一、遗传算法在图像重建中的应用（论文文献综述）
闫芳[1]（2021）在《医学影像重建算法研究及应用》文中进行了进一步梳理医学成像通常是指在数字健康检查中,以诊断和治疗为目的,创建被试者体内解剖结构影像的技术和过程。常见的医学成像包括解剖成像和功能成像两种模式,其技术生成的图像可以提供被试者的组织、结构和功能信息。医学影像诊断是临床数据中较为重要的诊断依据之一,通常医生需要借助医学影像判断被试者是否存在病灶区域,并根据病灶的轻重程度对疾病状态进行评估和分级。在影像采集过程中,获取的原始医学影像由于样本自身重力、扫描成本以及操作不当等因素,出现器官或组织在成像的过程中引发物理性撕裂、分辨率降低或者拼接顺序错乱的现象,导致图像退化。医学影像重建针对不同的退化原因,借助算法思维和计算机算力的辅助,通过一系列的图像处理技术,将退化图像重建为理想情况下的完整图像。重建后的医学影像能够在分类、检测和分割等领域进行研究建模和量化分析,为临床提供数据标注和统计分析方面的参考,达到提高诊断准确率和效率的目的。因此,在医学影像处理和分析中,影像重建具有极其重要的作用。图像配准、插值和拼接是医学影像重建相关应用的重要方法,有利于多方面整合被试者的影像信息、提高图像分辨率以及复原完整图像,为疾病预测与分析、辅助诊断等提供了技术支持。在临床解决实际问题的过程中,由于医学影像在获取和应用中的特殊性,包括因操作过程、采集时长以及医生工作量等因素产生的复杂需求,通常需要联合配准、插值和拼接等多项任务交叉进行。图像插值是配准中不可或缺的关键步骤,配准有利于拼接精确度的提高,拼接结果也可以应用于插值和配准的过程中。为解决医学影像临床基础研究中的实际需求,针对图像重建任务中面临的难题,基于图像处理和分析领域的关键技术,本文主要研究内容包括以下几部分:（1）基于分段配准的有损伤性鼠脑光片荧光显微影像重建。在鼠脑光片荧光显微影像的采集过程中,因鼠脑自身重力或操作过程不慎等原因,容易引起器官或组织产生物理性撕裂。针对以上问题,本文借助核磁共振成像可用于颅腔内或活体扫描的优势,提出了基于核磁共振与光片荧光显微影像分段配准的影像重建方法。考虑两种模态影像在鼠脑解剖结构上的一致性,利用Waxholm空间图谱及其对应的标注图像,使用随机游走和形态学方法分别对鼠脑核磁共振和光片荧光显微影像进行无监督分割。将配准应用于分割后的光片荧光显微影像和核磁共振影像,获取全局范围内的形变场。结合基于核磁共振影像的模板和拉普拉斯方程对各部分的形变场进行图像融合,通过图像扭曲和重采样获取到修复后的光片荧光显微影像。该方法解决了分段配准过程中多模态影像无监督分割以及图像融合的问题,被初步应用在鼠脑同体配准和异体配准中,为鼠脑光片荧光显微影像的后续处理和分析提供了思路。（2）基于空间信息和插值的多模态人脑核磁共振影像重建。在人脑核磁共振T2-Flair加权影像的采集过程中,由于存在成像条件的限制,包括扫描时长、成像序列差异或采集成本等,通常仅能在某一轴向平面获取高分辨率的三维核磁共振影像数据。针对以上问题,本文利用T1加权影像扫描时间短的优势,提出了基于空间信息和插值的多模态图像重建方法。该方法结合高层厚值的T2-Flair加权影像和低层厚值的T1加权影像间的多模态信息,引入空间约束关系,结合条件生成对抗网络构造出图像高分辨率重建模型。在可视化和量化评估方面,该模型均被证实能够有效提高某一轴向平面的分辨率,为后续图像病灶区域分割或疾病分析等工作提供了高分辨率的数据。（3）基于图像拼接的组织病理影像重建。在与人体组织病理影像相关的多模态影像研究中,由于组织病理影像仅对局部组织制作切片,无法满足联合其它模态高分辨率影像在全局范围内分析影像间相关性的需求。针对以上问题,本文融合无重叠图像拼图的思路,提出了基于图像拼接的组织病理影像重建方法。该方法建立在病理切片为矩形的前提假设下,构造出一个未知方向和排列的碎片重建问题。结合马氏梯度度量和投影的幂方法的优势,基于二次规划模型,该方法将碎片间的组合优化难题转化为有约束的非凸优化问题,建立一种图像拼接模型。利用马氏梯度度量计算碎片相邻的关系,既考虑了边缘像素的灰度信息,又引入了边缘像素的梯度信息,提高了度量的准确性。基于投影的幂方法能够将碎片间的相邻关系在高维空间中表示,并结合随机的初始排序状态,利用迭代的幂方法和空间投影,进一步保证优化算法在高维空间中收敛到最优解的准确性,减少图像重建和复原的时间。在可视化和量化评估方面,该方法验证了无重叠未知方向和排序的图像拼接重建算法的有效性,为后续不规则碎片图像重建以及基于病理影像的多模态影像分析提供了潜在思路。综上所述,本文从医学影像诊断和基础研究面临的实际需求出发,根据数据集的特点和待解决的问题设计模型与算法,达到完成医学影像重建任务的目的。实际需求方面包括鼠脑光片荧光显微影像物理性损伤修复重建、人脑核磁共振T2-Flair加权影像高分辨率重建、人体组织病理影像拼接重建;数据集特点方面包括医学影像维度问题、不同模态信息互补与融合、不同模态影像采集误差、不同个体影像生理结构上的差异、三维影像空间信息问题、影像灰度值或颜色信息分布和范围、不同生物体因结构差异显着对算法造成的影响、深度学习数据扩增、数据标注、评价标准和金标准问题等;模型与算法方面包括随机游走、形态学变换、图谱引入、仿射和弹性配准、最近邻搜索、拉普拉斯方程、生成对抗网络结构等。在视觉和量化评估方面的实验结果表明,本文所提出的模型和算法能够有效完成医学影像重建任务,为解决医学影像在临床基础研究和分析中所面临的实际问题贡献微薄力量。
陈峰[2]（2021）在《电容层析成像系统传感器设计与图像重建》文中研究表明电容层析成像（Electrical Capacitance Tomography,简记ECT）技术是一种计算机断层扫描技术。该技术对封闭空间施加交变激励电压,被测物场中的导电介质产生感应电荷,均匀分布在封闭空间外部的电极从多个角度采集电容数据,再利用电容数据和灵敏度矩阵来重建封闭空间内导电介质的物质分布。ECT技术以非辐射、非侵入、耐高温、成本低、易获取过程参数等优点,被广泛应用于多相流检测和燃烧可视化检测等领域,是一种理想的无损检测技术。ECT系统的性能取决于传感器采集精度和图像重建的求解精度和速度,本文基于12电极ECT系统,对传感器设计与图像重建等关键问题展开研究,主要内容如下:详细论述了ECT系统工作原理和系统组成,对ECT的数学模型进行推导,对传感器结构进行分析,采用有限元分析法建立了测量电容值与灵敏度矩阵的关系,推导出图像重建的求解模型,为ECT系统的传感器设计和图像重建建立理论基础。针对传感器结构参数对数据采集精度的影响,首先建立了传感器敏感场的数学模型,在改变传感器激励模式、极板宽度、极板张角、径向屏蔽电极和绝缘填充材料等参数后,从静电场分布、“软场”效应等方面分析了传感器性能的变化,根据各物理参数的最优解设计了传感器。通过图像重建结果验证,优化后的传感器具有更高的性能。针对ECT系统中传感器装置对系统精度的影响,设计了一种基于光敏触发的传感器,同时采用了传输光信号和屏蔽电磁波的光窗结构,提供了电磁屏蔽和光敏元器件的保护功能。对ECT系统的数据采集模块进行分析,针对杂散电容对传感器性能的干扰,引入了内部等电驱动电缆屏蔽技术,并采用双T型开关矩阵与数字解调技术。实验结果表明,基于光敏传感器的ECT系统提高了图像的信噪比,增强了电容的输出灵敏度。为提高图像重建精度,提出了一种基于超分辨率图像特征提取的ECT快速图像重建算法。采用超分辨率图像重建模型获得超分辨率图像,基于倒角距离函数提取超分辨率的图像特征。计算图像边缘特征,以重心为极点进行极化,获得振幅直径曲线上边缘的局部极限点,确定超分辨率图像的特征点,实现了图像重建。实验结果表明,该算法可快速提取超分辨率图像特征,并有效控制了图像重建过程中边缘化效应问题。针对流型辨识总体准确率不高的问题,采用偏最小二乘方法,以12电极ECT系统正问题仿真得到的多组电容值为原始数据,基于层流、单滴流、核心流、环流4种典型流型训练了分类模型,并利用该模型实现了流型辨识。与二次判别分析和线性判别分析等分类算法相比,采用偏最小二乘方法融合线性判别分析方法具有较高的总体分类准确率。
