一、利用图象序列来重建高分辨率图象（论文文献综述）
杨蕊[1]（2019）在《动态序列遥感图像超分辨率重建技术研究》文中认为在遥感卫星不断小型化商业化的进程中,应用信息处理技术提高动态序列遥感数据的分辨率是十分具有实用意义和研究价值的。因此遥感图像超分辨重建技术受到了广泛注意,并且近些年有了很多研究进展。超分辨技术中序列重建算法是遥感图像的主流研究内容,再加上近几年机器学习的热潮使基于学习的超分辨算法也有了一定的发展。论文主要针对动态序列遥感图像,系统地分析了其分辨率放大极限、预处理算法、在超分辨算法中的特性以及评价标准和分辨率放大倍数（RM）估算方法,并结合重建和学习算法对其进行全面研究。论文首先说明了课题背景和研究意义,调研了国内外研究现状,并总结了动态序列遥感图像超分辨重建技术的发展趋势;而后阐述了遥感图像成像和退化过程,论述了图像超分辨重建的理论依据,分别分析了基于重建和学习的超分辨算法对序列遥感图像的适用性,总结了超分辨图像质量评价标准,改进了基于目标识别的分辨率放大倍数估算方法;接着就遥感图像放大极限进行了分析计算,明确了低分辨率（LR）图像数量、质量和亚像素位移的选择方法;随后针对质量较差的遥感图像研究了预处理去噪方法,并详细分析了重建和去噪顺序问题;接着总结了亚像素点检测方法,提出了可以还原更多真实高频信息的平均覆盖配准插值方法,并针对亮度差异大的匹配问题,提出了多亮度图层匹配方法;最后分析了超分辨重建各个部分对最终结果的影响,提出了结合重建算法和学习算法的超分辨方法。针对这些研究内容提出创新成果主要包含:1.改进基于目标识别的RM估计方法,根据遥感图像中多出现大量密集的建筑物,而不同分辨率可分辨的建筑物数量不同的特点,采用双边边缘提取算法检测出具有闭合曲线的建筑物,根据超分辨后与LR图像提取建筑物的数量之比来估计RM值。2.在超分辨重建放大极限扰动理论基础上加入遥感图像的特性参数,计算出真实遥感图像的放大极限;提出一种根据噪声和图像梯度选择合适LR图像数量的方法,并制作出表格,可供研究者方便查表选择数量;针对真实遥感图像,改进了无参考图像信噪比算法,再利用信噪比这一参数判断LR图像质量;通过分析动态序列遥感图像帧间关系,明确了选取满足亚像素位移的LR图像方法。3.通过改进BM3D算法,得到自估计块匹配3D滤波去噪算法（SE-BM3D）,用于对不满足质量要求的LR遥感图像进行预处理去噪。此算法在相似块全局去噪BM3D的基础上加上更符合遥感图像的模式噪声和高斯噪声复合噪声模型,利用遥感图像内的均匀背景自估计噪声功率密度谱,增加了去噪准确度,以保留更多信息细节。实验证明SE-BM3D算法可有效将LR图像的SNR值提高到符合超分辨重建要求,并且比常用的去噪方法更能保持细节特性,作为预处理去噪算法得到了更清晰的超分辨结果。针对没有均匀背景和噪声较大去噪后不能达到LR图像要求的图像进行了详细分析,解决了这一类图像去噪和重建顺序的问题,提出了根据LR图像内容量（梯度值）和噪声标准差选择超分辨重建策略的方法,为后续重建提出框架。4.提出平均覆盖插值算法和改善亮度差异影响的序列图像匹配方法,根据遥感图像成像过程,平均覆盖插值算法不仅考虑到降采样,还考虑到模糊和积分的降质影响,通过降质逆过程,而非简单的上采样进行序列图像插值,由此得到的初始图像可以还原更多真实的高频信息。提出改善亮度差异影响的图像匹配方法,此算法的思想是对比度拉伸函数可以扩展亮度空间,从而覆盖住亮度变化。算法首先建立可以兼容其它特征点匹配算法的亮度图层,并推导出离散图层匹配准则,而后在匹配的图层上,结合FAST和改进的SURF算法快速检测、描述特征点,最后适用优先级Hamming距离匹配方法结合传统的Lowe算法在保证精确度的同时节约了匹配时间。实验结果证明,本文算法在亮度变化下的匹配效果好于现有的OSID、IRFET、SIFT、SURF算法,并且具有旋转、尺度不变性。5.提出基于动态序列图像的交叉验证并行超分辨重建方法,算法根据成像系统几何模型和成像姿态角这一已知信息得到更准确的各向异性模糊矩阵,提高退化模型精度。并通过分析模糊核形状及其标准差、匹配矩阵和先验参数对超分结果的影响,发现它们并不是相互独立作用于最终结果的,需要在各个估计尽量准确的同时,解决参数间的配合问题。因此论文引入交叉验证思想,提出了交叉验证并行优化超分辨算法,对先验参数、HR图像、匹配矩阵和模糊核标准差同时优化并不断交叉验证,不仅补偿了多由成像系统固有噪声引起的全局匹配误差,包容了各参数初始值的估计不准确,并且加强了参数间的配合,得到了更清晰的高分辨图像。通过模拟图片实验和真实遥感图像实验结果表明,本文算法可以有效提高动态序列遥感图像清晰度,对分辨率放大倍率亦有了较高的提升,除了具有针对性的各向异性模糊估计,算法对其他类型的图片亦具有普适性。
