张平[1]2003年在《基于序列图像重构的超分辨率成像技术研究》文中研究说明基于序列图像的超分辨率图像重构就是由一序列互有位移的低分辨率图像来估计一幅(或一序列)较高分辨率的图像，同时还能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊。由于该方法既克服了通过减小增加感光单元尺寸来提高CCD分辨率所面对的工艺难题，又能够利用多幅图像的不同信息达到获取更高分辨率图像的目的，成为图像复原领域中的一个重要分支。目前，这项技术广泛应用于遥感、医学成像和高清晰度电视等多个领域。基于序列图像重构的超分辨率成像技术研究主要集中在两个方面：①空间上互有位移的序列初始图像的获取；②高分辨率图像的重构算法。 论文首先介绍了课题的背景，超分辨率图像重构在国内外的发展状况及本课题要解决的问题和达到的要求。然后分析了各种超分辨率复原算法，最后得出了较简单易行的，能从真正意义上提高分辨率的算法—反演解析法，引出课题。接着设计两种图像获取方案，并对其原理和结构进行了详细的分析；再下来便是主要的实验部分，在对图像接收器件的分析和选择后，分别做了一维方向提高1.5倍、2倍和2.5倍的实验，得到了这样的结论：对于帧转移CCD，我们使用反演解析法，利用两幅有2/3象素位移的原图重构分辨率提高1.5倍的高分辨率图，实验效果还是比较理想的。对于行转移CCD，针对其盲区较大的特点，可以设计较简单的象素交叉插值，利用两幅位移为0.5象素的原图，获得分辨率提高2倍的高分辨率图。而由于CCD像元尺寸与弥散斑相差不多，要想获得分辨率提高2.5倍的高分辨率图已经很困难，说明反演解析法实际上对分辨率的提高是有一个上限的，这和弥散斑与CCD感光像元间的大小比例有关。接着针对图像接收器—CCD的噪声源类型分析了不同噪声对实验结果的影响，并用软件的方法成功地对噪声进行了平衡。另外还分析了噪声对分辨率提高倍数的影响，通过仿真实验，找到了合成图像受随机高斯白噪声影响的规律。最后对本课题进行了总结与展望，提出了系统的改进方向。
杨文波[2]2014年在《航空图像超分辨率重构技术研究》文中研究说明随着航空技术日新月异的发展，航空成像技术已经在地形测绘、土地和森林资源调查、城市建设、铁路和公路建设以及军事侦察等诸多领域得到了广泛的应用。但在航空摄影的过程中，图像的质量受诸多因素的影响。由于受太阳光散射引起的空中雾的亮度、航空摄影中飞机的震动、曝光时间内飞机运动引起的像点移位、成像系统物镜的残余像差、感光材料的性能以及飞行姿态等因素影响，使实际获得图像的分辨率较低，图像质量较差。因此，研究航空图像的超分辨率重构，从图像处理的角度提高航空图像的分辨率，具有重要的应用意义。本文着重研究航空图像超分辨率重构的一些关键技术问题，研究成果如下：(1)单帧图像超分辨率重构。同一场景不具备拍摄多帧图像的条件，针对这一问题，本文重点研究了线性插值、3次Ｂ样条插值、O-MOMS插值和Keys插值四种多项式插值重构算法，给出了四种线性空间移不变的多项式插值公式，但是线性空间移不变插值技术易导致图像边缘平滑，为了解决这一问题，本文提出了一种线性空间移变自适应插值算法，该算法是对有偏距离插值算法的改进，对多项式插值中的像素值赋以不同权值，像素值的权值因子大小取决于其邻域像素值不一致性，权值因子能使图像局部均匀一致，有助于保持图像局部连续性，提高重构图像的质量。(2)序列图像超分辨率重构。本文将互信息配准技术应用到航空图像序列的配准中，用来提高图像配准的精度与鲁棒性。针对航空图像大数据量的特点，本文提出了一种基于先验信息的超分辨率重构算法。该算法把图像复原和信息融合分开处理来提高运算效率，利用比较简单的非迭代算法进行图像复原，再用小波变换的方法将图像序列中所包含的冗余信息和互补信息融合到一帧图像中，最后用多项式插值重构高分辨率图像。该算法的核心是去模糊，由于模糊矩阵是分块Toeplitz循环阵，因此存在非奇异矩阵使其对角化，避免了对大型稀疏矩阵直接求逆，加快了运算速度。