王亚东[3]（2021）在《电磁层析成像图像重建中的智能成像研究》文中指出电磁层析成像主要以电磁感应原理为基础,能够对物场中电导率或者磁导率的介质敏感,且具有非接触、非侵入、成本低以及安全性好等各方面的优点,因此广泛应用于医学成像、缺陷检测、钢轨探伤以及异物检测等领域。同时,为应对各个领域对图像重建质量提出的更高的要求,亟需更多算法对传统图像重建算法进行提升或者引入全新的成像方式以提高图像重建精度。电磁层析成像逆问题求解的过程具有严重的不适定性,这是影响图像重建质量的重要因素。近些年来,随着深度学习技术以及智能优化算法的迅速发展,已经在最优化问题求解、非线性问题的映射求解等各方面得到了广泛的应用。本文在电磁层析成像领域提出智能成像的概念,将智能优化算法以及深度学习技术应用到电磁层析成像的图像重建中,以提升图像重建质量。本文的主要工作如下:（1）将人群搜索算法引入到电磁层析成像领域,通过降低灵敏度矩阵的条件数来改善灵敏度矩阵的病态程度,将优化后的灵敏度矩阵用于成像,进一步提升图像重建效果。为了验证算法效果,本文通过无噪声样本仿真实验、噪声样本仿真实验以及构建实验平台进行实验三种方式,验证了本文所提出的算法的有效性、抗干扰能力以及实际应用价值,并且相对于传统的图像重建算法图像成像质量更高,伪影更少。（2）基于有限元仿真软件及MATLAB采用自动化的方法设计并仿真出了25337个样本构成数据集,用于对所设计的两种深度学习网络中的参数进行学习。本文设计出的数据集具有一定的代表性,不仅对物场中的物体数量及半径加以区分,而且还对物场中不同物体的不同半径进行组合,形成多物体的相对位置以及相对半径大小的差异,从而大幅提升数据集的丰富程度,提升所训练网络的泛化性能。（3）结合电磁层析成像样本数据集的数据特征,基于传统的深度神经网络以及Le Net-5网络构建出O＿DNN以及O＿CNN两种网络结构进行训练。通过在训练集中出现的样本类型以及未在训练集中出现的样本类型进行成像实验,表明了本文所设计的两种网络的有效性以及具有一定的泛化性能;通过向样本数据中添加一定的噪声进行成像实验,表明了本文所设计的两种网络具有一定的抗干扰能力;通过与传统算法以及本文提出的基于人群搜索算法优化的图像重建算法进行对比成像实验,表明了本文所设计的两种网络相对传统算法及基于人群搜索算法优化的图像重建算法成像效果提升明显。图29幅,表18个,参考文献62篇。
黄滨阳[4]（2020）在《基于量子优化和深度学习的图像重建算法研究》文中认为各类图像的采集和传输过程中常出现分辨率低、高频细节信息缺失、纹理模糊等现象,影响交通监控、医学诊断、目标跟踪等相关视频、图像处理任务的检测性能和效率。目前的图像重建算法在面对采样数据和先验知识不足的情况时,重建结果抗噪性能差,图像细节复原程度低。针对上述问题,本文结合量子优化和深度学习理论,面向极度不完备投影数据和超低分辨率人脸图像的高质量复原,研究和改进重建算法。（1）对图像重建的研究现状进行了深入调研,详细阐述了图像重建算法和量子优化算法基础理论知识。（2）面向极度不完备投影数据,将量子优化与迭代求解相结合,提出了基于量子优化的CT图像重建算法。首先,根据CT重建问题的实际情况,在伪逆的基础上初始化量子比特。其次,为了增强算法跳出局部最优的能力,设置微小的限制量并进一步设计了新的量子门。最后为了克服传统迭代求解方法的解更新方向固定这一缺陷,交替使用迭代求解过程和量子演化过程,并对不同的结合方式进行了对比和试验。对比其他主流的CT重建算法,本文算法在图像细节复原和人工伪影的去除上都有优异的表现。（3）面向超低分辨率的人脸图像,设计了基于深度学习的人脸超分辨重建深度网络。整个网络结构分成高分辨率人脸图像生成网络和先验信息估计网络两部分:高分辨率人脸图像生成网络的主体部分为改进的生成式对抗网络,适用于人脸超分辨重建;人脸先验信息估计网络用于计算生成人脸的几何结构先验信息,为高分辨人脸图像的生成提供结构信息。其中,采用了协同循环机制来逐步加强图像的先验;并模拟人的视觉注意机制,提出了基于视觉显着机制的PSNR,SSIM改进评价方法。实验表明,本文提出的算法与其他深度学习算法相比,能够更好地重建出完整的人脸信息。
杜宇宁[5]（2020）在《基于智能算法的电容层析成像系统图像重建技术》文中指出电容层析成像技术（Electrical Capacitance Tomography,简称ECT）是一种工业过程层析成像技术,主要用于对两相流和多相流进行测量和成像。该技术根据被测物质各相之间具有不同的介电常数的性质,通过测量排列在管道周围电极对之间的电容值,采用合适的图像重建算法,来获取管道内的介质分布情况。与其它过程层析成像检测技术相比,ECT具有非侵入、无辐射、成本低、安全性能好和成像速度快的特点。电容层析成像技术在两相流或多相流检测上有广泛的应用,例如石油的开采与运输、流化床气固两相浓度分布可视化和气力运输等。本文主要针对电容层析成像系统图像的重建过程,提出了一种基于智能算法的图像重建算法,并通过自主搭建的电容层析成像系统实验环境,对该算法的实际成像效果与传统成像算法进行对比分析,完成理论中算法改良效果的验证。首先对电容传感器中敏感场的物理意义以及灵敏度矩阵求解过程进行了阐述,利用COMSOL Multiphysics多物理场耦合软件将8电极电容传感器进行建模,根据有限元分析的方法对传感器内部场域进行网络分割,对三种流型进行仿真,为后面的实验环境的搭建提供理论基础;然后对经典的Landweber成像算法的原理进行了详细论述,说明了该算法在收敛性上的不稳定的问题,利用遗传算法和蚁群算法在全局搜索和寻找最优解的优点,设计了基于这两种智能算法的图像重建算法;最后,介绍了微小电容检测的原理和两种基本测量电路,针对本文所用电容传感器,设计了电容测量和电极转换电路,搭建了最终的电容层析成像系统实验环境。利用搭建的电容层析成像系统实验环境,进行了气液两相流成像实验,对被测实物分别用传统Landweber算法和本文提出的成像算法,利用获取的电容数据进行图像重建,并将得到的图像进行对比分析,结果表明本文提出的成像算法在流型的辨识准确性和成像的精度上都有所提高,对改进算法的实用性进行的验证。