杨学峰[2]（2011）在《遥感图象频域和空域超分辨重建技术研究》文中进行了进一步梳理图象分辨率是图象质量的重要指标之一。遥感图象是很重要的一类图象,其分辨率的高低对目标识别和精确判读有重要影响。图象超分辨重建是指利用同一场景的一帧或多帧低分辨率图象重建一帧或多帧高分辨率图象的技术。本文针对遥感图象特点及其超分辨需求,在不改变成像系统硬件条件的情况下,分别在频域和空域对图象超分辨重建技术进行创新性研究。在遥感图象频域超分辨重建技术方面,以两帧输入为重点,利用基于频谱扩展与补偿的单帧超分辨算法和再采样函数突破频域解混叠方法的两个限制条件:输入低分辨率帧数要求最少四帧和帧间亚像素位移满足一定的关系,建立改进的频域解混叠方法。首先对基于频谱扩展与补偿的单帧超分辨算法进行改进。提出频谱变换与增强滤波器,在振铃程度较小时执行该滤波器,使得在不降低超分辨效果的同时大大减少运算量;利用五次多项式拟合提出表示振铃程度的控制参数P值的自适应设置方法,使得对图象振铃程度的检测更为准确和方便,建立了改进的单帧超分辨算法。在改进的两帧输入频域解混叠方法中,首先利用建立的单帧超分辨算法对两帧输入低分辨率图象分别执行行和列各放大四倍模式的单帧超分辨,再利用高斯再采样函数对单帧超分辨结果分别进行行和列1/4模式的下采样,得到和原输入低分辨率图象具有同样分辨率等级的32帧图象,突破了频域解混叠算法对帧数的限制条件;研究了帧的挑选方法,从32帧中挑选满足位移限制条件的12帧图象执行频域解混叠算法,从而突破了算法对帧间位移的限制条件。一系列实验结果表明,模拟遥感的仿真实验可使图象的PSNR提高68dB;真实两帧输入的实验可使结果图象相对输入图象的对比度改善达到1112dB;可以将2.0m和3.0m分辨率的遥感图象分辨率分别提高1.54倍和1.77倍以上。在遥感图象空域超分辨重建技术方面,依次对泊松最大后验概率（PMAP, Poisson Maximum A-posteriori Probability）估计技术、凸集投影（POCS, Projection Onto Convex Sets）估计技术以及PMAP/POCS融合优化超分辨重建技术进行创新性的研究,以求达到更好的超分辨效果。根据遥感图象概率分布满足泊松（Poisson）分布的特点,对PMAP估计技术进行改进研究。通过深入分析经典PMAP估计方法的特点和限制条件,进行了三方面的改进:加入下采样算子和位移算子使其适用于更一般的成像模型,同时也提高了超分辨效果;引入Tukey正则化项,使可能出现的“病态”问题转变为“良态”问题;在迭代运算过程中采用逐像素选择的方法,使不满足鲁棒性要求的像素点对像素更新不起作用,使其具有了更强的鲁棒性。进而,建立鲁棒性的RGPMAP（Robust Generalized PMAP）超分辨重建算法。实验结果表明,所建立的RGPMAP算法具有良好的超分辨效果和很强的鲁棒性,可使具有0.4像素配准误差或25dB噪声的2/4帧输入超分辨结果的PSNR值提高58dB和810dB以上;而该配准误差和噪声对RGPMAP算法结果影响很小,在0.7dB以内。同样,针对传统POCS估计技术鲁棒性差的缺点,增加一个高分辨率的退化图象与输入低分辨率图象对应像素之差的阈值,进行逐像素挑点操作,仅使满足条件的像素点执行POCS算法,从而建立鲁棒性的RPOCS（Robust POCS）超分辨重建算法。实验结果表明,所建立的RPOCS算法,不但具有较强的鲁棒性,而且具有更好的超分辨处理效果,可使具有0.4像素配准误差和25dB高斯噪声的2/4帧输入超分辨结果的PSNR值提高69dB和12dB以上,而对RPOCS算法结果影响在0.8dB以内。由于基于集合理论的POCS方法具有较强的吸收先验信息的能力,而基于概率统计理论的PMAP方法具有很强的恢复高频信息的能力,为充分利用PMAP和POCS两类方法的优点,进一步将所建立的RGPMAP超分辨重建方法和RPOCS超分辨重建方法融合起来。在融合方法中,对RGPMAP和RPOCS两种重建方法的迭代次序和迭代次数进行研究,建立RGPMAP-RPOCS融合优化超分辨重建算法。模拟遥感图象仿真实验表明,融合算法结果图象PSNR比RGPMAP算法和RPOCS算法提高23dB;利用两帧真实遥感图象的实验结果表明,结果图象相对输入图象的对比度改善达到13dB以上;可以将2.0m和3.0m分辨率的遥感图象分辨率分别提高约1.75倍和1.90倍。
肖杰雄[3]（2009）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。
郭锦杰[4]（2008）在《空中视频序列的分辨率增强技术的研究》文中研究说明本文主要针对基于空中视频图象序列的图象分辨率增强技术进行研究,该技术主要是通过获取得到的低分辨率视频图象序列应用超分辨率重建算法来重建高分辨率的图象以达到图象分辨率增强的目的。通过超分辨率重构算法重建高分辨率图象,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图象分辨率增强方法。本文就基于空中视频图象序列的超分辨率重构技术开展了一系列理论研究和实验探索,主要做了以下几个方面的工作。首先,介绍并解释了与该课题相关主要术语,介绍了该课题的应用背景以及国内外研究现状。以期使读者对该课题从宏观上有一个粗略的了解。建立一个正确的图象退化模型是图象复原和图象超分辨率重建的前提,本文比较详细的介绍了图象退化模型建立的过程,构造更高分辨率的图象就是图象的上抽样过程,离不开对图象的插值放大处理,因此本文简单介绍了一些基本的图象插值算法。基于本文所研究问题的应用环境,占有很大一部分比例的视频图象是运动退化的本文详细研究并实现了频域和空域中的运动退化图象复原算法。并取得了较为满意的恢复结果。另外,本文简要的介绍了当前比较流行运动估计方法,光流场方法和模块匹配方法。本文研究并实现了基于凸集投影（POCS）和迭代反卷积（IBP）两种超分辨率重建算法来重建更高分辨率的图象以达到图象分辨率增强的目的。本文详细分析了这两种算法各自的优缺点,分析得知,由于其良好的抗噪能力和能充分利用先验信息的能力,使得POCS算法比较适合本文所研究问题的应用环境。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。
