基于压缩感知的红外图像超分辨率重建
发布时间：2021-08-12 11:28
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...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【部分图文】：
本文的技术路线框图
然而自然界中常见的信号更多的是可压缩或近似稀疏的,上述重构过程不能直接使用。根据稀疏理论,自然信号f能通过变换Ψ得到其在变换域Ψ的稀疏表示x,即f=Ψx。再回到观测公式y=Φf,由于f是可以由x稀疏表示的,即f=Ψx,那么综合来看,则有:
lp范数定义为,lp伪范数定义为,l2和l1范数可视为lp范数的特例。相比l1和l2范数而言,lp伪范数多了一个自由度,因此能更好地表达梯度的稀疏特性。图3-1以各向异性全变分为例,分别给出基于l1、l2和lp伪范数的等高线示意图。可以看出,参数p越小,lp伪范数的可行域越稀疏。除此之外,当假设图像包含标准差为σ的高斯噪声时,在图3-2中还可以发现,l2范数等高线与保真项的交点并不稀疏,而l1范数等高线与保真项的交点稀疏,但是易受噪声污染。相对而言,lp伪范数的等高线则对噪声更加鲁棒[59]。图3-2 lp伪范数可行域。(a)p=2;(b)p=1;(c)0<p<1
【参考文献】：
期刊论文
[1]基于交叠组合稀疏高阶全变分的图像复原[J]. 范梦佳,周先春. 计算机应用研究. 2020(10)
[2]基于小波变换的红外探测系统信号去噪[J]. 朱文斌,雷秉山,雷志勇. 红外技术. 2018(11)
[3]基于谱间预测的高光谱遥感影像压缩感知重构算法[J]. 王晗,王阿川. 红外技术. 2018(06)
[4]红外图像超分辨率重建技术研究[J]. 王岳,李双喜,王磊. 激光与红外. 2018(04)
[5]基于稀疏表示及正则约束的图像去噪方法综述[J]. 彭真明,陈颖频,蒲恬,王雨青,何艳敏. 数据采集与处理. 2018(01)
[6]基于Shearlet变换的泊松噪声图像复原问题研究[J]. 李红,王俊艳,李厚彪. 电子科技大学学报. 2017(03)
[7]电力设备红外图像的小波阈值去噪方法研究[J]. 施兢业,刘俊,陆龚琪. 光学技术. 2017(02)
[8]基于非下采样剪切波变换与引导滤波结合的遥感图像增强[J]. 吕笃良,贾振红,杨杰,Nikola KASABOV. 计算机应用. 2016(10)
[9]基于直方图的红外图像细节增强算法研究[J]. 韦瑞峰,赵荣普,徐肖庆,赵灿辉,赵旋. 红外技术. 2016(06)
[10]全变分耦合图像去噪模型[J]. 汪美玲,周先春,周林锋,石兰芳. 通信学报. 2016(04)
博士论文
[1]基于稀疏动态反演的红外弱小目标检测理论及方法研究[D]. 王晓阳.电子科技大学 2018
[2]基于视觉模型的红外图像增强技术研究[D]. 李毅.中国科学院研究生院(长春光学精密机械与物理研究所) 2016
[3]图像超分辨率重建关键技术研究[D]. 翟海天.西北工业大学 2016
[4]基于稀疏表示模型的图像复原技术研究[D]. 张健.哈尔滨工业大学 2014
[5]可实现图像自修复的压缩感知超分辨率成像算法的研究[D]. 张湃.燕山大学 2013
[6]基于稀疏表示的图像超分辨率重构技术研究[D]. 路锦正.电子科技大学 2013
硕士论文
[1]基于空时显著性的红外弱小目标检测[D]. 韩演.电子科技大学 2017
[2]基于“谱”反演的红外图像增强与重建方法研究[D]. 张帆.电子科技大学 2016
[3]复杂背景下红外弱小目标的正演模拟与仿真技术研究[D]. 钟露.电子科技大学 2016
[4]成像探测系统中的红外弱小目标跟踪点漂移抑制方法研究[D]. 孟晔铭.电子科技大学 2015
[5]远距离前视红外多目标跟踪方法研究[D]. 吴大.电子科技大学 2012