孙先亮[6]（2020）在《基于数据驱动的卷积神经网络电容层析图像重建方法研究》文中研究指明气固流化床广泛应用于化工、电气、冶金等行业,其流动参数及流型测量对流化床的机理研究及系统控制优化具有重要意义。电容层析成像（ECT）技术可通过测量管道外电极阵列间的电容向量来重建管道截面介质分布,具有实时、非接触、经济、可靠、安全等优点,逐步用于气固流化床的流动可视化测量。本文主要针对ECT重建存在的“软场”和病态问题,研究了基于数据驱动的卷积神经网络电容层析图像重建方法,开发了相应的ECT测量系统,并将其用于循环湍动流化床内的颗粒流动特性研究。首先,针对ECT重建存在的“软场”和病态问题,建立了基于数据驱动的卷积神经网络（CNN）的颗粒浓度分布重建模型。采用数值模拟的方法构建了具有典型流型和随机流型的数据集,对卷积神经网络模型进行学习和训练,进而获得颗粒浓度分布预测模型。进一步分析了不同模型参数对图像重建精度的影响,以实现模型的优化,并对其重建效果与传统算法进行了比较。结果表明CNN算法在随机流型和典型流型重建时的相关系数均在0.97以上,在信噪比为20d B时图像重建相对图像误差仅3.99%,且进行逐帧成像时耗时仅10ms。开发了一套基于卷积神经网络算法的ECT测量系统,主要包括硬件与软件两部分。硬件部分由电容传感器阵列、电极选择开关、电容检测电路、数据采集与控制系统四部分组成,主要进行电容信号转换、数据采集与传输;软件部分包括通讯控制模块、重建计算及图像显示模块,可实现电容测量信号的接收、浓度分布图像计算以及结果的显示和存储等功能。最后,对开发的ECT系统进行了性能测试评价,并对循环湍动流化床中的颗粒浓度分布特性进行了实验研究。静态实验结果表明:基于卷积神经网络算法的ECT系统对分层流、环状流、单核流、双核流四种典型流型进行成像时的相关系数均大于0.85,成像效果优于传统算法。循环湍动流化床颗粒浓度分布测量实验结果表明:流化段内颗粒分布均呈中心稀边缘浓的趋势,降低初始加料高度、增加测量高度或增加气流流量,均会使得管内颗粒平均浓度降低。这与典型流化床内颗粒分布具有良好的一致性,进一步证明了所开发的ECT系统的有效性。
冯丹青[7]（2020）在《基于多帧图像重建的数字全息超分辨技术研究》文中研究表明工业领域逐步向微型化发展的趋势,使得微光学元件得到了广泛应用。数字全息作为一种重要的光学检测手段,具有无损、快速、非侵入等特点,但对微光学元件进行参数检测时,仍存在成像分辨率低、像质不理想等问题。因此,如何有效提高数字全息成像系统的分辨率,实现对微光学元件的精确测量成为了当前研究的热点。本文针对数字全息的超分辨成像问题,开展基于多帧图像重建的数字全息超分辨技术研究。其主要内容包括以下几点:首先,对数字全息超分辨的理论基础进行研究,基本原理包括数字全息的记录和再现,全息图的相位重建以及多帧图像超分辨重建算法。并介绍了三种图像质量评价指标,为之后的仿真分析和实验研究提供了理论基础。其次,对数字全息显微超分辨实验系统进行设计和搭建,实验系统设计包括数字全息干涉光路以及图像超分辨重建系统。根据系统要求选择合适的实验器件,完成系统的搭建,并采集得到具有亚像素位移的全息图序列。最后,对全息图的重建展开研究。在再现算法的实验研究中,将实验得到的结果与白光干涉仪测量的数据进行残差估计,实验结果显示角谱法具有更好的灵活性和更高的重建精度,直径残差和高度残差分别为0.65μm和0.08μm。在多帧图像超分辨重建算法在数字全息中的适用性研究中,利用cameraman图像和USAF1951分辨率板图像进行仿真,仿真结果显示,分辨率从6.20μm提升至4.92μm。并通过USAF1951分辨率板和微透镜阵列的全息图分别从二维和三维重建的角度,验证了非均匀插值法、凸集投影法、最大后验概率法三种超分辨重建算法在全息图重建中的有效性。实验结果显示,将参考全息图的三维重建结果,分别与实验采集全息图和超分辨重建全息图的三维重建结果进行残差估计,得到其各自的残差值。经计算,后者残差的PV和RMS值与前者相比在不同程度上都有所减小,其中基于凸集投影法得到的全息图,其三维再现精度最高,PV和RMS值分别降低了60.74%和43.03%。说明重建得到的超分辨率全息图的三维再现结果更接近于参考值,证明该方法能够提高全息图的图像分辨率,并且有效提升数字全息的测量精度。
王静文[8]（2018）在《磁感应断层成像技术图像重建方法研究》文中认为磁感应断层成像（Magnetic Induction Tomography,缩写为MIT）是一种新兴的电磁特性成像技术,该技术是在外加交流激励磁场的作用下,目标导体会因电磁感应作用而产生涡流,当目标导体发生变化时,涡流的强度和分布也会随之发生相应的变化,通过测量检测线圈的信号,再利用合适的图像重构算法重建出目标导体内部结构的分布图。MIT技术具有无辐射、非侵入、非接触以及能实现实时图像监护等优点,因此它在生物医学研究、工业过程控制、异物监测及地质勘探等领域有着广泛的应用前景。目前MIT技术尚未发展成熟,仍处实验室研究阶段,如何尽快地将MIT技术应用到实际生产生活中去是科研人员共同的努力目标。本文在查阅国内外大量文献的基础上,从MIT技术的基本原理出发,分析和总结了 MIT正问题和图像重建的基础理论与数学模型,提出了一些适用于MIT图像重建的方法及测量手段,主要内容如下:1、从MIT的基本原理出发,结合Maxwell方程组分析并推导了 MIT正问题与图像重建的数学模型;通过有限元软件Comsol建立了 MIT的测量模型,对MIT正问题进行了计算,并分析了目标体对敏感场的影响以及目标体对测量电压的影响,为后期的图像重建提供指导和数据来源。2、针对传统的Landweber算法成像精度低、速度较慢的问题,提出了阈值Landweber算法在MIT图像重建中的应用。该算法在Landweber算法的基础上设置门限阈值,并在每次迭代中都自适应的调节阈值参数,从而提高了重建图像质量并加快了收敛速度。最后仿真实验结果表明该阈值Landweber算法获得的图像质量优于传统的重建算法,且收敛速度有所提高。3、由于MIT技术测量数据的有限从而导致重建图像的分辨率很低,针对这一问题提出基于压缩感知原理的MIT图像重建算法。结合MIT技术的背景知识,应用压缩感知原理对测量数据进行补偿,推导了基于压缩感知原理的MIT图像重建算法数学模型。通过仿真实验证实了这种算法的可行性,并从图像误差和相关系数这两项指标定性的分析了该算法的有效性。4、为改善MIT图像重建的非线性病态性问题,基于粒子滤波算法处理非线性问题的独特优势,提出了一种基于粒子滤波的MIT图像重建算法。首先分析了粒子滤波算法的基本思想;然后将MIT图像重建过程描述为动态时变系统的状态估计过程,从而提出一种基于粒子滤波的MIT图像重建算法;最后仿真结果证实了粒子滤波算法求解非线性的MIT重建图像问题的优势,并通过多种复杂的仿真模型进行实验,都能有效的克服MIT重建问题解的不稳定性且得到了精度较高的图像。5、在MIT仿真实验的基础上,通过对MIT技术的理论分析以及敏感性研究,设计并实现了一个MIT硬件测试系统。首先明确了系统的总体结构,以及各部分电路需要满足的电特性参数和精确度,完成了激励源电路、传感器线圈、检测电路的设计。然后,经测试实验测得了检测电压的变化规律与文献所述规律符合,这也验证了本实验系统的可靠性。最后,对带有铝棒的目标体进行了初步成像,实验结果表明阈值Landweber、压缩感知和粒子滤波算法均有效,此研究为后续MIT系统的改进奠定基础。