黄婧[5]（2006）在《基于图象配准的超分辨率重建》文中研究表明图象超分辨率重建可理解为由实际观测到的低分辨率图象重建真实的高分辨率图象。它可以成功恢复截止频率以外的信息,增加图象细节,从而提高图象分辨率。图象超分辨率重建方法可以分为单帧和多帧图象超分辨率重建,在处理领域上又可分为频域法和空域法,频域法主要为有限字长脉冲响应插值法、快速傅立叶变换插值法和频域解混叠算法等;空域法主要包括非均匀采样内插法、凸集投影法、最大后验概率估计法等。多帧图象超分辨率重建算法能够利用帧间图象的互补信息以及某些先验信息得到高分辨率图象,本文主要研究基于图象配准的超分辨率重建,其中图象配准算法是整个重建技术中十分重要的环节。图象配准算法首先假设图象帧间存在某些变换,例如平移变换、仿射变换和平面变换等,然后对序列图象进行运动配准。本文正文部分首先介绍图象配准算法,重点研究基于傅立叶变换的频域配准算法和基于仿射变换的全局运动模型配准算法。然后,利用配准结果对图象进行超分辨率重建,主要研究了非均匀采样内插法,它通过把非均匀位移的像素变换成均匀位移像素,进而实现对图象的超分辨率重建。最后一章给出实验结果,实验软件环境是在MATLAB里仿真进行的。通过实验结果及相应的分析可以看到,图象配准算法在序列图象超分辨率重建过程中发挥了关键作用,频域配准算法基于傅立叶变换的时移性质,可以抑制频谱混叠,但不能有效解决旋转问题,全局运动模型配准算法不能有效抑制混叠,但旋转角度配准精度较高,两者各有优缺点。当配准精度较高时,非均匀采样内插法能有效地实现序列图象的超分辨率重建。
谭兵,徐青,耿则勋,邢帅[6]（2003）在《超分辨率图象重建技术发展现状》文中进行了进一步梳理本文首先对图象超分辨率重建的概念进行了阐述;然后在分类的基础上,对目前主要采用的超分辨率重建方法进行了介绍,并指出了其优点与不足;最后对其未来的研究和发展方向进行了总结和展望。
秦磊[7]（2002）在《样条曲面在超分辨率图象重建中的应用》文中提出对当今电子图像的一个严重的限制是：绝大多数所用的静态帧或视频摄像机记录图像的分辨率较低，很不合意。这一点与图像传感器（如：有限栅格区和有限过孔时间）的一定的物理限制条件有关。尽管较高分辨率的图像传感器是先进些的，但对移动图像应用而言可能太贵而不适用。因此，如果能利用低分辨率CCD相机成像，再利用图像融合技术来重构高分辨率图象，便能降低风险和成本。 超分辨率（superresolution）涉及到获取高于记录图像中使用的摄像机（传感器）分辨率来获取视频问题。因为绝大多数图像包含陡沿（sharp edge），它们没有严格的带限。因此，通常数字图像因欠采样（undersampling）而引起的信号混叠，因低分辨率传感点扩散（PSF：point spread function）而造成的高频部分、丢失，以及因相对运动或散焦造成的光学模糊等因素而受损。超分辨率包含了输入采样点阵的上行变换及信号混叠与模糊的减少或清除。人所共知：从一个低分辨率的可能有模糊的图像来获得超分辨率的提法是很不适当的。但是如使用摄像机获得的低分辨率帧序列时，这个问题就可以处理了。显然，三维时空采样比任何一个二维静态帧采样栅格而言它包含更多的信息。帧间超分辨率方法利用了这个包含在多帧中的附加信息去重构一个高分辨率静态图像或一个高分辨率图像序列。 利用低分辨率图象序列宋重建超分辨率图象时，精确可信的亚象素级运动信息是必不可少的。如何得到精确可信的亚象素级运动信息也是计算机视觉和图象配准中所要解块的主要问题之一。在本文中把双三次样条曲面引入到图象配准的过程中。以分片双三次样条曲面为基础， 建立了原始的局部曲面模型。并分析了以样条曲面为基础建立图象模型的过程中，由于样条曲面的光滑性所带来的图象边缘模糊的相象，然后提出了改进的图象模型。进行了边缘增强，解决了边缘模糊，走样等问题。在准确的描述数字图象的基础上，我们就可以用优化的方法来得到图象间的精确可信的亚象素级运动信息，从而确定图象间的映射关系。在图象配准的基础上，我们利用一个迭代的散乱点插值方法来重构高分辨率图象。 最后，做为计算实例，在本文的第五章中，把我们提出的方法应用于超分辨率图象重建过程中，得到了很好的数值结果和清晰的重建图象，证明了该方法的有效性。
秦磊,钟似玢,苏志勋[8]（2001）在《利用图象序列来重建高分辨率图象》文中研究指明在许多应用中,需要细节很丰富的图象.但是仅仅通过硬件设备（CCDs）,通常得不到这样的高分辨率图象.所以要用图象处理的方法来重构一个高分辨率图象其中的一个做法就是通过一个低分辨率的图象序列来重构高分辨率图象.其中要解决的两个问题是图象序列中图象的配准及重建.本文给出了一种基于曲面拟合的图象配准重建算法来解决这个问题.试验结果验证了该方法的有效性.
