高分辨圖像具有畫面清晰、色彩豐富等優(yōu)點,很多應用場景對圖像分辨率都有著較高的要求。然而現(xiàn)實世界中,成像過程受眾多因素影響,往往無法獲得高質量的圖像。為了解決這一問題,可以利用超分辨率重建技術恢復出圖像損失的細節(jié)信息,提高分辨率。深度學習的發(fā)展使得圖像超分辨率重建技術獲得了很大的突破,是近年國內外學者研究的重點。本文重點關注基于深度學習的超分辨重建方法,主要研究內容如下:1.論文首先介紹圖像超分辨率重建的相關研究背景及其基礎知識,并對這項技術的研究現(xiàn)狀進行分析,著重闡述深度學習在超分辨重建中的應用。為了進一步提升重建質量,改進現(xiàn)有算法的不足,利用殘差學習思想提出基于卷積神經(jīng)網(wǎng)絡和生成對抗網(wǎng)絡的超分網(wǎng)絡模型。2.傳統(tǒng)前饋神經(jīng)網(wǎng)絡在提取圖像特征時容易出現(xiàn)丟失局部信息的情況,為此,在充分考慮信息持久性在網(wǎng)絡傳播過程中的影響的基礎上,本文提出增強型兩階段超分辨重建殘差網(wǎng)絡模型,在增加網(wǎng)絡深度的同時可以有效地融合各層學習到的特征。重建第一階段是通過稠密殘差單元完成對圖像特征的分層學習,提升信息的整合程度。重建第二階段主要是對在第一階段學習到的圖像高頻信息進行殘差再學習,縮小重建誤差。在這兩個階段中... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖像退化模型

高分辨率圖片。圖像的成像過程受噪聲擾動時，重建出的圖片會偽圖塊，這也使得很多超分辨重建算法重建出的而成像噪聲是無法消除的，因此超分辨率重建問題超分辨率重建是一種不適應的逆問題，實際的重建程，為了克服這種病態(tài)性，重建出令人滿意的高分許多經(jīng)典算法。法的方法方法是早期超分辨率重建的主要研究方向，這類息選擇不同的插值方法對放大后圖像中的位置區(qū)算法有：最近鄰插值和雙線性插值。值

圖 2. 3 雙線性插值示意圖Fig 2.3 The illustration of bilinear interpolation能力不強。雙線性插值計算像素值時在水平方向和樣一來，鄰近區(qū)域內的所有已知位置的像素點信息都意圖。已知圖像中某一區(qū)域中的 A，B，C，D 四個雙線性插值首先在水平方向對 A 和 B，C 和 D 進行素值，{ ( ) = ( ) ( ) ( ) = ( ) ( )得到 E 點的像素值，雙線性插值再在豎直方向進行 ( ) = ( ) ( ) 的方法方法首先需要從圖像退化模型中挖掘出高、低分辨建立數(shù)學模型完成從低分辨率圖像到高分辨率的逆

【參考文獻】：
期刊論文
[1]結合深度殘差學習和感知損失的圖像去噪[J]. 吳從中,陳曦,季棟,詹曙.  中國圖象圖形學報. 2018(10)



本文編號：2937975