鹿璇[9]（2017）在《接触式图像传感器彩色图像重建方法研究》文中研究表明接触式图像传感器于20世纪80年代末面世,1998年首次应用于扫描仪,21世纪初开始广泛应用于金融机具中,例如点钞机、清分机、ATM机等,目前仍处于发展阶段。在金融机具应用背景下,接触式图像传感器的图像存在分辨率丢失、三色分离及噪声问题,对于这些问题的研究,目前仍处于起步阶段。本文将金融机具应用背景下的接触式图像传感器的彩色图像作为主要研究对象,旨在采用软件算法的方式解决其分辨率丢失问题、三色分离问题和噪声问题,从而在不增加硬件成本的前提下提高接触式图像传感器的图像质量,最终提高金融机具的识别与鉴伪能力。本文结合图像处理领域中的相关研究,完成了以下几项工作:分析了接触式图像传感器的器件结构及成像原理,并对接触式图像传感器拍摄的彩色图像进行了建模,分析其图像的颜色模式及退化过程。提出针对接触式图像传感器彩色图像的重建算法需要解决的问题包括:分辨率丢失问题、三色分离问题和噪声问题。针对接触式图像传感器图像的分辨率丢失问题,提出了基于群组和在线字典学习的超分辨率重建算法。利用图像非局部自相似性对图像块划分群组;再利用在线字典学习算法,结合外部图像数据和输入图像自身数据,为每个群组训练更为合适的字典;最后采用基于同步稀疏表示的重建算法,使单个颜色通道的图像分辨率得到提升。实验结果表明本算法结果优于其它经典算法,能够获得更加锐利的边缘和更加丰富的细节,很好的补充了丢失的信息,提高了图像的分辨率。针对将单色通道超分辨率重建算法应用于彩色图像的问题,结合引导滤波器实现了彩色图像重建算法。通过将超分辨率重建获得的亮度通道图像作为引导图像对色度通道的插值放大图像进行引导滤波,使得色度通道获得亮度通道的锐利边缘和丰富细节。实验结果表明本算法能进一步补充信息,提高图像的分辨率。针对接触式图像传感器图像的三色分离问题,提出了结合超分辨率重建和图像去马赛克算法的接触式图像传感器彩色图像的重建算法。通过结合图像去马赛克算法中常用到的通道间相关假设作为正则项参与图像的重建,充分利用了不同颜色通道之间的相关性,为接触式图像传感器彩色图像的重建提供信息。实验结果表明本算法能在一定程度上减轻图像中的混叠效应,抑制三色分离现象。针对金融机具应用背景下运算资源及运算时间有限的问题,提出了基于灰度变换的接触式图像传感器彩色图像的快速重建算法,并结合归一化互信息对其进行了改进。此算法针对图像的特点而设计,主要采用线性运算,从而使得资源占用及运算时间都大大降低,使得接触式图像传感器彩色图像重建在金融机具上的实现成为可能。实验结果表明,本算法能在较短的运算时间内消除三色分离现象、提升图像分辨率,获得较好的重建结果。本文采用主观评价和客观评价结合的方式来评价算法的重建结果图像。通过接触式图像传感器模拟图像和真实图像的实验结果表明,本算法能很好的解决图像的分辨率丢失问题、三色分离问题和噪声问题。在实际工程应用中,对于难以识别的字符,使用本算法重建的图像能使识别率由91%提升至97%。目前,本算法已申请专利,并处于公示状态。
吴伟巍[10]（2009）在《基于GA正则化盲超分辨率图像重建的研究》文中研究指明在图像获取的过程中,由于场景的运动或相机的抖动都会使原始图像发生扭曲变形。另外,大气的扰动、光学镜头以及数字图像传感器的固有限制都使得很难得到理想的高分辨率清晰图像。如何在不改变现有硬件的基础上,通过低分辨率图像重新获得高分辨率图像的成为超分辨率技术研究的核心内容。超分辨率技术已经发展近半个世纪,早期的研究主要是基于单帧的超分辨率技术,由于可以借鉴的有用信息太少而受到限制。到了上世纪八十年代基于多帧超分辨率技术迅速发展起来,其主要包括两种方法:频域法和空域法。随着超分辨率经典模型的建立,空域法越来越受到人们的关注。一般讲来空域法中超分辨率图像重建技术包含了三个要素:图像配准、插值和去模糊（图像复原）。图像的配准是进行超分辨率图像重建的前提,其配准的精确性直接关系到重建图像的质量;图像的插值与复原一般看成一个部分,指的是在更高的分辨率栅格上复原图像。这样问题解的病态性和不定性增加。针对这一问题,本文引入正则化方法来约束解的不适定问题,同时引入对全局最优解有着很好搜寻能力的遗传算法实现正则化框架。然而在超分辨率重建算法中往往把成像系统中的点扩展函数PSF（产生模糊的原因）看作已知量来对低分辨率图像进行重建的,那么如何在没有任何先验信息,模糊未知的情况下完成盲超分辨率的重建,就是困扰我们新的难题。针对这一问题本文提出了一种基于遗传算法正则化盲超分辨率重建方法。本方法把模糊评估项引入正则化能量函数,由此所形成的函数就是涉及到高分辨率图像和未知模糊。为了提高图像超分辨率重建的效率和复原图像的质量,通过引入遗传算法对高分辨率图像和未知模糊同时评估。这样就完成了在没有任何先验信息时盲超分辨率的重建。此外,把有理数采样因子引入到传统的整数采样因子范围中,详细介绍了更符合实际的有理数采样因子重建图像的过程,同时指出在超分辨率图像重建过程中,SR因子、低分辨率图像之间存在的关系。最后给出了仿真结果以及详细的仿真分析。与其它超分辨率重建技术进行了比较表明,此方法是一种新颖实用的方法。
二、遗传算法在图像重建中的应用（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、遗传算法在图像重建中的应用（论文提纲范文）
（1）医学影像重建算法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像配准 |
| 1.2.2 图像插值 |
| 1.2.3 图像拼接 |
| 1.3 研究目标与研究内容 |
| 1.4 研究难点与创新点 |
| 1.5 论文组织结构 |
| 第2章 医学影像背景知识 |
| 2.1 光片荧光显微影像 |
| 2.2 核磁共振影像 |
| 2.3 组织病理影像 |
| 2.4 医学影像空间特性 |
| 2.5 医学影像处理难点 |
| 第3章 基于分段配准的有损伤性鼠脑光片荧光显微影像重建 |
| 3.1 引言 |
| 3.2 相关知识 |
| 3.2.1 图像无监督分割 |
| 3.2.2 分段配准 |
| 3.2.3 仿射配准 |
| 3.2.4 对称微分同胚配准 |
| 3.2.5 图像融合 |
| 3.3 具体方法 |
| 3.3.1 基于Waxholm空间图谱的无监督分割 |
| 3.3.2 基于仿射和微分同胚算法的多模态影像配准 |
| 3.3.3 基于拉普拉斯方程的形变场融合 |
| 3.4 实验 |
| 3.4.1 数据集和参数设置 |
