高效獲取高分辨率的生物電鏡圖像是腦科學(xué)研究的重要環(huán)節(jié)。采集耗時(shí)和采集精度是腦微觀重建工程的兩大難題。由于硬件的限制,從算法的角度解決該問(wèn)題,成為必要手段。本文以重建速度和重建精度為側(cè)重點(diǎn),對(duì)基于學(xué)習(xí)的圖像超分辨率算法進(jìn)行研究,并將其應(yīng)用到電鏡圖像重建領(lǐng)域。從重建速度的角度,本文基于貝葉斯分層樹(shù)模型提出了一種改進(jìn)的快速超分辨率算法�；谪惾~斯學(xué)習(xí)原理,在圖像特征空間中訓(xùn)練分層樹(shù),從而獲得最優(yōu)的樹(shù)節(jié)點(diǎn)參數(shù)和最大概率葉子節(jié)點(diǎn)的回歸矩陣。并通過(guò)圖像空間壓縮（幅值、相位、頻率）、搜索壓縮和回歸壓縮的方法,減少模型參數(shù)和減小計(jì)算復(fù)雜度,從而提升模型的重建速度和降低對(duì)硬件的需求。最后實(shí)驗(yàn)驗(yàn)證了算法在重建速度上的優(yōu)勢(shì)。該算法可應(yīng)用于電鏡圖像前期采集階段。從重建精度的角度,本文基于多尺度小波網(wǎng)絡(luò)模型設(shè)計(jì)了一種全卷積端到端的超分辨率算法。首先構(gòu)建了網(wǎng)絡(luò)的主體結(jié)構(gòu),由編碼和解碼兩個(gè)模塊構(gòu)成。然后采用間接預(yù)測(cè)多尺度小波系數(shù)來(lái)代替直接預(yù)測(cè)灰度圖像,訓(xùn)練約束模式包括灰度域和小波域。再根據(jù)小波尺度對(duì)輸出系數(shù)進(jìn)行分組,使得模型訓(xùn)練更加穩(wěn)定、超參數(shù)調(diào)整更加靈活。實(shí)驗(yàn)表明與其它經(jīng)典算法相比,該算法在細(xì)節(jié)紋理恢復(fù)方面更為突... 

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)學(xué)習(xí)的超分辨率算法研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的超分辨率算法研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容及組織結(jié)構(gòu)
第2章 一種基于學(xué)習(xí)的圖像超分辨率技術(shù)理論基礎(chǔ)
    2.1 圖像超分辨率問(wèn)題數(shù)學(xué)描述
    2.2 基于學(xué)習(xí)的圖像超分辨率算法
        2.2.1 基于傳統(tǒng)學(xué)習(xí)的圖像超分辨率算法
        2.2.2 基于深度學(xué)習(xí)的圖像超分辨率算法
    2.3 超分辨率質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)
        2.3.1 圖像質(zhì)量的主觀評(píng)價(jià)
        2.3.2 圖像質(zhì)量的客觀評(píng)價(jià)
    2.4 本章小結(jié)
第3章 基于貝葉斯分層樹(shù)回歸模型的快速超分辨率算法
    3.1 引言
    3.2 貝葉斯分層樹(shù)回歸模型
        3.2.1 超分辨率分層樹(shù)模型
        3.2.2 多級(jí)貝葉斯回歸求解
    3.3 加速分層樹(shù)搜索和重建
        3.3.1 分層樹(shù)搜索加速
        3.3.2 分層樹(shù)重建加速
    3.4 實(shí)驗(yàn)設(shè)置和數(shù)據(jù)準(zhǔn)備
    3.5 實(shí)驗(yàn)結(jié)果和分析
    3.6 本章小結(jié)
第4章 一種基于多尺度小波卷積網(wǎng)絡(luò)的高精度超分辨率算法
    4.1 引言
    4.2 多尺度小波卷積網(wǎng)絡(luò)
        4.2.1 圖像多尺度小波分解
        4.2.2 超分辨率網(wǎng)絡(luò)主體結(jié)構(gòu)設(shè)計(jì)
    4.3 共享嵌入和多尺度小波分支網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        4.3.1 共享嵌入子網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.2 多尺度小波分支網(wǎng)絡(luò)
    4.4 實(shí)驗(yàn)設(shè)置和數(shù)據(jù)準(zhǔn)備
    4.5 實(shí)驗(yàn)結(jié)果和分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 前景展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于三維全卷積DenseNet的腦膠質(zhì)瘤MRI分割[J]. 黃奕暉,馮前進(jìn).  南方醫(yī)科大學(xué)學(xué)報(bào). 2018(06)
[2]一種基于L1/2正則約束的超分辨率重建算法[J]. 徐志剛,李文文,朱紅蕾,朱旭鋒.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)



本文編號(hào)：3703286