| 【中文题名】 | MTF与图像质量参数关系的建模研究 |
| 【英文题名】 | |
| 【学科专业】 | 计算机应用 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2004-9-9 |
| 【中关键词】 | 调制传递函数,图像质量,评价参数,数值分析,神经网络, |
| 【英关键词】 | MTF, Image quality, Assessment parameter, data modeling, Neural Network, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>遥感技术>遥感图像的解译、识别与处理>图像处理方法> |
| 【论文摘要】 | 从卫星传回的遥感图像上获知卫星光学系统的评价指标MTF的变化情况，是卫星光学系统研制领域非常活跃的研究课题，对于在轨运行的卫星光学系统的监测遥控，以及后继卫星的研制，有着非常重要的意义。目前，研究集中在如何从卫星遥感图像上直接测量MTF，但该方法还有许多难点，使这一技术成为完全成熟的技术还有许多工作需要去做。因此，本文提出另外一种设想，建立图像的质量评价参数和光学系统指标MTF的数据关系模型，通过简单易行的计算在轨卫星的图像质量参数，根据已经建立的模型关系，直接推算出MTF。
本文首先理解理解MTF的原理，选择了合适的图像参数，并分别用数值关系和神经网络提出几种拟和数据模型的方法，对模型的正确性分别进行了检验，并给出了相应的结论。 |
| 【论文题纲】 |
|
摘要 |
2-3 |
|
ABSTRACT |
3-8 |
|
第1章 MTF原理 |
8-15 |
|
1.1 序言 |
8 |
|
1.1.1 问题的提出 |
8 |
|
1.1.2 本文的工作 |
8 |
|
1.2 理解光学传递函数MTF |
8-14 |
|
1.2.1 光学定义 |
8-9 |
|
1.2.2 MTF定义 |
9-10 |
|
1.2.3 MTF的物理意义 |
10-11 |
|
1.2.4 MTF的计算 |
11-13 |
|
1.2.5 从图像上计算MTF |
13-14 |
|
1.3 本章小结 |
14-15 |
|
第2章 图像质量的评价参数 |
15-23 |
|
2.1 引言 |
15 |
|
2.2 基于灰度共生矩阵的参数 |
15-20 |
|
2.2.1 灰度共生矩阵 |
15-16 |
|
2.2.2 对比度 |
16 |
|
2.2.3 熵 |
16-17 |
|
2.2.4 角二阶距 |
17 |
|
2.2.5 实验数据及分析 |
17-20 |
|
2.3 图像清晰度 |
20-21 |
|
2.3.1 点锐度算法 |
20-21 |
|
2.4 其他参数 |
21-22 |
|
2.4.1 细节能量与边缘能量 |
21-22 |
|
2.4.2 图像方差 |
22 |
|
2.4.3 图像均值 |
22 |
|
2.5 本章小结 |
22-23 |
|
第3章 基于基本数值分析方法的曲线拟和 |
23-45 |
|
3.1 引言 |
23 |
|
3.2 曲线拟合原理 |
23-30 |
|
3.2.1 牛顿多项式插值法原理 |
23-26 |
|
3.2.2 最小二乘曲线拟合法原理 |
26-28 |
|
3.2.2.1最小二乘的特点 |
27 |
|
3.2.2.2最小二乘的难点 |
27-28 |
|
3.2.3 样条函数拟合法原理 |
28-30 |
|
3.3 实验数据取得 |
30-32 |
|
3.3.1 取得MTF数据 |
30 |
|
3.3.2 取得图像质量评价参数数据 |
30-32 |
|
3.4 拟合实验 |
32-43 |
|
3.4.1 数据预处理 |
32 |
|
3.4.2 牛顿插值多项式方法拟合 |
32-39 |
|
3.4.3 最小二乘方法拟合 |
39-41 |
|
3.4.4 三次样条函数法拟合 |
41-43 |
|
3.5 下一步工作展望 |
43 |
|
3.5.1 多元数据情况 |
43 |
|
3.5.2 牛顿多项式拟合 |
43 |
|
3.5.3 最小二乘拟合 |
43 |
|
3.6 本章小结 |
43-45 |
|
第4章 基于神经网络的曲线拟和 |
45-64 |
|
4.1 神经网络概述 |
45-47 |
|
4.1.1 神经网络的概念 |
45 |
|
4.1.2 神经网络基本模型 |
45-47 |
|
4.1.2.1 神经元模型 |
45-46 |
|
4.1.2.2 神经网络模型 |
46-47 |
|
4.2 数据预处理 |
47-51 |
|
4.2.1 聚类分析法 |
47-49 |
|
4.2.2 神经网络法 |
49-51 |
|
4.3 基本BP神经网络的函数逼近 |
51-56 |
|
4.3.1 BP神经网络原理 |
51-55 |
|
4.3.1.1 BP神经网络的结构 |
51-52 |
|
4.3.1.2 BP神经网络的学习规则 |
52-55 |
|
4.3.2 BP神经网络拟和试验 |
55-56 |
|
4.3.2.1 神经网络设计 |
55 |
|
4.3.2.2 拟合试验 |
55-56 |
|
4.4 BP算法的动量方法改进 |
56-59 |
|
4.4.1 算法原理 |
56-57 |
|
4.4.2 拟合试验 |
57-59 |
|
4.5 改进的共轭梯度法原理 |
59-61 |
|
4.5.1 算法原理 |
59-61 |
|
4.5.2 拟合实验 |
61 |
|
4.6 Levenberg-Marquardt算法 |
61-63 |
|
4.6.1 算法原理 |
61-63 |
|
4.6.2 拟合实验 |
63 |
|
4.7 本章小结 |
63-64 |
|
第5章 结束语 |
64-65 |
|
5.1 本文总结 |
64 |
|
5.2 进一步的工作 |
64-65 |
|
参考文献 |
65-67 |
|
致谢 |
67 |
|
| 【DOI】 | LunWen.ID:2.2008.389278 |