袁媛[9]（2008）在《视频图像分辨率增强技术研究》文中提出视频图像超分辨率增强技术是最经济和最容易实现的一种提高图像分辨率方法,因其具有良好的应用前景而吸引着人们的广泛关注。视频图像的超分辨率增强是指融合来自相同动态场景的多个低分辨率视频序列的信息,去重构一个高时空分辨率的视频序列。视频图像超分辨率增强技术的两种不同的研究方法:频率域法和空间域法。其中频域方法主要基于频谱解混叠;空域方法又分迭代反投影方法、凸集投影方法、非均匀空间样本内插法、迭代反投影方法、集合理论复原方法（凸集投影POCS）、统计复原方法（最大后验概率估计法MAP和最大似然估计法ML）、以及混和MAP/POCS方法等等。因为空间域方法是将复杂的运动模型与相应的插值、迭代及滤波重采样放在一起进行处理,其线性空间域观测模型涉及到全局和局部运动、光学模糊、帧内运动模糊、空间可变点扩散函数、非理想采样等一些内容,相比与频率域方法更接近实际图像的获取,具有更大的研究和应用价值。小波理论在近年来得到了快速的发展,小波也在许多领域得到了广泛而成功的应用。本文重点研究了有超分辨率图像小波内插方法。小波超分辨率提高是以正交小波变换与多分辨率分析为基础,在小波多尺度分解框架下根据已知的非均匀交错采样数据对不同尺度空间的小波系数进行估算,然后利用估计的小波系数对高分辨率格网上未知点的值进行插值。通过有关MATLAB仿真实验结果表明,采用图像小波内插的方法进行图像超分辨率增强是一种有效而实用的方法。
江泽涛[10]（2006）在《从序列图象重建三维物体形状方法研究》文中指出本文主要研究了利用由一个摄像机拍摄的序列图像重建三维景物的方法以及相关技术。由于该方法采用了特征集来实现，因此本文研究了边缘与直线段提取，特征点匹配与跟踪，相机参数自标定以及三维物体重建方法。主要研究成果包括：（1）本文定义了像素灰度平方为像素能量，研究了局部区域内不同边缘两侧能量的分布和区域能量阈值差与区域面积比值。基于这个比值与边缘密度分布关系，提出了基于区域能量的自适应多尺度边缘检测方法。实验结果表明该方法边缘检测结果更加清晰并能显着地去除噪声。（2）提出了一种基于小波变换的自适应多尺度边缘检测方法。该方法采用了由粗到细的多分辨率技术，以及自适应多尺度与自适应阈值技术。与sobel方法比较，新方法明显提高了去除噪声干扰及去除伪边缘能力。此外，在基于小波变换的自适应多尺度边缘检测基础上，研究了直线边缘提取方法；采用了角标记生成直线支持区，利用最小二乘法拟合获得直线方程与相关位置信息。（3）提出了一种自适应的多尺度特征点匹配跟踪方法。该方法基于最多相似点原理，使检测尺度与特征点运动速度自适应，模板区域分层加权更新自适应，模板阈值更新自适应。实验结果表明区域的相关性图形更陡，相关性图形峰值更大，峰值范围更小；因此缩小了匹配范围，提高了匹配速度和精度。此外，研究了区域分层快速算法，并应用于运动特征点区域匹配跟踪，提高了跟踪匹配速度。（4）改进了基于序列图像的平面约束与空间相互正交直线约束的相机内、外参数自标定方法。与现有的方法不同，本文方法是基于不同帧的图像焦距不断变化的自标定基础之上，因此更符合实际应用模型。此外，提出了基于共线的摄像机的径向二阶透镜畸变系数标定方法；和现有方法比较，新方法计算更加简单。（5）利用基本矩阵及对极线计算相机内外参数，改进了求解图像序列空间点之间关系的算法，并实现空间点的三维重建。与以前方法的不同之处是新方法建立在焦距变化的自标定基础之上。此外，利用直线方程和射平面直线方程，提出了基于图像序列的重建三维直线方法。新方法比基于点的重建方法更加稳定，比较而言，基于射平面直线方程重建三维直线方法，更加简便。（6）在考虑焦距变化的自标定与求解三维空间点坐标及深度系数基础之上，提出了基于行列最佳曲线拟合取平均填补缺失数据的方法，并且改进了基于阈值的角点检测方法，从而实现了有遮挡物的三维物体重建。改变了过去对缺失数据先用零向量填充方法，该方法重建效果更好。
二、利用图象序列来重建高分辨率图象（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、利用图象序列来重建高分辨率图象（论文提纲范文）
（1）动态序列遥感图像超分辨率重建技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 动态序列遥感图像超分辨重建技术发展趋势 |
| 1.3 论文研究内容和创新点 |
| 1.4 论文的结构安排 |
| 第2章 动态序列遥感图像超分辨重建 |
| 2.1 动态序列遥感图像超分辨重建理论依据 |
| 2.1.1 动态遥感成像系统退化模型分析 |
| 2.1.2 动态序列遥感图像成像模型 |
| 2.1.3 动态序列遥感图像超分辨重建的理论依据 |
| 2.2 图像超分辨重建算法概述和分析 |
| 2.2.1 基于重建的图像超分辨方法 |
| 2.2.2 基于学习的图像超分辨方法 |
| 2.3 超分辨遥感图像质量评价标准 |
| 2.3.1 有参考图像质量评价 |
| 2.3.2 无参考图像质量评价 |
| 2.3.3 基于目标识别的RM估计方法 |
| 2.4 本章小结 |
| 第3章 超分辨重建限制因素及对LR图像的选择 |
| 3.1 引言 |
| 3.2 超分辨放大极限扰动理论 |
| 3.3 LR图像数量、质量和亚像素形变的选择 |
| 3.3.1 LR图像数量选择 |
| 3.3.2 LR图像质量选择 |
| 3.3.3 LR图像亚像素选择 |
| 3.4 本章小结 |
| 第4章 LR图像预处理 |
| 4.1 引言 |
| 4.2 图像自估计块匹配3D滤波算法 |
| 4.2.1 块匹配3D滤波算法 |
| 4.2.2 噪声模型和去噪策略 |
| 4.2.3 实验与结果分析 |
| 4.3 去噪顺序对超分辨结果的影响分析 |
| 4.3.1 去噪顺序问题的提出 |
