导读:本文包含了散焦图像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:视觉,粒子,视场,图像,模糊,算法,像素。
散焦图像论文文献综述
余淑真,欧巧凤,熊邦书,陈垚锋[1]（2019）在《基于散焦图像的大视场立体视觉标定方法》一文中研究指出针对传统大视场立体视觉标定方法存在操作不便、精度不高、稳定性差的问题,提出基于散焦图像的大视场立体视觉标定方法.首先,在立体视觉系统和大视场测量位置之间选定一个位置作为小视场散焦位置,利用在此位置处采集的靶标图像,实现摄像机内参标定;其次,利用大视场测量位置处采集的靶标图像,实现立体视觉外参标定;最后,通过实验室标定实验和直升机桨叶运动参数测量实验进行了验证.结果表明,该方法操作方便、精度高、稳定性好,在4.6 m×2.3 m的视场范围内,测量靶标上特征点间距为505.00 mm的两个点,平均误差为0.647 mm,均方根误差为0.780 mm,能够满足直升机桨叶运动参数测量的现场标定以及测量精度要求.(本文来源于《应用科学学报》期刊2019年06期）
王梓屹[2]（2019）在《基于松弛算法的散焦显微粒子图像追踪》一文中研究指出为了开展叁维显微粒子追踪测速研究,本文搭建了一套高速显微散焦粒子图像叁维测速系统。针对散焦粒子图像获取方法及粒子空间坐标的标定,编写了邻近算法和松弛算法,结果表明粒子密度较大时,松弛算法明显优于邻近算法。(本文来源于《电脑知识与技术》期刊2019年29期）
余淑真[3]（2019）在《基于散焦图像的大视场立体视觉标定技术研究》一文中研究指出立体视觉系统具有非接触、自动化等特点,广泛应用于工业检测、国防等领域,立体视觉标定是其关键技术,标定精度直接影响系统的测量精度,因此,研究大视场环境下的高精度立体视觉标定方法,对提高测量精度具有重要的实际意义。针对传统大视场立体视觉标定方法存在操作不便、精度不高和稳定性不好的问题,本文利用散焦图像开展了大视场立体视觉标定技术研究。主要工作内容和研究成果如下:(1)改进了课题组研发基于四目立体视觉的直升机桨叶运动参数测量系统,系统的硬件组成主要包括:四个高速工业相机、倍频同步器、计算机、远程控制计算机和八个摄影灯;软件组成包括:设备管理模块、图像采集模块、立体视觉标定模块、全局标定模块、标记点叁维坐标计算模块和桨叶运动参数测量模块。本文主要针对原系统中的立体视觉标定模块进行界面优化和算法优化,将基于散焦图像的大视场立体视觉标定方法嵌入系统。经过测试,优化后的系统能够满足桨叶运动参数测量需求,提高了标定过程的可操作性和稳定性。(2)提出了基于散焦图像的大视场立体视觉标定方法。首先,在散焦位置,利用单个小尺寸二维靶标采集散焦图像,完成了单目摄像机标定;其次,在测量位置,通过对视场区域的划分,利用单个小尺寸二维靶标采集标定图像,完成了立体视觉外参数标定;最后,通过模拟实验和真实实验对本文方法进行验证,在5.1m的测量距离,4.8m?2.4m的视场范围内,归一化重投影误差和反投影误差均小于0.23mm,测量结果的均方根误差为0.858mm、相对误差小于0.3%,结果表明,本文方法标定精度高、操作方便和稳定性好,能够满足桨叶运动参数测量的现场标定以及测量精度要求。(3)分析了影响大视场摄像机标定精度的因素。首先,从理论上分别分析了散焦位置、靶标材质、靶标中标记点大小、靶标中标记点间距、散焦图像数量、噪声水平6个影响因素对标定精度的影响机理;然后,在5m的测量距离,4.6m?2.3m的视场范围下,开展了影响标定精度的因素验证实验,得出:1)散焦位置在1~2.2m的范围内,标定精度较高,散焦位置为1.4m时,标定精度和可操作性较好;2)选择碳纤维材质、标记点半径为18mm、标记点间距为48mm和标记点个数为9*10的靶标,可以获得较高的标定精度;3)本文方法抗噪性能较好:4)选用27张图像就能取得较高的标定精度,但是稳定性不好;选用40张图像,标定结果的精度和稳定性最符合要求。(本文来源于《南昌航空大学》期刊2019-06-01）
