開題報告是畢業論文答辯委員會對學生答辯資格審查的一個重要依據材料，下面是小編蒐集整理的電子資訊科學與技術開題報告，歡迎閱讀檢視。
設計(論文)題目： 基於稀疏表示的單幀影象超分辨重建演算法研究
1.結合畢業論文課題情況，根據所查閱的文獻資料，撰寫2000字左右的文獻綜述：
文獻綜述
影象是人類獲取資訊的主要來源之一，是人類社會活動最常用的資訊載體之一，為人類構建了一個形象的思維模式，有助於人們的學習和思考。人眼觀察到的影象，其細節資訊越豐富，則影象整體效果越好，影象質量越好。影象解析度是影象細節分辨能力的衡量指標，它表示影象中目標景物的細微程度與影象資訊的詳細程度，反映了影象中儲存的資訊量。影象的解析度越高，人眼能捕捉到的資訊越豐富。由於受到影象成像裝置的技術條件限制以及影象在獲取時周圍環境因素的影響，實際獲得的影象質量存在退化現象，這對於影象的後續處理，如影象特徵提取和目標定位等，產生了不利的影響。
為了解決這一問題，人們利用訊號處理技術，提高影象的解析度。數字影象處理最早出現於20世紀50年代，現在已發展成資訊領域中的一門新興學科。在數字處理技術中鋒，以提高影象解析度為目的產生影象超解析度技術，它是指利用現有的低解析度成像裝置獲得低解析度影象，然後通過一定的訊號處理方法獲得相同場景下的高解析度影象。該技術為解決提高影象解析度的問題提供了一條有效的途徑，已成為一種具有廣泛應用前景的數字影象處理方法。由於影象超分辨技術不需要改變現有物理裝置就能獲得滿足實際需要的高解析度影象，與傳統的提高影象解析度的方法相比，不但改善了採用傳統軟體方法提高影象解析度的效果而且避免由硬體升級所消耗的成本。
影象超解析度重建方法的發展歷程主要包括三個階段:插值重建、多幀重建和基於學習的方法重建(基於稀疏表示的方法屬於此類)。它們對於超解析度重建問題的解決，給出了自己的思路，且有各自的優點和缺點。基於學習的超解析度重建技術首先利用高分辨影象訓練庫和影象退化模型獲得一個高低解析度的影象訓練集，然後通過一定的學習演算法獲得高低解析度影象之間的對映關係，最後利用優化演算法對待重建的低解析度影象進行優化，估計出相應的高解析度影象。基於稀疏表示的超解析度方法是基於學習的超解析度重建方法中的新方向。
基於稀疏表示的方法是先用低解析度樣本選連一個低解析度字典，然後根據影象的降質過程，約產生一個和上述低解析度字典匹配的高解析度字典。基於稀疏表示的方法可以較好的保持鄰域關係，且可以恢復更多的影象細節資訊，但它的缺點是稀疏編碼階段的計算量較大，另一方面，得到一個具有廣泛表示能力的過完備字典較難。
影象超分辨技術不需要改變現有物理裝置,只要採用適當的數字訊號處理技術,就能獲得滿足需要的高解析度影象,在技術上和成本上具有較大優勢,因此被越來越多地應用於高清數字電視、軍事遙感監測、公共安全和醫學成像等領域。相對於多幀重建技術,單幀影象超解析度技術在重建時僅需要一幅實際場景中的低解析度影象就能估計出相同場景下的高解析度影象,在一些應用中更能滿足實際應用需求。基於稀疏表示的超解析度方法,是單幀影象超解析度重建方法研究的新方向。
影象在獲取過程中存在退化現象，通過超解析度重建技術，可以在不改變現有成像裝置的情況下獲得滿足需要的高解析度影象。根據現有超解析度重建演算法在獲取高解析度影象時所採用的低解析度影象數目的多少，可以將基於插值重建的超解析度方法和基於學習的方法統稱為單幀影象超解析度重建。單幀影象超解析度重建方法的主要思想是利用一幅低解析度影象模擬影象退化的逆過程，從而估計出同一場景下的高解析度影象。這兩段插入到第二段後面。
設計一個好的字典在稀疏表示問題中很重要，而選取恰當的訓練樣本是學習字典的第一步。在基於單幀影象的超解析度影象重建中，利用自然影象具有相似的結構基元這一特性，高解析度樣本集從其他與被重構影象無關的高解析度的影象中隨機選取，相應的低解析度樣本可以從與這些高解析度自然影象相應的低解析度影象中選取。由於被重構影象和訓練影象沒有關係，我們需要構建一個有廣泛表達能力的字典，因此獲取樣本時選取儘可能多的訓練影象且使得它們之間的相似度儘可能地小。為了設計一個有充分表達能力的字典，樣本數通常要遠多於字典基元的個數，且樣本數越多設計的字典越精確，但是隨著樣本數的增多計算量也隨之增大。在先前的基於稀疏表示的影象超解析度重建演算法中樣本個數通常採用手動除錯的方法達到所期望演算法的效果，即既保持字典較好的表達能力又具有適度的計算量，這樣做的優點是可以針對不同的影象、不同的字典基元維數選擇最佳的樣本數，但是同時增加了除錯的複雜度。
在選取樣本集時另一個需要考慮的問題是所選樣本的維數。在基於學習的超解析度影象重建方法中通常以影象的特徵塊(例如 7×7 的塊)為單位進行訓練和恢復，且在演算法實現時將每個塊拉成一個列向量，有時為了增強所學習字典的表達能力需到提取影象的兩種或者更多種特徵(例如影象的一階導數、二階導數)，將所有特徵影象對應的'特徵塊分別拉成列向量並將它們組成一個特徵向量，本文稱這裡的特徵向量的維數為樣本的維數。如果這裡只考慮一種影象特徵，則樣本的維數和特徵塊的尺寸直接相關。當特徵塊的尺寸選的較大時，說明主要考慮了影象的大尺度特徵，反之說明主要考慮了小尺度特徵，通常需要根據所處理影象的特點選擇特徵塊的尺寸。另外，由於不同尺寸的特徵塊反應了影象在不同尺寸空間的特徵，在多尺度字典會考慮了不同尺寸的影象特徵。