本文分别给出了线性最小均方误差法、最大信息熵法、正则化方法叁种去模糊的非迭代数值算法。针对航空图像模糊核有时难以进行有效的估计，导致观测模型无法精确的建立，本文提出了一种基于最大公因子法的盲超分辨率重构算法。该算法把图像复原和信息融合分开处理，是以模糊核的盲估计为基础的。对于图像的盲复原，本文采用二维最大公因子盲复原算法，由于二维最大公因子盲复原算法仅针对两帧图像进行恢复而非整个图像序列，因此本文通过序列图像的每一帧信息，重新生成一帧集合了所有图像中的信息的观测图像，给出了序列图像的二维最大公因子盲复原算法。(3)亚像元成像增加探测器的时间和空间采样频率，可以提高亚像元成像系统空间分辨率。但是探测器采集到的数据有混迭，重构得到的高分辨率图像发生模糊，分辨率远未达到理想值，为了解决这一问题。本文提出一种针对多线阵亚像元成像的超分辨率重构算法。首先，在高分辨率网格上建立插值模型；然后，辨识插值重构图像在线阵列方向和扫描方向的模糊核，得到整幅图像的模糊核；最后，采用带有Neumman边界条件的梯度平滑正则化模型去除模糊。
孙婧[3]2008年在《小波域基于YUV模型的彩色图像超分辨率重构》文中研究表明在很多场合,图像在获取的过程中,由于物理条件的限制,往往只能得到低分辨率的图像,而这些分辨率较低的图像不能很好地满足实际需要,于是利用超分辨率算法来提高图像的分辨率已经越来越受到关注。由一序列低分辨率变形图像来估计一幅(或一序列)较高分辨率的非变形图像,同时还能消除加性噪声以及由于有线检测器和光学元件产生的模糊,这一技术称之为超分辨率重构(或复原)。图像的超分辨率重构主要可以分为以下几类:单幅图像的超分辨率重构,静态图像序列的超分辨率重构,视频序列的超分辨率图像重构以及压缩视频流中的超分辨率图像重构。本文属于单幅图像的超分辨率重构,即观察到的低分辨率图像只有一幅。超分辨率重构涉及到的主要问题包括:图像的像素配准,降晰函数模型的构建以及有效的重构算法等。在图像超分辨率领域,目前研究最多的是基于灰度图像的超分辨率重构,而对于遥感、太空探索、高清晰数字电视以及医学影像等多方面的应用,获得彩色的高分辨率图像具有非常重要的意义。赵书斌、张蓬[1]等人提出了一种基于小波域HMT(隐马尔可夫树)模型的彩色图像超分辨率复原算法,取得了较高的信噪比和很好的视觉效果。然而,该方法需要进行模型参数训练,多次迭代运算,并且采用了RGB彩色图像模型,需要进行自适应图像变换,其时间复杂度太高。所以,本文提出了一种基于小波域基于YUV模型的彩色图像超分辨率算法。该算法基于彩色图像的YUV模型,在其亮度通道(Y通道)上采取了基于小波域的局部高斯模型的超分辨率重构,而在另外两个色差通道(U、V通道)上采取了较低(相对亮度通道)清晰度的复原,在保证很好的视觉效果的同时大大减少了计算量。本文首先介绍了图像超分辨率重构的基本概念,给出了超分辨率重构的数学描述,并详细介绍了迭代反投影法,投影凸集方法,最大后验方法和最大似然估计方法等一些经典的算法,之后扩展到彩色图像的超分辨率重构,给出了超分辨率重构图像质量的度量标准。本文第二部分内容着重集中在小波域局部高斯模型的讨论上。文中首先介绍了图像超分辨率问题的规整化,之后给出了图像超分辨率问题的小波域描述,详细剖析了小波域局部高斯模型,以此作为图像的先验概率模型对小波域复原问题进行规整化。最后通过彩色图像YUV叁通道的联合高分辨率重构很好地实现了超分辨率重构。本文在最后对提出的方法进行了实验仿真,并对实验结果进行了分析。实验结果表明,该算法重构出来的高分辨率图像信噪比较高,计算量明显下降,有着较好的视觉效果。