| 3.4.2 实验和结果分析 |
| 3.5 本章小结 |
| 第4章 基于空间信息和插值的多模态人脑核磁共振影像重建 |
| 4.1 引言 |
| 4.2 相关知识 |
| 4.2.1 经典插值算法 |
| 4.2.2 多模态转换 |
| 4.2.3 生成对抗网络 |
| 4.3 具体方法 |
| 4.3.1 多模态融合模型 |
| 4.3.2 空间信息约束的融合模型 |
| 4.3.3 网络结构 |
| 4.4 实验 |
| 4.4.1 数据集和参数设置 |
| 4.4.2 实验和结果分析 |
| 4.5 本章小结 |
| 第5章 基于图像拼接的组织病理影像重建 |
| 5.1 引言 |
| 5.2 相关知识 |
| 5.2.1 拼图问题 |
| 5.2.2 非凸优化问题 |
| 5.3 具体方法 |
| 5.3.1 基于马氏梯度度量的相关关系计算 |
| 5.3.2 基于高维空间的排列矩阵表示 |
| 5.3.3 基于投影的幂方法的全局优化 |
| 5.4 实验 |
| 5.4.1 数据集和参数设置 |
| 5.4.2 实验和结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的主要成果 |
| 致谢 |
（2）电容层析成像系统传感器设计与图像重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 两相流的概念 |
| 1.3 国内外研究现状 |
| 1.3.1 ECT系统的现状 |
| 1.3.2 传感器研究现状 |
| 1.3.3 数据采集系统研究现状 |
| 1.3.4 图像重建研究现状 |
| 1.4 课题来源及研究内容 |
| 1.5 论文组织结构 |
| 第2章 ECT系统的结构与理论基础 |
| 2.1 引言 |
| 2.2 ECT系统的组成 |
| 2.3 ECT系统理论基础 |
| 2.4 ECT系统的数学模型 |
| 2.4.1 ECT系统正问题模型 |
| 2.4.2 有限单元法模型 |
| 2.4.3 ECT反问题数学模型 |
| 2.5 电容传感器结构 |
| 2.6 ECT图像重建 |
| 2.6.1 ECT图像重建标准 |
| 2.6.2 ECT图像重建算法 |
| 2.7 本章小结 |
| 第3章 ECT系统敏感场数值计算与传感器结构优化 |
| 3.1 引言 |
| 3.2 传感器结构 |
| 3.3 传感器敏感场剖分 |
| 3.4 影响传感器性能的物理参数分析 |
| 3.5 传感器激励模式的分析 |
| 3.6 模拟条件设置 |
| 3.7 仿真实验 |
| 3.8 本章小结 |
| 第4章 ECT系统光敏传感器设计 |
| 4.1 引言 |
| 4.2 基于光敏技术的电容式传感器的设计 |
| 4.2.1 基于弱光信号的电容测量电路 |
| 4.2.2 等电位键合电缆驱动电路的设计 |
| 4.2.3 仿真/数字调节电路 |
| 4.3 传感器性能检测和系统分析 |
| 4.3.1 基于传感器的性能检测 |
| 4.3.2 基于光敏技术的传感器ECT抗噪测试 |
| 4.3.3 基于不同激励模式的ECT敏感性测试 |
| 4.4 本章小结 |
| 第5章 基于超分辨率图像特征的ECT系统快速重建算法 |
| 5.1 引言 |
| 5.2 超分辨率图像重建模型 |
| 5.3 超分辨率图像的局部边缘特征提取 |
| 5.3.1 倒角匹配指标 |
| 5.3.2 基于类倒角距离的局部边缘轮廓特征函数 |
| 5.4 几何重心的计算 |
| 5.5 边缘点的极化 |
| 5.6 确定图像边缘的局部特征点 |
| 5.7 实验分析 |
| 5.7.1 算法验证 |
| 5.7.2 实验结果分析 |
| 5.8 本章小结 |
| 第6章 基于偏最小二乘法的ECT系统流型辨识 |
| 6.1 引言 |
| 6.2 偏最小二乘法流型分类与电容向量降维 |
| 6.2.1 偏最小二乘法原理 |
| 6.2.2 基于偏最小二乘的流型分类方法 |
| 6.2.3 基于偏最小二乘的特征降维 |
| 6.3 实验分析 |
| 6.3.1 流型辨识 |
| 6.3.2 特征可视化对比 |
| 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 |
（3）电磁层析成像图像重建中的智能成像研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 论文研究背景及意义 |
| 1.1.1 过程层析成像的研究背景及意义 |
| 1.1.2 电磁层析成像的研究背景及意义 |
| 1.1.3 电磁层析成像与智能算法相结合的研究背景及意义 |
| 1.2 电磁层析成像中智能成像的研究现状 |
| 1.2.1 电磁层析成像的研究现状 |
| 1.2.2 电磁层析成像与智能优化算法相结合的研究现状 |
| 1.2.3 电磁层析成像与深度学习结合的研究现状 |
| 1.3 电磁层析成像中的智能成像的应用前景 |
| 1.4 论文内容结构及工作安排 |
| 1.5 本章小结 |
| 2 电磁层析成像理论基础和传统算法简介 |
| 2.1 电磁层析成像理论基础 |
| 2.1.1 电磁层析成像基本内容 |
| 2.1.2 电磁层析成像数学基础 |
| 2.1.3 电磁层析成像的正问题与逆问题 |
| 2.2 传统图像重建算法原理 |
| 2.2.1 线性反投影算法 |
| 2.2.2 Tikhonov正则化算法 |
| 2.2.3 Landweber迭代算法 |
| 2.3 图像重建算法评价指标 |
| 2.4 本章小结 |
| 3 基于SOA优化的电磁层析成像图像重建 |
| 3.1 EMT灵敏度矩阵分析 |
| 3.2 人群搜索算法基本原理 |
| 3.2.1 搜索步长的更新 |
| 3.2.2 搜索方向的更新 |
| 3.2.3 个体位置的更新 |
| 3.3 人群搜索算法应用于电磁层析成像图像重建 |
| 3.4 仿真实验环境设定 |
| 3.5 仿真结果分析 |
| 3.5.1 无噪声情况下仿真实验 |
| 3.5.2 含噪声情况下仿真实验 |
| 3.6 实验验证与分析 |
| 3.6.1 实验系统的构建 |
| 3.6.2 实验结果分析 |
| 3.7 本章小结 |
| 4 基于深度学习的电磁层析成像网络设计 |
| 4.1 深度学习网络简介 |
| 4.2 数据集的设计与仿真 |
| 4.2.1 样本数据集的设计 |
| 4.2.2 样本数据的仿真 |
| 4.3 损失函数的设计 |
| 4.3.1 损失函数 |
| 4.3.2 正则化惩罚项 |
| 4.4 优化算法的选取 |
| 4.4.1 梯度下降算法 |
| 4.4.2 Momentum下降算法 |
| 4.4.3 Adagrad算法 |
| 4.5 激活函数的选取 |
| 4.5.1 Sigmoid激活函数 |
| 4.5.2 双曲正切函数 |
| 4.5.3 ReLU激活函数 |
| 4.5.4 Leaky ReLU激活函数 |