彭玉[4]（2019）在《基于改进粒子群算法的散焦舰船图像模糊参数估计》一文中研究指出针对散焦舰船图像模糊问题,采用传统参数估计方法受到噪声影响,导致估计误差较大,为了避免该问题,提出改进粒子群算法。分析散焦舰船模糊图像退化模型,得到退化后图像计算公式。根据该公式初始化粒子群,通过跟踪极值来判断最新位置,并对运行速度进行控制。采用改进后的例子算法构建半径为r的圆,并分析圆弧形状和散焦频谱特征,通过计算幅值可得到散焦模糊参数的估计。由实验结果可知,该方法最高估计精准度可达到0.985 2,具有较强抗噪性能。(本文来源于《舰船科学技术》期刊2019年08期）
梁英,于洵,陶禹,龚昌妹,姜旭[5]（2019）在《散焦图像边缘振铃抑制算法》一文中研究指出针对编码孔径成像在图像复原过程中产生的振铃效应,提出了一种改进梯度平滑边界算法。首先对模糊图像进行均值滤波,计算出梯度平滑图像;然后对该图像进行反射插值延拓,延拓的图像经最优窗处理得到预处理图像;最后经改进维纳滤波算法恢复出原图像。实验表明,改进算法能有效抑制振铃同时保留图像细节信息,与梯度平滑边界算法相比复原图像的结构相似度提高了27%,图像质量指数提高了19%。(本文来源于《电子测量技术》期刊2019年04期）
王亮,田萱[6]（2018）在《单幅散焦图像的局部特征模糊分割算法》一文中研究指出当前局部特征模糊分割算法没有对单幅散焦图像进行预处理,导致单幅散焦图像的清晰度较低,从而影响分割效果。原有的模糊分割算法在像素分割的过程中,像素标签量巨大,从而导致分割过程复杂。为此,提出利用免疫谱聚类算法实现对单幅散焦图像的局部特征模糊分割。首先,通过分块的方法对局部模糊图像进行再次模糊;然后,比较模糊前后散焦图像的奇异值变化,并以该变化为依据对散焦图像进行标识;最后,提取出单幅散焦图像的奇异值特征,进而实现单幅散焦图像的局部特征模糊分割的目标。利用谱聚类的方法对散焦图像中的像素点样本进行聚类,采用Nystr9m逼近方法对像素点相似性矩阵的特征向量进行计算,降低了计算的复杂度;同时利用免疫算法提高聚类结果的准确性,保证了散焦图像的局部特征模糊分割结果。实验结果表明,所提算法能够有效地对单幅散焦图像进行分割,分割的效果较好,计算过程较为简单。(本文来源于《计算机科学》期刊2018年02期）
王聪[7]（2017）在《散焦图像像素曲线初步复原法在无人机电力巡检中的应用》一文中研究指出本文以无人机在电力巡检时,采集的图像容易出现对焦不准的情况为背景,提出一种通过像素曲线对散焦图像进行初步复原的方法。该方法基于点扩散模型退化的像素曲线模型,通过调整图像的两个方向的像素曲线来达到初步复原的目的。通过实验和与其他复原方法的比较,可知本文提出的这种方法可以降低复原的计算量,同时也可以实现对散焦图像进行效果较好的初步复原。(本文来源于《现代信息科技》期刊2017年03期）
