，导致采集到的图像中存在对比度低、噪声干扰、视觉效果差等问题。如图1-3所示，严重影响井下信息的获取和集成处理，并且直接导致检测率下降、误检测率增加。这时急需要一种技术能够解决这些问题，有效地提取矿井图像的特征并恢复丢失的细节信息，提供高质量、高清晰度、高效率、高传输和低时延的煤矿场景再现，助力煤炭开采智能化。图像的超分辨率重建技术可以有效提高低分辨图像的质量，重建后的图像分辨率提高，高频细节更加丰富，视觉效果更好。因此，图像的超分辨率重建技术在智慧矿山的发展和应用中有着非常重要的意义。图1-3通过视频监控系统采集到的矿井智能采煤工作面Figure1-3Intelligentcoalfacecollectedbyvideomonitoringsystem图像超分辨率重建技术在发展中有三个分类分别是基于插值、基于重建和基于学习的方法，各类方法的具体研究将在后续章节中给出。在此重点分析两种特殊条件下的矿井图像超分辨率重建。（1）低照度条件下的矿井图像超分辨率重建。矿山井下的光照度较低，获取的图像灰暗模糊，是智慧矿山发展中的一个阻碍。如图1-4，在低照度的井下环境中，图像发生了严重的重影和模糊。其中，（a）图中已经基本看不清楚轨道以及壁沿的情况；（b）图中的图像整体也较为
【参考文献】：
期刊论文
[1]我国智慧矿山高质量发展实现路径研究[J]. 吴群英,李梅,孙振明. 煤炭经济研究. 2020(02)
[2]智慧矿山边缘云协同计算技术架构与基础保障关键技术探讨[J]. 姜德义,魏立科,王翀,范金洋,任奕玮. 煤炭学报. 2020(01)
[3]自适应的图像在线字典学习超分辨率重建算法[J]. 程德强,于文洁,郭昕,庄焕东,付新竹. 激光与光电子学进展. 2020(06)
[4]一种优化的迭代反投影超分辨率重建方法[J]. 刘克俭,陈淼焱,冯琦. 遥感信息. 2019(03)
[5]基于MCA的压缩感知彩色图像超分辨率重建[J]. 叶坤涛,刘继锋,郭振龙,贺文熙. 江西理工大学学报. 2019(03)
[6]基于自回归正则化和稀疏表示的图像超分辨率重建[J]. 李丽敏,冉峰,郭爱英,郁怀波,沈华明. 复旦学报(自然科学版). 2019(01)
[7]一种改进的非局部均值去噪算法[J]. 蔡斌,刘卫,郑重,汪增福. 模式识别与人工智能. 2016(01)
[8]基于多尺度结构自相似性的单幅图像超分辨率算法[J]. 潘宗序,禹晶,胡少兴,孙卫东. 自动化学报. 2014(04)
[9]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
[10]煤矿物联网特点与关键技术研究[J]. 孙继平. 煤炭学报. 2011(01)
博士论文
[1]MODIS时间序列重建方法与应用[D]. 丁超.中国地质大学(北京) 2018
[2]煤矿井下监控图像超分辨率复原关键技术研究[D]. 范郭亮.中国矿业大学(北京) 2012
硕士论文
[1]基于自相似性和回归模型的单幅图像超分辨率重建方法研究[D]. 丁娜.山东大学 2019
[2]基于频域分离的深度图像超分辨率重建[D]. 付绪文.合肥工业大学 2019
[3]基于稀疏表示的单幅图像超分辨率重建[D]. 朱林华.重庆邮电大学 2017
[4]煤矿井下监控系统中图像超分辨率复原方法的研究与实现[D]. 陆慧君.北京交通大学 2016
本文编号：3483974
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3483974.html
最近更新
教材专著