肖杰雄[4]2009年在《基于POCS算法的超分辨率图像重建》文中研究指明在许多应用情形下,人们总是需要得到更高质量的图像。但在实际成像过程中,由于受到成像系统、外界环境及成像技术等很多因素的限制,导致图像退化,使我们所获得的图像效果并不理想。而实际应用中,我们对图像质量的要求却越来越高,于是,如何有效地恢复出原始图像或者说是复原出我们所期望的图像,就成为图像处理中一个重要的问题。数字图像在形成过程中受运动模糊、点扩散模糊、欠采样及噪声等因素的影响而产生降质。为了改善降质退化图像的质量,提高分辨率,常采用图像的超分辨率重构处理技术进行处理。超分辨率图像重构是指将一系列各自包含一部分不同图像细节的相似低分辨率图像通过一定方法融合成一幅高分辨率图像的处理方法。对于一定的数字成像系统,通过超分辨率图像重构可以得到高质量的图像而不需要提高系统的硬件性能,因此它可以被广泛应用于图像处理的各种领域中。超分辨率图像重构算法可以分为两大类,即频域算法和空间域算法。频域算法是早期的超分辨率重构算法,只能对全局位移的图像序列进行处理,空间域算法使用通用的观察模型,具有更好的适应性和重构效果,是目前的主要研究方向。其中POCS算法利用投影至凸集的原理进行图像重构,算法直观而且有效,是最有前途的超分辨率重构算法之一。本论文对单帧低分辨率图像及序列低分辨率图像超分辨率重建算法进行了深入研究。在单帧超分辨率重建算法中,首先介绍了传统的插值算法,接着主要研究了基于小波变换的超分辨率重建方法,根据图像小波变换和插值处理的特点,本文提出了一种将小波分解与PDE插值算法相结合的图像超分辨率重建方法。实验结果表明了采用PDE插值的小波方法对于改善图像分辨率的有效性和可行性.在序列图像超分辨率重建算法中,本文对POCS方法做了比较细致的研究,对影响该方法复原结果的因素(如运动估计、循环次数、阈值大小等)进行分析。针对用常规POCS算法重建的高分辨率图像中出现的导致图像边缘质量下降的现象,分析了图像边缘模糊形成的原因,对算法进行了改进,提出了边缘保持的POCS算法,用基于梯度的插值算法来获取POCS的初始值,实验结果表明,该方法能够得到较好的视觉效果,明显地提高重建图像的边缘质量。
周智浩[5]2006年在《基于序列图像的二维超分辨率重构技术研究》文中指出本文主要针对基于序列图像的二维超分辨率图像重构技术进行研究,该技术是通过获取一系列在二维空间上互有位移的低分辨率图像,并应用超分辨率重构算法得到一幅高分辨率的图像。 通过超分辨率算法来重构图像,既提高了分辨率,又提高了系统的效能,是现有既定条件下比较可行的一种提高图像分辨率方法。该技术在侦察仪器、卫星拍摄等高分辨率对地观测系统,医学图像等众多方面都有极高的应用价值。 本文就基于序列图像的二维超分辨率重构技术开展了一系列理论研究和实验探索,完成了以下几个方面的工作: 首先,介绍了该课题在国内外发展的现状,分析和总结了一些通行的图像超分辨率重构算法,尤其是本实验室首次提出的反演解析法。反演解析法具有简单易行,图像分辨率提高效果明显的特点。 在仿真实验得到图像分辨率提高的情况下,设计并制作出适合实验用的序列图像获取装置。以及制作高压控制电路,编写远程电压控制软件来控制推动光电成像器件做二维空间移动的压电陶瓷工作。 之后,对分辨率板和实物进行拍摄,得到一系列互有位移的低分辨率图像。在对这些图像做预处理之后,应用反演解析法重构图像,得到分辨率提高的图像。 图像的质量评价一直是研究的热点与难点。本文对一些常用的图像质量评价方法做了介绍和总结,并用这些方法对重构所得图像分辨率是否较原图像有了提高做了研究分析,并尝试用结合ROI的图像质量评价方法来评价图像质量。 最后对本课题做了总结和展望,提出了后续可以进行的一些工作。
