圖像是信息傳遞的重要載體之一,在現(xiàn)實(shí)生活中的人們有70%左右的信息是通過(guò)視覺(jué)獲取。而圖像的分辨率能夠反映出圖像中包含信息的豐富度,如何高效獲取高分辨率圖像成為當(dāng)前亟待解決的難題之一。從硬件角度提升圖像分辨率會(huì)面臨研發(fā)難度大,花費(fèi)成本高等問(wèn)題。圖像超分辨率重建是一種通過(guò)軟件途徑提高圖像分辨率方法,具有較高的性價(jià)比,在多個(gè)領(lǐng)域具有廣泛的應(yīng)用價(jià)值。因此也成為專家學(xué)者們關(guān)注的熱點(diǎn)。本文從前人學(xué)者研究的圖像超分辨率算法著手,闡述了該技術(shù)的研究現(xiàn)狀,同時(shí)復(fù)現(xiàn)了多個(gè)深度學(xué)習(xí)圖像超分辨率網(wǎng)絡(luò)模型,分析并綜合現(xiàn)有網(wǎng)絡(luò)模型優(yōu)點(diǎn),結(jié)合深度學(xué)習(xí)基礎(chǔ)理論知識(shí)對(duì)單幅圖像超分辨率技術(shù)進(jìn)行研究。本文主要工作如下:(1)查找圖像超分辨率技術(shù)方面的資料,并且對(duì)圖像超分辨率技術(shù)的現(xiàn)狀進(jìn)行說(shuō)明。復(fù)現(xiàn)圖像超分辨率技術(shù)多種實(shí)現(xiàn)算法,重點(diǎn)研究超分辨率深度學(xué)習(xí)算法。分析其各個(gè)網(wǎng)絡(luò)模型的優(yōu)缺點(diǎn),并且將實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。(2)針對(duì)當(dāng)前圖像超分辨率重建網(wǎng)絡(luò)中對(duì)提取的特征信息利用率低的缺點(diǎn),使得重建后的超分辨率圖像紋理細(xì)節(jié)部分略顯不足,紋理部分恢復(fù)較難的問(wèn)題。本文構(gòu)建了一種將低分辨率圖像的高頻信息作為重建圖像的補(bǔ)償信息模型,形成特征補(bǔ)償深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,DCNN)圖像超分辨率重建算法。將原始低分辨率圖像經(jīng)過(guò)插值處理后傳輸進(jìn)U形網(wǎng)絡(luò)以提取圖像的紋理信息,再與經(jīng)DCNN模型重建后的圖像相加形成紋理特征補(bǔ)償,得到最終的高分辨率圖像。經(jīng)過(guò)實(shí)驗(yàn)對(duì)比,本文方法重建出的超分辨率圖像可以得到較高的圖像質(zhì)量評(píng)價(jià)客觀數(shù)據(jù)以及更強(qiáng)的邊緣特征。(3)針對(duì)當(dāng)前圖像超分辨算法多采用單鏈?zhǔn)骄W(wǎng)絡(luò)結(jié)構(gòu),且多使用單種尺度的卷積核提取低分辨率圖像的特征信息,這樣很容易造成細(xì)節(jié)信息的遺漏。另外,為了獲得更好的圖像超分辨率重建效果,網(wǎng)絡(luò)模型也在不斷的被加深,伴隨而來(lái)的梯度消失問(wèn)題會(huì)使得訓(xùn)練時(shí)間延長(zhǎng),難度加大等問(wèn)題。本文結(jié)合GoogleNet思想、殘差網(wǎng)絡(luò)思想和密集型卷積網(wǎng)絡(luò)思想,研究了一種多尺度密集型殘差網(wǎng)絡(luò)模型。該模型中使用三種不同尺度卷積核對(duì)輸入的低分辨率圖像進(jìn)行卷積處理,采集不同卷積核下的底層特征,這樣可以較多的提取低分辨率圖像上的細(xì)節(jié)信息,有利于圖像的恢復(fù)。再將采集的特征信息分別輸入三個(gè)通道的殘差塊中進(jìn)行深度特征提取。最后,重建融合后的三種卷積核提取的特征信息得到清晰圖像。實(shí)驗(yàn)數(shù)據(jù)以及效果圖證明本文算法能夠較好的恢復(fù)低分辨率圖像的邊緣和紋理信息,優(yōu)于當(dāng)前主流超分辨率重建算法。
【學(xué)位單位】：五邑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP18
【部分圖文】：