| 4.3.2 对去噪顺序问题的分析 |
| 4.4 本章小结 |
| 第5章 动态序列遥感图像配准方法 |
| 5.1 引言 |
| 5.2 图像匹配 |
| 5.2.1 图像匹配和配准的定义 |
| 5.2.2 图像匹配算法 |
| 5.3 平均覆盖插值算法 |
| 5.4 多亮度图层匹配算法研究 |
| 5.4.1 在亮度差异大且不平均变化下的匹配算法研究现状 |
| 5.4.2 建立并匹配多亮度图层 |
| 5.4.3 特征点提取和描述 |
| 5.4.4 基于Hamming距离的特征点匹配 |
| 5.5 多亮度图层匹配算法实验与结果分析 |
| 5.5.1 实验数据 |
| 5.5.2 匹配评价标准 |
| 5.5.3 实验中参数选择 |
| 5.5.4 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 基于动态序列遥感图像的并行超分辨重建方法 |
| 6.1 引言 |
| 6.2 序列图像MAP超分辨重建算法分析 |
| 6.2.1 MAP超分辨算法详述 |
| 6.2.2 分析MAP算法中各部分对结果的影响 |
| 6.3 基于面阵动态序列遥感图像的交叉验证并行超分辨方法 |
| 6.3.1 各向异性模糊估计 |
| 6.3.2 交叉验证并行超分辨重建方法 |
| 6.4 实验与结果分析 |
| 6.4.1 模拟图片实验结果 |
| 6.4.2 真实遥感图像实验结果 |
| 6.4.3 分辨率放大倍率估算实验结果 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 附录 英文缩写对照表 |
| 致谢 |
| 作者简介及在学期间发表的学术论文与研究成果 |
（2）遥感图象频域和空域超分辨重建技术研究（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 国内外研究概况 |
| 1.2.1 图象超分辨重建的机理与限制问题 |
| 1.2.2 基于重建的图象超分辨技术 |
| 1.2.3 基于学习的图象超分辨重建技术 |
| 1.3 主要研究内容和创新点 |
| 1.4 本文的结构安排 |
| 第2章 图象超分辨重建的理论基础 |
| 2.1 引言 |
| 2.2 图象成像模型 |
| 2.2.1 成像过程中的退化分析 |
| 2.2.2 成像模型 |
| 2.3 超分辨重建问题的理论依据 |
| 2.3.1 图象超分辨重建问题描述 |
| 2.3.2 图象超分辨重建的理论依据 |
| 2.4 图象质量的评价标准 |
| 2.5 本章小结 |
| 第3章 图象频域解混叠超分辨重建技术 |
| 3.1 引言 |
| 3.2 图象频域解混叠的理论基础 |
| 3.3 图象频域解混叠的数学模型 |
| 3.4 图象频域解混叠迭代计算模型 |
| 3.5 限制条件的突破技术 |
| 3.5.1 单帧超分辨算法及其应用 |
| 3.5.2 再采样函数及输入帧的挑选 |
| 3.6 图象频域解混叠超分辨重建算法 |
| 3.7 实验结果与分析 |
| 3.8 本章小结 |
| 第4章 PMAP图象超分辨重建技术 |
| 4.1 引言 |
| 4.2 PML与PMAP图象超分辨重建方法 |
| 4.2.1 遥感图象的概率统计模型 |
| 4.2.2 PML与PMAP方法的基本原理和比较 |
| 4.3 RGPMAP图象超分辨重建算法 |
| 4.3.1 GPMAP图象超分辨重建算法 |
| 4.3.2 正则化项的选取与参数设置 |
| 4.3.3 RGPMAP图象超分辨重建算法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 鲁棒性POCS图象超分辨重建技术 |
| 5.1 引言 |
| 5.2 POCS超分辨重建的基础理论 |
| 5.3 RPOCS超分辨重建算法 |
| 5.3.1 RPOCS算法模型 |
| 5.3.2 参数设置 |
| 5.3.3 计算流程 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第6章 RGPMAP/RPOCS融合图象超分辨重建 |
| 6.1 引言 |
| 6.2 MAP/POCS融合超分辨图象重建的理论基础 |
| 6.3 RGPMAP/RPOCS融合算法研究 |
| 6.3.1 两种融合方法的比较 |
| 6.3.2 迭代次数的确定 |
| 6.3.3 融合算法流程 |
| 6.4 实验结果与分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（3）基于POCS算法的超分辨率图像重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及研究意义 |
| 1.2 图像超分辨率重建的应用 |
| 1.3 本论文的主要研究内容及其完成的工作 |
| 第二章 超分辨率图像重构算法研究 |
| 2.1 超分辨率技术概述 |
| 2.2 频率域方法 |
| 2.3 空间域方法 |
| 2.3.1 非均匀间隔样本内插 |
| 2.3.2 后向投影迭代法 |
| 2.3.3 基于概率论的方法 |
| 2.3.4 基于集合论的方法 |
| 2.3.5 混合MAP/POCS 方法 |
| 2.4 常见的图像重构算法的比较 |
| 2.5 本章小结 |
| 第三章 单帧图像超分辨率重构 |
| 3.1 传统的插值算法 |
| 3.1.1 最近邻域法 |
| 3.1.2 双线性插值 |
| 3.1.3 三次卷积插值 |
| 3.2 基于边缘保持的插值算法 |
| 3.3 基于小波变换的重建算法 |
| 3.3.1 小波变换的理论基础 |
| 3.3.2 小波变换重建算法 |