薛松,王文剑[8]（2018）在《基于超像素分割的单幅散焦图像深度恢复方法》一文中研究指出现有的单幅散焦图像深度恢复算法大多存在算法复杂,对图像边缘、复杂纹理及阴影区域恢复效果差等问题。提出一种基于超像素分割的单幅散焦图像的深度恢复方法。首先将原始图像分割成若干超像素模块,然后根据图像中边缘处像素的散焦模糊量求得各超像素模块的散焦模糊量,以获得超像素级别的稀疏深度图,再对所求出的稀疏深度图进行优化处理,最后恢复出真实准确的全景深度图。该算法不仅可以将误差降低到最小,而且可以简化边缘散焦模糊量向全局扩展的过程。在真实数据上的仿真实验表明,该方法不仅耗时短,而且可以有效改进边缘不明显、纹理复杂以及存在阴影区域的深度恢复效果。(本文来源于《计算机科学与探索》期刊2018年07期）
薛松[9]（2017）在《单幅散焦图像深度信息恢复算法研究》一文中研究指出在计算机视觉研究领域当中,关于物体的叁维重构一直以来是一个热点问题,而直接获取物体的叁维信息受昂贵硬件设备的限制,所以人们重点研究利用二维图像恢复目标场景的深度信息。二维图像中物体的深度信息是指在拍摄过程中,物体距离相机镜头的远近。传统的基于双(多)目视觉的深度恢复方法虽然能够恢复出目标场景较高精度的深度信息,已被众多学者广泛研究和使用,但是均需要图像相似点匹配计算,运算量很大并且容易出错。与之相比,基于单目视觉的深度恢复方法因其计算简单、实时性较高的特点逐步受到越来越多学者的追捧,而其最常用的单目线索就是散焦模糊信息。散焦测距法(DFD)作为单目视觉深度恢复方法中的代表,不仅有效避免了需要目标场景大量的图像以及复杂的计算过程等问题,并且还具有高实时性的优点。DFD通过分析比较同一场景物体散焦成像的差异来估算出物体的深度,需要场景的两幅及以上散焦模糊程度不同的图像。二次成像的约束加大了该算法操作的复杂性,限制了其在实际生活中的应用。为克服传统DFD的不足,本文在基于单目散焦模糊线索的基础上开展单幅散焦图像深度恢复方法的研究,具体研究工作如下:(1)基于高斯-柯西混合模型的单幅散焦图像深度恢复方法。使用高斯分布函数或柯西分布函数近似点扩散函数模型(PSF),根据图像边缘处散焦模糊量的大小与场景深度之间的关系估算出深度信息,是常用的一种方法。但是真实世界中图像模糊的缘由千变万化,单一的高斯分布函数或柯西分布函数并不能很好地模拟每一种散焦成像过程,并且传统的方法对于图像中边缘不明显、深度变化特别细微以及存在阴影现象区域的深度恢复结果不够准确。为了获取更为精确的深度信息,提出一种利用高斯-柯西混合模型近似PSF的方法,首先对原始图像进行再模糊处理,得散焦程度不同的两幅图像,通过计算两幅散焦图像边缘处梯度的比值,估算出图像边缘处的散焦模糊量,得到稀疏深度图,最后使用深度扩展法得到场景的全景深度图。通过大量真实图像的测试,说明新方法能够从单幅散焦图像中恢复出完整、可靠的深度信息,并且结果好于目前常用的方法。(2)基于超像素分割的单幅散焦图像深度恢复方法。目前现有的单幅散焦图像深度恢复算法大多计算出的都是图像每个像素的深度值,首先计算出图像边缘处像素的散焦模糊量,并且通过一定的方法扩展到全图像素而得到全景深度图。在这些算法中,边缘散焦模糊量向全局扩展的过程非常复杂,需要消耗大量的时间进行计算。同时,这些算法对于图像中边缘不明显、纹理复杂及以存在阴影现象区域深度信息的恢复存在一定的误差。本文提出的方法通过计算超像素级别的散焦模糊量很好地改善了上述这些问题。通过大量真实数据的仿真实验表明,本文提出的方法不仅有着耗时短的优势,而且改进了边缘不明显、纹理复杂以及存在阴影现象的区域的深度恢复效果。本文提出的两种针对单幅散焦图像的深度恢复方法在恢复效果和效率方面都有一定的提高,取得的研究成果将丰富二维图像恢复目标场景深度信息的研究。(本文来源于《山西大学》期刊2017-06-01）
