一、基于神经网络的盲图像恢复（论文文献综述）
李建宏[1]（2021）在《基于智能优化算法的BP神经网络图像复原》文中研究说明随着社会的发展,视频、图像是人们获取信息的主要途径。由于运动、电子干扰、大气湍流效应等因素的影响,导致图像质量下降。本文从退化模型入手,采用了传统的图像复原技术,如维纳滤波复原、L-R复原、盲去卷积复原等方法,对图像进行复原,复原结果并不理想。并且传统方法对先验知识要求很高,往往很多先验知识无法获得。BP神经网络具有自主学习、泛化能力强等优点,以BP神经网络对图像进行复原,就能摆脱对先验知识的依赖。虽然BP神经网络复原图像效果优于传统复原方法。但是BP神经网络存在对初始权值阈和值敏感,收敛速度慢,容易陷入局部最优解等问题。为了改善BP神经网络对初始权值和阈值敏感、容易陷入局部最优等不足,本文建立了布谷鸟算法优化BP神经网图像复原模型。通过布谷鸟算法搜索BP神经网络的初始权值和阈值,消除BP神经网络对初始权值和阈值的依赖。对布谷鸟算法的步长和发现概率进行改进,利用改进的布谷鸟算法搜索BP神经网络的初始权值和阈值,将优化后的网络对Lena图像和Cameraman图像进行复原。实验结果表明,对于Lena图像,ICS-BP神经网络比BP神经网络、PSO-BP神经网络的峰值信噪比（PSNR）分别提高了4.83%和3.53%,结构相似度（SSIM）分别提高了1.62%和0.67%,说明优化后的BP神经网络图像复原效果更好。同时,ICS-BP迭代35次收敛,快于BP神经网络137次收敛和PSO-BP神经网络81次收敛,因此提高了效率。为了提高BP神经网络的收敛速度,建立基于麻雀算法的BP神经网络图像复原模型。针对麻雀算法在后期种群多样性减少,容易陷入局部最优等缺点。将麻雀算法与Levy飞行结合并加入权重惯性因子,得到改进的麻雀算法。通过7个测试函数分别对ISSA和SSA进行仿真实验。实验结果表明,ISSA在求解精度和收敛速度两个方面均优于SSA。利用改进的麻雀算法优化BP神经网络的初始权值和阈值,并将其应用于图像复原。实验结果表明,ISSA-BP网络模型在图像复原迭代22次就收敛,快于ICS-BP的35次收敛、PSO-BP的81次收敛、BP神经网络的137次收敛,提高了收敛速度。对于Lena图像,ISSA-BP神经网络相较于BP神经网络、PSO-BP神经网络的峰值信噪比（PSNR）分别提高了1.37%和0.11%,结构相似度（SSIM）分别提高了0.99%和0.04%,这说明ISSA-BP神经网络图像复原的效果更好。综上所述,ICS-BP神经网络复原图像的峰值信噪比和结构相似度最大,复原的图像更接近原始图像,同时迭代次数减少,提高了效率,并且能够跳出局部最优解。
王海峰[2]（2019）在《基于改进灰狼算法-BP神经网络的图像复原方法研究》文中研究说明随着信息科技的不断发展,多媒体技术应用到了生活中各个领域。图像、视频等视觉信号作为数字多媒体内容的主要载体,在人们进行视频通信以及视觉感知的过程中有着不可替代的作用。但是由于运动、抖动、电子干扰等影响因素的存在,导致图像在拍摄,传输和储存的时候会产生一定的退化。对退化图像的复原目的是使复原后的图像与原始图像更相似。图像复原技术是数字图像处理领域里的研究热点之一,对退化图像的重现具有十分重要的理论和现实意义。本文首先分析了退化/复原模型,然后对传统的图像复原技术,例如维纳滤波、逆滤波、最小二乘滤波复原、L-R复原等方法,并进行了退化图像的复原实验,退化图像的复原效果并不理想,维纳滤波与逆滤波复原后的图像存在大量白点,L-R复原与最小二乘滤波的复原图像存在模糊。为了使复原出的图像更接近原始图像,本文利用BP神经网络所具有的学习和泛化能力强的特点,以BP神经网络作为复原工具进行图像复原,这种复原方式可以在图像复原时摆脱传统复原方式过度依赖先验知识的缺点。虽然BP网络算法可以有效的复原退化图像,但是BP复原网络在学习过程中存在收敛速度慢,对初始参数要求高的缺点。针对BP复原网络的缺点,提出利用灰狼算法较强的全局搜索能力来尽可能的消除BP复原网络对初始参数的过度依赖,提高复原模型的网络性能。为了使灰狼算法的寻优性能得到加强,通过改进收敛因子改变收敛方式,利用动态权重更新方式增强环境适应能力,利用差分优化算法增强灰狼算法的全局搜索能力。通过对退化图像的复原实验,验证了改进后的算法在图像结构相似度、峰值信噪比以及归一化均方误差等评价标准均比BP复原网络与经典复原算法要好。
张维[3]（2017）在《基于神经网络的图像复原方法研究》文中提出图像复原是图像处理领域中一个重要的研究方向,它的目标是对退化的图像进行处理,使它趋于没有退化的理想图像。而这里所说的退化图像指的是在获取图像的过程中受到一些影响而使图像的质量下降,这些影响包括光学系统和运动等造成的图像模糊,以及来源于电路和光度学因素的噪声。图像复原有很多种传统方式,比如逆滤波法、维纳滤波法、最小二乘法等。但是传统的方法在解决函数逼近问题时往往存在一些问题。人工神经网络（ANN）是当前热门的一种数学工具,因为自身的鲁棒性和自适应学习能力的优势而得到了广泛的应用。本文是将神经网络用于图像复原,重点使用BP神经网络作为工具去复原图像。BP神经网络在本质上是一种从输入到输出的映射,它可以学习大量的输入到输出之间的映射关系,而不需要显式的表达出它们之间的关系,只需要用已知的模式对BP网络加以训练,网络就具有输入输出之间的映射能力。很多点扩散函数难以掌握的情况就可以利用神经网络进行复原。