| 4.6 基于深度学习的网络结构设计 |
| 4.6.1 基于DNN的网络结构设计 |
| 4.6.2 基于CNN的网络结构设计 |
| 4.7 成像仿真实验 |
| 4.7.1 无噪声情况下仿真实验 |
| 4.7.2 含噪声情况下仿真实验 |
| 4.7.3 与传统算法对比仿真实验 |
| 4.8 本章小结 |
| 5 结论 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于量子优化和深度学习的图像重建算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 图像重建算法研究现状 |
| 1.2.1 CT重建算法研究现状 |
| 1.2.2 超分辨重建算法研究现状 |
| 1.3 本文的研究内容及章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文的章节安排 |
| 第二章 图像重建基础理论 |
| 2.1 图像重建数学模型 |
| 2.1.1 CT重建数学模型 |
| 2.1.2 超分辨率重建数学模型 |
| 2.2 CT图像重建算法 |
| 2.2.1 传统迭代求解方法 |
| 2.2.2 基于凸优化的迭代求解算法 |
| 2.3 图像超分辨率重建算法 |
| 2.3.1 基于插值的超分辨率重建算法 |
| 2.3.2 基于重构的超分辨率重建算法 |
| 2.3.3 基于深度学习的超分辨率重建算法 |
| 2.4 图像重建的优化求解方法 |
| 2.4.1 梯度下降 |
| 2.4.2 二阶近似算法 |
| 2.4.3 随机优化方法 |
| 2.5 本文小结 |
| 第三章 基于量子优化的极度不完备投影数据CT重建算法 |
| 3.1 极度不完备投影数据下的CT重建算法 |
| 3.2 量子计算与量子优化 |
| 3.2.1 量子优化算法 |
| 3.2.2 量子优化算法中基本单元的设置 |
| 3.3 极度不完备投影数据下基于量子优化的CT重建算法 |
| 3.3.1 极度不完备投影数据下目标函数的设计 |
| 3.3.2 CT重建中的量子初始化 |
| 3.3.3 CT重建中的量子更新方式设计 |
| 3.3.4 量子优化方法与传统迭代求解方法的结合 |
| 3.3.5 基于量子优化的CT重建算法流程 |
| 3.4 实验结果与分析 |
| 3.4.1 30个采样点下的重建结果 |
| 3.4.2 15个采样点下的重建结果 |
| 3.4.3 重建结果分析与比较 |
| 3.4.4 算法的稳定性分析 |
| 3.5 本章小结 |
| 第四章 基于深度学习的超低分辨率人脸图像重建算法 |
| 4.1 引言 |
| 4.2 深度学习中的网络结构基础 |
| 4.2.1 卷积神经网络 |
| 4.2.2 残差网络 |
| 4.2.3 生成式对抗网络 |
| 4.2.4 映射层激活函数设计 |
| 4.3 人脸超分辨重建的网络设计 |
| 4.3.1 高分辨人脸图像生成网络?_2-GAN |
| 4.3.2 人脸先验信息估计网络 |
| 4.3.3 协同循环机制 |
| 4.3.4 人脸超分辨率重建算法的损失函数设计 |
| 4.3.5 高分辨率人脸图像的生成 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果的主观评价 |
| 4.4.3 消融实验 |
| 4.4.4 结合主观视觉显着机制的客观评价指标设计 |
| 4.5 本章小结 |
| 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）基于智能算法的电容层析成像系统图像重建技术（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 过程层析成像技术 |
| 1.2.2 图像重建算法研究现状 |
| 1.3 本文研究内容及章节安排 |
| 2 电容层析成像技术原理 |
| 2.1 电容层析成像系统组成 |
| 2.2 电容层析成像技术的基本原理 |
| 2.2.1 电容层析成像技术的理论基础 |
| 2.2.2 电容层析成像技术的工作原理 |
| 2.3 图像重建算法 |
| 2.3.1 LBP算法 |
| 2.3.2 Landweber算法 |
| 2.4 本章小结 |
| 3 电容层析成像系统的敏感场分析 |
| 3.1 电容层析成像技术的正问题与反问题 |
| 3.1.1 正问题 |
| 3.1.2 反问题 |
| 3.2 敏感场的定义与求解方法 |
| 3.3 电容传感器模型设计与仿真 |
| 3.3.1 利用COMSOL软件进行建模 |
| 3.3.2 电容传感器结构参数的选择 |
| 3.3.3 计算灵敏度矩阵 |
| 3.4 本章小结 |
| 4 基于智能算法的图像重建算法研究 |
| 4.1 两种典型的智能算法 |
| 4.1.1 蚁群算法 |
| 4.1.2 遗传算法 |
| 4.2 基于智能算法的图像重建算法 |
| 4.3 本章小结 |
| 5 信号获取与实验验证 |
| 5.1 微小电容检测方法 |
| 5.1.1 充/放电检测法 |
| 5.1.2 交流检测法 |
| 5.2 电极状态控制电路设计 |
| 5.3 对两相流进行成像 |
| 5.3.1 空满管实验 |
| 5.3.2 两相流成像实验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（6）基于数据驱动的卷积神经网络电容层析图像重建方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 电容层析成像技术发展历程 |
| 1.3 电容层析成像技术研究综述 |
| 1.3.1 电容层析成像数学模型 |
| 1.3.2 ECT正问题 |
| 1.3.3 ECT图像重建算法 |
| 1.3.4 电容层析成像图像重建存在的问题 |
| 1.4 本文研究内容及组织结构 |
| 第二章 基于数据驱动的卷积神经网络电容层析成像重建方法 |
| 2.1 卷积神经网络 |
| 2.2 基于卷积神经网络的ECT图像重建 |
| 2.2.1 数据集建立 |
| 2.2.2 网络构建及训练 |
| 2.3 卷积神经网络模型优化 |
| 2.3.1 网络结构 |
| 2.3.2 网格划分密度 |
| 2.3.3 电极数量 |
| 2.3.4 总结 |
| 2.4 卷积神经网络重建效果评价 |
| 2.4.1 典型流型的图像重建 |
| 2.4.2 随机流型的图像重建 |
| 2.4.3 重建时间 |
| 2.4.4 抗噪性能 |
| 2.5 本章小结 |
| 第三章 电容层析成像系统设计与开发 |
| 3.1 硬件系统 |
| 3.1.1 电容检测电路 |
| 3.1.2 电极选择开关 |
| 3.1.3 数据采集与控制系统 |
| 3.1.4 通讯系统 |
| 3.2 软件系统 |
| 3.2.1 通讯控制 |
| 3.2.2 数据计算及图像显示 |
