导读:本文包含了去马赛克论文开题报告文献综述及选题提纲参考文献，主要关键词:去马赛克,光场,微透镜阵列,双引导滤波
去马赛克论文文献综述
石梦迪,张旭东,董运流,张骏,孙锐[1]（2019）在《一种双引导滤波的光场去马赛克方法》一文中研究指出针对光场相机特定透镜结构及透镜边缘像素混迭导致获得的光场多视角图像质量较差的问题,本文提出了一种基于双引导滤波的光场去马赛克算法。首先用白图像及透镜掩膜信息重新加权基于梯度的无阈值(GBTF)算法重建G图像,然后使用重建的G图像对R/B图像进行双引导重建R/B图像,最后将重建的R、G、B图像组合为全彩色图像。实验结果表明,与其他先进去马赛克方法相比,指标CPSNR提高1.68%,指标SSIM提高2%,并且本文方法得到的光场多视角图像具有清晰的边缘和较少的颜色伪影。(本文来源于《光电工程》期刊2019年12期）
刘铭丽,王希云[2]（2019）在《高阶全变差正则化彩色图像去马赛克》一文中研究指出针对全变差(total variation,TV)正则化方法会在恢复出来的图像中产生阶梯效应,提出了一种基于四阶偏微分方程的高阶全变差正则化彩色图像去马赛克模型,此模型在ROF模型的基础上,用四阶范数代替TV范数,消除了ROF模型所产生的阶梯效应。实验结果表明,该模型能取得较好的图像复原效果。(本文来源于《太原科技大学学报》期刊2019年06期）
谢长江,杨晓敏,严斌宇,芦璐[3]（2019）在《基于深度学习的彩色以及近红外图像去马赛克》一文中研究指出单传感器捕获的彩色-近红外(RGB-NIR)图像存在光谱干扰,从而导致重建出的标准彩色图像(RGB)图像与近红外(NIR)图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法,通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题,使得网络更容易训练,并且提升了网络的拟合能力。首先,用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征;然后,将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征;其次,为充分利用低级特征与高级特征,将多个残差稠密块提取到的特征进行组合;最后,通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组(IVRG)数据集、有植被的户外多光谱图像(OMSIV)数据集和森林(Forest)叁个公开数据集进行实验。实验结果表明,所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。(本文来源于《计算机应用》期刊2019年10期）
刘铭丽,王希云[4]（2019）在《一种改进的彩色图像去马赛克总变分模型》一文中研究指出针对去马赛克总变分正则化模型的不足,提出了一种改进的彩色图像去马赛克总变分模型,将彩色图像的灰度化图像引入到传统彩色图像去马赛克总变分正则化模型中,利用原始对偶不动点算法求解该模型.数值实验结果表明了该模型和算法的有效性和优越性.(本文来源于《山西师范大学学报(自然科学版)》期刊2019年03期）
刘铭丽,王希云[5]（2018）在《一种改进的高阶全变差正则化彩色图像去马赛克》一文中研究指出针对高阶全变差正则化彩色图像去马赛克模型的不足,提出了一种改进的彩色图像去马赛克总变分模型,将彩色图像的灰度化图像引入到高阶彩色图像去马赛克正则化模型中,利用原始对偶不动点算法求解该模型.数值实验结果表明了该模型和算法的有效性和优越性.(本文来源于《宁夏师范学院学报》期刊2018年10期）