本文的主要工作包括:（1）在训练样本的选择上,为了降低网络的输入维数,采用了滑动窗口提取特征作为网络的输入数据。考虑到图像边缘区域和平坦区域退化的差异性,使用sobel算子对图像进行边缘提取,通过计算可以得到图像的平坦区域,对图像的平坦区域和边缘区域分别采用滑动窗口来获得训练集,通过训练,得到两个复原网络,得到网络的输出之后,对神经网络输出的边缘和平滑区域的图像使用之前分离的逆方式进行重组得到复原之后的图像。（2）探索了不同的学习方法,不同的传输函数等在本文场景中的性能,并通过实验对比找到了一种合适本文的学习方法以及传输函数。（3）选择BP神经网络的网络初始值,引入了遗传算法,通过对遗传算法的介绍,并且阐述了遗传算法优化BP神经网络的原理,通过实验确定了遗传算法优化BP神经网络可以提高本文算法的复原效果。通过以上的主要工作,本文得到了一种比较好的方案用于图像复原,在比较合理的运算量和耗时情况下,得到了较好的复原效果。
杨洁[4]（2017）在《人工蜂群算法在图像恢复中的研究》文中认为科学技术高速发展,各种数字信息以不同的形式在日常生活中传递。其中,图像信息也越来越被广泛使用。在图像的产生、传递、存储过程中,常常因为各种原因使得图像变质或退化,这对图像的后续处理带来极大的负面影响。因此,许多专家学者致力于研究图像恢复技术,利用新型的智能群体优化算法进行图像恢复更加成为热门。2005年,人工蜂群（Artificial Bee Colony,ABC）算法被正式提出,该算法模拟蜜蜂的群居行为及觅食特征,构建算法流程对蜜蜂寻找优质蜜源的过程进行描述,具有参数少、计算速度快、鲁棒性强、避免陷入局部最优的特点,是一种高效的全局性搜索最优的算法。本文尝试将人工蜂群算法应用于图像恢复中,利用人工蜂群算法实现图像去噪及盲图像恢复。本文提出一种基于人工蜂群算法的图像去噪方法。该方法通过标记噪声矩阵,基于图像相邻像素相关性的特征,利用人工蜂群算法对噪声点进行估计并替代,从而实现图像去噪。本文还改进了噪声矩阵的标记方法,提出基于邻近像素值比较与四方向法相结合的噪声标记法,结合图像的边缘信息,降低噪声误判概率,并用阈值判断法对噪声点的标识加以控制。通过实验结果表明,该方法可以有效进行噪声标识,对比传统的阈值判断法,噪声识别准确率明显提升,噪声误判率降低至5%。通过与传统图像去噪方法比较,利用本文算法实现的去噪图像,其峰值信噪比PSNR、改善信噪比ISNR更高,图像质量提升更明显。本文还将人工蜂群算法应用于盲图像恢复中。在对退化过程没有先验知识的前提下,采用人工蜂群算法估计退化过程的点扩散函数,并利用约束最小二乘方滤波法恢复图像,交替迭代获得最终的原始图像估计。实验结果表明,本文算法能够有效估计点扩散函数,实现图像恢复。选择合适的参数能够使得算法收敛速度更快,恢复质量更高,振铃效应降低。对比其他盲图像恢复方法如:盲去卷积法、基于粒子群算法与基于遗传算法的图像恢复方法,采用本文算法恢复的图像,其峰值信噪比PSNR、改善信噪比ISNR、结构相似度SSIM、视觉信息保真度VIF均明显优于其他几种方法,表明图像恢复效果更好,与原始图像更接近。最后通过实验验证本文算法在彩色图像恢复中同样具有可行性。
何姣姣[5]（2016）在《运动与散焦混合模糊图像的恢复算法研究》文中进行了进一步梳理图像模糊（：[mage Blurring）问题广泛存在于社会生活的方方面面,是图像处理的重要任务之一。运动模糊（Motin Blur）和散焦模糊（Defocus Blur）是两种最常见的模糊,一段时间以来在图像处理领域里成为研究热点。对于运动模糊、散焦模糊,很多文献给出了相应的算法,并取得了不同程度的效果。这些算法已经应用于公安侦破、车牌识别、计算机视觉、无人机视觉导航等领域。然而,在现实生活中,很多情况下两种模糊过程同时存在。例如：在行进中的战车上拍摄到的图像,就会产生混合模糊（Hybrid Fuzzy）的情况；快速飞行的无人机拍摄到的地面场景有时也拍摄到混合模糊的图像。目前,对混合模糊的研究还不多,所能查到的文献也并不多。因此,解决混合模糊图像的恢复问题具有重要意义。本文针对这一问题展开,对混合模糊图像的恢复算法进行重点研究。本文在前两种模糊图像恢复算法的基础上,拟定了复杂的算法过程,编制了大量的算法程序,进行了二十三组实验。在混合模糊图像的恢复方面取得了一定的效果。混合模糊图像的恢复是本文的研究重点。在这一部分,本文进行了十二组实验。获得了较好的恢复效果。针对给定的混合模糊图像,采用“最小二乘正则化模型”对混合模糊图像进行去散焦模糊,使用三种传统的去模糊算法进行了去运动模糊。实验结果表明针对混合模糊而言,R-L迭代算法具有更好的去运动模糊的效果。针对不同噪声下先进行运动模糊处理再进行散焦模糊处理的图像恢复时,先进行去散焦模糊恢复得到图像的PSNR值要比先进行去运动模糊恢复得到的图像的PSNR值平均高0.9342dB；针对不同噪声下先进行散焦模糊再进行运动模糊处理的图像恢复时,先进行去除运动模糊恢复得到的图像的PSNR值要比先进行去散焦模糊恢复得到的图像的PSNR值平均高出0.1485dB。本文的创新点：本文拟定出了去图像混合模糊的几种技术路线（算法组合）。对不同模糊顺序的混合模糊图像的恢复顺序进行了实验,通过频谱的分析结合实验结果,发现恢复顺序与模糊顺序相反时,恢复的效果更好。找出了混合模糊图像在恢复过程中,其恢复过程顺序与模糊顺序的关系。研究了模糊顺序,恢复顺序对图像恢复效果的影响,为后续更好的恢复混合模糊图像提供了理论与实验参考。