| 3.3 本章小结 |
| 第四章 ECT系统应用实验研究 |
| 4.1 静态实验 |
| 4.2 循环湍动流化床流型影响因素 |
| 4.2.1 初始加料高度 |
| 4.2.2 测量高度 |
| 4.2.3 气流流量 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（7）基于多帧图像重建的数字全息超分辨技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数字全息技术的发展现状 |
| 1.2.2 提高数字全息分辨率的研究现状 |
| 1.3 本文研究的主要内容及组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 2 数字全息超分辨的基本原理 |
| 2.1 数字全息的理论基础 |
| 2.1.1 数字全息的记录过程 |
| 2.1.2 数字全息的再现原理 |
| 2.2 全息图相位重建的理论基础 |
| 2.2.1 全息图的预处理 |
| 2.2.2 数字全息的再现算法 |
| 2.2.3 相位解包裹 |
| 2.3 全息图超分辨重建的理论基础 |
| 2.3.1 图像观测模型 |
| 2.3.2 多帧图像超分辨重建算法 |
| 2.3.3 图像质量评价 |
| 2.4 本章小结 |
| 3 数字全息显微超分辨系统的设计 |
| 3.1 数字全息干涉光路的设计 |
| 3.2 图像超分辨重建系统的设计 |
| 3.2.1 系统设计的原则 |
| 3.2.2 压电陶瓷微位移平台 |
| 3.3 实验装置 |
| 3.3.1 实验器件的选取 |
| 3.3.2 系统的搭建及调试 |
| 3.3.3 全息图的采集 |
| 3.4 本章小结 |
| 4 基于多帧图像重建的数字全息实验研究 |
| 4.1 全息图的再现处理实验 |
| 4.1.1 全息图的相位提取 |
| 4.1.2 相位图的再处理 |
| 4.1.3 再现结果分析 |
| 4.2 多帧图像重建算法的仿真 |
| 4.2.1 cameraman图像的仿真分析 |
| 4.2.2 分辨率板图像的仿真分析 |
| 4.3 多帧低分辨全息图的超分辨实验 |
| 4.3.1 分辨率板全息图的超分辨重建 |
| 4.3.2 微透镜阵列全息图的超分辨重建 |
| 4.4 超分辨全息图的再现结果及分析 |
| 4.4.1 超分辨全息图的相位再现结果 |
| 4.4.2 实验数据的对比分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（8）磁感应断层成像技术图像重建方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及研究意义 |
| 1.2 MIT技术原理 |
| 1.3 国内外研究现状 |
| 1.3.1 MIT系统研究现状 |
| 1.3.2 MIT仿真研究现状 |
| 1.3.3 MIT重建算法研究现状 |
| 1.4 MIT技术的关键问题 |
| 1.5 本文的主要工作与内容 |
| 1.5.1 研究的主要内容 |
| 1.5.2 章节安排 |
| 第2章 磁感应断层成像正问题的求解 |
| 2.1 MIT正问题的基本原理及求解方法 |
| 2.1.1 MIT正问题的基本原理 |
| 2.1.2 MIT正问题的求解方法 |
| 2.2 基于Comsol的MIT正问题仿真 |
| 2.2.1 MIT三维测量模型的建立 |
| 2.2.2 仿真实验 |
| 2.3 本章小结 |
| 第3章 阈值landweber方法在MIT图像重建中的应用 |
| 3.1 MIT图像重建基本原理及常用算法 |
| 3.1.1 MIT图像重建的基本原理 |
| 3.1.2 MIT常用的图像重建算法 |
| 3.2 基于阈值landweber的MIT图像重建算法 |
| 3.2.1 算法思想 |
| 3.2.2 算法的实现步骤 |
| 3.3 仿真实验与结果 |
| 3.4 本章小结 |
| 第4章 压缩感知理论在MIT图像重建中的应用 |
| 4.1 压缩感知方法 |
| 4.2 基于压缩感知的MIT图像重建算法 |
| 4.2.1 算法的思想 |
| 4.2.2 实现步骤 |
| 4.3 仿真实验与结果 |
| 4.4 本章小结 |
| 第5章 基于粒子滤波的MIT图像重建算法研究 |
| 5.1 粒子滤波方法 |
| 5.2 粒子滤波在MIT图像重建中的应用 |
| 5.2.1 MIT问题的状态空间建模 |
| 5.2.2 状态估计过程 |
| 5.2.3 实现步骤 |
| 5.3 仿真实验与结果 |
| 5.4 本章小结 |
| 第6章 MIT硬件系统研究 |
| 6.1 MIT硬件系统设计 |
| 6.1.1 激励源的设计 |
| 6.1.2 传感器线圈 |
| 6.1.3 检测电路 |
| 6.2 稳定性和可重复性测试 |
| 6.3 实验数据与分析 |
| 6.4 本章小结 |
| 第7章 工作总结与展望 |
| 7.1 工作总结 |
| 7.2 展望未来的工作方向 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
（9）接触式图像传感器彩色图像重建方法研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究状况 |
| 1.2.1 图像超分辨率重建方法 |
| 1.2.2 图像配准方法 |
| 1.2.3 图像去马赛克方法 |
| 1.2.4 图像去噪方法 |
| 1.3 本文研究内容 |
| 2 彩色CIS成像原理 |
| 2.1 引言 |
| 2.2 接触式图像传感器(CIS)成像原理 |
| 2.2.1 CIS模块结构及工作原理 |
| 2.2.2 彩色CIS成像原理 |
| 2.3 彩色CIS图像分析 |
| 2.4 彩色CIS图像重建问题分析 |
| 2.4.1 分辨率丢失问题 |
| 2.4.2 三色分离问题 |
| 2.4.3 噪声问题 |
| 2.5 本章总结 |
| 3 基于群组和在线字典学习的超分辨率图像重建算法 |
| 3.1 引言 |
| 3.2 基于稀疏表示的超分辨率图像重建算法 |
| 3.2.1 基于样例的超分辨率重建算法 |
| 3.2.2 自然图像稀疏先验 |
| 3.2.3 基于稀疏表示的超分辨率图像重建算法 |
| 3.3 基于群组的稀疏表示 |
| 3.3.1 图像非局部自相似先验 |
| 3.3.2 基于群组的稀疏表示建模 |
| 3.4 在线字典学习 |
| 3.5 同步稀疏编码 |
| 3.6 算法流程 |
| 3.6.1 在线字典学习阶段 |
| 3.6.2 稀疏编码重建阶段 |
| 3.7 实验分析 |
| 3.7.1 实验设计及参数设置 |
| 3.7.2 基于无噪自然图像的对比实验 |
| 3.7.3 基于含噪自然图像的对比实验 |
| 3.7.4 基于CIS图像的对比实验 |
| 3.7.5 运算时间对比 |
