阵列测向的稀疏超分辨方法研究

研究论文-五元十字交叉阵的测向模糊分析及阵列改进措施

提出了一种新的基于稀疏表示正则化的多帧图像超分辨凸变分模型,模型中的正则项刻画了理想图像在框架系统下的稀疏性先验,保真项度量其在退化模型下与观测信号的一致性,同时分析了最优解条件.进一步,基于前向后向

非负矩阵分解是超光谱图像超分辨率的最典型模型。 但是,对系数的非负限制限制了字典表达的效率。 面对这一问题,提出了一种基于非因式稀疏表示和字典学习的高光谱图像超分辨率方法(称为NFSRDL)。 首先,

全面综述了超分辨图像质量评价的研究进展。超分辨图像质量评价是以人眼的主观质量评价结果为依据，利用算法模型对重建的超分辨图像进行评价。该评价方法对超分辨重建算法的优化和模型参数的选择具有重要的指导意义。

通过重建周期视频一个周期内的每一帧从而恢复出一个周期的高质量视频。由于视频是低帧率的，相邻帧间差别较大，无法使用相邻的帧进行基于模型的超分辨率重建，于是提出了配准视频周期，然后利用出每个周期内的相同景

为进一步强化航道安全,解决海事CCTV人工值守、非自动化问题,提出了基于稀疏表示的船体检测方法。利用稀疏表示实现对船体的检测时,首先构建样本特征矩阵,然后利用K-SVD算法对样本特征矩阵进行学习,得到

以GaussGibbs随机场模型为图像的先验概率模型，运用自适应规整化的最大后验概率(MAP)方法进行图像超分辨率重建。通过对先验概率分布参数的估计，对图像超分辨率重建求解进行自适应规整化，从而提高

一篇关于图像处理的论文图像超分辨率重建是指由一序列低分辨率形变图像来估计一幅(或序列)较高分辨率的非形变图像，同时还能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊。此类技术在遥感、医学图像

人工神经网络凭借其超强的学习能力，使得人工智能得到迅猛的发展，让人工神经网络再次成为研究热点。目前深度学习已经广泛应用于计算机视觉，语音处理，自然语言处理等各个领域，甚至在某些领域已经起到了主导作用。

基于人脸图像超分辨率重构算法的研究，利用马尔科夫网络提出了一种新的架构。