隨著超分辨率重構(gòu)技術(shù)的發(fā)展,針對壁畫圖像進(jìn)行超分辨率重建已經(jīng)成為重點(diǎn)研究課題。近年來,基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)作為一種新興的圖像處理技術(shù),在模式識(shí)別、計(jì)算機(jī)視覺、目標(biāo)分類和檢測等眾多領(lǐng)域被廣泛應(yīng)用。而利用卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行超分辨率重建已經(jīng)成為圖像復(fù)原領(lǐng)域非�；钴S的話題。隨著卷積神經(jīng)網(wǎng)絡(luò)模型層數(shù)的不斷加深,其重建圖像的自主學(xué)習(xí)能力不斷提升。但目前基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建模型針對結(jié)構(gòu)細(xì)節(jié)信息豐富,紋理、色彩復(fù)雜多變的壁畫圖像進(jìn)行超分辨率重建時(shí)仍存在一定問題。因此,本文根據(jù)壁畫圖像的紋理和結(jié)構(gòu)特征,借鑒卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)思想,對壁畫圖像超分辨率重建問題展開研究。1.基于多尺度殘差注意力網(wǎng)絡(luò)的壁畫圖像超分辨率重建方法為了拓展網(wǎng)絡(luò)的寬度和深度,本文在特征提取階段運(yùn)用了GoogleNet中的Inception Block和ResNet中的Residual Block。首先通過多尺度映射單元,運(yùn)用不同尺度的卷積核直接對低分辨率壁畫圖像進(jìn)行特征提取;然后,將融合后的特征映射圖輸入到殘差通道注意力塊,通過建模卷積特征各個(gè)通道之間的作用關(guān)系,使網(wǎng)絡(luò)從全局信息出發(fā)對各個(gè)特征映射圖進(jìn)行權(quán)值優(yōu)化... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 古代壁畫研究現(xiàn)狀
        1.2.2 圖像超分辨率研究現(xiàn)狀
    1.3 本文的主要工作和章節(jié)安排
        1.3.1 問題提出及研究目標(biāo)
        1.3.2 本文主要章節(jié)安排
第2章 基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率重建概述
    2.1 圖像超分辨率重建原理
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成
    2.3 卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練
        2.3.1 前向傳播過程
        2.3.2 反向傳播過程
    2.4 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建
        2.4.1 網(wǎng)絡(luò)模型
        2.4.2 網(wǎng)絡(luò)訓(xùn)練
    2.5 本章小節(jié)
第3章 基于多尺度殘差注意力網(wǎng)絡(luò)的壁畫圖像超分辨率重建
    3.1 引言
    3.2 算法設(shè)計(jì)及網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 通道注意力機(jī)制
    3.4 局部殘差結(jié)構(gòu)
    3.5 實(shí)驗(yàn)設(shè)置與結(jié)果分析
        3.5.1 實(shí)驗(yàn)環(huán)境與壁畫圖像數(shù)據(jù)集
        3.5.2 主/客觀實(shí)驗(yàn)結(jié)果分析
        3.5.3 網(wǎng)絡(luò)層數(shù)設(shè)置
        3.5.4 通道注意力機(jī)制對壁畫重建的影響
    3.6 本章小節(jié)
第4章 基于遞歸殘差注意力網(wǎng)絡(luò)的壁畫圖像超分辨率重建
    4.1 引言
    4.2 算法設(shè)計(jì)及網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 實(shí)驗(yàn)設(shè)置與結(jié)果分析
        4.3.1 主/客觀實(shí)驗(yàn)結(jié)果分析
        4.3.2 模型結(jié)構(gòu)分析
        4.3.3 網(wǎng)絡(luò)的不同部分對重建性能的影響
        4.3.4 網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置與運(yùn)行時(shí)間比較
    4.4 本章小節(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
附錄A 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
附錄B 攻讀碩士學(xué)位期間參與的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]利用多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 陳書貞,解小會(huì),楊郁池,練秋生.  信號(hào)處理. 2018(09)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的深度圖像超分辨率重建方法[J]. 李偉,張旭東.  電子測量與儀器學(xué)報(bào). 2017(12)
[3]基于深層卷積網(wǎng)絡(luò)的單幅圖像超分辨率重建模型[J]. 龍法寧,朱曉姝,胡春嬌.  廣西科學(xué). 2017(03)
[4]基于深度特征學(xué)習(xí)的圖像超分辨率重建[J]. 胡長勝,詹曙,吳從中.  自動(dòng)化學(xué)報(bào). 2017(05)
[5]改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 肖進(jìn)勝,劉恩雨,朱力,雷俊鋒.  光學(xué)學(xué)報(bào). 2017(03)
[6]基于跨連卷積神經(jīng)網(wǎng)絡(luò)的性別分類模型[J]. 張婷,李玉鑑,胡海鶴,張亞紅.  自動(dòng)化學(xué)報(bào). 2016(06)
[7]基于深度學(xué)習(xí)的圖像超分辨率算法研究[J]. 胡傳平,鐘雪霞,梅林,邵杰,王建,何瑩.  鐵道警察學(xué)院學(xué)報(bào). 2016(01)
[8]淺析麥積山石窟壁畫保護(hù)現(xiàn)狀及其應(yīng)對策略[J]. 孟瑩.  絲綢之路. 2015(16)
[9]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)
[10]一種基于正則化的邊緣定向插值算法[J]. 季成濤,何小海,符耀慶,梁子飛,卿粼波.  電子與信息學(xué)報(bào). 2014(02)

博士論文
[1]古代壁畫圖像保護(hù)與智能修復(fù)技術(shù)研究[D]. 劉建明.浙江大學(xué) 2010

碩士論文
[1]基于三維重建的超高分辨率壁畫快速數(shù)字化技術(shù)研究[D]. 劉禮銘.浙江大學(xué) 2016
[2]古代壁畫泥斑病害自動(dòng)標(biāo)定及虛擬修復(fù)[D]. 李彩艷.西安建筑科技大學(xué) 2015
[3]基于線描圖智能化生成的計(jì)算機(jī)輔助壁畫修復(fù)[D]. 周宇.浙江大學(xué) 2003



本文編號(hào)：2913008