隨著我國高速鐵路的飛速發(fā)展,車輛運行速度的不斷提高,對鐵路基礎設施安全性提出了更高的要求,基于計算機視覺的監(jiān)測體系,在保障車輛安全、高速運行,發(fā)揮著極為重要的作用。但是視覺成像系統(tǒng)受到硬件分辨率、惡劣自然環(huán)境等復雜因素影響,導致采集到的監(jiān)測圖像分辨率不足,質(zhì)量下降,嚴重影響了監(jiān)測效果,給行車安全帶來隱患。采用圖像超分辨率重建技術(shù)將低分辨率監(jiān)測圖像恢復為高分辨率圖像,對于提高高鐵基礎設施視覺監(jiān)測的準確性、及時性,保障高鐵運營安全具有重要的應用價值。本文對接高鐵基礎設施非接觸式視覺監(jiān)測的迫切需求,以深度學習理論為基礎,針對高鐵基礎設施視覺監(jiān)測圖像細節(jié),尤其是幾何特征或邊緣特征重建效果不佳的問題,以深度卷積網(wǎng)絡為主要研究對象,從損失函數(shù)、網(wǎng)絡結(jié)構(gòu)等方面入手,以提高基礎設施視覺監(jiān)測圖像質(zhì)量為目的,研究針對高鐵基礎設施視覺監(jiān)測圖像的超分辨率重建方法。本文主要研究內(nèi)容如下:（1）提出了一種基于邊緣引導的生成對抗網(wǎng)絡超分辨率算法。受生成對抗網(wǎng)絡生成器和判別器之間博弈思想的啟發(fā),考慮到監(jiān)測圖像的邊緣特征先驗,利用邊緣檢測器,在生成器中加入邊緣損失,經(jīng)過充分訓練后,生成器能更充分地學習到圖像的邊緣特征,... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖１－２直接獲取的監(jiān)測圖像（左）和超分辨率重建后監(jiān)測圖像（右）對比圖（左上角圖像為圖中??藍色框線區(qū)域的放大展示）??

由此對圖像進行超分辨率重建。２００２年，Ｆｒｅｅｍａｎ［ｕ］等提出基于樣例學習的重??建算法，從此掀起了對基于學習的圖像超分辨率技術(shù)的研宄熱潮。現(xiàn)階段，圖像超??分辨率重建算法主要分為三大類，如圖１－３所示：??［－基于插值的算法??超分辨率重建算法分類－－基于重構(gòu)的算法???ｐ｜淺層學習??Ｉ－基于學習的算法－????１匕深度學習??圖１－３超分辨率重建算法分類??Ｆｉｇｕｒｅ?１－３?ＳＲ?ａｌｇｏｒｉｔｈｍ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??（ｉ）基于插值的方法??插值（ｉｎｔｅｒｐｏｌａｔｉｏｎ）是提高圖像分辨率比較常見的技術(shù)之一，是最直觀的重建方??４??

基于重構(gòu)的方法主要包括頻域法和空域法。頻域法主要使用消混疊重建方法，??直觀易懂，但是受制于頻帶的有限性問題，而且只能夠處理多幀圖像整體平移的特??殊情況，普適性差；空域法對先驗知識具有很強的約束能力，代表方法有最大后驗??概率法，非均勻插值法，迭代反向投影法，凸集投影法等。最大后驗概率法利用貝??葉斯相關理論構(gòu)造高分辨率圖像，使得超分辨問題可解且解唯一，但是其收斂速度??極慢，計算量非常大；非均勻插值法通過配準，把采樣點插入到均勻的采樣點內(nèi)，??通過中間處理得到高分辨率圖像，該方法簡單直觀，計算復雜度小，但需假設多幀??ＬＲ圖像具有相同的噪聲和模糊，所以其適用范圍較小。迭代反向投影法是由ＩｒａｎｉｔＭ??等人運用反向迭代投影方法，使重構(gòu)誤差最小化，并提出迭代反向投影方法，該方??法經(jīng)常在后處理中使用，思想簡單直觀，計算速度快，但是其反向投影算子的選擇??比較困難、解也不唯一而且非常依賴于初始值，無法利用先驗約束；凸集投影法是??由Ｔｅｋａｌｐ等人受到空間變換中點的擴散函數(shù)啟發(fā)，并結(jié)合集合論相關知識，提出??了改進的凸集投影方法［｜８］，該方法充分考慮多種圖像的先驗知識，簡單直觀，但是??其計算復雜度相對較高、收斂慢、且其解不唯一、對初始估計嚴重依賴。??

【參考文獻】：
期刊論文
[1]亮度——梯度聯(lián)合約束的車牌圖像超分辨率重建[J]. 孫京,袁強強,李冀瑋,周春平,沈煥鋒.  中國圖象圖形學報. 2018(06)
[2]基于卷積神經(jīng)網(wǎng)絡的圖像紋理的超分辨率重建[J]. 蔣雪,韓芳.  微型機與應用. 2017(20)
[3]基于小波分析的TM遙感圖像超分辨率重建[J]. 王金亮,曾浩,王艷英,劉廣杰.  遙感技術(shù)與應用. 2016(03)
[4]基于圖像分解與邊緣檢測的圖像去噪方法[J]. 張力娜,李小林.  咸陽師范學院學報. 2014(02)
[5]計算機視覺技術(shù)在鐵路檢測領域的應用[J]. 段汝嬌,趙偉,黃松嶺,陳建業(yè).  中國鐵路. 2010(01)
[6]基于RCM的鐵路基礎設施維修管理信息系統(tǒng)的設計[J]. 余澤西.  交通運輸系統(tǒng)工程與信息. 2009(02)
[7]基于學習的人臉圖像超分辨率重建方法[J]. 鄭梅蘭,章品正,郭偉偉,鮑旭東.  計算機工程與應用. 2009(01)
[8]高保真影像超分辨率重建應用研究[J]. 梁立恒,邢立新,姜紅艷,王明常.  吉林大學學報(地球科學版). 2007(S1)
[9]基于識別的凸集投影人臉圖像超分辨率重建[J]. 黃華,樊鑫,齊春,朱世華.  計算機研究與發(fā)展. 2005(10)
[10]計算機視覺及其應用[J]. 周國清,唐曉芳.  中國計算機用戶. 1996(08)

碩士論文
[1]基于深度學習的圖像超分辨率重構(gòu)技術(shù)研究[D]. 連逸亞.江南大學 2018
[2]基于深度學習的圖像超分辨率重構(gòu)算法研究[D]. 吳科永.西安電子科技大學 2018
[3]基于深度學習的圖像超分辨率方法研究[D]. 陳展鴻.華南理工大學 2018
[4]基于卷積神經(jīng)網(wǎng)絡的單幀圖像超分辨率重建[D]. 陳穎龍.浙江理工大學 2018
[5]基于計算機視覺的高精度測量方法研究及應用[D]. 胡仁東.北京交通大學 2017
[6]視覺測量關鍵技術(shù)研究及其在尖軌伸縮位移監(jiān)測中的應用[D]. 劉文才.北京交通大學 2016
[7]基于SURE的圖像重建正則化理論研究[D]. 王克蘭.南京理工大學 2013
[8]數(shù)字圖像去霧與超分辨率重建算法研究[D]. 侯天峰.合肥工業(yè)大學 2011



本文編號：3308292