| 3.4 改进的小波变换重建算法 |
| 3.5 试验结果分析 |
| 3.6 本章小结 |
| 第四章 POCS 算法及其改进算法的实现 |
| 4.1 POCS 算法的原理 |
| 4.2 POCS 算法的实现 |
| 4.2.1 用插值方法构造参考帧 |
| 4.2.2 运动估计 |
| 4.2.3 基于点扩散函数的修正 |
| 4.2.4 POCS 算法中有关参数值的选取 |
| 4.3 改进的POCS 算法 |
| 4.4 本章小结 |
| 第五章 试验结果与分析 |
| 5.1 试验低分辨率图像的生成 |
| 5.2 改进的POCS 算法重构结果及其分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（4）空中视频序列的分辨率增强技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 图象分辨率增强技术的主要概念 |
| 1.2 图象分辨率增强技术的课题背景 |
| 1.3 图象分辨率增强技术综述 |
| 1.3.1 频域方法 |
| 1.3.2 空域方法 |
| 1.4 本论文的主要工作 |
| 2 图象分辨率增强的的基本问题 |
| 2.1 图象退化模型 |
| 2.1.1 连续函数退化模型 |
| 2.1.2 离散的退化模型 |
| 2.2 主要图象插值算法简介 |
| 2.2.1 最近邻插值 |
| 2.2.2 双线性插值 |
| 2.2.3 双三次插值 |
| 2.2.4 自适应插值 |
| 2.2.5 图象插值及其频谱变化 |
| 2.3 图象质量的评价标准 |
| 2.3.1 数字图象的主观评价方法 |
| 2.3.2 数字图象的客观评价方法 |
| 2.4 本章小节 |
| 3 单帧运动退化图象的复原 |
| 3.1 单帧运动退化图象的恢复模型 |
| 3.2 基于频域的点扩散函数的系统辨识方法 |
| 3.2.1 算法的基本原理 |
| 3.2.2 算法实现的基本步骤 |
| 3.2.3 实验结果及分析 |
| 3.3 基于空域方向微分的点扩散函数的系统辨识方法 |
| 3.3.1 基于空域方向微分图象运动模糊方向鉴别 |
| 3.3.2 基于空域的方向微分图象运动模糊尺度鉴别 |
| 3.4 基于频域的运动模糊图象恢复(逆滤波和维纳滤波) |
| 3.4.1 逆滤波和维纳滤波复原的基本原理 |
| 3.4.2 实验结果与分析 |
| 3.5 基于空域的运动退化图象恢复 |
| 3.5.1 沿水平方向匀速直线运动空域恢复原理 |
| 3.5.2 任意方向匀速直线运动退化图象恢复 |
| 3.5.3 实验结果与分析 |
| 3.6 二维运动退化图象恢复的误区 |
| 3.7 从图象复原到图象超分辨率复原 |
| 3.8 本章小节 |
| 4 运动估计 |
| 4.1 基于光流场的运动估计算法 |
| 4.1.1 基本算法-早期的全局优化算法 |
| 4.1.2 改进算法-基于局部特征的平滑算法 |
| 4.2 模块匹配方法 |
| 4.2.1 匹配准则 |
| 4.2.2 模块匹配的四步搜索策略 |
| 4.3 本章小节 |
| 5 基于凸集投影的图象超分辨重建 |
| 5.1 引言 |
| 5.2 图象配准 |
| 5.3 基于凸集投影图象超分辨率重建的算法原理与实现 |
| 5.3.1 观察模型 |
| 5.3.2 投影矩阵 |
| 5.3.3 凸集投影算法的基本思想 |
| 5.3.4 算法具体实现 |
| 5.4 实验结果及分析 |
| 5.5 本章小节 |
| 6 基于叠代反投影方法的图象超分辨率重建 |
| 6.1 迭代反投影算法的基本原理 |
| 6.2 算法的具体步骤 |
| 6.3 实验结果及分析 |
| 6.4 本章小节 |
| 7 总结与期望 |
| 7.1 总结 |
| 7.2 期望 |
| 致谢 |
| 参考文献 |
（5）基于图象配准的超分辨率重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究的目的和意义 |
| 1.2 国内外同类技术的研究现状及发展趋势 |
| 1.2.1 单帧图象超分率重建技术简介 |
| 1.2.2 多帧图象超分辨率重建技术研究现状 |
| 1.2.3 图象配准技术简介 |
| 1.2.4 图象超分辨率重建技术发展趋势 |
| 1.3 论文主要研究内容及其结构安排 |
| 第2章 基于傅立叶变换的图象配准算法 |
| 2.1 引言 |
| 2.2 频谱混叠现象 |
| 2.3 基于傅立叶变换的相似性测量 |
| 2.4 基于傅立叶变换的图象配准算法 |
| 2.5 图象旋转角度的求解 |
| 2.6 本章小结 |
| 第3章 基于全局运动模型的图象配准算法 |
| 3.1 引言 |
| 3.2 图象变换模型 |
| 3.3 理论基础 |
| 3.4 基于全局运动模型的图象配准算法 |
| 3.5 本章小结 |
| 第4章 优化的图象配准算法 |
| 4.1 引言 |
| 4.2 图象边缘处理 |
| 4.3 图象平滑 |
| 4.4 优化的配准算法 |
| 4.5 本章小结 |
| 第5章 基于图象配准的超分辨率重建算法 |
| 5.1 引言 |
| 5.2 理论依据 |
| 5.2.1 解析延拓理论 |
| 5.2.2 频谱混叠理论 |
| 5.2.3 非线性操作 |
| 5.3 成像模型 |
| 5.4 基于图象配准的超分辨率重建算法 |
| 5.4.1 基本框图 |
| 5.4.2 理论基础 |
| 5.4.3 基于图象配准的超分辨率重建算法 |
| 5.5 本章小结 |
| 第6章 实验结果及分析 |
| 6.1 引言 |
| 6.2 实验环境和实验内容 |
| 6.3 实验方法及结果分析 |
| 6.3.1 图象边缘处理 |
| 6.3.2 图象配准算法 |