| 3.8 本章总结 |
| 4 结合引导滤波器的彩色图像重建算法 |
| 4.1 引言 |
| 4.2 典型的颜色空间 |
| 4.2.1 RGB颜色空间 |
| 4.2.2 CMY颜色空间 |
| 4.2.3 YUV颜色族 |
| 4.2.4 HSI颜色族 |
| 4.2.5 CIE颜色族 |
| 4.2.6 颜色空间的比较与选择 |
| 4.3 引导滤波器 |
| 4.3.1 引导滤波器 |
| 4.3.2 引导滤波器特性 |
| 4.3.3 引导滤波器参数分析 |
| 4.4 算法流程 |
| 4.5 实验分析 |
| 4.5.1 实验设计及参数设置 |
| 4.5.2 无噪自然图像对比实验 |
| 4.5.3 含噪自然图像对比实验 |
| 4.5.4 CIS图像对比实验 |
| 4.6 本章总结 |
| 5 结合超分辨率重建与图像去马赛克的彩色CIS图像重建算法 |
| 5.1 引言 |
| 5.2 彩色CIS图像重建问题 |
| 5.3 通道间相关正则项 |
| 5.3.1 通道间相关性 |
| 5.3.2 通道间相关正则项 |
| 5.4 基于遗传算法的最优化过程 |
| 5.4.1 遗传算法 |
| 5.4.2 利用遗传算法求解彩色CIS图像重建最优化问题 |
| 5.5 算法流程 |
| 5.5.1 超分辨率重建阶段 |
| 5.5.2 彩色图像重建阶段 |
| 5.6 实验分析 |
| 5.6.1 实验设计及参数设置 |
| 5.6.2 基于模拟CIS图像的对比实验 |
| 5.6.3 基于真实CIS图像的对比实验 |
| 5.6.4 运算时间对比 |
| 5.7 本章总结 |
| 6 基于灰度变换的彩色CIS图像快速重建算法 |
| 6.1 引言 |
| 6.2 基于灰度变换的重建算法 |
| 6.2.1 图像特性分析 |
| 6.2.2 基于灰度变换的重建算法 |
| 6.3 基于互信息的改进算法 |
| 6.3.1 互信息 |
| 6.3.2 改进算法 |
| 6.4 基于主成分分析的去噪算法 |
| 6.4.1 主成分分析 |
| 6.4.2 基于群组的去噪算法 |
| 6.5 算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验设计与参数设置 |
| 6.6.2 基于模拟CIS图像的对比实验 |
| 6.6.3 基于真实CIS图像的对比实验 |
| 6.6.4 运算时间对比 |
| 6.7 本章总结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士期间发表的论文及科研项目情况 |
| 致谢 |
（10）基于GA正则化盲超分辨率图像重建的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 超分辨率图像重建技术研究意义 |
| 1.3 超分辨率图像重建技术研究现状 |
| 1.4 本文的主要工作与内容安排 |
| 2 超分辨率图像重建技术的研究 |
| 2.1 图像的成像模型 |
| 2.2 图像复原问题 |
| 2.3 图像插值问题 |
| 2.4 超分辨率图像重建技术 |
| 2.4.1 超分辨率图像重建技术的引入 |
| 2.4.2 传统超分辨率图像重建方法及其存在的问题 |
| 2.5 实验仿真及分析 |
| 2.6 小结 |
| 3 遗传算法理论及其性能分析 |
| 3.1 遗传算法基本要素 |
| 3.1.1 遗传编码 |
| 3.1.2 适应度函数 |
| 3.1.3 选择操作 |
| 3.1.4 交叉操作 |
| 3.1.5 变异操作 |
| 3.2 遗传算法基本流程的设计 |
| 3.3 遗传算法的基本理论 |
| 3.4 遗传算法的性能分析 |
| 3.4.1 遗传算法性能测试及问题分析 |
| 3.4.2 遗传算法较传统算法的优越性测试 |
| 3.5 小结 |
| 4 遗传算法在超分辨率重建问题中的研究应用 |
| 4.1 图像的配准 |
| 4.1.1 图像配准的数学模型 |
| 4.1.2 超分辨率图像配准技术的研究分析 |
| 4.1.3 基于GA泰勒级数的图像配准方法 |
| 4.2 超分辨率图像重建中病态问题及正则化方法的引入 |
| 4.3 基于GA正则化超分辨率重建算法 |
| 4.3.1 图像编码 |
| 4.3.2 初始化种群 |
| 4.3.3 适应度函数的选择 |
| 4.3.4 选择算子 |
| 4.3.5 块交叉操作 |
| 4.3.6 邻域平均变异 |
| 4.3.7 算法流程 |
| 4.4 算法的仿真分析 |
| 4.4.1 图像配准结果 |
| 4.4.2 基于GA正则化方法的超分辨率图像重建结果分析 |
| 4.5 小结 |
| 5 基于GA正则化算法的盲超分辨率图像的重建 |
| 5.1 超分辨率图像重建因子 |
| 5.1.1 整数重建因子 |
| 5.1.2 有理数重建因子 |
| 5.2 未知模糊的评估与重建 |
| 5.2.1 多帧盲反卷积对模糊的评估 |
| 5.2.2 盲超分辨率情况下对模糊的评估 |
| 5.3 盲超分辨率图像重建中正则化处理 |
| 5.4 基于遗传算法正则化的盲超分辨率重建 |
| 5.4.1 初始种群 |
| 5.4.2 适应度函数的选择 |
| 5.4.3 交叉算子 |
| 5.4.4 算法流程 |
| 5.5 算法实现与结果分析 |
| 5.5.1 未知PSF和高分辨率图像的重建仿真 |
| 5.5.2 所提方法与传统方法的性能比较分析 |
| 5.5.3 所提算法在实际模糊低分辨率图像中的应用 |
| 5.6 小结 |
| 6 总结与展望 |
| 6.1 本文的主要工作和创新点 |
| 6.2 研究中遇到的问题及展望 |
| 致谢 |
| 参考文献 |
| 附录: 攻读硕士学位期间科研成果和发表学术论文 |
四、遗传算法在图像重建中的应用（论文参考文献）
- [1]医学影像重建算法研究及应用[D]. 闫芳. 山东师范大学, 2021(12)
- [2]电容层析成像系统传感器设计与图像重建[D]. 陈峰. 哈尔滨理工大学, 2021
- [3]电磁层析成像图像重建中的智能成像研究[D]. 王亚东. 北京交通大学, 2021(02)
- [4]基于量子优化和深度学习的图像重建算法研究[D]. 黄滨阳. 华南理工大学, 2020(02)
- [5]基于智能算法的电容层析成像系统图像重建技术[D]. 杜宇宁. 中北大学, 2020(12)
- [6]基于数据驱动的卷积神经网络电容层析图像重建方法研究[D]. 孙先亮. 东南大学, 2020(01)
- [7]基于多帧图像重建的数字全息超分辨技术研究[D]. 冯丹青. 西安工业大学, 2020
- [8]磁感应断层成像技术图像重建方法研究[D]. 王静文. 东北大学, 2018(01)
- [9]接触式图像传感器彩色图像重建方法研究[D]. 鹿璇. 武汉大学, 2017(06)
- [10]基于GA正则化盲超分辨率图像重建的研究[D]. 吴伟巍. 郑州大学, 2009(03)