袁明[6]（2018）在《基于深度学习的联合去马赛克去噪方法》一文中研究指出目前大多数数码相机都只采用单传感器相机系统来捕捉图像,以达到减小体积和成本的目的,但是单传感器相机系统只能获得每一个像素点中的某一个色彩分量。为了获得人眼能够接受的彩色图像,必须利用相应的方法恢复丢失的色彩信息,这类方法被称为CFA插值,也被称为CFA图像去马赛克。另外,由于电磁效应和热效应的影响,CFA图像的获取过程中通常会引入一定量的噪声,因此,去马赛克去噪是数码相机获得高质量彩色图像的重要环节。研究更为高效的去马赛克去噪方法不仅能够进一步满足视觉需求,而且能够为后续高级图像处理任务奠定良好基础。传统的联合去马赛克去噪方法主要是利用CFA图像的退化模型和某种先验信息得出彩色图像的估计值,但这类方法对图像中纹理较多的区域处理效果并不好,主要表现为虚假色、锯齿效应、伪影等。近几年提出的基于深度学习的联合去马赛克去噪方法解决了传统方法中先验信息的引入难题,较大程度的改善了彩色图像的质量,但是深度学习中的浅层卷积神经网络仍然不能充分挖掘图像中的细节信息,进而不能重构出更高质量的彩色图像。本文在上述研究的基础上,针对基于深度学习的CFA图像联合去马赛克去噪问题展开研究,主要工作和贡献点如下:1.提出了一种基于深度卷积网络的CFA图像联合去马赛克去噪方法。由于浅层卷积神经网络不能挖掘图像中更加深层的信息,本文设计了一个新颖的深层卷积神经网络,然后利用该网络和大量训练样本拟合含噪的CFA图像和清晰的彩色图像之间的非线性映射关系,并以这种关系为指导进行联合去马赛克去噪。具体是利用一系列卷积层提取CFA图像中所包含的空间相关性和通道间相关性信息,然后利用亚像素卷积层和一个卷积层恢复最终的彩色图像。实验结果显示,该方法能够获得更好的去马赛克去噪结果。2.提出了一种基于生成对抗网络的CFA图像联合去马赛克去噪方法。现有许多去马赛克去噪方法(包括贡献点1中提出的方法)重构出的彩色图像均丢失了较多的纹理信息,图像整体趋于平滑。针对这一问题,本文提出了一种基于生成对抗网络的联合去马赛克去噪方法,该方法是在贡献点1中网络模型的基础上增加了另一个卷积神经网络,利用该网络矫正贡献点1中网络所学习到的映射关系,使贡献点1中网络的输出尽可能以概率1接近真实的彩色图像。实验结果表明,该方法能够获得纹理丰富、视觉效果良好的彩色图像。(本文来源于《西安电子科技大学》期刊2018-06-01）
任娟[7]（2018）在《联合去马赛克和去噪》一文中研究指出联合去马赛克和去噪是对数码相机传感器输出的嘈杂的彩色图像原始数据进行重建.使用全变差重建图像是常用的方法,正则化项的构造对图像的处理起很重要的作用.传统的各向同性有界变差实际上远非真正意义上的各向同性,新定义的正则化项将各向同性有界变差和L2范数进行了适当的结合,在保持边缘特征方面取得了更好的效果,尤其提高了彩色图像的处理效果.(本文来源于《太原科技大学学报》期刊2018年03期）
董鹏宇[8]（2018）在《RGBX格式图像传感器的去马赛克算法》一文中研究指出Bayer格式的图像传感器在每个像素位置上只采样红绿蓝叁原色中的一种。在某些应用中,Bayer颜色滤光片阵列(colour filter array)的一个G(绿色)滤光片会被其他滤光片代替,如W(白色)滤光片或IR(红外)滤光片等。而绝大多数发表的去马赛克算法都是基于经典的Bayer格式。文中提出了一种通用的去马赛克算法,不仅可以适用于所有以2x2为最小采样周期的图像传感器而且该方法在颜色峰值信噪比(CPSNR)方面也达到了很高的指标。(本文来源于《集成电路应用》期刊2018年05期）
董鹏宇[9]（2018）在《非bayer格式图像传感器去马赛克方法》一文中研究指出绝大多数发表的去马赛克算法都是基于经典的Bayer颜色滤光片阵列(colour filter array CFA)。在某些特殊的应用中,Bayer CFA的一个G(绿色)滤光片会被其他滤光片代替,如W(白色)滤光片或IR(红外)滤光片等。论文中提出了一种通用插值方法,适用于所有以2×2为最小采样周期的非Bayer格式的CFA。该方法在颜色峰值信噪比(CPSNR)和主观图像质量方面均取得了良好的效果。(本文来源于《集成电路应用》期刊2018年04期）