刘亮[6]（2013）在《模糊Hopfield网络的鲁棒性控制及其应用》文中进行了进一步梳理不确定性广泛存在于主观和客观世界中，模糊性和随机性是其中最重要的两种不确定性形式，对不确定性问题的研究是当前人工智能、计算机视觉、模式识别等领域的研究热点和重大前沿课题之一，而模糊神经网络是不确定性问题建模和构建智能系统的重要工具之一。收敛性及鲁棒性是评估一个模糊神经网络的两个重要方面。近年来，国内外部分学者对由模糊取大（Max）和三角模中的T-模构建的模糊Hopfield网络簇模型的稳定性、容错性及鲁棒性进行了细腻地分析，并发现了此模型的众多良好性质，然而对带阈值情况下，模糊神经网络的收敛性以及对训练模式摄动时的鲁棒性及其应用尚未研究。本文主要做了以下工作：首先，提出了带阈值的基于Max和T-模的模糊Hopfield神经网络模型，简记为Max-T-C FHNN；然后对Max-T-C FHNN的收敛性及在训练模式小幅摄动情况下的鲁棒性进行了分析，并从数学上给出了严格的证明，发现了采用最大权值矩阵学习算法时，Max-T-C FHNN具有良好的收敛性，同时当T-模及其蕴含算子满足Lipschitz条件时，Max-T-C FHNN对训练模式摄动全局拥有好的鲁棒性；最后就Max-T-C FHNN在自联想情形进行了实验验证。其次，将模糊神经网络建模方法应用到了图像恢复领域中，提出了一种基于Max-T-C FHNN的图像恢复算法，该算法具有良好的时间复杂度，并取得了一定的恢复效果。
孙云山[7]（2012）在《盲均衡技术在医学CT图像盲恢复算法中的应用研究》文中认为医学CT图像作为进行疾病检查和诊断的重要依据，其质量好坏直接影响诊断的准确性。在医学CT成像过程中不可避免地受到点扩展函数的影响，使得图像产生退化，影响诊断效果，且退化过程往往是未知的。图像盲恢复算法是在未知图像退化过程的前提下，仅利用退化图像来消除点扩展函数影响的图像恢复技术，广泛应用于天文成像、医疗诊断、军事公安等领域。盲均衡技术目前已扩展应用到图像盲恢复中，它是将点扩展函数影响的消除等效为码间干扰的消除，已成为通信信号处理与图像分析相结合的前沿热点研究课题。本文所做的主要工作如下：（1）提出了降维处理的医学CT图像盲均衡算法，构建了应用于医学CT图像盲均衡算法的代价函数，推导了算法迭代公式，分析了算法收敛性能，进行了计算机仿真；其次，利用变步长思想解决了算法收敛速度和收敛精度之间的矛盾，提出了基于误差信号峰度和均方误差变步长的医学CT图像盲均衡算法，仿真表明新算法具有较快的收敛速度和较小的稳态误差；第三，通过在权值迭代中引入代价函数的二阶Hessian矩阵，提出了分数低阶恒模医学CT图像盲均衡算法，改善了算法的收敛性能，提高了峰值信噪比。（2）提出了行列变换的恒模医学CT图像盲均衡算法，通过行列变换将点扩展函数的影响分解为横纵两个方向，利用复值系统盲均衡算法在I和Q方向彼此不影响的特性，分别进行点扩展函数影响的消除，推导了算法迭代公式，分析了算法稳态和动态收敛性能，计算机仿真表明，新算法提高了峰值信噪比和改善信噪比。同时通过频域变换，提出了频域差错概率最小医学CT图像盲均衡算法，分析了迭代步长选取原则，进行了计算机仿真，验证了算法的有效性。（3）提出了基于Zigzag编码和双Zigzag编码两种医学CT图像神经网络盲均衡算法，选取三层前馈神经网络结构，设计了传递函数，推导了迭代公式，分析了收敛性能，并进行了计算机仿真。实验结果表明，新算法改善了恢复效果，降低了均方误差，提高了峰值信噪比和改善信噪比。
唐婀婷[8]（2012）在《模糊字迹图像恢复的研究》文中进行了进一步梳理随着数字图像处理越来越广泛的应用,文字图像分析已经成为图像处理的一个重要研究领域,而模糊文字图像恢复更是具有重大实用价值和社会意义的研究方向。由于实际应用中,通常模糊文字图像的先验知识缺乏或很少,因此只能通过盲图像恢复算法进行处理。文本图像作为一种特殊场合的图像,具有它特有的性质。根据文本图像的特征,可以对目前先进的盲恢复算法进行改进,提出针对文本图像的恢复算法,以获得更好的恢复效果。本文研究了盲恢复算法的基本模型,并分类总结常用的盲图像恢复算法,其总体思路通常为：首先对退化过程建立相应的数学模型,然后通过求解该反问题来获得对原始图像的合理估计。此外,深入分析了文字图像的特征——直方图双峰特征,为提出基于文字图像的盲恢复算法打下基础。重点研究了经典的盲解卷积算法和比较先进的NAS-RIF算法,并分别对其进行改进。改进盲解卷积算法采用了新的空间域约束条件,而改进NAS-RIF算法修改了代价函数,将文字图像的双峰特征作为一个限制条件融入其中。通过大量实验的比较分析可见,在恢复相同模糊程度的文字图像时,在图像恢复效果上,同一类的改进算法比传统算法具有明显的优势,且改进的NAS-RIF算法无振铃现象,比改进的盲解卷积算法的文字辨识度更高,但两者都对噪声比较敏感,有待进一步提高。最后,总结分析了两种算法的优缺点和有待改进的地方,并对未来工作的方向和重点进行了展望。
孙云山,张立毅,段继忠,王艳[9]（2011）在《图像盲恢复算法的研究》文中指出在点扩展函数未知的情况下,仅通过退化图像来估计原始图像的过程称为图像盲恢复.目前,图像盲恢复已成为数字图像处理领域一个前沿热点课题,有着广泛的应用.国内外诸多学者对图像盲恢复算法已经做了深入广泛的研究.对已提出的图像盲恢复算法进行了分类比较研究,并提出了进一步研究的发展方向.