| 6.3.3 图象超分辨率重建 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（6）超分辨率图象重建技术发展现状（论文提纲范文）
| 1 引言 |
| 2 超分辨率重建技术 |
| 3 超分辨率重建技术发展现状 |
| 3.1 频率域方法 |
| 3.2 空间域方法 |
| 3.2.1 非均匀间隔样本内插 |
| 3.2.2 代数滤波后向投影方法 |
| 3.2.3 基于概率论的方法 |
| 3.2.4 基于集合论的方法 |
| 3.2.5 混合MAP/POCS方法 |
| 3.3 总结与比较 |
| 4 未来研究展望 |
（7）样条曲面在超分辨率图象重建中的应用（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 目次 |
| 1 前言 |
| 1.1 超分辨率的基本思想 |
| 1.2 问题的定义 |
| 1.3 问题的性质 |
| 1.4 主要方法概述 |
| 1.4.1 对非均匀空间采样的插值 |
| 1.4.2 模拟-矫正方法 |
| 1.4.3 概率方法 |
| 1.4.4 集合论方法 |
| 1.5 应用领域 |
| 1.6 本论文主要工作 |
| 2 超分辨率 |
| 2.1 建模 |
| 2.1.1 连续-离散模型 |
| 2.1.2 离散-离散模型 |
| 2.1.3 问题的相互联系 |
| 2.2 插入-恢复方法 |
| 2.2.1 帧内法 |
| 2.2.2 多帧法 |
| 2.3 一种频率域方法 |
| 2.4 一种统一的POCS方法 |
| 2.5 例子 |
| 3 Coons曲面 |
| 3.1 具有给定边界的Coons曲面 |
| 3.1.1 曲面表示法与记号 |
| 3.1.2 插值四个角点的双线性曲面 |
| 3.1.3 线性插值两条边界的曲面 |
| 3.1.4 双线性Coons曲面 |
| 3.1.5 插值给定边界的Coons曲面的一般形式 |
| 3.2 具有给定边界和跨界切矢的Coons曲面片 |
| 3.3 具有给定边界及其跨界切矢、跨界二阶导矢的Coons曲面 |
| 3.4 双三次Coons曲面 |
| 3.5 建立混合函数的一般方法 |
| 4 图象配准 |
| 4.1 图象配准方法 |
| 4.1.1 基于图象特征的配准定位方法 |
| 4.1.2 基于图象几何变换的配准定位方法 |
| 4.1.3 基于图象搜索策略的配准定位方法 |
| 4.2 图像的几何变换 |
| 4.2.1 图像几何变换原理 |
| 4.2.2 坐标变换 |
| 4.2.3 灰度插值 |
| 4.3 基于样条曲面的图象配准 |
| 4.3.1 基本原理概述 |
| 4.3.2 曲面拟合 |
| 4.3.2.1 双三次Coons曲面表示 |
| 4.3.2.2 边缘增强 |
| 4.3.2.3 实际算例 |
| 4.3.3 图象配准 |
| 5 插值重建及算例 |
| 5.1 插值重建 |
| 5.2 算例 |
| 参考文献 |
| 致谢 |
（8）利用图象序列来重建高分辨率图象（论文提纲范文）
| 引言 |
| 1 图象配准 |
| 1.1 基本原理概述 |
| 1.2 曲面拟合 |
| 1.3 图象配准 |
| 2 通过插值复原图象 |
| 3 执行结果 |
| 4 结论 |
（9）视频图像分辨率增强技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 超分辨率复原技术的含义 |
| 1.3 超分辨率复原技术的应用 |
| 1.4 分辨率复原技术发展历史 |
| 1.5 超分辨率复原技术的研究现状 |
| 1.6 超分辨率复原技术的研究存在的问题及本文所研究的任务 |
| 2 超分辨率复原技术研究方法 |
| 2.1 超分辨率复原技术的理论基础 |
| 2.1.1 信息叠加理论 |
| 2.1.2 解析延拓理论 |
| 2.1.3 非线性操作 |
| 2.2 频率域方法 |
| 2.3 空间域方法 |
| 2.3.1 观测模型的建立 |
| 2.3.2 空间域超分辨率图像的复原 |
| 2.4 空间域主要研究方法 |
| 2.4.1 统计复原方法 |
| 2.4.2 集合理论复原方法 |
| 2.4.3 代数滤波后向投影方法 |
| 2.4.4 迭代反投影方法(IBP) |
| 2.4.5 混和MAP/POCS方法 |
| 2.4.6 非均匀空间样本内插方法 |
| 3 小波变换原理 |
| 3.1 小波起源 |
| 3.1.1 小波产生背景 |
| 3.1.2 小波发展历史过程 |
| 3.2 小波原理 |
| 3.2.1 小波分析 |
| 3.2.2 多分辨分析理论与Mallat算法 |
| 3.3 小波特性 |
| 3.4 现有小波简介 |
| 4 基于小波变换的图像分辨率增强 |
| 4.1 概述 |
| 4.2 一维信号的小波分析 |
| 4.2.1 一维信号的多分辨分解 |
| 4.2.2 基于小波变换的一维信号重构 |
| 4.3 低分辨率图像二维小波分解 |
| 4.3.1 低分辨率图像中单像素的二维小波分解 |
| 4.3.2.低分辨率单帧图像的二维小波分解 |
| 4.3.3.低分辨率图像序列的二维小波分解 |
| 4.3.4.图像的二维小波分解的分析总结 |
| 4.4 高分辨率图像的二维小波系数估计 |
| 4.4.1 确定有效的未知系数的个数 |
| 4.4.2.估计尺度和小波系数 |
| 4.5 高分辨率图像的重构 |
| 4.5.1 高分辨率图像的二维小波内插 |
| 4.5.2 高分辨率图像重构的分析总结 |
| 4.6 基于小波变换的图像插值方法 |
| 5 基于小波变换分辨率增强的MATLAB仿真实现 |
| 5.1 MATLAB简介 |
