红外超分辨率成像及小目标分类技术的研究
发布时间：2021-11-26 11:04
近年来,红外成像技术在自动驾驶、智能安防和遥感等领域获得了广泛的应用,但还存在空间分辨率低、对比度弱和信噪比低等缺点。基于深度学习的超分辨率重建技术是提高红外图像分辨率的有效方法,获得了广泛研究。本文结合实际应用背景和红外成像特点,从网络结构优化、主客观成像质量评价和小目标分类等方面对红外超分辨率成像技术和应用进行了深入的研究,主要研究工作和成果包括如下几个方面:1.研究了超分辨率的理论基础和主流神经网络结构,在卷积神经网络和生成对抗网络的基础上,提出了多尺度稠密残差块结构和多层级特征融合方法,优化了单帧红外图像的超分辨率重建网络。对比插值和SRCNN等方法,本方法提高了红外图像的超分辨率重建效果,超分辨率红外图像峰值信噪比从28.65提高到了31.53。2.在红外成像的众多观察应用中,主观视觉效果是重要评判指标,但当前超分辨率重建算法大多基于客观评价标准。本文开展了主客观联合评价方法研究,相关实验表明相位一致性特征更符合人类视觉感受。在此基础上提出了主客观联合评价损失函数,并应用于红外图像的超分辨率重建,提高了红外超分辨率图像的主观视觉效果。3.红外小目标检测和识别是红外探测领域的一...
【文章来源】：中国科学院大学(中国科学院上海技术物理研究所)上海市
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
超分辨率重建技术示意图
天文、空间监测的系统为了提高探测灵敏度，需要较大尺寸的光敏元件来匹配光学系统。理论上，成像系统的空间分辨率取决于光学系统衍射分辨率和红外焦平面探测器分辨率的最小值，而实际应用上存在着诸多问题限制了成像系统的分辨率，比如焦平面的制造工艺。从硬件改进的角度打破分辨率极限困难重重，因此超分辨率重建算法有着巨大的发展应用空间。2.2.2 图像退化模型光学系统的成像过程可以看作理想图像到低分辨率图像的退化过程，研究图像退化降质因素有助于改进超分辨率技术，获取更接近理想图像的结果。原始的自然场景以及物体目标是连续的，在所有频段均有分量，而成像过程中，光学信息受到大气扰动影响后进入光学系统，连续的信号经过了低通滤波、形变、模糊
2.3 深度学习网络深度学习网络是以神经网络为基础的的含有多个隐藏层的网络模型，包括卷积网络、循环网络、递归网络以及残差网络、生成对抗网络等。神经网络是一种以“神经元”为基本结构单元的的非线性模型，如图 2.4 所示，神经元对应的输出公式如 2.5 所示： ,1nW b i iih x f W x b ...(2.5)其中 x为输入变量，参数 W ,b分别是权重系数和偏置项， f 为激活函数。图 2.4中右边是一个 3 层神经网络结构：第一层 L1为输入层，由输入神经元组成；第二层 L2为隐藏层；第三层 L3则是输出层[63]。
【参考文献】：
期刊论文
[1]基于生成对抗网络的单帧红外图像超分辨算法[J]. 邵保泰,汤心溢,金璐,李争. 红外与毫米波学报. 2018(04)
[2]图像超分辨率重建的研究进展[J]. 曾凯,丁世飞. 计算机工程与应用. 2017(16)
[3]大面阵碲镉汞红外焦平面阵列发展现状及趋势[J]. 史漫丽,凌龙. 兵器装备工程学报. 2017(06)
[4]基于微扫描的红外超分辨率成像系统的设计[J]. 代少升,张德洲,崔俊杰,张绡绡. 半导体光电. 2017(01)
[5]数字化中波红外焦平面探测器组件研究进展[J]. 白丕绩,赵俊,韩福忠,李立华,王博,姚立斌,李敏. 红外与激光工程. 2017(01)
[6]基于局部约束群稀疏的红外图像超分辨率重建[J]. 邓承志,田伟,陈盼,汪胜前,朱华生,胡赛凤. 物理学报. 2014(04)
[7]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)
[8]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭. 自动化技术与应用. 2008(07)
[9]基于广义Huber-MRF图像建模的超分辨率复原算法[J]. 邵文泽,韦志辉. 软件学报. 2007(10)
[10]数字图像自适应插值法[J]. 金海丁,周孝宽. 激光与红外. 2006(09)
博士论文
[1]红外成像系统超分辨率重建技术研究[D]. 李方彪.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
[2]基于RGB-D视频序列的大尺度场景三维语义表面重建技术研究[D]. 代具亭.中国科学院大学(中国科学院上海技术物理研究所) 2018
[3]空中平台大视场红外小目标实时探测技术研究[D]. 刘源.中国科学院大学(中国科学院上海技术物理研究所) 2017
[4]基于深度学习的红外图像语义分割技术研究[D]. 王晨.中国科学院大学(中国科学院上海技术物理研究所) 2017
[5]基于POCS的红外弱小目标超分辨率复原算法研究[D]. 陈健.中国科学院研究生院(长春光学精密机械与物理研究所) 2014
硕士论文
[1]基于微扫描的红外超分辨率成像技术研究[D]. 刘琴.重庆邮电大学 2016