a) 原圖 b) Y通道圖像圖 3-3 顏色空間轉(zhuǎn)換Fig.3-3 Color space conversion合 U 形網(wǎng)絡(luò)的基本原理，使用灰度圖像提取紋理信息。提傳輸進(jìn) U 形網(wǎng)絡(luò)用以提取紋理特征，此部分的目的是為重

a) 輸入圖像 b) 原始高分辨率圖像 c) 插值法 d) SRCNNe) 本文算法圖 3-9 本文算法與其他算法效果圖對(duì)比Fig.3-9 Qualitative comparison of our models with other works將重建后的圖像局部放大后可以比較清楚的觀察到，本文重建出的 HR 圖像紋理相比于其他兩種算法紋理更加清晰，邊緣較為完整。因?yàn)檫M(jìn)行圖像高頻特征

a) 高分辨率圖像 b) 插值法 c) 圖 4-4 本文算法與Fig.4-4 Qualitative compariso在本文的網(wǎng)絡(luò)模型中是將 3×3 像素表4-4中分別將3種尺度的底層特征提取

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李昂;宋曉瑩;;基于生成對(duì)抗網(wǎng)絡(luò)的遙感圖像超分辨率重建[J];光學(xué)與光電技術(shù);2019年06期

2 孫旭;李曉光;李嘉鋒;卓力;;基于深度學(xué)習(xí)的圖像超分辨率復(fù)原研究進(jìn)展[J];自動(dòng)化學(xué)報(bào);2017年05期

3 曾凱;丁世飛;;圖像超分辨率重建的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2017年16期

4 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術(shù)與方法綜述[J];光學(xué)技術(shù);2009年02期

5 丁海勇;卞正富;;數(shù)字圖像超分辨率重構(gòu)技術(shù)研究[J];計(jì)算機(jī)與數(shù)字工程;2007年10期

6 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進(jìn)展[J];光學(xué)技術(shù);2004年03期

7 張清勇;陳智勇;駱瀟原;;基于生成網(wǎng)絡(luò)的遙感圖像超分辨率的研究[J];實(shí)驗(yàn)室研究與探索;2019年03期

8 王威;張彤;王新;;用于圖像超分辨率重構(gòu)的深度學(xué)習(xí)方法綜述[J];小型微型計(jì)算機(jī)系統(tǒng);2019年09期

9 謝雪晴;;基于殘差密集網(wǎng)絡(luò)的單幅圖像超分辨率重建[J];計(jì)算機(jī)應(yīng)用與軟件;2019年10期

10 李昂;;基于對(duì)抗神經(jīng)網(wǎng)絡(luò)和語(yǔ)義分割技術(shù)的圖像超分辨率系統(tǒng)的研發(fā)和應(yīng)用[J];有線電視技術(shù);2019年11期

相關(guān)會(huì)議論文 前10條

1 林國(guó)強(qiáng);王博;孔英會(huì);胡啟楊;;基于壓縮感知的變電站巡檢圖像超分辨率重建[A];第37屆中國(guó)控制會(huì)議論文集（F）[C];2018年

2 姜倩茹;白煌;;基于雙字典設(shè)計(jì)的圖像超分辨率重構(gòu)[A];信號(hào)處理在生儀2014學(xué)術(shù)年會(huì)論文集[C];2014年

3 楊浩;高建坡;陳向東;吳鎮(zhèn)揚(yáng);;利用示例圖像獲取先驗(yàn)知識(shí)的圖像超分辨率重建算法[A];第一屆中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集[C];2007年

4 張東;韓軍;;圖像超分辨率重建算法研究[A];2010年西部光子學(xué)學(xué)術(shù)會(huì)議摘要集[C];2010年

5 阮小燕;陳向?qū)?高孟男;;基于相位相關(guān)法與小波變換的圖像超分辨率重建[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