王振国[10]（2010）在《遥感影像中大气模糊消除恢复算法研究》文中指出现在,经过地球大气对兴趣目标进行成像,是所有运行在地球大气层中的成像设备所不可避免的问题。而大气中由于湍流等大气结构的存在,往往会使得这些设备所获取的图像存在不同程度的模糊,所以,就需要对这些受到大气模糊的图像进行恢复。而大气模糊退化图像的恢复与重建问题是一个跨学科、领域的前沿课题和世界性难题,是国内外相关领域的研究人员正在努力解决的问题。由大气干扰所导致的退化图像的恢复,困难在于其退化模型是未知的和随机变化的,且难以用准确的数学解析式或模型来表达,再加上模糊图像中往往含有噪声,就更进一步增加了这类图像恢复的难度。传统的图像恢复算法都属于退化模型已知的范畴,而退化模型未知情况下的图像恢复算法研究是图像恢复领域中具有挑战性的研究方向,具有广阔的应用市场和前景。特别是随着深空探测技术的发展和空间对地观测系统分辨力的提高,大气干扰逐渐成为制约遥感器系统分辨力进一步提高的瓶颈,所以,对解决该问题的需求也就越来越广泛。因此,针对该问题,本文在总结现有国内外关于大气湍流效应图像恢复算法的研究成果的基础上,在国家高技术研究发展计划（863计划,编号:2006AA12Z110）项目的支持下,对大气模糊遥感影像的高清晰恢复与重建问题进行了研究和探讨。通过对现有湍流消除算法的改进和把天文观测领域常用的湍流恢复技术跟遥感影像相结合的方式,开辟了根据遥感影像成像时刻局部地区的气象数据估计大气MTF的新思路,并利用多幅国内外遥感卫星所观测的遥感数据对该思路进行了验证。文中的研究成果和贡献主要体现在:1)基于气象数据的湍流MTF、气溶胶MTF以及大气MTF的估计算法设计。大气整体调制传递函数MTF主要由大气湍流MTF和气溶胶MTF的乘积构成,而大气MTF和气溶胶MTF分别可用气象参数C n2（折射率结构系数）和气溶胶的尺寸分布来描述。根据成像时刻所记录的相同区域的气象数据,利用这两个参数来估计湍流MTF、气溶胶MTF和大气整体MTF;2)基于影像数据的成像系统MTF估计方法。结合MTF的物理意义,对目前获取光学成像系统MTF的两种方法进行了介绍和实验,利用MTF的频率域下降特性,实现对光学成像系统所观测图像的恢复和对光学成像系统性能的评价;3)结合大气MTF估计的改进Wiener滤波算法。利用估计的大气MTF,对经典Wiener滤波算法进行改进,得到了更适合遥感影像恢复的改进型Wiener滤波算法;4)结合大气MTF估计的改进直接解卷积算法。利用估计的大气MTF,对直接解卷积算法进行改进,得到了更适合遥感影像恢复的改进型直接解卷积算法;5)基于“近视”解卷积算法的自适应遥感影像恢复算法。把天文和微观观测图像处理领域中常用的“近视”解卷积思想,应用于大气模糊遥感影像的恢复与重建。在实现原有“近视”解卷积算法的基础上,又根据遥感影像自身的特点,提出了一种自适应的遥感影像解卷积算法。算法采用约束共轭梯度优化方法,包含一种平衡极大似然估计和目标正则化的自适应方案,使得算法在得到满意结果的同时,运行时间和效率上也有了明显地提高;6)基于Bayessian原理的遥感影像解卷积算法。通过由关键变量模型和全局能量项所决定的尺度不变随机过程,来对未知的场景进行建模,然后基于概率统计理论,给出了一种估计模型中模糊和噪声参数的贝叶斯方法。根据估计的参数值和退化模型,就可以得到整个成像系统的模糊退化函数MTF,然后采用传统的恢复方法对影像进行恢复。7)基于梯度域动态压缩的高辐射分辨率遥感影像增强算法。针对高辐射分辨率遥感影像在普通显示设备上的显示问题,给出了一种适用于高辐射分辨率遥感影像显示的新算法。结果表明,该算法在实现大幅度的动态范围压缩的同时,能够较好的保留影像的细节信息和抑制一般的边缘效应。算法理论简单,计算高效,使用方便。并通过对真实高辐射分辨率遥感影像的动态压缩处理,验证了该算法的有效性。
二、基于神经网络的盲图像恢复（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、基于神经网络的盲图像恢复（论文提纲范文）
（1）基于智能优化算法的BP神经网络图像复原（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的 |
| 1.2 国内外研究现状 |
| 1.3 全文的主要内容和章节安排 |
| 第2章 图像复原技术概述 |
| 2.1 图像退化模型 |
| 2.1.1 连续函数的退化模型 |
| 2.1.2 离散函数的退化模型 |
| 2.2 经典图像复原方法 |
| 2.3 图像复原效果的评价标准 |
| 2.3.1 主观评价标准 |
| 2.3.2 客观评价标准 |
| 2.4 经典图像复原方法实验结果及分析 |
| 2.5 本章小结 |
| 第3章 BP神经网络在图像复原中的应用 |
| 3.1 人工神经网络简介 |
| 3.2 图像复原中常用的神经网络类型 |
| 3.2.1 Hopfield神经网络 |
| 3.2.2 BP神经网络 |
| 3.3 基于BP神经网络图像复原 |
| 3.3.1 BP神经网络算法原理 |
| 3.3.2 BP神经网络图像复原模型 |
| 3.3.3 BP图像复原训练样本选择 |
| 3.3.4 BP神经网络结构设计 |
| 3.3.5 BP神经网络的训练流程 |
| 3.3.6 基于BP神经网络图像复原仿真实验及分析 |
| 3.4 粒子群优化BP神经网络图像复原 |
| 3.4.1 粒子群算法原理 |
| 3.4.2 粒子群优化BP神经网络的基本流程 |
| 3.4.3 PSO-BP图像复原实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于改进的布谷鸟算法优化BP神经网络图像复原 |
| 4.1 莱维飞行 |
| 4.2 布谷鸟算法 |
| 4.2.1 原始布谷鸟算法 |
| 4.2.2 改进布谷鸟算法 |
| 4.3 CS算法和ICS算法实验对比 |
| 4.4 基于改进的布谷鸟算法优化BP神经网络图像复原 |