| 5.2 利用MATLAB小波函数仿真实验 |
| 5.2.1 图像的单尺度小波分解 |
| 5.2.2 图像的多尺度二维小波分解 |
| 5.2.3 插值重构高分辨率图像 |
| 5.3 启动二维离散小波工具箱进行图像分析 |
| 5.4 仿真实验小结 |
| 6 总结及展望 |
| 6.1 本论文的工作总结 |
| 6.2 视频图像超分辨率增强技术研究展望 |
| 致谢 |
| 参考文献 |
| 附录Ⅰ MATLAB6.5实验程序 |
| 附录Ⅱ 学习期间发表论文 |
（10）从序列图象重建三维物体形状方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源、研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作和贡献 |
| 1.4 本文结构安排 |
| 第二章 自适应的多尺度边缘与直线段提取 |
| 2.1 引言 |
| 2.2 基于区域能量自适应多尺度边缘检测 |
| 2.2.1 区域能量测度 |
| 2.2.2 区域尺度自适应选择 |
| 2.2.3 算法步骤 |
| 2.2.4 结论 |
| 2.3 基于小波变换的自适应多尺度边缘检测 |
| 2.3.1 小波变换原理 |
| 2.3.2 基于小波变换的边缘检测原理 |
| 2.3.3 自适应多尺度下边缘提取算法 |
| 2.3.4 基于三次样条插值的亚像素边缘 |
| 2.3.5 结论 |
| 2.4 自适应多尺度下的直线提取 |
| 2.4.1 梯度方向角标记 |
| 2.4.2 自适应多尺度下的直线提取算法 |
| 2.4.3 结论 |
| 2.5 实验结果 |
| 2.5.1 基于区域能量自适应多尺度边缘检测实验结果 |
| 2.5.2 基于小波变换的自适应多尺度边缘检测实验结果 |
| 2.5.3 自适应多尺度边缘直线提取实验结果 |
| 2.6 本章小结 |
| 第三章 自适应多尺度的帧间特征匹配与跟踪 |
| 3.1 引言 |
| 3.2 基于区域相关自适应阈值跟踪 |
| 3.2.1 基于区域相关匹配原理 |
| 3.2.2 阈值计算方法 |
| 3.2.3 自适应的阈值计算 |
| 3.3 自适应多尺度与模板自适应更新 |
| 3.3.1 运动目标速度与多尺度的自适应关系 |
| 3.3.2 模板自适应更新方法 |
| 3.3.3 自适应多尺度下的模板自适应更新方法 |
| 3.3.4 结论 |
| 3.4 区域分层快速搜索 |
| 3.5 实验结果 |
| 3.6 本章小结 |
| 第四章 基于图像序列的参数自标定 |
| 4.1 引言 |
| 4.2 基于空间平面自定标 |
| 4.2.1 摄像机模型与坐标系 |
| 4.2.2 基于空间平面上的相机参数自定标 |
| 4.3 基于空间相互正交直线的自定标 |
| 4.4 基于共线的二阶径向畸变系数标定 |
| 4.4.1 透镜有二阶径向畸变的摄像机模型 |
| 4.4.2 基于直线的二阶透镜畸变系数标定 |
| 4.5 实验结果 |
| 4.5.1 基于空间平面的自定标实验结果 |
| 4.5.2 基于空间相互正交直线的自定标实验结果 |
| 4.5.3 基于共线的二阶径向畸变系数标定实验结果 |
| 4.6 本章小结 |
| 第五章 基于图像序列的三维重建 |
| 5.1 引言 |
| 5.2 基于序列图像三维点重建 |
| 5.2.1 基于序列图像的相机内外参数计算 |
| 5.2.2 基本矩阵及其计算 |
| 5.2.3 三维点重建 |
| 5.2.4 结论 |
| 5.3 基于序列图像的三维直线重建 |
| 5.3.1 基于直线方程的三维直线重建 |
| 5.3.2 基于射平面方程的空间直线重建 |
| 5.3.3 结论 |
| 5.4 基于序列图像的有遮挡三维重构 |
| 5.4.1 有遮挡和异常情况的数据模型 |
| 5.4.2 角点提取的方法 |
| 5.4.3 算法思想和算法描述 |
| 5.4.4 结论 |
| 5.5 实验结果 |
| 5.5.1 基于序列图像的相机内、外参数标定实验 |
| 5.5.2 基于序列图像的点重建实验结果 |
| 5.5.3 基于序列图像的三维直线重建实验结果 |
| 5.5.4 基于序列图像的有遮挡重构实验结果 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间主持(或参加)科研项目和发表论文 |
| 一、博士期间主持或参加科研项目 |
| 二、博士期间发表相关论文 |
四、利用图象序列来重建高分辨率图象（论文参考文献）
- [1]动态序列遥感图像超分辨率重建技术研究[D]. 杨蕊. 中国科学院大学(中国科学院西安光学精密机械研究所), 2019(05)
- [2]遥感图象频域和空域超分辨重建技术研究[D]. 杨学峰. 哈尔滨工业大学, 2011(08)
- [3]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(07)
- [4]空中视频序列的分辨率增强技术的研究[D]. 郭锦杰. 南京理工大学, 2008(11)
- [5]基于图象配准的超分辨率重建[D]. 黄婧. 哈尔滨工业大学, 2006(04)
- [6]超分辨率图象重建技术发展现状[J]. 谭兵,徐青,耿则勋,邢帅. 信息工程大学学报, 2003(04)
- [7]样条曲面在超分辨率图象重建中的应用[D]. 秦磊. 大连理工大学, 2002(02)
- [8]利用图象序列来重建高分辨率图象[J]. 秦磊,钟似玢,苏志勋. 系统仿真学报, 2001(S2)
- [9]视频图像分辨率增强技术研究[D]. 袁媛. 南京理工大学, 2008(11)
- [10]从序列图象重建三维物体形状方法研究[D]. 江泽涛. 西北工业大学, 2006(04)