张坤[6]2016年在《基于学习的人脸图像超分辨率重建方法研究》文中提出人脸图像超分辨率重建是提高人脸图像分辨率、增强视觉效果的关键技术之一,因而在计算机视觉、视频监控、公共安全等领域得到了广泛的研究与关注。本文在深入研究人脸图像超分辨率技术相关理论知识的基础上,主要研究了基于稀疏表示的学习型超分辨率技术在单帧人脸图像中的应用。该技术主要包含字典训练与高分辨率人脸图像重构测试两个阶段,前者为后者提供一组反映高、低分辨率人脸图像关系的字典对。在这两个阶段的研究中,本文共提出了叁种方法。为降低图像特征提取对训练字典造成的误差问题,本文提出了两种基于特征字典学习和稀疏表示的人脸图像超分辨率方法;在重构测试阶段,为解决重构图像结构误差问题,本文提出了一种基于全变分广义加速临近梯度(GAPG-TV)和稀疏表示的人脸图像超分辨率方法。在稀疏表示的超分辨率方法中,特征提取方式直接影响特征字典学习的质量,对于人脸图像重建的最终效果非常重要。为降低上采样对提取特征带来的误差影响,通过充分利用邻域点像素信息,本文提出了基于高斯拉普拉斯(GASS-LAP)的特征提取方式;为增强待提取特征图像与其他人脸样本图像信息的关联,提出了一种基于稀疏自编码(SAE)的特征提取方式。进而,本文在GASS-LAP特征字典以及SAE特征字典下提出了相应的超分辨率重建方法。结合ORL人脸库进行的实验结果表明,相比传统方法,针对字典训练所提的两种方法均能更有效地提升人脸图像的重构质量,并且GASS-LAP特征字典下图像重构效果最佳。考虑到传统方法由于受稀疏逼近误差、字典完备性、图像块划分合成等因素的影响,为重构图像估计获取的细节信息可能与真实图像信息之间有所偏离,导致重建图像存在一定的全局结构误差。为弥补该缺陷,进一步提高人脸图像重构效果,本文在GASS-LAP特征字典的基础上,针对重构阶段,提出了从稀疏表示方法中估计获取人脸图像结构的退化因子并结合GAPG-TV对重构图像进行全局修复的超分辨辨率方法。结合ORL人脸库进行的实验结果表明,基于GAPG-TV和稀疏表示的超分辨率方法在恢复人脸图像结构质量上具有良好的优势,优于其他传统方法以及本文所提的两种基于特征字典学习和稀疏表示的方法。
赵魏珏[7]2014年在《基于压缩感知的图像超分辨率重构算法研究》文中研究表明众所周知，在人们的日常生活中数字图像随处可见，诸如遥感成像、安全监控、医学成像等。随着对数字图像的需求越来越多，随之而来的对数字图像质量的要求也越来越高，能够体现更多细节信息的高分辨率图像成为图像重构技术中研究的核心内容。图像超分辨率重构技术就是利用同一场景不同环境下获得的多幅低分辨率图像来重构一幅高分辨率图像。由于成像设备、光照、拍摄物与成像设备间的相对位移等因素的干扰，获取的图像分辨率往往都比较低。但这些由于不同因素发生降质的图像中包含了更丰富的图像信息，将这些信息融合到一幅图像中，再经过图像重构技术对其进行恢复，所获得的图像具有更高的分辨率。图像超分辨率重构技术成为获取高分辨率图像的关键技术之一。压缩感知理论作为一个新的采样理论，它可以在远小于奈奎斯特采样率的条件下获取信号的离散样本，保证信号的无失真重构。该理论在现代信号处理领域有着广阔的发展空间和实用性。本文的主要工作内容为以下几项：第一、对图像超分辨率技术的研究现状进行了简单的介绍，并针对该技术的数学特性进行了详细地分析。概述了该技术的叁项核心研究内容：图像配准、图像融合及图像重构，归纳总结了几种图像质量评价标准。第二、针对不同的应用范围，首先对图像配准技术进行了分类总结，其中针对基于特征的SIFT图像配准进行了详细的数学算法分析，并进行了仿真实验，验证了其旋转尺度不变性及模糊不变性。对于拉普拉斯金字塔图像融合技术进行了整理与分析，并进行了仿真实验。第叁、对图像超分辨率重构算法进行了分类介绍，总结了各类算法的优缺点。对其中空域法中的非均匀样本内插法、迭代反向投影法、最大后验概率估计法和凸集投影法进行了详细的数学分析，对比分析了优缺点。并针对凸集投影法提出了一种优化算法，该算法首先将图像进行区域划分插值，然后利用二维非线性滤波加强图像边缘，仿真实验验证了优化算法的重构图像含有更多的细节信息。第四、已有的研究证明，图像在小波域具有高度可压缩的性质，可以利用压缩感知理论对单幅图像进行精确地超分辨率重构。重构算法需要将低通滤波器加入到测量矩阵里使得图像超分辨率重构问题能够满足压缩感知理论的约束有限等距性质。针对正交匹配追踪重构算法进行了分析及优化，优化算法采用每次选取稀疏度K个原子来更新支撑集，并采用二分坐标下降迭代法加快收敛速度，仿真实验验证了优化算法在重构质量和重构时间上的优越性。