基於學習一類的超解析度演算法中，近鄰數目選擇不當，會使重建出來的高解析度影象細節和邊緣模糊，從而影響影象的重建質量。針對這一問題基於稀疏表示的影象超解析度重建演算法給出了很好的解決辦法。
2.本課題要研究或解決的問題和擬採用的研究手段(途徑)：
在基於稀疏表示的單幀影象超解析度重建中，通常包括以下三個步驟：抽取樣本集、訓練字典、重構高解析度影象。它們之間的關係可以用圖1表示。下面將從這三個方面分別概述它們的關鍵步驟。
在抽取樣本集時關鍵在於確定合適的影象特徵，只有所選擇的影象特徵能充分表達高分辨影象的細節資訊，才可能建立一個有效的字典。由於從高解析度影象到低解析度影象主要丟失的是高頻細節資訊，因此通常選擇高解析度影象的高頻特徵來訓練字典，例如影象的邊緣結構和紋理結構。
利用所選擇的樣本學習一個有效的字典通常需要先建立一個優化目標方程，然後選擇一個合適的優化演算法來求解這個方程。優化過程通常包括稀疏表示係數更新和字典更新兩個階段，通過一定的迭代步驟可以求得字典和相應的表示係數。根據恢復步驟方法的不同，可以學習兩種型別的字典，一種是學習一個高低解析度字典對，另外一種是隻學習一個高解析度字典。第一種字典對應的恢復步驟是先利用低解析度字典求得低解析度影象特徵塊對應的表示係數，然後利用這個表示係數和高解析度字典求得對應的高解析度影象特徵塊;第二種字典對應的恢復步驟是利用輸入的低解析度影象和學習的高解析度字典根據影象的降質模型建立優化方程，然後迭代求解高解析度影象的表示係數，最後估計要恢復的高解析度影象。
參考文獻
[1]張劍.影象超解析度重建問題研究田〕.中南大學，2010.
[2]李立琴.影象超解析度重建演算法研究〔D].重慶大學，2011.
[3]仇芳.影象超解析度若干技術及應用田〕.上海交通大學，2011.
[4] Park S. C., Park M. K., Kang M. Cz Super-resolution image reconstruction: a technical overview[J].Signal Processing Magazine, IEEE, 2003, 20(3): 21-36.
[5]方振宇.影象超解析度重建技術的研究及應用[[D].武漢理工大學，2012.
[6] Gonzalez R. C., Woods R. E., Eddins S. L.岡薩雷斯數字影象處理(MATLAB版)[J]. 2004.
[7]朱虹.數字影象處理基礎[M].科學出版社，Zoos.
[8] Farsiu S. A fast and robust framework for image fusion and enhancement[D]. University of California, 2005.
[9] Vandewalle P Super-resolution from unregistered abased images[D]. Ecole Polytechnique Federale de Lausanne, 2006.
[10] Tuan P Q. Spatiotonal adaptivity in super-resolution of under-sampled image sequences[D]. Technische Universiteit Dclft, 2006.
[11] Borman S, Stevenson R L. Super-resolution from image sequences-a review[C]. IEEE Symposium on Circuits and Systems, 1998, 374-378.
[12〕鄧彩，影象插值演算法研究.重慶大學田〕，2011.
[13] T.BIu, P.Thevenaz, M.Unser. Linear interpolation revitalized[J]. IEEE Transactions On image processing, 2004,13(5): 710-719.
[14] Erik Meijering; Michael Unser. A Note on Cubic Convolution Interpolation[J]. IEEE Transactions on Image processing. 2003, 12(4): 477-479.
[15] Guodong Jing, Yunhui Shi, Bing Lu. Single-Image Super-Resolution Based on Decomposition and Sparse Representation [A]. Internatioanl conference on Multimedia