6 張煜東;吳樂(lè)南;奚吉;王水花;;變長(zhǎng)小生境算法用于圖像超分辨率復(fù)原[A];2009年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2009年

7 閆允一;郭寶龍;;基于小波的圖像超分辨率重建算法研究[A];第三屆全國(guó)數(shù)字成像技術(shù)及相關(guān)材料發(fā)展與應(yīng)用學(xué)術(shù)研討會(huì)論文摘要集[C];2004年

8 張瓊;付懷正;沈民奮;;基于稀疏表示的彩色圖像超分辨率重建算法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

9 姚林;;基于雙邊濾波插值圖像超分辨率重建算法研究[A];云南省測(cè)繪地理信息學(xué)會(huì)2015年學(xué)術(shù)年會(huì)論文集[C];2015年

10 韓玉兵;殷瑋瑋;吳樂(lè)南;;基于Wavelet-HMM的圖像超分辨率重建[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

相關(guān)重要報(bào)紙文章 前2條

1 記者 劉肖勇 蔡敏霞 通訊員 嚴(yán)PrPr;一套算法讓模糊低清小視頻變高清[N];廣東科技報(bào);2019年

2 本報(bào)見(jiàn)習(xí)記者 丁寧寧 通訊員 嚴(yán)PrPr;一套算法奪四項(xiàng)冠軍[N];中國(guó)科學(xué)報(bào);2019年

相關(guān)博士學(xué)位論文 前10條

1 邱康;基于機(jī)器學(xué)習(xí)的圖像超分辨率重建關(guān)鍵技術(shù)研究[D];武漢大學(xué);2018年

2 李瑩華;基于壓縮感知的圖像處理方法及應(yīng)用研究[D];西安電子科技大學(xué);2019年

3 張鳳珍;分離字典優(yōu)化及其在圖像處理中的應(yīng)用[D];北京交通大學(xué);2018年

4 肖斐;圖像超分辨率與基于目標(biāo)模型的目標(biāo)識(shí)別方法研究[D];華中科技大學(xué);2017年

5 唐永亮;單幅圖像超分辨率重建方法研究[D];重慶大學(xué);2018年

6 岳波;基于學(xué)習(xí)的圖像超分辨率重建方法研究[D];西安電子科技大學(xué);2018年

7 孫鐿誠(chéng);基于壓縮感知的圖像超分辨率重建方法研究[D];南京理工大學(xué);2018年

8 魏燁;單幅圖像超分辨率重建方法及其視覺(jué)位移測(cè)量應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

9 翟海天;圖像超分辨率重建關(guān)鍵技術(shù)研究[D];西北工業(yè)大學(xué);2016年

10 查志遠(yuǎn);基于稀疏表示與低秩模型的圖像復(fù)原算法研究[D];南京大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 段然;基于生成對(duì)抗的圖像超分辨率研究[D];華北電力大學(xué)(北京);2019年

2 趙麗娟;基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率研究[D];華北電力大學(xué)(北京);2019年

3 柴曉亮;基于深層殘差卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建算法[D];華北電力大學(xué)(北京);2019年

4 劉闖闖;精確與高感知質(zhì)量的單幅圖像超分辨率問(wèn)題研究[D];華南理工大學(xué);2019年

5 彭亮;基于學(xué)習(xí)的圖像超分辨率重建算法研究[D];華南理工大學(xué);2019年

6 賈曉義;基于深度學(xué)習(xí)的圖像超分辨率算法研究[D];華南理工大學(xué);2019年

7 劉村;基于深度學(xué)習(xí)的圖像超分辨率重建方法研究[D];上海交通大學(xué);2018年

8 黃金;SAR圖像超分辨率增強(qiáng)關(guān)鍵算法研究[D];電子科技大學(xué);2019年

9 況奇剛;面向全尺度倍增比的圖像超分辨率關(guān)鍵技術(shù)研究[D];東華大學(xué);2019年

10 汪海敏;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建[D];電子科技大學(xué);2019年

本文編號(hào)：2826969