高分辨率圖像包含了豐富的圖像細節(jié)信息,因而在圖像壓縮、公共安防以及遙感成像等多個領(lǐng)域發(fā)揮重要的作用。但是由于環(huán)境以及硬件等原因,實際獲得的圖像分辨率一般都較低。為了解決這個問題,超分辨率重建技術(shù)被提了出來,其旨在利用算法去提升觀察到的低分辨圖像的分辨率,以補充缺失的細節(jié)信息。近年來,超分辨率重建技術(shù)取得了重大的突破,尤其是基于深度學習的超分辨率重建技術(shù)。與傳統(tǒng)的方法相比,深度學習的方法摒棄手工提取特征的弊端,利用網(wǎng)絡(luò)逐層提取圖像細節(jié)信息,因而在恢復(fù)圖像高頻細節(jié)的能力上更為突出。通過對基于深度學習的重建方法進行深入的分析,本文提出基于修改卷積神經(jīng)網(wǎng)絡(luò)模型的超分辨率重建方法,并通過實驗驗證其有效性。全文的主要研究內(nèi)容如下:1.分析討論了超分辨率重建技術(shù)的研究背景及意義,并對現(xiàn)有重建算法的類別進行了詳細的分析。本文重點關(guān)注了基于深度學習的超分辨率重建方法,首先系統(tǒng)地描述了卷積神經(jīng)網(wǎng)絡(luò)的基本知識,然后介紹了常見的深度學習的重建方法,并分析其優(yōu)缺點。2.針對現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的重建模型大都采用單路前饋結(jié)構(gòu),不利于使用網(wǎng)絡(luò)的分層特征,容易丟失已經(jīng)獲得的特征信息的問題,提出了多路前饋的網(wǎng)絡(luò)結(jié)構(gòu)。... 

【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)】：76 頁

【學位級別】：碩士

【部分圖文】：

Set5中Baby重建對比圖效果對比

(e) VDSR(35.37/0.9261) (f) DRCN(35.49/0.9272) (g) DRRN(35.53/0.9273) (h) Ours(35.56/0.9281)圖 3.5 Set5 中 Baby 重建對比圖效果對比Fig 3.5 Result of super resolution on Baby image(a) HR(PSNR/SSIM) (b) Bicubic(23.71/0.8745) (c)A+(26.10/0.8923) (d) SRCNN(26.97/0.9083)

圖 4.6 狀態(tài)數(shù)量對重建效果的影響Fig 4.6 The effect of the number of states遞歸結(jié)構(gòu)引入到多路徑前饋網(wǎng)絡(luò)中，緩解了提升的問題。這里測試了遞歸輪數(shù),也即完全圖 4.7 可以看出，遞歸次數(shù)越多，PSNR 值加了網(wǎng)絡(luò)的深度，即通過更大的感受野以及更但是遞歸的結(jié)構(gòu)保證了參數(shù)量不會大幅增加。


本文編號：3321035