| 4.4.1 改进的布谷鸟算法优化BP神经网络 |
| 4.4.2 ICS-BP神经网络图像复原实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于改进的麻雀搜索算法优化BP神经网络图像复原 |
| 5.1 麻雀搜索算法的规则 |
| 5.2 麻雀搜索算法的数学模型及步骤 |
| 5.3 改进的麻雀搜索算法 |
| 5.4 基于改进的麻雀算法优化BP神经网络的图像复原 |
| 5.5 本章小结 |
| 第6章 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论文及科研成果 |
| 致谢 |
（2）基于改进灰狼算法-BP神经网络的图像复原方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 第二章 图像复原的理论基础及经典模型 |
| 2.1 退化图像复原原理介绍 |
| 2.2 图像退化/复原的一般模型 |
| 2.3 经典图像复原算法 |
| 2.4 图像复原效果的评价标准 |
| 2.5 本章小结 |
| 第三章 基于BP神经网络的图像复原 |
| 3.1 人工神经网络介绍 |
| 3.2 神经网络在图像复原中的应用 |
| 3.3 BP神经网络算法 |
| 3.4 基于BP神经网络的图像复原方法关键技术 |
| 3.5 BP网络图像复原实验 |
| 3.6 BP神经网络图像复原方法的优缺点 |
| 3.7 本章小结 |
| 第四章 灰狼算法改进的BP网络在图像复原中的应用 |
| 4.1 标准灰狼算法 |
| 4.2 基于灰狼算法的BP神经网络算法 |
| 4.3 GWO-BP图像复原算法的改进 |
| 4.4 基于改进GWO-BP (IGWO-BP)算法图像复原实验 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（3）基于神经网络的图像复原方法研究（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 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第二章 图像复原理论基础 |
| 2.1 图像复原技术介绍 |
| 2.2 图像退化/复原的一般模型 |
| 2.2.1 连续函数的退化模型 |
| 2.2.2 离散函数的退化模型 |
| 2.3 几种经典的复原算法 |
| 2.3.1 逆滤波法图像复原 |
| 2.3.2 维纳滤波法复原 |
| 2.3.3 最小二乘滤波复原 |
| 2.3.4 最大后验概率复原 |
| 2.4 图像复原效果的评价标准 |
| 2.4.1 主观评价标准 |
| 2.4.2 客观评价标准 |
| 2.5 本章小结 |
| 第三章 神经网络在图像复原中的应用 |
| 3.1 人工神经网络的发展 |
| 3.2 图像处理中常用的神经网络 |
| 3.2.1 Hopfield神经网络 |
| 3.2.2 BP神经网络 |
| 3.2.3 自组织网络 |
| 3.2.4 小波神经网络 |
| 3.3 神经元的模型 |
| 3.4 本章小结 |
| 第四章 基于BP神经网络的图像复原方法关键技术 |
| 4.1 BP神经网络的网络模型 |
| 4.2 BP神经网络的算法原理 |
| 4.3 BP神经网络的样本选择 |
| 4.4 BP神经网络的网络设计 |
| 4.4.1 神经网络的网络结构 |
| 4.4.2 神经元的传输函数 |
| 4.5 神经网络的学习算法 |
| 4.6 遗传算法优化神经网络确定初始值 |
| 4.6.1 遗传算法概述 |
| 4.6.2 遗传算法优化BP神经网络初始权值 |
| 4.7 本章小结 |
| 第五章 BP神经网络图像复原的算法设计 |
| 5.1 整体技术方案 |
| 5.2 具体实现 |
| 5.2.1 获取神经网络的样本图像 |
| 5.2.2 传输函数的选择 |
| 5.2.3 神经网络的学习算法 |
| 5.2.4 遗传算法优化结果 |
| 5.3 实验结果与分析 |
| 5.3.1 实验结果 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A |
（4）人工蜂群算法在图像恢复中的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究发展及现状 |
| 1.2.1 图像恢复的研究发展及现状 |
| 1.2.2 人工蜂群算法的研究发展及现状 |
| 1.3 论文的主要研究内容及组织架构 |
| 第二章 图像恢复的基本原理 |
| 2.1 引言 |
| 2.2 图像恢复的理论基础 |
| 2.2.1 数字图像的矩阵表示和向量表示 |
| 2.2.2 线性、位置不变性 |
| 2.2.3 数字图像的二维离散卷积 |
| 2.3 图像退化过程 |
| 2.3.1 图像退化模型 |
| 2.3.2 图像噪声 |
| 2.4 常用的图像恢复方法 |
| 2.4.1 逆滤波 |
| 2.4.2 维纳滤波 |
| 2.4.3 约束最小二乘方滤波 |
| 2.5 盲图像恢复方法 |
| 2.5.1 先验模糊辨识算法 |
| 2.5.2 ARMA参数估计法 |
| 2.5.3 迭代盲去卷积算法 |
| 2.6 图像恢复质量评价 |
| 2.7 本章小结 |
| 第三章 人工蜂群算法的基本理论 |
| 3.1 引言 |
| 3.2 自然界的蜂群特征 |
| 3.2.1 蜂群的群体行为特征 |
| 3.2.2 蜂群的觅食过程 |
| 3.3 人工蜂群算法的基本流程 |
| 3.3.1 人工蜂群算法的思路 |
| 3.3.2 人工蜂群算法的实现流程 |
| 3.4 基准函数测试 |
| 3.5 本章小结 |
| 第四章 人工蜂群算法在图像去噪中的应用 |
| 4.1 引言 |
| 4.2 标记噪声矩阵 |