贾慧秒[10]（2018）在《基于残余插值的彩色图像去马赛克算法研究》一文中研究指出考虑到物理实现和成本问题,大部分数码相机仅使用一个传感器来获取彩色图像。传感器表面覆盖一层颜色滤波阵列(CFA),光线经过颜色滤波阵列仅接收红、绿、蓝叁基色中的一种颜色分量。要得到完整的彩色图像,需要估计缺失的两种颜色分量,这个过程叫做去马赛克,也叫图像插值。去马赛克是物体检测、图像识别等后续处理的前提,所以研究有效的去马赛克算法,对于后续的图像处理具有重要的实用价值。本文在现有插值算法的基础上,提出基于残余插值的卷积神经网络去马赛克算法。本文所做工作如下:(1)插值绿色通道时,把图像边缘划分为更多类别,除了包括传统的水平和垂直方向的边缘外,还包括四种倾斜方向的边缘。如果水平和垂直方向均无边缘,则转而判断倾斜方向是否存在边缘,倾斜方向的边缘检测算子由绿色通道的梯度和红蓝通道的二阶导数构成,充分发掘了每个通道的信息,边缘分类细化后的插值方向判断更为精确。(2)提出倾斜方向的插值公式。在对边缘进行了更细致的划分后,插值按照检测到的边缘方向进行,传统的水平和垂直方向已经有了很成熟的插值公式,本文重点研究斜方向的插值公式。如果边缘方向已经确定,根据通道相关性原则,可以提出合理假设,即沿着边缘方向的颜色差是稳定的,由此推导出基于通道相关性的倾斜方向插值公式,在倾斜方向插值准确。(3)在绿色平面插值完成后,得到的初步去马赛克结果分辨率不够高,基于此观察,本文利用卷积神经网络,以初步去马赛克结果作为卷积神经网络的输入,以真实的全彩色图像作为网络的标签,对网络进行训练,学习初步去马赛克结果和原始图像之间的映射关系,实现分辨率的提升。(4)提出基于颜色饱和度混合色差平面的后处理步骤。本文实验证明图像颜色饱和度越高,通道之间的相关性越弱,色差平面也越不稳定。因此,本文提出一种根据颜色饱和度和几何距离混合色差平面的方法,在高频区域,恢复出的图像视觉效果更佳。(本文来源于《华北电力大学(北京)》期刊2018-03-01）
去马赛克论文开题报告
（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：
针对全变差(total variation,TV)正则化方法会在恢复出来的图像中产生阶梯效应,提出了一种基于四阶偏微分方程的高阶全变差正则化彩色图像去马赛克模型,此模型在ROF模型的基础上,用四阶范数代替TV范数,消除了ROF模型所产生的阶梯效应。实验结果表明,该模型能取得较好的图像复原效果。
（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。
去马赛克论文参考文献
[1].石梦迪,张旭东,董运流,张骏,孙锐.一种双引导滤波的光场去马赛克方法[J].光电工程.2019
[2].刘铭丽,王希云.高阶全变差正则化彩色图像去马赛克[J].太原科技大学学报.2019
[3].谢长江,杨晓敏,严斌宇,芦璐.基于深度学习的彩色以及近红外图像去马赛克[J].计算机应用.2019
[4].刘铭丽,王希云.一种改进的彩色图像去马赛克总变分模型[J].山西师范大学学报(自然科学版).2019
[5].刘铭丽,王希云.一种改进的高阶全变差正则化彩色图像去马赛克[J].宁夏师范学院学报.2018
[6].袁明.基于深度学习的联合去马赛克去噪方法[D].西安电子科技大学.2018
[7].任娟.联合去马赛克和去噪[J].太原科技大学学报.2018
[8].董鹏宇.RGBX格式图像传感器的去马赛克算法[J].集成电路应用.2018
[9].董鹏宇.非bayer格式图像传感器去马赛克方法[J].集成电路应用.2018
[10].贾慧秒.基于残余插值的彩色图像去马赛克算法研究[D].华北电力大学(北京).2018