罗俊[8]2006年在《运动模糊图像成像与超分辨率重构研究》文中指出图像可以看成是一种二维分布,成像系统则可认为是一个线性系统。了解图像和成像系统的基本特征,有助于更深入地研究重构算法。首先从理论上对图像和成像系统进行阐述,简要介绍了电荷耦合器件(CCD)成像原理,并特别通过微型飞行器运动成像分析了CCD在成像中的作用,同时给出了像质评价标准。运动中获取的图像,其降质常常是空间变化的。要想对模糊图像进行较高质量的超分辨率重构,必须进行成像建模。通过对成像模型的介绍,揭示了运动模糊的本质,给出了超分辨率重构的设计框图、流程,并指出了其中的关键技术。图像超分辨率重构,很重要的一步就是图像配准。图像配准不仅决定重构的效果,而且决定重构算法能否做到实时,是超分辨率重构的关键步骤。通过对成像过程和分层搜索原理的研究,发现粗分辨率上所获得的模板匹配位置可以传递到精细分辨率上,并指导精细分辨率模板上的搜索。只要在粗分辨率层上进行足够多的迭代次数,就能保证配准的精确性,这样在精细分辨率上的配准只需较少的迭代次数。由于仅丢弃冗余的迭代步骤,并没有影响精确性。因此,分别提出了基于仿射变换的六参数和四参数两种配准算法,并通过对包括不同旋转角度和模糊程度的多幅图像进行试验,两种算法均能较快收敛。在保证配准精度的同时,六参数算法的配准速度较传统方法提高了一倍,而四参数算法的配准速度在旋转角度小于五度时则提高了叁倍,而在旋转角度逐渐增大时,配准速度与六参数基本持平。这两种方法体现了快速、准确、鲁棒性的特点。图像的超分辨率重构将成为今后图像复原的主流方向,而凸集投影(POCS)方法可作为一种迭代框架。从理论上详细论述了运动模糊图像的POCS超分辨率重构的数学基础和算法原理,包括对成像模型的总结、参考帧插值和POCS核心算法的描述。分析了POCS算法产生振铃效应的原因,发现振铃效应集中在图像边缘。通过对灰度图像进行平滑滤波,减弱边缘方向的快速变化,从而更好地适应固定凸集的约束。所得结果较传统POCS方法有较大改善。此外,当模糊量很大时,POCS算法重构的图像将会产生一定宽度的盲区。因此,分析了当运动模糊量超过原始图像尺寸一半,并且点扩展函数(PSF)不是方形矩阵时,POCS算法在二维图像横、纵坐标方向上的迭代收敛速度不一致的缺陷,揭示了POCS算法重构极限的本质。通过对低分辨率参考帧进行扩展,提出了大模糊量的POCS重构算法,更好地利用了冗余信息。这种方法较好的避免了盲区的产生。全面而系统地证明了POCS算法的广泛适应性、稳健性和鲁棒性。图像模型对图像复原具有重要的意义,通过对图像模型本质的研究,可以更加有效的进行图像复原。依据图像模型的观点,初步研究了Markov随机场模型,以及适用于图像复原范畴的技术框架,对基于最大后验概率的复原问题进行了理论分析,并给出了迭代坐标下降(ICD)的优化算法。
刘淼[9]2007年在《基于POCS的视频图像超分辨率重构关键技术研究》文中指出超分辨率(Super-resolution -SR)重构是目前国内外信号与图像处理领域研究的热点问题之一。超分辨率重构技术借助信号估计理论,克服成像系统固有分辨率的限制,达到提高图像质量的目的。超分辨率重构不仅具有理论上的研究意义,而且有着非常广泛的应用前景,已在工业控制、医学成像、遥感、安全监控、视频信号传输等领域获得了广泛应用。本文重点针对超分辨率重构技术中时变运动信息的估计和空间信息的重构两个主要环节展开了分析与研究。论文首先描述了图像超分辨率重构的应用背景、基本概念和基本问题。其次,详细分析了视频图像的退化过程,以及基于凸集投影(Projection onto convex sets-POCS)的逆问题的求解过程,研究了基于分层块匹配和基于小波投影的亚像素精度的运动估计方法,针对视频图像中的运动估计残差具有非高斯分布的特点,提出将运动误差比例约束作为投影重构的一个新约束条件,以减少有用信息的丢失。