| 4.3 人工蜂群算法在图像去噪中的应用 |
| 4.3.1 目标函数的优化 |
| 4.3.2 基于人工蜂群算法的图像去噪方法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 人工蜂群算法在盲图像恢复中的应用 |
| 5.1 引言 |
| 5.2 基于人工蜂群算法的盲图像恢复方法 |
| 5.2.1 目标函数 |
| 5.2.2 算法流程 |
| 5.3 实验结果与分析 |
| 5.3.1 维纳滤波法和最小二乘方滤波法的比较分析 |
| 5.3.2 点扩散函数的估计 |
| 5.3.3 不同模糊程度的恢复效果分析 |
| 5.3.4 收敛速度的影响因素分析 |
| 5.3.5 多种盲图像恢复方法的比较 |
| 5.3.6 彩色图像的恢复 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）运动与散焦混合模糊图像的恢复算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.1.1 运动模糊图像恢复的研究状况 |
| 1.1.2 散焦模糊图像恢复的研究状况 |
| 1.1.3 混合模糊图像的恢复 |
| 1.2 非盲图像恢复的研究状况 |
| 1.3 盲图像恢复的研究状况 |
| 1.4 混合模糊图像恢复存在的问题及课题提出的意义 |
| 1.5 论文主要研究内容和技术路线 |
| 第二章 模糊图像的退化模型及传统的去模糊算法 |
| 2.1 散焦模糊与运动模糊 |
| 2.1.1 散焦模糊图像 |
| 2.1.2 运动模糊图像 |
| 2.1.3 点扩散函数 |
| 2.2 图像退化的数学模型 |
| 2.2.1 散焦模糊退化模型 |
| 2.2.2 运动模糊退化模型 |
| 2.2.3 运动模糊图像的频谱特性 |
| 2.3 混合模糊图像的形成 |
| 2.3.1 混合模糊图像的形成 |
| 2.3.2 混合模糊图像的频谱 |
| 2.4 传统去模糊算法 |
| 2.4.1 无约束最小二乘方复原法 |
| 2.4.2 维纳滤波法 |
| 2.4.3 Richardson-Lucy(R-L)算法的迭代恢复 |
| 2.5 被恢复图像的质量评价方法 |
| 2.5.1 主观评价方法 |
| 2.5.2 客观评价方法 |
| 2.6 本章小结 |
| 第三章 运动模糊图像恢复算法的研究 |
| 3.1 动模糊图像模糊角度的估计 |
| 3.1.1 直线边缘检测的方法 |
| 3.1.2 直线的角度检测 |
| 3.2 求解模糊核的模糊长度 |
| 3.2.1 估计模糊长度的理论推导 |
| 3.2.2 本文求模糊长度的具体算法 |
| 3.2.3 运动模糊核模糊尺度估计实验 |
| 3.3 运动模糊图像恢复的实验 |
| 3.4 本章结论 |
| 第四章 散焦模糊图像恢复算法的研究 |
| 4.1 原始-对偶算法理论分析 |
| 4.2 最小二乘模型下原始-对偶算法的计算 |
| 4.2.1 基于最小二乘模型的图像恢复的原-对偶算法 |
| 4.3 Tikhonov正则化模型下的原始-对偶算法 |
| 4.3.1 Tikhonov正则化模型下的原始-对偶算法 |
| 4.4 本章结论 |
| 第五章 混合模糊图像的恢复算法研究 |
| 5.1 混合模糊图像频谱的特殊性 |
| 5.2 运动模糊处理后再进行散焦模糊处理的混合模糊图像恢复 |
| 5.2.1 先进行去运动模糊再进行去散焦模糊的图像恢复 |
| 5.2.2 先进行去散焦模糊再进行去运动模糊的图像恢复 |
| 5.3 散焦模糊处理后再进行运动模糊处理的混合模糊图像恢复 |
| 5.3.1 先进行去运动模糊再进行去散焦模糊的图像恢复 |
| 5.3.2 先进行去散焦模糊再进行去运动模糊的图像恢复 |
| 5.4 本章结论 |
| 第六章 研究结论 |
| 第七章 工作总结与展望 |
| 7.1 工作总结 |
| 7.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士期间发表的学术论文 |
（6）模糊Hopfield网络的鲁棒性控制及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本文的研究背景和意义 |
| 1.2 模糊神经网络的研究现状 |
| 1.3 图像恢复的现状分析 |
| 1.3.1 传统滤波法 |
| 1.3.2 神经网络法 |
| 1.3.3 小波分析法 |
| 1.3.4 小波分析法 |
| 1.4 本文完成的工作 |
| 第二章 常用的模糊神经网络及其特点 |
| 2.1 神经网络概论 |
| 2.1.1 神经网络发展简史 |
| 2.1.2 神经网络的主要应用领域 |
| 2.2 模糊神经元 |
| 2.3 模糊神经网络 |
| 2.3.1 模糊极大极小神经网络 |
| 2.3.2 模糊小脑模型神经网络 |
| 2.3.3 模糊 Hopfield 神经网络 |
| 2.3.4 模糊联想神经网络 |
| 2.4 本章小结 |
| 第三章 Max-T-C FHNN 的收敛性与鲁棒性分析 |
| 3.1 Max-T-C FHNN 网络模型 |
| 3.2 相关概念及引理 |
| 3.3 Max-T-C 模糊 Hopfield 网络的收敛性及鲁棒性分析 |
| 3.3.1 Max-T-C 模糊 Hopfield 网络的收敛性分析 |
| 3.3.2 Max-T-C 模糊 Hopfield 网络的鲁棒性分析 |
| 3.4 实验 |
| 3.5 本章小结 |
| 第四章 Max-T-C FHNN 在图像恢复中的应用 |
| 4.1 问题的提出 |
| 4.2 基于 Max-T-C 模糊 Hopfield 网络的图像恢复算法 |
| 4.2.1 建立模糊 Hopfield 神经网络模型 |
| 4.2.2 图像的归一化处理 |
| 4.2.3 Max-T-C 模糊 Hopfield 网络的训练 |
| 4.3 实验 |