赵攀杰[10]（2016）在《基于散焦显微图像的叁维粒子追踪测速研究》一文中研究指出为了开展叁维显微粒子追踪测速研究,本文搭建了一套高速显微散焦粒子图像叁维测速系统。开展了散焦粒子图像获取方法及粒子空间坐标的标定研究,编写了粒子识别、轨迹追踪等算法代码,针对方形长直微通道、倒置台阶结构微通道及阵列方块结构微通道进行了实验研究。主要研究内容如下:首先,根据散焦成像原理,在原二维Micro-PTV/PIV系统装置的基础上对其光路系统进行了升级。在显微物镜后端嵌入了一种孔边缘厚度0.1mm,距挡板边缘间厚度成线性分布的叁孔挡板。在粒子散焦像识别的过程中利用了相似叁角形的特点,并根据散焦像斑灰度值呈二维高斯分布的特征计算其质心。在粒子叁维位置测量算法分析过程中选择了29颗样品粒子,对29组不同深度的数据采用线性拟合的方式进行粒子深度方向的标定,并用二元多项式对870组数据拟合获得了关于粒子平面位置漂移的补偿函数。随后,开展了散焦显微粒子图像测速实验。采用20?0.4显微物镜对205?m?205?m的流体视场进行观测,使用高速CMOS相机以1000帧/秒的速率对直径为2?m的荧光示踪粒子进行追踪。通过光学和图像分析得到了粒子散焦图像构型参数,即粒子散焦图像的直径与质心。根据深度标定函数计算出粒子的实际深度位置,通过粒子水平方向上的补偿函数对其位置进行修正,最终获得示踪粒子的叁维运动轨迹及速度矢量。为了验证散焦显微粒子图像测速系统的可靠性与测量的准确性,首先针对矩形长直微通道内雷诺数Re分别为0.05和0.1的流场进行了测量。结果显示,实测速度廓线与数值模拟结果吻合良好。接下来,开展了微通道内倒置台阶结构的绕流实验,获得了粒子运动轨迹及叁维速度分布。粒子的运动轨迹与数值模拟所获流线是一致的。在以上验证实验的基础上开展了微通道内方块阵列结构的叁维绕流流场的测量。结果表明,该测量系统能够实现复杂叁维结构的粒子运动轨迹的追踪。绕流流场总体呈现叁维周期性结构,但由于障碍物绕流的复杂性,某些局部位置绕流流场的周期性被打破,出现流动不稳定特征。(本文来源于《中国计量大学》期刊2016-06-01）
散焦图像论文开题报告
（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：
为了开展叁维显微粒子追踪测速研究,本文搭建了一套高速显微散焦粒子图像叁维测速系统。针对散焦粒子图像获取方法及粒子空间坐标的标定,编写了邻近算法和松弛算法,结果表明粒子密度较大时,松弛算法明显优于邻近算法。
（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。
散焦图像论文参考文献
[1].余淑真,欧巧凤,熊邦书,陈垚锋.基于散焦图像的大视场立体视觉标定方法[J].应用科学学报.2019
[2].王梓屹.基于松弛算法的散焦显微粒子图像追踪[J].电脑知识与技术.2019
[3].余淑真.基于散焦图像的大视场立体视觉标定技术研究[D].南昌航空大学.2019
[4].彭玉.基于改进粒子群算法的散焦舰船图像模糊参数估计[J].舰船科学技术.2019
[5].梁英,于洵,陶禹,龚昌妹,姜旭.散焦图像边缘振铃抑制算法[J].电子测量技术.2019
[6].王亮,田萱.单幅散焦图像的局部特征模糊分割算法[J].计算机科学.2018
[7].王聪.散焦图像像素曲线初步复原法在无人机电力巡检中的应用[J].现代信息科技.2017
[8].薛松,王文剑.基于超像素分割的单幅散焦图像深度恢复方法[J].计算机科学与探索.2018
[9].薛松.单幅散焦图像深度信息恢复算法研究[D].山西大学.2017
[10].赵攀杰.基于散焦显微图像的叁维粒子追踪测速研究[D].中国计量大学.2016
论文知识图
