版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、空間移變圖像復原是圖像復原領域中的一大研究熱點。論文在研究和分析現(xiàn)有空間移變圖像復原方法的基礎上提出了一種基于最小二乘約束的空間移變圖像復原方法。 論文研究工作以多項式近似的圖像逆濾波為出發(fā)點,針對其未考慮復原算法的規(guī)整化問題,在其基礎上加入能量約束規(guī)整條件,得到多項式能量約束復原,使多項式逆濾波圖像復原成為良態(tài)。分析了多項式能量約束復原的復原誤差,并提出修改多項式系數(shù)抑制由泰勒展開帶來的復原誤差。在這部分工作的基礎上,引入抽象
2、函數(shù)和算子分析成像系統(tǒng)降質模型和復原模型,得到了關于圖像復原問題最一般的描述。在復原模型中引入最小二乘規(guī)整約束,根據(jù)將空間移變的復原函數(shù)分解成空間移不變的基函數(shù)的線性組合這一思想,通過將空間移變的算子分解成空間移不變的子分解算子的線性組合,推導了空間移變降質圖像的最小二乘約束復原模型,復原模型包括直接復原模型和迭代復原模型。復原模型實現(xiàn)的關鍵是實現(xiàn)算子的分解,論文舉例證明了算子分解的存在性,分析了子分解算子應滿足的條件,給出了選擇原則。
3、 論文基于空間移變降質圖像的最小二乘約束復原模型,將其用于光電成像系統(tǒng)的空間移變降質復原。針對光電成像系統(tǒng)的高斯型點擴散函數(shù),用多項式擬合實現(xiàn)算子的分解,根據(jù)子分解算子選擇原則,獲取分解基函數(shù),將抽象模型具體化,得到了空間移變降質圖像的最小二乘約束復原方法,復原方法包括直接復原方法和迭代復原方法,推導了復原方法對應的復原方程。在直接復原方程中,獲得的復原圖像,是降質圖像偶數(shù)階差分的線性組合,組合系數(shù)由成像系統(tǒng)的點擴散函數(shù)、約束算
4、子、復原規(guī)整參數(shù)和分解基函數(shù)確定。在迭代復原方程中,更新復原圖像是降質圖像偶數(shù)階差分和規(guī)整約束項的線性組合,差分項組合系數(shù)由成像系統(tǒng)的點擴散函數(shù)和分解基函數(shù)確定。 實驗分析表明復原方程能有效的提高成像系統(tǒng)的帶寬,復原后成像系統(tǒng)點擴散函數(shù)趨于沖激函數(shù)。加入特定約束得到的各種特定約束復原方程均能有效的復原空間移變降質圖像。 對模擬的空間移變降質圖像的處理結果表明,最小二乘約束復原算法能有效復原空間移變降質。將最小二乘約束復原
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 單幅空間移不動運動模糊圖像復原技術的研究.pdf
- 圖像復原技術及應用研究.pdf
- 圖像盲復原及應用研究.pdf
- 基于各向異性總變分和稀疏分解的圖像復原方法及其應用研究.pdf
- 基于字典學習算法的遙感圖像復原及其應用研究.pdf
- 總變分型圖像復原問題研究.pdf
- 深度學習在圖像復原中的應用研究.pdf
- 圖像復原在車牌識別中的應用研究.pdf
- 基于概率PCA的圖像復原方法研究及其應用.pdf
- 圖像復原問題變分模型和算法研究.pdf
- 空間低軌目標圖像復原研究.pdf
- 粒子群算法在模糊圖像復原中的應用研究.pdf
- 運動模糊圖像復原的全變分方法研究.pdf
- PDE方法在圖像修復和圖像盲復原中的應用研究.pdf
- 變額年金及其應用研究.pdf
- 模糊圖像復原方法研究與應用.pdf
- 模糊圖像復原技術及在舌象中的應用研究.pdf
- 小波分析壓縮感知在圖像復原中應用研究
- 基于變分貝葉斯理論的圖像復原方法研究.pdf
- 遙感圖像統(tǒng)計特性分析及其在圖像復原中的應用.pdf
評論
0/150
提交評論