简介:介绍了超分辨率复原方法的概念和理论基础;重点总结了常用的超分辨率复原方法,并对相关的理论依据、优缺点和适用范围进行了详尽分析;对超分辨率复原方法的未来发展进行了展望。超分辨率复原方法分为频域法和空域法。频域复原法原理简单清楚,计算方便,但是所建立的运动模型都是平移模型,不具有一般性,同时难以利用正则化约束,因而导致难以使用图像的先验信息进行超分辨率复原。空域复原法可以很方便地建立复杂的运动模型,同时考虑了几乎所有的图像降质因素,例如噪声、降采样、由非零孔径时间造成的模糊、光学系统降质和运动模糊等,还可以加入更完善的先验知识,相比于频域复原法,空域超分辨率复原模型更符合实际的图像退化过程,是目前应用最广泛的一类超分辨率复原方法。
简介:为了充分利用LAMOST望远镜,实现对银河系不同星族的分布与整体性研究,以及极端贫金属星元素丰度测定等科学目标,研制了LAMOST高分辨率光谱仪,光谱分辨率R≥30000,光谱覆盖范围380~740nm。在充分考虑台址因素与现有条件后,采用中继倍率0.7倍的准白瞳设计方案,使用大芯径光纤、拼接大光栅、棱栅组合式横向色散器、缝前像切分器等措施来满足性能要求。进行了效率估算与杂散光分析,光谱仪本体效率峰值大于30%,杂散光照度占CCD总照度的2.55%,信噪比为16.01dB。试运行阶段实测了太阳光谱,温度稳定性达到±0.03℃,光谱仪效率峰值约为33.5%,满足稳定、高效的运行要求。
简介:摘要:随着勘探程度的日趋成熟,勘探目标地质构造及断裂发育情况越来越复杂,勘探难度也陡然增加,已从原来的大构造、大圈闭向小背斜、小砂体转移。 AIN BEIDA区块情况亦是如此,小断层、小构造发育。在野外的地震资料采集参数确定的情况下,要得到高分辨率地震资料并不容易,处理方法成为了提升资料分辨率的唯一途径。提高分辨率处理是一项复杂的工程,不仅仅是应用好几个反褶积模块的问题,而是几乎涉及到常规精细处理中的每一个主要的步骤。为了更好的完成地质任务,为解释人员提供更高分辨率的地震剖面,就要求我们合理运用精细处理的各个步骤,优选参数,最大程度的提高资料横向纵向分辨率。
简介:本文通过仿真实验研究了单帧低分辨率图像的超分辨率重建技术。首先,阐述了用于单帧超分辨率重建的插值法、IBP法和POCS法,然后通过matlab7.0仿真程序验证了双三次插值法、双线性插值法、POCS法和IBP法,并根据仿真实验的结果分析这些方法重建效果的好坏。实验结果表明,实验结果证明,双线性插值方法的重建结果要优于双三次插值的重建结果;IBP的重建效果要优于POCS方法;对于IBP和POCS来说,2种方法都能获得较好的重建结果,并且用于图像的帧数越多,重建的效果越好;此外,客观评价方法与主观评价方法有时不能获得相同的评价结果,但在多数情况下,客观评价方法都能取得与主观评价方法一致的结果。
简介:摘要目的探讨高分辨率CT在颞骨骨折中的诊断价值。方法以2010年1月~2015年12月我院收治的36例颞骨骨折患者为研究对象,全部患者均以高分辨CT对骨折处进行横断面扫描和冠状位扫描,对照普通CT评价高分辨率CT的诊断水平。结果36例患者经CT扫描,明确骨折17例,疑似骨折15例,骨折阴性4例,检出率47.22%,骨折累及器官组织损伤均无明确显示。经HRCT扫描,明确骨折36例,其中纵行骨折27例(75.0%),横行骨折8例(22.22%),混合型骨折1例(2.78%),检出率100%,骨折累及器官组织损伤显示较为清晰。HRCT骨折检出率显著高于传统CT,差异显著统计学意义(P<0.01)。结论以高分辨率CT对颞骨骨折进行扫描,不仅能准确反映颞骨骨折部位及类型,也可显示软组织变化和累及结构,诊断效果显著优于传统CT,能够为临床治疗颞骨骨折及评估预后提供有效影像学信息,诊断价值高,值得临床推广使用。
简介:以阿姆河盆地右岸地区碳酸盐岩台内滩气田为例,运用基于图论的多分辨率聚类分析法开展了以常规测井资料为基础的测井相聚类及岩相定量预测研究。该方法不需要分析数据体的结构及聚类数等先验知识为指导,能够自动优选最佳聚类个数,并允许按照实际需求控制聚类级别,进行聚类合并。依据岩芯资料岩相识别及测井相标定结果,本文最终建立了包含5个聚类的测井相划分模型及岩相定量解释图版,其中,聚类测井相1~5分别对应于泻湖泥、石膏坪、滩间、低能滩及高能滩,取芯段符合率达85%以上,能够较好的运用于非取芯段岩相预测研究。据此,我们进行了连续的聚类测井相划分及岩相预测,并对层序地层格架内岩相分布及物性特征进行了分析。
简介:文章针对株洲县堂市乡某部分区域高分辨率影像,采用eCognition的多尺度分割和面向对象的最邻近法对影像进行分类,同时与ENVI5.3软件平台下的最大似然法分类结果进行了对比分析,并以野外验证后的目视解译为基准进行精度评价。结果表明:基于eCognition平台下的面向对象的分类方法避免了传统分类结果噪声严重、精度低的缺陷,其总体分类精度为80%,Kappa系数为0.7397,比传统分类结果精度高,比目视解译效率高。