| 4.3.1 实验步骤 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 中文详细摘要 |
| 英文详细摘要 |
（7）盲均衡技术在医学CT图像盲恢复算法中的应用研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 图像盲恢复算法研究现状 |
| 1.2.1 单通道图像盲恢复算法 |
| 1.2.2 多通道图像盲恢复算法 |
| 1.3 图像盲恢复算法的应用 |
| 1.4 论文创新点及结构安排 |
| 1.4.1 论文创新点 |
| 1.4.2 论文结构安排 |
| 第二章 医学CT图像盲均衡算法研究的理论基础 |
| 2.1 医学 CT 图像的成像机理及退化分析 |
| 2.1.1 医学 CT 图像 |
| 2.1.2 医学 CT 图像的成像过程 |
| 2.1.3 医学 CT 图像的退化过程 |
| 2.2 盲均衡技术及其理论分析 |
| 2.2.1 盲均衡算法基本原理 |
| 2.2.2 代价函数及其选择 |
| 2.3 自适应算法及其选择 |
| 2.4 图像盲均衡与一维盲均衡算法的等效分析 |
| 2.4.1 图像盲均衡的算法结构 |
| 2.4.2 二维图像盲均衡与一维盲均衡等效分析 |
| 2.5 图像盲均衡的评价指标 |
| 第三章 基于降维处理的医学CT图像盲均衡算法的研究 |
| 3.1 降维处理在图像处理中的应用与发展 |
| 3.1.1 降维处理在图像处理中的发展 |
| 3.1.2 降维处理在医学图像处理中的应用 |
| 3.2 降维处理恒模医学 CT 图像盲均衡算法 |
| 3.2.1 降维处理恒模医学 CT 图像盲均衡算法原理 |
| 3.2.2 算法稳态收敛性能分析 |
| 3.2.3 算法动态收敛性能分析 |
| 3.2.4 实验仿真及结果分析 |
| 3.3 降维处理变步长恒模医学 CT 图像盲均衡算法 |
| 3.3.1 基于误差信号峰度的变步长恒模医学 CT 图像盲均衡算法 |
| 3.3.2 基于均方误差变步长恒模医学 CT 图像盲均衡算法 |
| 3.4 分数低阶恒模医学 CT 图像盲均衡算法 |
| 3.4.1 分数低阶恒模医学 CT 图像盲均衡算法基本原理 |
| 3.4.2 实验仿真及结果分析 |
| 3.5 本章小结 |
| 第四章 基于复值变换的医学CT图像盲均衡算法研究 |
| 4.1 复值变换的图像盲恢复算法研究现状 |
| 4.2 基于行列变换的恒模医学 CT 图像盲均衡算法 |
| 4.2.1 基于行列变换的恒模医学 CT 图像盲均衡算法的基本原理 |
| 4.2.2 算法推导 |
| 4.2.3 算法收敛特性分析 |
| 4.2.4 实验仿真及结果分析 |
| 4.3 频域差错概率最小医学 CT 图像盲均衡算法 |
| 4.3.1 频域差错概率最小医学 CT 图像盲均衡算法基本原理 |
| 4.3.2 算法推导 |
| 4.3.3 步长选择 |
| 4.3.4 实验仿真及结果分析 |
| 4.4 本章小结 |
| 第五章 基于Zigzag编码医学CT图像神经网络盲均衡算法研究 |
| 5.1 神经网络图像盲恢复算法研究 |
| 5.2 基于 Zigzag 编码的医学 CT 图像神经网络盲均衡算法 |
| 5.2.1 Zigzag 编码的医学 CT 图像神经网络盲均衡算法的基本原理 |
| 5.2.2 算法推导 |
| 5.2.3 算法收敛性能分析 |
| 5.2.4 实验仿真结果分析 |
| 5.3 双Zigzag 编码的医学 CT 图像神经网络盲均衡算法 |
| 5.3.1 双 Zigzag 编码医学 CT 图像神经网络盲均衡算法基本原理 |
| 5.3.2 算法推导 |
| 5.3.3 传递函数选择分析 |
| 5.3.4 实验仿真及结果分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文所做的主要工作 |
| 6.2 论文的创新之处 |
| 6.3 今后进一步研究的方向 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（8）模糊字迹图像恢复的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 概述 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容 |
| 第2章 文字图像盲恢复算法研究基础 |
| 2.1 盲图像恢复研究 |
| 2.1.1 图像退化模型 |
| 2.1.2 基本的盲图像恢复算法 |
| 2.2 文字图像特征 |
| 2.3 本章小结 |
| 第3章 盲解卷积图像恢复算法 |
| 3.1 引言 |
| 3.2 盲解卷积算法原理 |
| 3.3 改进的盲解卷积算法 |
| 3.3.1 改进盲解卷积算法原理 |
| 3.3.2 改进盲解卷积算法流程 |
| 3.4 算法比较与分析 |
| 3.5 本章小结 |
| 第4章 NAS-RIF图像恢复算法 |
| 4.1 引言 |
| 4.2 NAS-RIF算法原理 |
| 4.3 改进的NAS-RIF算法 |
| 4.3.1 改进NAS-RIF算法原理 |
| 4.3.2 改进NAS-RIF算法流程 |
| 4.4 算法比较与分析 |
| 4.5 本章小结 |
| 第5章 仿真实验结果和分析 |
| 5.1 实验数据准备 |
| 5.2 仿真实验结果 |
| 5.2.1 盲解卷积算法实验结果 |
| 5.2.2 NAS-RIF算法实验结果 |
| 5.3 实验分析和归纳 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（10）遥感影像中大气模糊消除恢复算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 大气对遥感成像系统分辨力的影响分析[2] |