本文编号：3338240
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【部分图文】：
本文的技术路线框图
然而自然界中常见的信号更多的是可压缩或近似稀疏的,上述重构过程不能直接使用。根据稀疏理论,自然信号f能通过变换Ψ得到其在变换域Ψ的稀疏表示x,即f=Ψx。再回到观测公式y=Φf,由于f是可以由x稀疏表示的,即f=Ψx,那么综合来看,则有:
lp范数定义为,lp伪范数定义为,l2和l1范数可视为lp范数的特例。相比l1和l2范数而言,lp伪范数多了一个自由度,因此能更好地表达梯度的稀疏特性。图3-1以各向异性全变分为例,分别给出基于l1、l2和lp伪范数的等高线示意图。可以看出,参数p越小,lp伪范数的可行域越稀疏。除此之外,当假设图像包含标准差为σ的高斯噪声时,在图3-2中还可以发现,l2范数等高线与保真项的交点并不稀疏,而l1范数等高线与保真项的交点稀疏,但是易受噪声污染。相对而言,lp伪范数的等高线则对噪声更加鲁棒[59]。图3-2 lp伪范数可行域。(a)p=2;(b)p=1;(c)0<p<1
【参考文献】：
期刊论文
[1]基于交叠组合稀疏高阶全变分的图像复原[J]. 范梦佳,周先春. 计算机应用研究. 2020(10)
[2]基于小波变换的红外探测系统信号去噪[J]. 朱文斌,雷秉山,雷志勇. 红外技术. 2018(11)
[3]基于谱间预测的高光谱遥感影像压缩感知重构算法[J]. 王晗,王阿川. 红外技术. 2018(06)
[4]红外图像超分辨率重建技术研究[J]. 王岳,李双喜,王磊. 激光与红外. 2018(04)
[5]基于稀疏表示及正则约束的图像去噪方法综述[J]. 彭真明,陈颖频,蒲恬,王雨青,何艳敏. 数据采集与处理. 2018(01)
[6]基于Shearlet变换的泊松噪声图像复原问题研究[J]. 李红,王俊艳,李厚彪. 电子科技大学学报. 2017(03)
[7]电力设备红外图像的小波阈值去噪方法研究[J]. 施兢业,刘俊,陆龚琪. 光学技术. 2017(02)
[8]基于非下采样剪切波变换与引导滤波结合的遥感图像增强[J]. 吕笃良,贾振红,杨杰,Nikola KASABOV. 计算机应用. 2016(10)
[9]基于直方图的红外图像细节增强算法研究[J]. 韦瑞峰,赵荣普,徐肖庆,赵灿辉,赵旋. 红外技术. 2016(06)
[10]全变分耦合图像去噪模型[J]. 汪美玲,周先春,周林锋,石兰芳. 通信学报. 2016(04)
博士论文
[1]基于稀疏动态反演的红外弱小目标检测理论及方法研究[D]. 王晓阳.电子科技大学 2018
[2]基于视觉模型的红外图像增强技术研究[D]. 李毅.中国科学院研究生院(长春光学精密机械与物理研究所) 2016
[3]图像超分辨率重建关键技术研究[D]. 翟海天.西北工业大学 2016
[4]基于稀疏表示模型的图像复原技术研究[D]. 张健.哈尔滨工业大学 2014
[5]可实现图像自修复的压缩感知超分辨率成像算法的研究[D]. 张湃.燕山大学 2013
[6]基于稀疏表示的图像超分辨率重构技术研究[D]. 路锦正.电子科技大学 2013
硕士论文
[1]基于空时显著性的红外弱小目标检测[D]. 韩演.电子科技大学 2017
[2]基于“谱”反演的红外图像增强与重建方法研究[D]. 张帆.电子科技大学 2016
[3]复杂背景下红外弱小目标的正演模拟与仿真技术研究[D]. 钟露.电子科技大学 2016
[4]成像探测系统中的红外弱小目标跟踪点漂移抑制方法研究[D]. 孟晔铭.电子科技大学 2015
[5]远距离前视红外多目标跟踪方法研究[D]. 吴大.电子科技大学 2012
本文编号：3338240
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3338240.html