再次,在图像重构的研究中,为保持边缘与纹理信息,提出利用各向异性的点扩散函数作为图像重构的核函数,并实现了基于边缘模式分类的点扩散函数估计算法和基于奇异值分解(Singularity value decomposition-SVD)的点扩散函数估计算法;最后,通过对凸性的证明,将运动估计残差和边缘的约束表述成为凸集,作为约束高分辨率图像的先验信息,提出了基于运动估计误差与边缘信息保持的超分辨率重构方法。实验表明,采用融合了运动估计误差约束与边缘信息保持的POCS超分辨率重构算法,重构图像的结果在主客观评价指标上都较传统方法有了明显提高。论文还对变换域的超分辨率重构方法进行了研究,分别实现了基于POCS的DCT域压缩视频的重构算法和小波系数预测的超分辨率重构方法,实验结果表明,重构图像中的细节能够得到增强。
相鹏鹏[10]2016年在《红外图像的超分辨率重构算法研究》文中研究说明近年来,随着红外技术的迅速发展和红外器件价格的不断降低,红外图像在民用、工业和军事等等领域的应用日益广泛。红外热像仪的成像特点以及红外热像仪的一些固有缺陷使得红外图像的成像质量并不高,而人们对于高分辨率红外图像的需求却越来越大。因此,本文运用基于结构张量和自适应阶数的可控核回归算法和基于自相似性和自适应稀疏字典选择的算法对单帧低分辨率红外图像进行超分辨率图像重构。经典核回归算法将核函数作为权重通过加权平均局部块中的像素对未知像素点进行估计,效果比双立方插值算法要好。自适应控制核回归算法通过将灰度值和结构信息引入到核函数中对经典核回归算法进行了改进。然而在各向同性的结构区域中,自适应控制核回归算法中的梯度向量无法有效地提取出方向信息,而且回归的阶数是固定的不适合描述结构特点各不相同的图像块。本文中提出的基于结构张量和自适应阶数的核回归重构算法利用结构张量描述图像的结构信息,在各向同性的区域也能很好的工作,同时根据图像结构特点选择阶数解决了这两个问题。基于学习的重构方法是近年来的研究热门方向。一般的基于稀疏表示的超分辨率重构算法都是使用一个通用的过完备全局字典进行图像重构。然而这种方法需要大量的高分辨率图像库进行字典训练,不仅时间长,而且对于各具特色的图像块来说并不是最优的。本文中提出的基于自相似性和自适应稀疏字典表示的重构算法,利用高分辨率可见光的灰度图像比红外图像具有更丰富高频特征信息的特点和多尺度自相似性作为先验信息,有效地减少了训练时间,同时根据图像的结构特点自适应的选择双稀疏字典表示,取得了良好的效果。最后运用仿真实验对这两种重构算法进行了验证。
参考文献：
[1]. 基于序列图像重构的超分辨率成像技术研究[D]. 张平. 浙江大学. 2003
[2]. 航空图像超分辨率重构技术研究[D]. 杨文波. 中国科学院研究生院(长春光学精密机械与物理研究所). 2014
[3]. 小波域基于YUV模型的彩色图像超分辨率重构[D]. 孙婧. 上海交通大学. 2008
[4]. 基于POCS算法的超分辨率图像重建[D]. 肖杰雄. 上海交通大学. 2009
[5]. 基于序列图像的二维超分辨率重构技术研究[D]. 周智浩. 浙江大学. 2006
[6]. 基于学习的人脸图像超分辨率重建方法研究[D]. 张坤. 重庆大学. 2016
[7]. 基于压缩感知的图像超分辨率重构算法研究[D]. 赵魏珏. 吉林大学. 2014
[8]. 运动模糊图像成像与超分辨率重构研究[D]. 罗俊. 华中科技大学. 2006
[9]. 基于POCS的视频图像超分辨率重构关键技术研究[D]. 刘淼. 华中科技大学. 2007
[10]. 红外图像的超分辨率重构算法研究[D]. 相鹏鹏. 华南理工大学. 2016
标签：电信技术论文; 图像分辨率论文; 图像融合论文; 像素分辨率论文; 模糊算法论文; 重构论文; 序列模式论文; 模糊理论论文; 边缘提取论文; 分辨率论文; 算法论文;