[2]图像超分辨率重建方法的研究与实现[D]. 赵亚辉.北京交通大学 2016
[3]基于正则化方法的多帧图像超分辨率重建及其硬件实现[D]. 陈泽奇.华南理工大学 2016
[4]红外图像的超分辨率算法研究[D]. 彭晓梅.南京理工大学 2013
[5]基于稀疏表示的图像超分辨率重建算法研究[D]. 宋慧慧.中国科学技术大学 2011
[6]红外序列图像超分辨率重建算法研究[D]. 申恒艳.哈尔滨工业大学 2009
本文编号：3520017
【文章来源】：中国科学院大学(中国科学院上海技术物理研究所)上海市
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
超分辨率重建技术示意图
天文、空间监测的系统为了提高探测灵敏度，需要较大尺寸的光敏元件来匹配光学系统。理论上，成像系统的空间分辨率取决于光学系统衍射分辨率和红外焦平面探测器分辨率的最小值，而实际应用上存在着诸多问题限制了成像系统的分辨率，比如焦平面的制造工艺。从硬件改进的角度打破分辨率极限困难重重，因此超分辨率重建算法有着巨大的发展应用空间。2.2.2 图像退化模型光学系统的成像过程可以看作理想图像到低分辨率图像的退化过程，研究图像退化降质因素有助于改进超分辨率技术，获取更接近理想图像的结果。原始的自然场景以及物体目标是连续的，在所有频段均有分量，而成像过程中，光学信息受到大气扰动影响后进入光学系统，连续的信号经过了低通滤波、形变、模糊
2.3 深度学习网络深度学习网络是以神经网络为基础的的含有多个隐藏层的网络模型，包括卷积网络、循环网络、递归网络以及残差网络、生成对抗网络等。神经网络是一种以“神经元”为基本结构单元的的非线性模型，如图 2.4 所示，神经元对应的输出公式如 2.5 所示： ,1nW b i iih x f W x b ...(2.5)其中 x为输入变量，参数 W ,b分别是权重系数和偏置项， f 为激活函数。图 2.4中右边是一个 3 层神经网络结构：第一层 L1为输入层，由输入神经元组成；第二层 L2为隐藏层；第三层 L3则是输出层[63]。
【参考文献】：
期刊论文
[1]基于生成对抗网络的单帧红外图像超分辨算法[J]. 邵保泰,汤心溢,金璐,李争. 红外与毫米波学报. 2018(04)
[2]图像超分辨率重建的研究进展[J]. 曾凯,丁世飞. 计算机工程与应用. 2017(16)
[3]大面阵碲镉汞红外焦平面阵列发展现状及趋势[J]. 史漫丽,凌龙. 兵器装备工程学报. 2017(06)
[4]基于微扫描的红外超分辨率成像系统的设计[J]. 代少升,张德洲,崔俊杰,张绡绡. 半导体光电. 2017(01)
[5]数字化中波红外焦平面探测器组件研究进展[J]. 白丕绩,赵俊,韩福忠,李立华,王博,姚立斌,李敏. 红外与激光工程. 2017(01)
[6]基于局部约束群稀疏的红外图像超分辨率重建[J]. 邓承志,田伟,陈盼,汪胜前,朱华生,胡赛凤. 物理学报. 2014(04)
[7]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)
[8]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭. 自动化技术与应用. 2008(07)
[9]基于广义Huber-MRF图像建模的超分辨率复原算法[J]. 邵文泽,韦志辉. 软件学报. 2007(10)
[10]数字图像自适应插值法[J]. 金海丁,周孝宽. 激光与红外. 2006(09)
博士论文
[1]红外成像系统超分辨率重建技术研究[D]. 李方彪.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
[2]基于RGB-D视频序列的大尺度场景三维语义表面重建技术研究[D]. 代具亭.中国科学院大学(中国科学院上海技术物理研究所) 2018
[3]空中平台大视场红外小目标实时探测技术研究[D]. 刘源.中国科学院大学(中国科学院上海技术物理研究所) 2017
[4]基于深度学习的红外图像语义分割技术研究[D]. 王晨.中国科学院大学(中国科学院上海技术物理研究所) 2017
[5]基于POCS的红外弱小目标超分辨率复原算法研究[D]. 陈健.中国科学院研究生院(长春光学精密机械与物理研究所) 2014
硕士论文
[1]基于微扫描的红外超分辨率成像技术研究[D]. 刘琴.重庆邮电大学 2016
[2]图像超分辨率重建方法的研究与实现[D]. 赵亚辉.北京交通大学 2016
[3]基于正则化方法的多帧图像超分辨率重建及其硬件实现[D]. 陈泽奇.华南理工大学 2016
[4]红外图像的超分辨率算法研究[D]. 彭晓梅.南京理工大学 2013
[5]基于稀疏表示的图像超分辨率重建算法研究[D]. 宋慧慧.中国科学技术大学 2011
[6]红外序列图像超分辨率重建算法研究[D]. 申恒艳.哈尔滨工业大学 2009
本文编号：3520017
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3520017.html
最近更新
教材专著