| 1.2.1 基本原理 |
| 1.2.2 结论 |
| 1.3 遥感影像去大气模糊的研究意义 |
| 1.4 数字图像恢复算法概述 |
| 1.4.1 图像恢复问题的数学描述 |
| 1.4.2 图像恢复问题中所需的先验信息 |
| 1.4.3 直接恢复算法 |
| 1.4.4 正则化算法 |
| 1.4.5 自适应恢复算法 |
| 1.4.6 图像盲恢复算法 |
| 1.4.7 超分辨率恢复算法 |
| 1.4.8 神经网络法 |
| 1.4.9 基于支持向量机的图像恢复算法 |
| 1.5 大气退化图像恢复的研究现状 |
| 1.6 论文主要研究内容及章节安排 |
| 1.6.1 主要研究内容 |
| 1.6.2 章节安排 |
| 第二章 MTF的物理意义及其应用 |
| 2.1 MTF 的概念与物理意义 |
| 2.1.1 MTF 的概念 |
| 2.1.2 MTF 的物理意义 |
| 2.2 MTF 的计算方法 |
| 2.2.1 理论基础 |
| 2.2.2 卫星遥感系统MTF 的常用计算方法 |
| 2.3 基于MTF 的遥感影像质量评价方法与常用评价指标 |
| 2.3.1 基于MTF 的遥感影像质量评价 |
| 2.3.2 常用的遥感影像质量评价指标 |
| 2.4 遥感影像的MTF 补偿 |
| 2.5 本章小结 |
| 第三章 基于气象数据的大气MTF估计 |
| 3.1 简介 |
| 3.2 大气湍流MTF 估计模型 |
| 3.3 大气气溶胶MTF 估计模型 |
| 3.4 大气整体MTF 估计模型 |
| 3.5 试验结果与分析 |
| 3.6 本章小结 |
| 第四章 利用估计大气MTF改进的维纳滤波和直接解卷积算法 |
| 4.1 经典维纳滤波算法 |
| 4.2 改进的维纳滤波算法及其试验结果 |
| 4.2.1 算法改进思路与实现步骤 |
| 4.2.2 试验结果与对比分析 |
| 4.3 直接解卷积算法 |
| 4.3.1 算法简介 |
| 4.3.2 Lévy 点扩散函数 |
| 4.3.3 中心极限定理与直接解卷积算法 |
| 4.3.4 影像傅里叶变换与直接解卷积算法 |
| 4.3.5 SECB 图像恢复方法与扩散方程 |
| 4.3.6 慢动作盲解卷积(Slow Motion Blind Deconvolution) |
| 4.3.7 算法实现步骤 |
| 4.4 改进的直接解卷积算法及其试验结果 |
| 4.4.1 算法改进思路与实现流程 |
| 4.4.2 试验结果与对比分析 |
| 4.5 本章小结 |
| 第五章 基于“近视”解卷积算法的自适应遥感影像恢复 |
| 5.1 简介 |
| 5.2 自适应解卷积算法 |
| 5.2.1 成像模型 |
| 5.2.2 基于Bayesian 原理的解卷积框架 |
| 5.2.3 基于边缘保护的“近视”解卷积 |
| 5.2.4 扩展到多帧数据 |
| 5.3 算法实现步骤 |
| 5.3.1 算法综述 |
| 5.3.2 约束共轭梯度最小化 |
| 5.3.3 代价函数偏导数的计算 |
| 5.3.4 正则化参数的自适应估计 |
| 5.4 基于遥感影像的实验结果 |
| 5.5 本章小结 |
| 第六章 基于Bayesian原理的遥感影像解卷积算法 |
| 6.1 算法简介与贝叶斯原理 |
| 6.1.1 盲解卷积的发展现状 |
| 6.1.2 复杂问题的约束 |
| 6.1.3 贝叶斯原理 |
| 6.2 正向模型 |
| 6.2.1 利用关键变量模型对自然场景进行建模 |
| 6.2.2 对图像形成过程的理解 |
| 6.3 贝叶斯估计：正向模型的逆过程 |
| 6.3.1 多余变量的边际化和相关近似 |
| 6.3.2 一种参数估计的盲算法 |
| 6.3.3 对模型进行简化 |
| 6.3.4 简化的优化算法 |
| 6.4 实验结果 |
| 6.4.1 对两种模糊参数识别算法的验证 |
| 6.4.2 利用识别的模糊参数对退化影像进行恢复 |
| 6.5 进一步的发展与改进 |
| 6.5.1 计算的不确定性 |
| 6.5.2 模型估计和检测 |
| 6.5.3 增强算法的鲁棒性 |
| 6.6 本章小结 |
| 第七章 基于梯度域动态压缩的高辐射分辨率遥感影像增强算法 |
| 7.1 简介 |
| 7.1.1 高辐射分辨率遥感影像及其特性 |
| 7.1.2 梯度域高动态范围图像压缩 |
| 7.2 研究现状 |
| 7.3 梯度域动态压缩 |
| 7.4 梯度衰减函数 |
| 7.5 应用 |
| 7.6 实验结果与分析 |
| 7.7 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 作者简历 攻读博士学位期间完成的主要工作 |
| 致谢 |
四、基于神经网络的盲图像恢复（论文参考文献）
- [1]基于智能优化算法的BP神经网络图像复原[D]. 李建宏. 西华大学, 2021(02)
- [2]基于改进灰狼算法-BP神经网络的图像复原方法研究[D]. 王海峰. 宁夏大学, 2019(02)
- [3]基于神经网络的图像复原方法研究[D]. 张维. 昆明理工大学, 2017(01)
- [4]人工蜂群算法在图像恢复中的研究[D]. 杨洁. 华南理工大学, 2017(07)
- [5]运动与散焦混合模糊图像的恢复算法研究[D]. 何姣姣. 昆明理工大学, 2016(02)
- [6]模糊Hopfield网络的鲁棒性控制及其应用[D]. 刘亮. 长沙理工大学, 2013(S2)
- [7]盲均衡技术在医学CT图像盲恢复算法中的应用研究[D]. 孙云山. 天津大学, 2012(05)
- [8]模糊字迹图像恢复的研究[D]. 唐婀婷. 华北电力大学, 2012(03)
- [9]图像盲恢复算法的研究[J]. 孙云山,张立毅,段继忠,王艳. 数学的实践与认识, 2011(07)
- [10]遥感影像中大气模糊消除恢复算法研究[D]. 王振国. 解放军信息工程大学, 2010(07)