發(fā)布時間：2021-10-25 10:21

　　隨著時代的不斷發(fā)展進步,深度學習理論和應用取得了令人矚目的突破,特別是在計算機視覺領域。圖像超分辨率重建技術一直以來都是計算機視覺領域的熱點問題。超分辨率重建技術是指在保持圖像特有結構信息的條件下,將低分辨率的圖像轉換為更高質量的高分辨率的圖像。圖像超分辨率重建的算法可分為傳統(tǒng)重建算法和基于深度學習的重建算法�；谏疃葘W習的重建算法比傳統(tǒng)方法效果更好。而基于深度學習的超分辨率重建算法雖然能取得較好的結果,但通常計算復雜,模型參數(shù)量大,存在大量冗余,不利于移動設備上的實現(xiàn)。為了得到便于在移動終端實現(xiàn)的深度學習超分辨率重建算法,本文以深度學習技術為基礎對超分辨重建算法進行了深度學習權重量化,并基于安卓平臺設計了相應的超分辨率重建APP,主要內容如下:（1）本文詳細研究了超分辨率重建的算法及其性能。通過調研近幾年深度學習理論和技術,尤其是深度學習在超分辨率重建領域的應用,從前人的工作中獲取靈感取長補短,本文新的超分辨率重建算法是基于這些從前的算法提出的。（2）為了得到大量的訓練集,本文從行車記錄儀中得到大量超清車載圖像和降采樣、加噪后的標清圖像作為深度學習的訓練集,并通過裁剪、旋轉、翻折等方... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

觀測模型系統(tǒng)[36]

華南理工大學碩士學位論文82.2.3結構相似度均方誤差和結構相似態(tài)度都是比較圖像對應位置灰度的差異，沒有考慮到像素與像素之間的聯(lián)系，他們作為評估指標存在一定的局限性。在人眼視覺系統(tǒng)中，對圖像的結構信息更加敏感。因此研究人員提出了結構相似度(StructuralSimilarityIndex,SSIM)[37]來衡量原始圖像與重建后圖像在結構上的關聯(lián)程度。該方法從亮度、對比度和結構信息三個方面對比了圖像之間的相似性。圖2-2SSIM計算流程[37]從上圖可以清晰看到SSIM的計算體系，他們可以用如下公式表示：12212),(CuuCuuYXLYYYX（2-4）22222),(CCYXCYXYX（2-5）33),(CCYXSYXXY（2-6）其中YXL),(為亮度比較，YXC),(為對比度比較，YXS),(為結構比較X與Y分別表示重建后的圖像與真實圖像的均值，X與Y分別表示重建圖像與真實圖像的方差，XY表示重建圖像與真實圖像的協(xié)方差，1C、2C和3C均為常數(shù)，防止公式中的分母為0。SSIM的計算公式見（2-7）：YXSYXCYXLYXSSIM)],([)],([)],([),(（2-7）

華南理工大學碩士學位論文102.3基于插值的重建方法圖像超分辨率重建最常見方法是使用基于函數(shù)或插值內核的插值方法。如最近鄰插值、雙線性插值以及雙三次插值(BicubicInterpolation)[40-42]。因為這些算法計算簡單且重建速率相對較快，具有很高的應用價值。如今大多數(shù)圖像處理函數(shù)庫和軟件都封裝了這些方法。這些基于插值的算法都是線性的算法，因此對圖像中平滑、邊緣等不同區(qū)域都采用相同的方法進行插值，因此在細節(jié)上會出現(xiàn)模糊，難以滿足高清圖像所需要的視覺效果。2.3.1最近鄰插值最近鄰插值是一種極為簡單的算法，該方法不需要進行復雜計算。在待求像素的四個相鄰像素中，將距離待求區(qū)域最近的領域的值賦給它，其過程如圖2-3所示，如果點(i+u,j+v)落在A區(qū)域，則將左上角的值賦值給這個點，因為距離A區(qū)域最近的像素點是左上角的點，同理對于其他區(qū)域的值也是相同的處理方式。從這個過程可以看出最近鄰插值算法計算簡單，這也導致該算法重建出來的圖像效果一般，會出現(xiàn)明顯的模糊。圖2-3最近鄰插值算法[40]2.3.2雙線性插值雙線性插值其核心思想是在兩個方向分別進行插值，相對于最近領插值，算法在確定某一個點時考慮了該點周圍4個領域的值，并根據(jù)距離對周圍的像素的值進行加權，所以其計算相比最近鄰插值復雜，重建后得到的圖像也更加清晰。如下圖2-4所示：為了得到y(tǒng)xP),(的值，算法需要考察),(1111yxQ,),(2112yxQ,),(1221yxQ,),(2222yxQ的值。雙線性插值用公式見（2-12）：

【參考文獻】：
期刊論文
[1]改進殘差塊和對抗損失的GAN圖像超分辨率重建[J]. 張楊憶,林泓,管鈺華,劉春.  哈爾濱工業(yè)大學學報. 2019(11)
[2]基于深度學習的單幅圖片超分辨率重構研究進展[J]. 張寧,王永成,張欣,徐東東.  自動化學報. 2020(12)
[3]智能駕駛技術研究的重要進展[J]. 蔡自興.  機器人技術與應用. 2019(03)
[4]基于深度跳躍級聯(lián)的圖像超分辨率重建[J]. 袁昆鵬,席志紅.  光學學報. 2019(07)
[5]基于反卷積特征學習的圖像語義分割算法[J]. 鄭菲,孟朝暉,郭闖世.  計算機系統(tǒng)應用. 2019(01)
[6]基于深度超分辨率重建的監(jiān)控圖像人臉識別[J]. 朱海,王國中,范濤,楊露.  電子測量技術. 2018(16)
[7]實現(xiàn)圖像縮放功能的Matlab插值算法研究與比較[J]. 丁雪晶.  湖北大學學報(自然科學版). 2018(04)
[8]結合暗通道先驗的單幅圖像快速去霧算法[J]. 劉杰平,楊業(yè)長,韋崗.  華南理工大學學報(自然科學版). 2018(03)
[9]基于非局部自回歸學習的醫(yī)學圖像超分辨重建方法[J]. 徐軍,劉慧,尹義龍.  模式識別與人工智能. 2017(08)
[10]采用雙線性插值收縮的圖像修復方法[J]. 王昊京,王建立,王鳴浩,陰玉梅.  光學精密工程. 2010(05)

碩士論文
[1]基于多類特征和深度學習的Android惡意應用檢測系統(tǒng)[D]. 秦曉霞.中國科學技術大學 2019



本文編號：3457202